技術(shù)特征：

1.一種列車車牌二值化圖像融合方法，其特征在于，包括如下步驟：

S1，獲取通道數(shù)據(jù)，所述通道數(shù)據(jù)包括列車車牌彩色圖像的R、G、B三個通道圖以及列車車牌彩色圖像的灰度圖；計算四個通道圖的對比度值，選擇對比度值最大的作為最佳單通道圖，并且對該最佳單通道圖進行像素歸一化；

S2，獲取歸一化后的最佳單通道圖的多個二值圖，所述二值圖包括用最大類間方差法獲得的二值圖，用自適應加權(quán)高斯閾值方法獲得的二值圖，基于邊緣的二值圖以及基于自適應分塊最大類間方差法的二值圖；

S3，將用最大類間方差法獲得的二值圖，將獲得的基于邊緣的二值圖以及獲得的基于自適應分塊最大類間方差法二值圖進行邏輯‘或’操作；

將得到的‘或’操作結(jié)果與獲得的基于自適應加權(quán)高斯閾值方法的二值圖進行邏輯‘與’操作，最后的結(jié)果即為最終理想二值圖。

2.根據(jù)權(quán)利要求1所述的列車車牌二值化圖像融合方法，其特征在于，步驟S1具體包括如下步驟：

S11，通道數(shù)據(jù)獲取：將列車車牌原彩色圖轉(zhuǎn)換為灰度圖，其轉(zhuǎn)換公式見如下公式：

Gray＝R×0.3+G×0.59+B×0.11

其中，R，G，B分別代表RGB空間中的三個通道，

灰度圖與列車車牌原彩色圖的R，G，B三個通道圖構(gòu)成四個不同的單通道圖；

S12，邊緣增強：依次對S11獲得四個單通道圖的水平掃描和/或豎直掃描進行卷積操作，獲取四個相應的邊緣增強的單通道圖，具體的卷積算子為：

豎直掃描卷積算子：

水平掃描卷積算子：

S13，降噪：對S12獲得的4個單通道圖進行濾波降噪；

S14，對比度計算：利用對比度計算公式求解S13獲得的圖像的對比度值，選擇對比度值最大的作為最佳單通道圖，對比度計算公式如下：

$F_{con}=\frac{\mathrm{\σ}}{{\left({\mathrm{\α}}_4\right)}^n}$

${\mathrm{\α}}_4=\frac{{\mathrm{\μ}}_4}{{\mathrm{\σ}}^4}$

${\mathrm{\σ}}^2=\underset{q=0}{\overset{q_{\max }}{\Σ}}{(q-m)}^2\mathrm{Pr}\left(q\right|g)$

${\mathrm{\μ}}_4=\underset{q=0}{\overset{q_{\max }}{\Σ}}{(q-m)}^4\mathrm{Pr}\left(q\right|g),$

其中，σ為標準差，n根據(jù)實驗設(shè)置的常數(shù)，g為整個圖像的像素值，q為灰度級，Pr(q|g)表示灰度級為q的像素總數(shù)占整幅圖像素個數(shù)總數(shù)的百分比，m為圖像像素均值；

S15，對最佳單通道圖進行歸一化。

3.根據(jù)權(quán)利要求1或2所述的列車車牌二值化圖像融合方法，其特征在于，對最佳單通道圖進行歸一化的方法為：用最大類間方差法對最佳單通道圖進行二值化，獲得最大類間方差法二值圖，然后統(tǒng)計二值圖里面像素值為1的個數(shù)M和像素值為0的個數(shù)N，當M小于N時，則需要將該單通道圖取反，反之，單通道圖不取反。

4.根據(jù)權(quán)利要求1所述的列車車牌二值化圖像融合方法，其特征在于，用最大類間方差法獲得的二值圖的方法為：

利用最大類間方差法對最佳單通道圖進行二值化，獲得最大類間方差法二值圖，然后統(tǒng)計二值圖里面像素值為1的個數(shù)M和像素值為0的個數(shù)N，當M大于N時，該二值圖進行取反，反之，該二值圖不用取反。

5.根據(jù)權(quán)利要求1所述的列車車牌二值化圖像融合方法，其特征在于，用自適應加權(quán)高斯閾值方法獲得的二值圖的方法為：

取模板大小為w*w，用該模板對步驟S15獲得的歸一化后的單通道圖進行卷積操作，模板中心點對應到圖像的像素點P(x,y)，以此點為中心，計算其局部高斯加權(quán)均值EG(x,y),然后用高斯加權(quán)均值減去一個常量B，所得結(jié)果則為當前點P(x,y)的二值化閾值，

T(x,y)＝EG(x,y)-B

$EG(x,y)=\frac{1}{w*w}\underset{m,n=-w}{\overset{w}{\Σ}}G(m,n)p(x+m,y+n)$

$G(x_0,y_0)=\frac{1}{2\Π\mathrm{\σ}}{e}^{\frac{-({x_0}^2+{y_0}^2)}{2{\mathrm{\σ}}^2}}$

σ＝(μ-1)×k+b

$\mathrm{\μ}=\frac{w-1}{2},$

其中，T(x,y)表示像素點(x,y)的二值化閾值，p(x+m,y+n)表示坐標點(x+m,y+n)處的像素值，B表示一個常量，EG(x,y)表示基于高卷積核對像素點(x,y)利用求出的一個閾值；G(x₀,y₀)表示卷積模板中(x₀,y₀)對應的權(quán)值，該模板所有的權(quán)值呈二維高斯分布，w表示模板寬度，k為系數(shù)常量，b為常量，高斯核里面的均值μ為模板寬度的一半，模板寬度w取值為圖片的高度的四分之一。

6.根據(jù)權(quán)利要求1所述的列車車牌二值化圖像融合方法，其特征在于，用基于邊緣的二值圖方法獲得的二值圖的方法為：

利用步驟S12中的邊緣增強算法對步驟S15獲得的歸一化后的單通道圖做卷積操作，獲得邊緣梯度圖，利用最大類間方差方法對該邊緣增強圖進行二值化，獲得基于邊緣的二值圖。

7.根據(jù)權(quán)利要求1所述的列車車牌二值化圖像融合方法，其特征在于，用基于自適應分塊最大類間方差法獲得二值圖的方法為：

將S15獲得的歸一化后的單通道圖進行水平分割，分割成兩個子圖，然后用再最大類間方差法對每個子圖進行二值化操作，最后將兩個子二值圖合并為一個二值圖，其分割點選擇通過如下步驟完成：

將原RGB空間的彩色圖轉(zhuǎn)換為HSV空間；

在HSV空間下獲取原彩色圖的V分量對應的單通道圖，對V分量通道圖進行垂直投影，將獲得的投影直方圖在水平方向進行四等份劃分，存在包含水平方向左右起始點在內(nèi)的四個預選分割點，選擇中間兩個預選分割點中灰度值較小的點作為最終的分割點。