本申請涉及圖像技術領域，尤其涉及圖像處理方法及裝置。

背景技術：

隨著圖像處理技術的飛速發(fā)展，圖像識別技術越來越成熟，圖像識別的需求越來越多，例如視頻監(jiān)控系統(tǒng)中通常需要對圖像進行前景識別，確定車牌字符。車牌圖像識別的難點在于光影干擾多，成像環(huán)境復雜。傳統(tǒng)技術中的車牌圖像識別能夠做到在光照良好、成像良好的情況下，達到較高的識別率。但若光照條件較差或遮擋物較多等因素干擾的情況下，不同車牌識別技術的識別率和魯棒性區(qū)別較大。

在實際應用中，光照條件對車牌圖像識別率的影響最大。由于光照和車輛構造原因，電警相機拍攝的車牌有部分處于陰影中，導致整體光照不均勻，這種情況拍攝的車牌圖像通常稱為陰陽車牌圖像。電警相機的光照陰影造成的陰陽車牌問題比較普遍，而且這種干擾會隨著不同的地理經(jīng)緯度、一天不同的時間段而造成不同的影響效果，從而直接影響車牌識別算法的魯棒性。

在進行陰陽車牌圖像的識別時，需確定陰陽分隔線，也即是需獲得已區(qū)分陰影區(qū)域和非陰影區(qū)域的二值車牌圖像。而獲得二值車牌圖像的難度在于無法對圖像進行統(tǒng)一的二值化，而且由于光照的多變，也無法按照固定的區(qū)域進行獨立二值化。因此對于多種不規(guī)則的陰影區(qū)域，需要有自適應的算法。

相關技術中有一種圖像處理的方法，其首先對圖像進行灰度化處理，得到灰度圖像，再對灰度圖像進行矩形分割，接著對矩形區(qū)域的邊緣統(tǒng)計信息計算各個矩形區(qū)域的亮度閾值和二值圖像，最后基于投票策略計算灰度圖像 的二值圖像。該方法需要對所有矩形進行邊緣統(tǒng)計和二值圖像計算，其計算量較大。另外，投票策略產生的是一種折中閾值，如果一個矩形之內，大部分都是陰影，只有小部分高亮，而恰好這小部分是某個字符的一部分，那就可能造成這小部分的二值化效果被周邊大部分陰影的投票湮沒掉，陰陽分界的識別效果較差。而且實際中光照不同、陰影深淺不同，只用同一個投票策略難以保證算法的魯棒性。

綜上，相關技術在進行圖像識別時，陰陽分界的識別效果較差，且計算量較大，魯棒性較低。

技術實現(xiàn)要素：

為克服相關技術中存在的問題，本申請?zhí)峁┝藞D像處理方法及裝置。

根據(jù)本申請實施例的第一方面，提供一種圖像處理方法，所述方法包括：

獲取待處理的圖像；

根據(jù)所述圖像中像素點的顏色分量的差異區(qū)分所述圖像的陰影區(qū)域和非陰影區(qū)域；

分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，獲得二值化圖像；

根據(jù)所述二值化圖像進行前景識別。

所述像素點的顏色分量的差異為第一顏色分量的加權值與第二顏色分量的加權值的差值，所述第一顏色分量和第二顏色分量為根據(jù)所述圖像的底色選取的兩個顏色分量。

所述根據(jù)所述圖像中像素點的顏色分量的差異區(qū)分所述圖像的陰影區(qū)域和非陰影區(qū)域，包括：

獲取目標圖像，所述目標圖像中每一像素點的像素值根據(jù)下式計算得到：

Pix＝max(0，Y)

其中，Pix為目標圖像中像素點的像素值，Y為所述圖像中像素點的顏色分量的差異，max(0，Y)表示取0或Y中的較大值；

對所述目標圖像中像素點的像素值進行二值化；

對二值化后的目標圖像進行膨脹處理；

根據(jù)膨脹處理后的目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

當所述圖像為車牌圖像時，所述膨脹處理中膨脹方向為與所述車牌圖像中字符排列方向平行的方向。

所述根據(jù)膨脹處理后目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域，包括：

在膨脹處理后的目標圖像中查找包含像素點最多的最大聯(lián)通區(qū)域作為所述前景區(qū)域；

將所述前景區(qū)域在所述目標圖像中的坐標映射至所述圖像，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

所述分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，包括：

將所述圖像轉換為灰度圖像；

分割所述灰度圖像的陰影區(qū)域和非陰影區(qū)域；

分別對所述灰度圖像的陰影區(qū)域和非陰影區(qū)域進行灰度均衡化；

分別對灰度均衡化后的陰影區(qū)域和非陰影區(qū)域進行二值化；

合并二值化后的陰影區(qū)域和非陰影區(qū)域。

根據(jù)本申請實施例的第二方面，提供一種圖像處理裝置，所述裝置包括：

圖像獲取模塊，用于獲取待處理的圖像；

區(qū)分模塊，用于根據(jù)所述圖像中像素點的顏色分量的差異區(qū)分所述圖像的陰影區(qū)域和非陰影區(qū)域；

圖像二值化處理模塊，用于分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，獲得二值化圖像；

識別模塊，用于根據(jù)所述二值化圖像進行前景識別。

所述像素點的顏色分量的差異為第一顏色分量的加權值與第二顏色分量的加權值的差值，所述第一顏色分量和第二顏色分量為根據(jù)圖像的底色選取的兩個顏色分量。

所述區(qū)分模塊，包括：

目標圖像獲取子模塊，用于獲取目標圖像，所述目標圖像中每一像素點的像素值根據(jù)下式計算得到：

Pix＝max(0，Y)

其中，Pix為目標圖像中像素點的像素值，Y為所述圖像中像素點的顏色分量的差異，max(0，Y)表示取0或Y中的較大值；

目標圖像二值化處理子模塊，用于對所述目標圖像中像素點的像素值進行二值化；

膨脹子模塊，用于對二值化后的目標圖像進行膨脹處理；

確定子模塊，用于根據(jù)膨脹處理后的目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

當所述圖像為車牌圖像時，所述膨脹處理中膨脹方向為與所述車牌圖像中字符排列方向平行的方向。

所述確定子模塊，包括：

最大聯(lián)通區(qū)域查找子模塊，用于在膨脹處理后的目標圖像中查找包含像素點最多的最大聯(lián)通區(qū)域作為所述前景區(qū)域；

映射子模塊，用于將所述前景區(qū)域在所述目標圖像中的坐標映射至所述圖像，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

所述圖像二值化處理模塊，包括：

灰度轉換子模塊，用于將所述圖像轉換為灰度圖像；

分割子模塊，用于分割所述灰度圖像的陰影區(qū)域和非陰影區(qū)域；

灰度均衡化子模塊，用于分別對所述灰度圖像的陰影區(qū)域和非陰影區(qū)域進行灰度均衡化；

二值化子模塊，用于分別對灰度均衡化后的陰影區(qū)域和非陰影區(qū)域進行二值化；

合并子模塊，用于合并二值化后的陰影區(qū)域和非陰影區(qū)域。

基于上述技術方案，本發(fā)明實施例中，對于底色具有明顯的顏色特征的 圖像，可以采用圖像中像素點的顏色分量的差異對陰影區(qū)域和非陰影區(qū)域進行有效區(qū)分，可以適用大多數(shù)的陰影規(guī)則，不受時間和不同地區(qū)的光照角度而影響，也能適用于不規(guī)則陰陽分界線的圖像；由于圖像區(qū)分了陰影區(qū)域和非陰影區(qū)域，則可分別對陰影區(qū)域和非陰影區(qū)域進行二值化，其計算量較小。本發(fā)明簡單有效，性能開銷很小，魯棒性較高。

附圖說明

此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本申請的實施例，并與說明書一起用于解釋本申請的原理。

圖1是本發(fā)明根據(jù)一示例性實施例示出的一種圖像處理方法的流程圖。

圖2是本發(fā)明根據(jù)一示例性實施例示出的一種帶有陰影區(qū)域的藍色車牌圖像的示意圖。

圖3是本發(fā)明中圖1所示實施例中步驟102的流程圖。

圖4是本發(fā)明中圖1所示實施例中步驟103的流程圖。

圖5是本發(fā)明根據(jù)一示例性實施例示出的一種用于圖像處理裝置的硬件結構圖。

圖6是本發(fā)明根據(jù)一示例性實施例示出的一種圖像處理裝置的結構圖。

圖7是本發(fā)明根據(jù)一示例性實施例示出的另一種圖像處理裝置的結構圖。

圖8是本發(fā)明根據(jù)一示例性實施例示出的另一種圖像處理裝置的結構圖。

圖9是本發(fā)明根據(jù)一示例性實施例示出的另一種圖像處理裝置的結構圖。

具體實施方式

為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

在本申請使用的術語是僅僅出于描述特定實施例的目的，而非旨在限制本申請。在本申請和所附權利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應 當理解，本文中使用的術語“和/或”是指并包含一個或多個相關聯(lián)的列出項目的任何或所有可能組合。

應當理解，盡管在本申請中可能采用術語第一、第二、第三等來描述各種信息，但這些信息不應限于這些術語。這些術語僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本申請范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時”或“當……時”或“響應于確定”。

本發(fā)明實施例中提出一種圖像處理方法，可以應用于包括前端設備和管理平臺的智能監(jiān)控系統(tǒng)中，前端設備可以用于對車輛進行圖像采集。其中，前端設備具體可以為電子警察系統(tǒng)中用于采集車輛圖像的攝像機等，前端設備用于對監(jiān)控路面經(jīng)過的車輛進行連續(xù)圖像抓拍，并通過網(wǎng)絡將車輛圖像(包括車輛上車頭或車尾的車牌號碼)傳輸?shù)焦芾砥脚_進行后續(xù)處理。

在上述應用場景下，該圖像處理方法具體可以應用于智能監(jiān)控系統(tǒng)中對車牌圖像進行字符識別。后續(xù)內容將以車牌圖像處理為例進行說明，可以理解的是，本發(fā)明提供的方法還可以用于其他需進行圖像識別的應用場景，該圖像也可以是除車牌圖像外的其他類型的圖像。

如圖1所示，圖1是本申請根據(jù)一示例性實施例示出的一種圖像處理方法的流程圖，可以包括以下步驟101-104：

在步驟101中，獲取待處理的圖像。

在步驟102中，根據(jù)所述圖像中像素點的顏色分量的差異區(qū)分所述圖像的陰影區(qū)域和非陰影區(qū)域。

在步驟103中，分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，獲得二值化后的圖像。

在步驟104中，根據(jù)所述二值化圖像進行前景識別。

本發(fā)明實施例中，對于底色具有明顯的顏色特征的圖像，可以采用圖像中像素點的顏色分量的差異對陰影區(qū)域和非陰影區(qū)域進行有效區(qū)分，可以適 用大多數(shù)的陰影規(guī)則，不受時間和不同地區(qū)的光照角度而影響，也能適用于不規(guī)則陰陽分界線的圖像；由于圖像區(qū)分了陰影區(qū)域和非陰影區(qū)域，則可分別對陰影區(qū)域和非陰影區(qū)域進行二值化，其計算量較小。本發(fā)明簡單有效，性能開銷很小，魯棒性較高。

對于步驟101，該圖像可以是底色具有明顯的顏色特征的圖像，例如可以是車牌圖像。以車牌圖像為例，車牌本身是彩色的，其底色通常包括有：黑色、紅色、藍色或黃色等，而車牌號碼顏色通常為白色或黑色，因此車牌區(qū)域具有明顯的顏色特征。以車牌圖像為例進行說明，電警相機拍攝的圖像中通常包括車輛本身的其他位置，本發(fā)明實施例的待處理圖像可以是車牌已正確定位，輪廓較準確的車牌圖像。例如，可以采用相關技術中的車牌定位算法對圖像進行車牌定位，獲得輪廓清楚的車牌圖像，接著采用本實施例的處理方法對該車牌圖像進行前景識別，例如識別車牌圖像中的車牌號碼。

對于步驟102，攝像機拍攝的圖像通常為彩色圖像，彩色圖像可以采用多種不同的顏色空間來描述其顏色信息，常用有RGB(Red，Green，Blue，紅綠藍)顏色空間、YUV(亮度、色度)顏色空間或HSV(色調、飽和度、明度)顏色空間等。對應上述不同的顏色空間，本發(fā)明實施例的顏色分量，可以是RGB(Red，Green，Blue，紅綠藍)顏色分量、YUV顏色分量或HSV顏色分量等，在根據(jù)像素點的顏色分量的差異區(qū)分陰影區(qū)域和非陰影區(qū)域時，可以根據(jù)所采用的顏色空間將圖像轉換為相應的格式。

接下來以RGB格式的圖像為例進行說明，圖像中任何一個像素點的顏色都由R、G、B三種顏色組成，也即是像素值分為R、G、B三個顏色分量，每個顏色分量表示一種顏色，R代表紅色、G代表綠色、B代表藍色。每個顏色分量可以有0-255共256種取值，通過三原色的不同比例可以組合成任何顏色，因此圖像中的每一個像素點都有1600多萬種的顏色變化。

由于圖像中每個像素點的像素值由R顏色分量、G顏色分量和B顏色分量構成，代表該像素點的顏色特征。因此讀取像素點的像素值，可以獲得該像素點的顏色信息。而車牌圖像通常具有固定的底色和字符顏色，當車牌圖 像中存在陰影區(qū)域和非陰影區(qū)域，則陰影區(qū)域和非陰影區(qū)域的像素點的顏色信息不同，因此通過車牌圖像中像素點的RGB顏色分量的差異可以區(qū)分車牌圖像的陰影區(qū)域和非陰影區(qū)域。

例如，常見的藍色車牌通常是藍色底和白色字符，則藍色車牌圖像中，非陰影區(qū)域圖像像素點的像素值中，藍色分量較大，紅色分量和綠色分量較小，各顏色分量之間存在一定的差異；而陰影區(qū)域圖像是在藍色底圖的基礎上形成的較灰的顏色，相對于非陰影區(qū)域，像素點各顏色分量之間的差異變小，三者更為均等。

同理，若有紅色底的車牌圖像，則該圖像中非陰影區(qū)域圖像像素點的像素值中，紅色分量較大，藍色分量和綠色分量則較?。欢幱皡^(qū)域圖像是在紅色底圖的基礎上形成的較灰的顏色，相對于非陰影區(qū)域，各顏色分量之間的差異變小，三者更為均等。

因此，可以根據(jù)不同底色的車牌圖像，分析像素點中RGB顏色分量的差異，從而區(qū)分出陰影區(qū)域和非陰影區(qū)域。在分析像素點中RGB顏色分量的差異時，可以根據(jù)不同底色的車牌圖像確定相應的處理方式。

在一個實施例中，所述像素點的顏色分量的差異為第一顏色分量的加權值與第二顏色分量的加權值的差值，所述第一顏色分量和第二顏色分量為根據(jù)車牌底色確定的兩個顏色分量。

例如，對于藍色車牌圖像，分析圖像像素點的像素值可知，藍色底圖決定了車牌非陰影區(qū)域各像素點B-R(藍色分量與紅色分量的差值)的差異大于G-R(綠色分量與紅色分量的差值)。而陰影區(qū)域是在藍色底圖的基礎上形成的較灰的顏色，相對于非陰影區(qū)域，各顏色分量之間的差異變小，，因此可知，陰影區(qū)域中像素點的B-R的值則相對非陰影區(qū)域較小，從而根據(jù)每個像素點的B-R的值可區(qū)分出陰影區(qū)域和非陰影區(qū)域。

如圖2所示，是本發(fā)明一實施例提供的一種帶有陰影區(qū)域的藍色車牌圖像的示意圖。圖中選取了兩個像素點Q1和Q2進行說明，Q1為陰影區(qū)域的像素點，Q2為非陰影區(qū)域的像素點。從Q1的像素值(10，34，72)和Q2 的像素值(20，87，185)可知，陰影區(qū)域中像素點的B-R與非陰影區(qū)域中像素點的B-R的差異較大。

因此，對于藍色車牌圖像，可以采用第一顏色分量的加權值與第二顏色分量的加權值的差值作為像素點的RGB顏色分量的差異，該差異可以按下式計算：

Y＝pixB*1.1-pixR

在上述計算公式中，為了突出藍色分量相對于紅色分量的溢出，藍色分量的權重采用1.1，對紅色分量采用權重1，以使得藍色分量相對于紅色分量的溢出值更大，更方便后續(xù)對陰影區(qū)域和非陰影區(qū)域的區(qū)分。根據(jù)計算結果，Y值較大的像素點可以確定為是非陰影區(qū)域的像素點，Y值較小的像素點或者為負值的像素點可以確定為是陰影區(qū)域的像素點。

在實際應用中，藍色分量與紅色分量的權重可以根據(jù)需要而靈活設置，例如藍色分量的權重值還可以設置為1.2等數(shù)值，紅色分量的權重可以設置0.9或0.8等數(shù)值。

再舉例說明，對于黃色車牌圖像，分析圖像像素點的像素值可知，黃色是由紅色和綠色構成，藍色分量非常小。黃色底圖決定了車牌非陰影區(qū)域各像素點R-B(紅色分量與藍色分量的差值)和G-B都較大(綠色分量與藍色分量的差值)，其G-R的值較小(綠色分量與紅色分量的差值)。而陰影區(qū)域是在黃色底圖的基礎上形成的較灰的顏色，相對于非陰影區(qū)域，各顏色分量之間的差異變小，因此可知，陰影區(qū)域中像素點的R-B或G-B的值相對非陰影區(qū)域中像素點的R-B或G-B較小，從而根據(jù)每個像素點的R-B或G-B的值可區(qū)分出陰影區(qū)域和非陰影區(qū)域。

因此，對于黃色車牌圖像，可以采用第一顏色分量的加權值與第二顏色分量的加權值的差值作為像素點的RGB顏色分量的差異，該差異可以按下式表示：

Y＝pixC1*t1-pixC2*t2

其中，C1和C2是顏色分量中的任兩種顏色分量，t1為C1顏色分量的 權重，t2為C2顏色分量的權重。對于黃色車牌，若采用RGB顏色空間進行計算，C1和C2可以選取R分量和B分量，或者也可以是G分量和B分量。

可以理解的是，上述藍色車牌中選擇B分量與R分量，黃色車牌中選擇R分量與B分量僅僅是為了舉例說明，在實際應用中，可以根據(jù)車牌圖像的底色，選擇合適的顏色分量和相應的權重計算像素點顏色分量的差異，從而區(qū)分車牌圖像的陰影區(qū)域和非陰影區(qū)域。

同時，上述實施例僅以RGB顏色空間為例進行說明，可以理解的是，對于如YUV或HSV等其他顏色系統(tǒng)也同樣適用，因為各個顏色系統(tǒng)之間的顏色分量值可以相互轉換，可以將采用其他顏色空間的像素值轉換為上述RGB顏色分量，或者也可以根據(jù)其采用的顏色空間的各顏色分量進行相應處理。例如，對于HSV顏色空間，在對上述藍色車牌進行處理時，就可以用H＝240°的藍色分量與H＝0°的紅色分量，結合S和V的值進行加權差值的計算。

本公開實施例中，在確定像素點的顏色分量的差異后可以區(qū)分圖像的陰影區(qū)域和非陰影區(qū)域；為了獲得更為精確的區(qū)分結果，在一個可選的實現(xiàn)方式中，如圖3所示，上述步驟102可以包括如下步驟201-205：

在步驟201中，獲取目標圖像，所述目標圖像中每一像素點的像素值根據(jù)下式計算得到：

Pix＝max(0，Y)

其中，Pix為目標圖像中像素點的像素值，Y為所述圖像中像素點的顏色分量的差異，max(0，Y)表示取0或Y中的較大值。

在步驟202中，對所述目標圖像中像素點的像素值進行二值化。

在步驟203中，對二值化后的目標圖像進行膨脹處理。

在步驟204中，根據(jù)膨脹處理后的目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

具體的，仍以車牌圖像處理為例進行說明。將車牌圖像記為Img3；對Img3，計算Pix＝max(0，Y)，得到目標圖像，記為Img4；其中，Pix為 Img4像素點的像素值，Y為Img3中像素點的顏色分量的差異，max(0，Y)表示取0或Y中的較大值。通過步驟201的處理，此時目標圖像Img4中，像素點的像素值為0或Y，通過前述說明可知，對于陰影區(qū)域的像素點，Y值較小，可能為負值，而對于非陰影區(qū)域像素點，Y值較大。因此通過計算Pix，可以從Img4各像素點的值區(qū)分出陰影區(qū)域和非陰影區(qū)域；Y值較大的像素點屬于非陰影區(qū)域，0或較小的Y值的像素點屬于陰影區(qū)域。

對Img4進行二值化操作，得到Img5。在實際應用中可以采用最大類間方差法進行二值化。最大類間方差法是一種自適應的閾值確定的方法，又叫大津法，簡稱OTSU。該算法按圖像的灰度特性，可將圖像分成背景和目標兩部分。背景和目標之間的類間方差越大，說明構成圖像的兩部分的差別越大。采用最大類間方差法進行二值化可以保證區(qū)分陰影區(qū)域和非陰影區(qū)域的精確度。至此，經(jīng)過步驟202的處理，可知Img5中陰影區(qū)域即為背景區(qū)域，非陰影區(qū)域即為前景區(qū)域。

對Img5進行膨脹處理，獲得Img6；由于車牌圖像中非陰影區(qū)域可能存在污損，則在陰陽分界線下的非陰影區(qū)域中也可能包含一些小面積的陰影塊，或者是圖像中在字符區(qū)域產生的噪點或斷片，因此對圖像采用膨脹處理，從而消除噪點，獲得更為精確的非陰影區(qū)域。

其中，在一個可選的實現(xiàn)方式中，當所述圖像為車牌圖像時，所述膨脹處理中膨脹方向為與所述車牌圖像中字符排列方向平行的方向，設定膨脹方向的目的是為了實現(xiàn)定向膨脹處理。以圖2所示的車牌圖像為例，車牌水平放置，拍攝到的車牌圖像中陰影方向是從上往下，則可按照與所述車牌圖像中字符排列方向平行的方向的方向進行膨脹，也即是膨脹時向左和向右膨脹，而不進行向上和向下的膨脹，從而實現(xiàn)在非陰影區(qū)域中消除噪點，并且不會影響陰影區(qū)域和非陰影區(qū)域分界線的精確度。在實際應用中，膨脹窗口的寬度可設置為W/15，高度為1；其中，W是指車牌圖像的寬度，即是按照W/15的寬度沿與所述車牌圖像中字符排列方向平行的方向進行定向膨脹。

經(jīng)過步驟203，可知此時Img6中的前景區(qū)域代表了圖像的非陰影區(qū)域， 從而可根據(jù)前景區(qū)域的位置確定圖像的陰影區(qū)域和非陰影區(qū)域。

在一個可選的實現(xiàn)方式中，所述根據(jù)膨脹處理后目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域，可以包括：

在膨脹處理后的目標圖像中查找包含像素點最多的最大聯(lián)通區(qū)域。

將所述最大聯(lián)通區(qū)域在所述目標車牌圖像中的坐標映射至所述車牌圖像，確定所述車牌圖像的陰影區(qū)域和非陰影區(qū)域。

例如，以上述Img6為例，由于Img6中仍可能存在某些較小的噪點，在Img6查找包含像素點最多的最大聯(lián)通分量，可進一步消除噪點，并可以自動檢測出前景區(qū)域的具體坐標。查找最大連通區(qū)域，也即是根據(jù)Img6中各個聯(lián)通區(qū)域的像素數(shù)量，找到最大聯(lián)通分量，將其余的聯(lián)通分量都取消標記，從而消除其他聯(lián)通分量，最大聯(lián)通分量在Img6的位置代表了圖像中非陰影區(qū)域的位置。最后，將最大聯(lián)通區(qū)域在Img6中的坐標映射至車牌圖像Img3，從而可以區(qū)分車牌圖像的陰影區(qū)域和非陰影區(qū)域。通過上述查找最大連通分量的方式，可以快速地找出陰影區(qū)域和非陰影區(qū)域在目標圖像中的具體位置，根據(jù)該位置，即可在車牌圖像中找出陰影區(qū)域和非陰影區(qū)域。

對于步驟103，在區(qū)分了圖像中的陰影區(qū)域和非陰影區(qū)域之后，可以分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，獲得二值化的圖像。

本公開提供的實施例，由于圖像中已區(qū)分了陰影區(qū)域和非陰影區(qū)域，因此在二值化時，分別對陰影區(qū)域和非陰影區(qū)域進行二值化，可減少二值化時陰影區(qū)域和非陰影區(qū)域之間由于像素值的差異而帶來的相互干擾。其中，在二值化時，可以在圖像中根據(jù)陰影區(qū)域和非陰影區(qū)域的具體位置分別進行二值化，也可以是將根據(jù)陰影區(qū)域和非陰影區(qū)域的具體位置將圖像分割成相應的兩張圖像，在對兩張圖像分別二值化后再進行合并。

在一個可選的實現(xiàn)方式中，如圖4所示，上述步驟103可以包括如下步驟301-305：

在步驟301中，將所述圖像轉換為灰度圖像。

在步驟302中，分割所述灰度圖像的陰影區(qū)域和非陰影區(qū)域。

在步驟303中，分別對所述灰度圖像的陰影區(qū)域和非陰影區(qū)域進行灰度均衡化。

在步驟304中，分別對灰度均衡化后的陰影區(qū)域和非陰影區(qū)域進行二值化。

在步驟305中，合并二值化后的陰影區(qū)域和非陰影區(qū)域。

具體的，本發(fā)明實施例中，為了獲得已區(qū)分陰影區(qū)域和非陰影區(qū)域的二值車牌圖像，可以先將圖像轉換為灰度圖像。灰度圖像的轉換可以采用相關技術中的圖像灰度轉換方法。例如，若是RGB格式的圖像，在進行灰度轉換時，可以按照下式計算灰度值，得到合理的灰度圖像：

Gray＝R*0.299+G*0.587+B*0.114。

由于圖像中已區(qū)分出陰影區(qū)域和非陰影區(qū)域，則相應的灰度圖像中也可區(qū)分出陰影區(qū)域和非陰影區(qū)域?；叶葓D像中各個像素點的像素值以灰度值表示，從0-255不等。陰影區(qū)域的灰度值和非陰影區(qū)域的灰度值差異可能較大，可以在灰度圖像中分割出陰影區(qū)域和非陰影區(qū)域，以提高后續(xù)對陰影區(qū)域和非陰影區(qū)域分別進行二值化的處理速度。

接著分別對灰度圖像的陰影區(qū)域和非陰影區(qū)域進行均衡化，防止在均衡化時陰影區(qū)域和非陰影區(qū)域的相互干擾。

分別對灰度均衡化后的陰影區(qū)域和非陰影區(qū)域進行二值化，在具體實施時可以采用上述的最大類間方差法進行二值化。

最后合并二值化后的陰影區(qū)域和非陰影區(qū)域，得到二值化后的圖像。在合并后，可以進一步根據(jù)相關技術進行噪點消除等處理。例如對于車牌圖像，可以連接合并后圖像中陰影區(qū)域和非陰影區(qū)域的分界線間的字符，連接時可以根據(jù)相關技術先進行腐蝕，消除小的噪點，再進行膨脹，從而將斷開的字符重新連接，以利于后續(xù)在前景識別中進行字符識別處理。

最后，在步驟104中，可以根據(jù)所述二值化圖像進行前景識別。從步驟103中獲得的二值化后的圖像可知，此時獲得了精確的前景區(qū)域和背景區(qū)域，在本步驟中可根據(jù)實際需要進行前景識別，例如進行字符識別等。

基于與上述圖1所示的圖像處理方法同樣的發(fā)明構思，本發(fā)明實施例中還提供了一種圖像處理裝置，該圖像處理裝置可應用在智能監(jiān)控系統(tǒng)等需要進行圖像識別的處理裝置中。其中，該裝置可以通過軟件實現(xiàn)，也可以通過硬件或者軟硬件結合的方式實現(xiàn)。以軟件實現(xiàn)為例，作為一個邏輯意義上的裝置，是通過其所在的智能監(jiān)控系統(tǒng)的處理器，將非易失性存儲器中對應的計算機程序指令讀取到內存中運行形成的。從硬件層面而言，如圖5所示，為本發(fā)明提出的一種用于智能監(jiān)控系統(tǒng)的硬件結構圖，除了圖5所示的處理器、網(wǎng)絡接口、內存以及非易失性存儲器外，智能監(jiān)控系統(tǒng)還可以包括其他硬件，如負責處理報文的轉發(fā)芯片等；從硬件結構上來講，該智能監(jiān)控系統(tǒng)還可能是分布式設備，可能包括多個接口卡，以便在硬件層面進行報文處理的擴展。

如圖6所示，為本發(fā)明根據(jù)一示例性實施例示出的圖像處理裝置的結構圖，所述圖像處理裝置包括：

圖像獲取模塊61，用于獲取待處理的圖像。

區(qū)分模塊62，用于根據(jù)所述圖像中像素點的顏色分量的差異區(qū)分所述圖像的陰影區(qū)域和非陰影區(qū)域。

圖像二值化處理模塊63，用于分別對所述圖像的陰影區(qū)域和非陰影區(qū)域進行二值化，獲得二值化后的圖像。

識別模塊64，用于根據(jù)所述二值化圖像進行前景識別。

在一個實施例中，所述像素點的顏色分量的差異為第一顏色分量的加權值與第二顏色分量的加權值的差值，所述第一顏色分量和第二顏色分量為根據(jù)圖像的底色選取的兩個顏色分量。

參照圖7所示的圖像處理裝置實施例的結構圖，在圖6所示實施例的基礎上，所述區(qū)分模塊62，包括：

目標圖像獲取子模塊621，用于獲取目標圖像，所述目標圖像中每一像素點的像素值根據(jù)下式計算得到：

Pix＝max(0，Y)

其中，Pix為目標圖像中像素點的像素值，Y為所述圖像中像素點的RGB顏色分量的差異，max(0，Y)表示取0或Y中的較大值。

目標圖像二值化處理子模塊622，用于對所述目標圖像中像素點的像素值進行二值化。

膨脹子模塊623，用于對二值化后的目標圖像進行膨脹處理。

確定子模塊624，用于根據(jù)膨脹處理后的目標圖像中前景區(qū)域的位置，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

在一個實施例中，當所述圖像為車牌圖像時，所述膨脹處理中膨脹方向為與所述車牌圖像中字符排列方向平行的方向。

參照圖8所示的圖像處理裝置實施例的結構圖，在圖7所示實施例的基礎上，所述確定子模塊624，包括：

最大聯(lián)通區(qū)域查找子模塊6241，用于在膨脹處理后的目標圖像中查找包含像素點最多的最大聯(lián)通區(qū)域作為所述前景區(qū)域。

映射子模塊6242，用于將所述前景區(qū)域在所述目標圖像中的坐標映射至所述圖像，確定所述圖像的陰影區(qū)域和非陰影區(qū)域。

參照圖9所示的圖像處理裝置實施例的結構圖，在圖6所示實施例的基礎上，所述圖像二值化處理模塊63，包括：

灰度轉換子模塊631，用于將所述圖像轉換為灰度圖像。

分割子模塊632，用于分割所述灰度圖像的陰影區(qū)域和非陰影區(qū)域。

灰度均衡化子模塊633，用于分別對所述灰度圖像的陰影區(qū)域和非陰影區(qū)域進行灰度均衡化。

二值化子模塊634，用于分別對灰度均衡化后的陰影區(qū)域和非陰影區(qū)域進行二值化。

合并子模塊635，用于合并二值化后的陰影圖像和非陰影圖像。

通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到本發(fā)明可借助軟件加必需的通用硬件平臺的方式來實現(xiàn)，當然也可以通過硬件，但很多情況下前者是更佳的實施方式?；谶@樣的理解，本發(fā)明的技術方案 本質上或者說對現(xiàn)有技術做出貢獻的部分可以以軟件產品的形式體現(xiàn)出來，該計算機軟件產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述的方法。本領域技術人員可以理解附圖只是一個優(yōu)選實施例的示意圖，附圖中的模塊或流程并不一定是實施本發(fā)明所必須的。

本領域技術人員可以理解實施例中的裝置中的模塊可以按照實施例描述進行分布于實施例的裝置中，也可以進行相應變化位于不同于本實施例的一個或多個裝置中。上述實施例的模塊可以合并為一個模塊，也可進一步拆分成多個子模塊。上述本發(fā)明實施例序號僅僅為了描述，不代表實施例的優(yōu)劣。

以上公開的僅為本發(fā)明的幾個具體實施例，但是，本發(fā)明并非局限于此，任何本領域的技術人員能思之的變化都應落入本發(fā)明的保護范圍。