پردازش تصاویر رنگی وکاربرد آن

ارائه دهندگان:آیدین اعیان زاده -منیره برومند

بهار94

استاد مربوطه:دکتر صفر ایراندوست

مقدمه پردازش تصویر

چشم به عنوان یکی از حیاتی ترین حسگرهای انسان نقش بسزایی در چشمگیری که در ساخت پردازنده ها زندگی ما دارد. امروزه با پیشرفت

صورت گرفته است، این امکان نیز برای ما فراهم شده تا در ساخت روبات ها و سیستم های کنترلی از دوربین به عنوان یک چشم مصنوعی

استفاده کنیم.

پردازش تصویر

پردازشE تصویر روشی برای تبدیل یک تصویر به صورت دیجیتال و انجام برخی از عملیات بر روی آن، به منظور دریافت یک تصویر بهبود یافته و یا برای استخراج برخی از اطالعات مفید

از آن است. 

مراحل پردازش تصویر

تصویر دریافتورودی

پردازش پیشتصویر تصویر پردازش تصویر آنالیز

شاخه های پردازش تصویر

(پردازش تصاویرImage Processing)(ماشین بیناییMachin Vision)

بهبود تصاویر دربرگیرنده ی روشهایی چون استفاده از فیلتر محوکEننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد )مانند چاپگر یا نمایشگر رایانه(است، در حالی که بینایی ماشین به روشهایی می پردازد که به کمک آنها می توان معEنی و محتوای تصاویر را درک کEرد

تا از آنها در کارهایی چون رباتیک و محور تصاویر استفاده شود.

کاربرد پردازش تصویر

صنعتهواشناسی شهرسازیکشاورزیعلوم نظامی و امنیتینجوم و فضانوردی پزشکی

و...

شکل شناسی)عمگرهای مورفولوژیک(

یکی از مهمترین مراحل در پیش پردازش تصویر ، پردازش شکل شناسی می باشد. در این قسمت تنها به

بررسی شکل شناسی برای تصاویر دودویی خواهیم پرداخت. منظور از تصاویر دودویی ، تصاویر با دو سطح

رنگ 1 رنگ سیاه و منظور از 0 می باشد که در آن منظور از 1 یا 0 روشنایی سفید می باشد.

پردازش شکل شناسی عموما از عملگرهاي مجموعه اي استفاده می کEند. از حذف نقاط غیر مفید شکل شناسی نیز بیشتر براي استخراج نقاط کلیدي تصویر ،

تصویر و موارد مشابه دیگر استفاده می کنیم.

عملگر گسترش

در تصویر می شود. در عملگر گسترش نیز 1این عملگر باعث گسترش نقاط از یک ماسک ) نفاب ،پنجره (

همانند آنچه که در "ارتقا تصویر در حوزه مکانی" بود – استفاده می کنیم. در می گوییم که مقادیر عنصر اینجا به جاي ماسک به آن عنصر ساختمانی

یا صفر می تواند باشد1ساختمانی

عنصر ساختمانی

عملگر سایش در تصویر می شود. همانند عملگر 1همانطور که از نام عملگر پیداست ، این عملگر باعث سایش نقاط

گسترش یا صفر می 1 ،درعملگر سایش نیز از یک عنصر ساختمانی استفاده می کنیم که مقادیر عنصر ساختمانی

تواند باشد.

به Aبا عنصر ساختمانی B بدین معنی است که اگر عنصر ساختمانی B را بر روي پیکسل هاي A حرکت از عنصر ساختمانی قرار 1عبارت دیگر گسترش دهیم ، و در هربار حرکت همه نقاطی که در زیر مقادیر

خواهد بود.1گرفته اند نیز ، مقداز یک داشته باشند ، مقدارپیکسل حاصل نیز

عنصر ساختمانی

باز کردناعمالE عملگر باز کردنE بر روي تصویر باینري موجب می شود تا اتصاالت باریک تصویر حذEف

شده و تصویري آرام تر به دسEت آید. بازکردن تصویر از ترکیب عملگر سایشE و گسترش و به صورت زیر به دست می آید :

عنصر ساختمانی

بستناعمال عملگر بستن بر روي تصویر باینري مEوجب می شود تا حفره هايE کوچک تصویر

پرشوند. بستن تصویر از ترکیب عملگر سایش وگسترشE و به صورت زیر به دست می آید :

عنصر ساختمانی

میانگین گیری از تصویر فرض کنید چند تصویر یکسانE داریم که بر روEی هرکدام از آنها نویزهای مختلفی وجود دارد و

می خواهیم کیفیت این تصاویر را ارتقا دهیم. در چنین موارEدی می توانE از میانگن گیری از همه تصاویر استفاده کنیم . بدین صورت که مقادیر پیکسل های متناظر در همه تصاویر را باهم جمع کرده و سپس به تعداد کل تصاویر تقسیم کنیم. بدEیهی است که هرقدر تعداد تصاویر برای

میانگین گیری بیشتر باشد ، تصویر حاصل از میانگین گیری آنها نیز بیشتر به وEاقعیت نزدیک خواهدE بود.  به عنوانE مثال مجموعه تصاویر زیر، تصویر بدون نویز ، تصاویر نویز دار و حاصل

میانگین تیری از تصاویر نویز  رEا نشان می دهد:

تصویر بدون نویز تصویر نویزدار تصویر نویزدار تصویر نویزدار تصویر نویزدار

تصویر نویزدار

هیستوگرام تصویر هیستوگرEام تصویر نموداری استE که توسط آن تعداد پیکسل های هر سطح روشنایی در تصویر

سطح روشنایی 256 با Grayscale ورودی مشخص می شود. فرض کنید تصویر ورودی یک تصویر [ می توانند داشته باشند. 0...255باشد ، بنابراین هریک از پیکسل های تصویر مقداری در بازه ]

برEای به دست آوردن هیستوگرام تصویر ،کافی است با پیمایش کل پیکسل های تصویر ، تعداد پیکسل های هر سطح روشنایی را محاسبه می کنیم . هیستوگرEام نرمال نیز از تقسیم کردن مقادیر هیستوگرام به تعداد کل پیکسل های تصویرE به دستE می آید. نرEمال سازی هیستوگرام موجب می

[ قرار گیرند. شکل روبرو تصویری را به همرEاه هیستوگرام 0,1شود که مقادیر هیستوگرام در بازه ]نرEمالE آن نشان می دهد .

انواع پیکسل ها: تقسیم کرد: می توانپیکسل های تصویر را به دو دسته

های تیز پیکسلهای آرام پیکسل

های تیز پیکسلپیکسل هایی از تصویر را که اختالف شدت روشنایی آنها با پیکسل های همسایه خود زیاد باشند، پیکسل

های تیز می نامیم. پیکسل های تیز معموال یا نشان دهنده لبه های اشیای موجود در تصویر هستند یا نشان

دهندهگ نویزهای یک تصویر هستند و در حالت کلی می توان گفت که جزئیات تصویر با استفاده از پیکسل های تیز استخراج می شوند.

پیکسل آرام

های همجوار هایی از تصویر که اختالف شدت روشنایی آنها با پیکسل پیکسل های پیکسل، را خود کم است

نامیم آرام تصویر می

فیلتر کردن تصویر

حوزه مکانی فیلترها به دسته دو تقسیم می شوند:

فیلترهای آرام کننده  1(

(فیلترهای تیزکننده 22(

فیلترهای آرام کننده:

های تیEEز تصEEویر فیلترهای آرام کننده بEEا اعمال تغییEEر در شدت روشنایEEی پیکسEEلموجEب تولیEد تصEاویر آرام تری میشود. همچنیEن ایEن فیلترهEا تاثیEر چندانEی بر روی

گذارند. آرام شدن تصEویر بدیEن معنEی اسEت کEه های آرام تصEویر نمEی پیکسEلرود. بخشی از جزئیات تصویر از بین می

.

:فیلترهای تیز کننده

فیلترهای تیز کننده با اعمال تغییر بر روی پیکسلهای آرام تصویر موجب استخراج جزئیات بیشتری از تصویر میشوند.

اعمال فیلتر تیز کننده

((Medianفیلتر میانهفیلتر پایین گذر دیگری که نسبت به فیلترهای دیگر به زمان پردازش بیشتری نیاز دارد ، فیلتر

میانه است.اسEتفاده می کند و روشE کار آن نیز به این m * n فیلتر پایین گذر میانه از یک همسایگی

صورت است که کل همسایگEی ها را به صورت صعودی مرتب کرده و عنصر وسطE اعداد مرتب شده را انتخابE و جایگزین پیکسل مرکزی می کندE. الزم به ذکر است که فیلتر پایین گذEر میانه

( می تواندE مورد استفاده قرار گیرد. شEکل زیر تصویر salt&peper)برای حذف نویز فلفل نمکی نویزداری ) نویز فلفل نمکی ( را نشان می دهد که با استفاده از فبلتر میانه ارتقا یافته اسEت:

تصویر اصلینتیجه اعمال فیلتر میانه

بخش دوم:پردازش پالک خودرو

مقدمه

شده است، يکی از مسايلی که امروزه با پيشرفت عEلم و فن آوری مطرحشناسايی خودکار خودروها می باشد.

برای اين امر بايد سيستمی طرح شود تا با عکس گرفتن از خودرو، بتواند پالک آن را بخواند .خواندن پالک

خودرو از روی تصاوير پيچيده دو مرحله دارد. در مرحله اول، محل پالک در تصوير مشخص می شود و

شناسايی ارقام و حروف پالک در مرحله دوم صورت می گيرد.از آنجا که شناسايی ارقام و حروف پالک، مبتنی برتصوير استخراجی مرحله اول

است، لذا يافتن محل دقيق پالک از اهميت بااليی برخوردار می باشد

تشخیص پالک خودرو

کاربردهای مختلف سیستم پردازش پالک

روش های مختلف برای پردازش پالک خودرو

:راهکارهای مختلفی برای استخراج پالک وجود دارد

لبه یابی تبدیل هاف تحلیل هيستوگراماستفاده از عملگر های مورفولوژيکی

روش های مختلف برای پردازش پالک خودرو)ادامه(لبه يابی به تنهايی کاربرد چندانی ندارد، چرا که بسياری از نقاط خارج پالک هم به عنوان لبه تشخيص داده

مEی شوند. مزيEت ايEن روش سEرعت باالی آEن اسEت. تبديEل هاف به منظور پيدا کردن خطوط، در مواردی که

بخواهيم پالک را با خطوط کناری اش شناسايی کنيم، می تواند مفيد واقع شود. مشکل اين روش حجم پردازشEی باال و وقEت گيEر بودن آEن اسEت. تحليEل هيسEتوگرام برای تصEاوير نويزی و تصEاويری که پالک در

آنها کمی چرخيده باشد، مفيد نيست. از عمليات مورفولوژيکی در سيستم های بالدرنگ استفاده چندانی نمی

شود، چرا که به نسبت وقت گيرهستنداز جملEه روش های دیگEر مEی توان منطEق فازی نیEز اشاره کرد.در ایEن روش تعدادی قوانیEن شهودی تعریف

شدهکEه بEا آنهEا ناحیEه پالک توصEیف مEی شود. ایEن روش بEه رنEگ و روشنایEی حسEاس بوده و نیازمند پردازش

طوالنی تری نسبت به روش های دیگر می باشد.

مراحل پالک تصویر

عملیات پردازش تصویر و خواندن پالک شامل دو بخش است:اول که شامل یافتن مکان پالک و استخراج تصویر

پالک از تصویر اصلی داده شده می باشد . در این مرحله بااستفاده از روش های مختلف سعEی در بدست آوردن

کیفیت باالتری از تصویر خام ابتدایی داریم.مرحله در دو گام خالصه می شود :

تکه تکه کردن عناصر موجود در پالک خواندن و نمایش دادن عناصر پالک

مشکالت پردازش تصویر پالک

کيفيت پايين تصاوير

شرايط نوری مختلف

زوايای ديد مختلف دوربين

انعکاس و شکست نور

فیلتر گوسین

نوع تصویر خودرو ها از رنگی اولین کار در زمینه پردازش تصویر خودروها ، تبدیلبه سیاه و سفید میباشد.

علت این کار کاهش حجم تصویر و در نتیجه افزایش سرعت پردازش تصویر می باشد. پس از آن ، اقدام به

بهبود کیفیت تصویر می کنیم. این کار با تابع فیلتر گوسین انجام می شود.

فیلتر گوسین2-1تصویر

هاآشنایی با لبه

لبه عمودی

لبه افقی

لبه مورب

لبه عمودیبرای یافتن یک لبه عمودی از روش زیر استفاده می کنیم :

از سطر اول به صورت افقی شروع به حرکت می کنیم و هر پیکسل را با پیکسل قبل از خودش مقایسه می کنیم اگر تفاوت آنها از عدد مشخصی بیشتر باشد آنجا

لبه است، در غیر این صورت به آن کاری نداریم.

لبه افقیE: برای یافتن یک لبه افقی از روش زیر استفاده می کنیم

از ستون اول به صورت عمودی شروع به حرکت می کنیم و هر پیکسل را با پیکسل قبل از خودش مقایسه می

کنیم اگر تفاوت آنها از عدد مشخصی بیشتر باشد آنجا لبه است، در غیر این صورت به آن کاری نداریم.

محاسبه لبه یابی الگوریتم سوبلبرای تشخیص لبه های عمودِی تصویر باید این ماسک بر روی تمامی پیکسل های تصویر غلتانیده شود به این

پیکسل همسایه در ضریب های تعیین شده برای هر8 پیکسل مورد  نظر باشد باید رنگ x صورت که اگر پیکسل ضرب شود و این مقادیر با یکدیگر جمع شوند و در یک متغیر ذخیره شوند، سپس مقدار این متغیر

0 بود مقدار 0 و در صورتی که مقدار آن کمتر از 255 بود مقدار 255 باید بررسی شود در صورتی که بیشتر از و در غیر این صورت مقدار متغیر بدون تغییر باقی می ماند، سپس مقدار این متغیر در پیکسل مورد نظر

xقرار می گیرد

سوبل عمودی سوبل افقی

پيدا کردن لبه های عمودی لبه های عمودی زيادی می باشد. از همين ويژگی پالک، به دليل اعداد و حEروفE نوشته شده روی آن، دارای

برای يافتن محل آن در تصEوير استفاده می شود. روش ها و الگوريتمE های مختلفی برای پيدا کردن لبه در پردازش تصEويEر مطEرح شدهاستE. در اين ميان عملگر سوبل به دليل سرعت باال و حجمE پردازشی کم در

مقايسه با ديگر روش ها، کارايی مطEلوبی دارد.

در روش پيشنهادی فقطE از ماسک عمودی استفاده می کنيمE، بEااين فرض که تصEوير ورودی چرخEش بيش از اندازه نداشته باشد.

تحليل هيستوگرام برای پيدا کردن تصوير کانديد

بعد از پيدا کردن لبه های عمودی تصوير، از تحليل هيستوگرام کمک گرفته و هيستوگرام افقی تصوير لبه را می يابيم. بدين منظور برای هر سطر از تصوير تعداد نقاط با سطح خاکستری يک را شمرده و نموداری را

تشکيEل مEی دهيEم کEه محور افقEی آEن سEطرهای تصEوير و محور عمودی آن همان تعداد نقاط شمارش شده می

باشد.

(Threshold) آستانه گیری

بعد از لبه یابی عمودی تصویر) بعد از اعمال عملگر سوبل(، در تصویر بدست آمده یک سری نویز مشاهده می شود، که این نویز ها عبارتند از حفره هایی در تصویر یا

این نویزها عالوه بر اینکه در پردازش تصویر و رسیدن ما به تعدادی خطوط راستهدف مورد نظر کارآمد نیستند بلکه احتمال رخ دادن خطا در پردازش تصویر را

بیشتر می کنند. برای رهایی از این نویزها عمل آستانه گیری تصویر را انجام می دهیم که عمل آستانه گیری به صورت زیر انجام می شود:

بیتی یک تصویر سیاه وسفید بسازیم 16فرض کنید می خواهیم از یک عکس رنگی برای این کار باید تک تک پیکسل ها را با مقدار مشخصی که بستگی به شرایط نور

تصویر و پردازشی که قرار است روی تصویر انجام شود دارد مقایسه کنیم اگر ( را قرار می دهیم و 255بزرگتر از آن مقدار مشخص بود به جای آن رنگ سفید)

( را قرار می دهیم، به این کار آستانه گیری یا 0در غیر این صورت مقدار سیاه )threshold.می گویند

تحليل هيستوگرام برای پيدا کردن تصوير کانديد. بديEن منظور برای هEر سEطر از تصEوير تعداد نقاط بEا سEطح خاکسEتری يEک را شمرده و نموداری را تشکيEل مEی دهيEم که

محور افقEی آEن سEطرهای تصEوير و محور عمودی آEن همان تعداد نقاط شمارش شده مEی باشد. هيسEتوگرام افقEی تصEوير لبه را

می بينيم. به طور کلEی سEطرهايی که پالک خودرو در آن ها قراردارد، دارای بيشترين هيستوگرام افقEی هسEتند، لذا مرحله بعدی

% پيدا کردن سطرهايی است که می دهند. بدين ترتيب سطرهای کانديدای محل پالک تعيين cباالی هيستوگرام را تشکيل مEی شوند. برای اينکEه اثEر نويEز تEا حدی کاهEش يابEد، سEطری بEه عنوان کانديEد در نظEر گرفتEه مEی شود که اوالً شرط باال را

داشتهروشن خود سطر باشد. c و d% باشند و ثانياً تعداد نقاط روشن سطر بعد یاش بعد از d تعداد نقاط

استفاده می کنيم. برای حذف نواحی اضافی و خارج از پالک، از عمليات سايشعمليات سايش را با استفاده از

يک باريکه افقی انجام می دهيم. بدين ترتيب نواحی از تصوير نقاط کانديد که اين باريکه در آنها جای نمی گيرد

حذف می گردند، و بدين ترتيب قسمت بيشتر تصوير سايش يافته، شامل نواحی داخل پالک است.

سایش تصویر

گسترش عمودی تصویر و استخراج پالک

با توجه به این که حین عمل سایش قسمتی از نقاط داخلی پالک هم از منظقه کاندید حذف می شود در

نتیجه الزم است که عمل گسترش را در جهت عمودی تکرار کنیم.

بررسی چگالی لبه های عمودی در تصویر جهت تشخیص محل پالک

ساختارهايی مانند نرده و يا طاقE وانت و غيره نيز بدليل وجودلبه های عمودی زياد در سطرهای مخصوص به خود، ممکن است به عنوان کانديد وجود پالک در نظر

گرفته شوند. برایرفع اين مشکل تدبيری انديشيده شده است. از آنجا کEه پالک افزايش لبه های برخالف نرده و ساختارهای مشابه، در محدوده کوچکی باعث

عمودی می شود، اگر بتوان معEياری برای تراکم نقاط لبه در هر سطر يافت، م یتوان ساختارهای غير پالک را ازنقاط کانديد حذف نمود.

يک معEيار ساده پيشنهادی اين است که تعEداد تغييرات از صفربه يک و بلعکس را % eدر هر يک از سطرهای کانديد شمارش فقط به عنوان و سطرهايی را که

پايين قرار دارند، فقط درسطرهای کانديد در نظر گرفت.

خطاهای احتمالی

ندارد و يا اينکه روش ارائه شده، در مواردی که عکس دقت و وضوح بااليیشرايط نوری جالب نيست، قادر به

عملکردصحيح نمی باشد. خطاهای احتمالی شامل حاالت زير است:استخراج ناحيه بزرگتر از پالک استخراج ناحيه کوچکتر از پالکاستخراج ناحيه اشتباه به عنوان پالکعدم استخراج ناحيه ای خاص به عنوان پالک

منابع1. ]1[ Rafael C.Gonzales,RichardE.Woods, Steven L.Eddins, digital Image

processing using MATLAB[ برومند نیا ع ،"تشخیص پالک خودرو با روش هایپردازش تصEویر"،پایان 2]2.

1331نامه کارشناسی ارشد،دانشگاه علم و صنعت ایران ، 3. P. Hu, Y Zhao. J. Zhu, and J. Wang, “An EffectiveAutomatic

License Plate Recognition System”. InThe proceedings of CISSR000, pages 80-84, 2000.

روشی جديد و سريع برای تشخيص محل پالک خودرو از تصاوير 4.پيچيده بر اساس عمليات

موYرفوYلوژيکی(چهارمین کنفرانس بینایی ماشین(