摘   要： 主要研究了對(duì)車牌圖像進(jìn)行壓縮的方法。根據(jù)車牌的特點(diǎn)，先對(duì)其進(jìn)行基于目標(biāo)域方法的分塊,隨后采用小波變換和BP神經(jīng)網(wǎng)絡(luò)的混合方法對(duì)圖像進(jìn)行壓縮。結(jié)果表明了該方法的高效性。
關(guān)鍵詞： 目標(biāo)域； 背景域； 小波變換； BP神經(jīng)網(wǎng)絡(luò)

    隨著智能化交通管理的出現(xiàn)，基于無(wú)線網(wǎng)絡(luò)的車牌識(shí)別系統(tǒng)應(yīng)用越來(lái)越廣泛。但是由于無(wú)線網(wǎng)絡(luò)速度慢、抗干擾性差，而車牌圖像數(shù)量龐大，存儲(chǔ)空間要求高，在車牌圖像識(shí)別的過(guò)程中又要求圖像失真少,因此研究一種高效的車牌圖像壓縮方法是必要的。
1 車牌圖像的特點(diǎn)
    根據(jù)2007年11月1日起開(kāi)始實(shí)施的《中華人民共和國(guó)機(jī)動(dòng)車號(hào)牌GA36-2007標(biāo)準(zhǔn)》，目前我國(guó)一個(gè)標(biāo)準(zhǔn)車牌中有三類不同識(shí)別對(duì)像：漢字、英文字符和數(shù)字0~9，車牌字符總數(shù)不是很大，字符的大小一致，字型統(tǒng)一。由于一般的車牌共有7位字符，其中第1個(gè)字符是省市簡(jiǎn)稱——漢字，第2個(gè)字符是發(fā)證機(jī)關(guān)代號(hào)——字母，剩余的5個(gè)字符是序號(hào),可能是字母或數(shù)字（使、警、學(xué)、除外），車牌字符總共僅80多個(gè)字符,字符的大小一致,字型統(tǒng)一。一個(gè)標(biāo)準(zhǔn)的車牌如圖1所示。

2 基于目標(biāo)域的圖像分割算法
    首先將車牌圖像進(jìn)行預(yù)處理，對(duì)車牌上的字符進(jìn)行分割，得到單個(gè)字符。對(duì)大小不一的字符做歸一化后，對(duì)字符進(jìn)行特征提取，把長(zhǎng)為32、寬為48的歸一化后的圖像中的字符信息提取出來(lái)，圖像中白點(diǎn)位置為白像素，黑點(diǎn)位置為黑像素，這樣就得到一個(gè)特征向量，這個(gè)特征向量記錄的就是字符的特征。以提取字母“A”(256×256像素)為例，該算法描述如下：
    (1) 首先將字母“A”歸一化為32×48的比例尺寸，然后再分為8×8個(gè)網(wǎng)格單元；
    (2)依次統(tǒng)計(jì)每個(gè)網(wǎng)格內(nèi)的黑像素，形成一個(gè)8×8的特征向量；
    (3) 確定每個(gè)網(wǎng)格單元的黑像素的個(gè)數(shù),最大為1 024，最小為0；
    (4) 根據(jù)像素?cái)?shù)對(duì)圖像進(jìn)行分塊和編號(hào)(S代表像素?cái)?shù)），分塊的原則如下：
    當(dāng)S=0時(shí)，該區(qū)域?yàn)楸尘坝?，編?hào)為A0;
    當(dāng)0<S<1 024時(shí)，該區(qū)域?yàn)槟繕?biāo)域，編號(hào)為A1;
    當(dāng)S=1 024時(shí)，該區(qū)域?yàn)槟繕?biāo)域，編號(hào)為A2。
    以字母“A”為例，用上述算法提取的特征向量如圖2所示?！　?/p>

3.2小波變換用于圖像壓縮
    小波變換用于圖像壓縮的框架如圖3所示。

    由上圖可以看出，用二維小波分析進(jìn)行壓縮可以按照如下3個(gè)步驟來(lái)進(jìn)行：
    (1)小波分解
    小波變換用于圖像編碼的基本思想就是把圖像進(jìn)行多分辨率分解，分解成不同空間、不同頻率的子圖像，然后再對(duì)子圖像進(jìn)行系數(shù)編碼。系數(shù)編碼是小波變換用于壓縮的核心，壓縮的實(shí)質(zhì)是對(duì)系數(shù)的量化壓縮。根據(jù)MALLATS的塔式分解算法，圖像經(jīng)過(guò)小波變換后被分割為4個(gè)頻帶:水平、垂直、對(duì)角線和低頻，低頻部分還可以繼續(xù)分解。
    (2)量化
    從上面的編解碼流程圖中可以清楚地看到，原始圖像數(shù)據(jù)經(jīng)過(guò)預(yù)處理之后進(jìn)行小波變換，在變換過(guò)程中并不產(chǎn)生壓縮，這個(gè)過(guò)程是無(wú)損的，只是將系數(shù)按照頻帶重新排列，變換的目的是生成不含相關(guān)性的系數(shù)。為了達(dá)到壓縮數(shù)據(jù)的目的，對(duì)小波分解系數(shù)需作量化處理。量化把一個(gè)在值域X的信號(hào)量化到值域Y中。使用更小的位來(lái)表示量化后的信號(hào)是可行的，因?yàn)檗D(zhuǎn)換后的值域比原來(lái)更小了。量化的作用是在保持一定質(zhì)量前提下，丟棄圖像中對(duì)視覺(jué)效果影響不大的信息。常用的量化方法有標(biāo)量量化和向量量化兩種。一個(gè)標(biāo)量的量化把輸入的信號(hào)映射到一個(gè)量化的輸出值域中，而一個(gè)向量的量化把一組輸入采樣值映射到一組量化值中。標(biāo)量量化包括均勻量化和非均勻量化。
    (3)編碼
    量化過(guò)的變換系數(shù)需要被仔細(xì)編碼來(lái)進(jìn)行存儲(chǔ)和傳輸。小波圖像壓縮編碼的方案多種多樣，主要是利用小波變換后系數(shù)的分布特性來(lái)得到不同的方案。目前3個(gè)最高等級(jí)的小波圖像編碼是嵌入式小波零樹(shù)圖像編碼算法(EZW)、分層樹(shù)集合分割排序算法(SPIHT)和小波數(shù)據(jù)形態(tài)表示圖像編碼算法(MRWD)。
    對(duì)編碼后的數(shù)據(jù)進(jìn)行以上過(guò)程的逆過(guò)程(即解碼、逆量化和小波逆變換)就可以重建圖像。
4 BP神經(jīng)網(wǎng)絡(luò)在圖像壓縮中的應(yīng)用
    BP網(wǎng)絡(luò)是目前最為常見(jiàn)的一種網(wǎng)絡(luò)模型，它可以直接提供數(shù)據(jù)壓縮能力，見(jiàn)參考文獻(xiàn)[1~3]。利用多層前饋網(wǎng)絡(luò)的模式變換能力實(shí)現(xiàn)數(shù)據(jù)變換（編碼）的基本思想是：把一組輸入模式通過(guò)少量的隱含層單元映射到一組輸出模式，并使輸出模式盡可能等于輸入模式。當(dāng)隱含層的單元數(shù)比輸入模式數(shù)少時(shí)，意味著隱含層能更有效地表現(xiàn)輸入模式，并把這種表現(xiàn)傳送到輸出層。在這個(gè)過(guò)程中，輸入層和中間層的變換可以看成壓縮編碼的過(guò)程；而中間層和輸出層的變換可以看成解碼過(guò)程。圖4給出了這一思想的簡(jiǎn)要說(shuō)明。假設(shè)網(wǎng)絡(luò)的輸入層和輸出層各由相同的M個(gè)神經(jīng)元組成，隱含層的神經(jīng)元數(shù)K比M小。在輸入層和輸出層提供同一學(xué)習(xí)模式（即教師模式為輸入模式），網(wǎng)絡(luò)通過(guò)學(xué)習(xí)后其隱含層應(yīng)能對(duì)M個(gè)輸入模式中的每一個(gè)給出不同的編碼表示，這好比是大量的數(shù)據(jù)從較大的入口進(jìn)入，然后強(qiáng)迫其通過(guò)細(xì)腰型的網(wǎng)絡(luò)管道，如圖5所示，并期望在該細(xì)腰處被壓縮（編碼），最后網(wǎng)絡(luò)在出口處可由此編碼恢復(fù)出與輸入對(duì)應(yīng)的輸出結(jié)果。

    輸入層到隱含層之間就相當(dāng)于編碼器，對(duì)信號(hào)進(jìn)行線性或非線性變換；隱含層到輸出層之間相當(dāng)于解碼器，對(duì)經(jīng)過(guò)壓縮后的系數(shù)進(jìn)行線性或非線性反變換，從而恢復(fù)原始圖像數(shù)據(jù)。壓縮率=網(wǎng)絡(luò)輸入節(jié)點(diǎn)數(shù)/隱含層節(jié)點(diǎn)數(shù)。
5 小波變換與神經(jīng)網(wǎng)絡(luò)相結(jié)合用于圖像壓縮
5.1小波和BP神經(jīng)網(wǎng)絡(luò)的結(jié)合方式
    將小波變換作為神經(jīng)網(wǎng)絡(luò)的前置處理手段，為神經(jīng)網(wǎng)絡(luò)提供輸入特征向量。選擇具有良好壓縮性能的Daubechies9/7雙正交小波進(jìn)行提升變換，它光滑性能好且有較高的消失矩。經(jīng)過(guò)變換，原始圖像被分解成不同頻帶的子圖像，利用BP網(wǎng)絡(luò)，根據(jù)各子圖像所含信息量的多少，對(duì)不同頻帶的子圖像分別處理。基于小波變換的BP網(wǎng)絡(luò)圖像壓縮流程如圖6所示。

    將原始信號(hào)進(jìn)行小波變換后，直接將變換后的小波域信號(hào)作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行處理,處理后的輸出信號(hào)仍在小波域，再經(jīng)過(guò)小波逆變換即得到時(shí)域的輸出信號(hào)。
5.2 車牌圖像壓縮的算法
    結(jié)合前文的分割思想，車牌主要識(shí)別的部分為目標(biāo)域，也就是文中提出的A1和A2部分?？紤]到A0的全部背景域不屬于車牌字符識(shí)別的部分，也就是本文所提到的白點(diǎn)域，可以采用很高的壓縮比。A2全部為目標(biāo)域，沒(méi)有背景部分的噪聲干擾，也就是本文所提到的黑點(diǎn)域，所以也可以采用很高的壓縮比，不會(huì)影響圖像的重構(gòu)失真。A1區(qū)域一部分為黑點(diǎn)域即目標(biāo)域，一部分為白點(diǎn)域即背景域,所以對(duì)A1部分進(jìn)行二級(jí)的小波分解。
    本文將小波變換和BP網(wǎng)絡(luò)相結(jié)合進(jìn)行圖像壓縮的基本思想：
    (1)按前文算法將車牌圖像分割為目標(biāo)域（A1，A2）和背景域A0；
    (2)將圖像A0和A2部分進(jìn)行第一層小波分解，分解得出低頻系數(shù)LL1和高頻系數(shù)HL1、LH1、HH1，用BP網(wǎng)絡(luò)對(duì)其進(jìn)行64倍壓縮；
    (3) 對(duì)原始圖像A1部分進(jìn)行第一層小波分解，保持低頻系數(shù)LL1，將三個(gè)高頻系數(shù)HL1、LH1、HH1用BP網(wǎng)絡(luò)進(jìn)行64倍的壓縮；
    (4) 對(duì)LL1進(jìn)行第二層小波分解，得到分解后的低頻和高頻系數(shù)；
    (5) 用BP網(wǎng)絡(luò)對(duì)低頻系數(shù)LL2進(jìn)行16倍壓縮，對(duì)高頻系數(shù)HL2、LH2、HH2進(jìn)行32倍壓縮；
    (6) 解壓后的系數(shù)進(jìn)行小波重構(gòu)即得到時(shí)域的解壓圖像。
    該算法的流程如圖7所示。

    該算法的壓縮比為：（256×256）/(3×128×2+64×2+64×2×3+3×128×2)=32
6 仿真實(shí)驗(yàn)
    選取某車牌作為原始圖像，采用上述方法進(jìn)行計(jì)算機(jī)仿真，結(jié)果如圖8所示，這里BP采用的是標(biāo)準(zhǔn)的BP算法。

    在這種基于目標(biāo)域的劃分方法中,背景域A0和目標(biāo)域A2圖像相對(duì)穩(wěn)定，灰度空間變動(dòng)小,目標(biāo)域A1部分灰度空間變動(dòng)大，根據(jù)這個(gè)特點(diǎn),可在灰度變化小的部分使用隱含層神經(jīng)元數(shù)目少的網(wǎng)絡(luò),使其在這些區(qū)域壓縮率高；而在灰度變化大的區(qū)域使用隱含層神經(jīng)元數(shù)目多的網(wǎng)絡(luò)，以便保留更多的圖像細(xì)節(jié)，提高壓縮圖像的質(zhì)量。同時(shí)該方法又可充分利用小波變換壓縮比高、壓縮速度快、壓縮后能保持信號(hào)與圖像的特征不變、且在傳遞中可以抗干擾的優(yōu)點(diǎn),經(jīng)仿真實(shí)驗(yàn)證明，該方法是一種較好的車牌圖像壓縮方法。
參考文獻(xiàn)
[1] 姜卓.小波變換在圖像壓縮領(lǐng)域中的應(yīng)用[J]. 計(jì)算機(jī)與數(shù)字工程, 2009，37(06):141-143,184.
[2] 曹玉茹, 鄭戟明. 基于Matlab的圖像壓縮實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2009，30(12):2998-3000,3004.
[3] 張培珍, 楊根源, 馬良,等. 一種改進(jìn)的可變閾值SPIHT圖像壓縮算法[J]. 計(jì)算機(jī)與數(shù)字工程, 2009,37(01):
128-130,152.
[4] 謝春光. 一種基于小波變換新型的圖像壓縮算法[J].微計(jì)算機(jī)信息,2009,25(09):303-305.
[5] 任俊玲，郭軍.基于小波理論的神經(jīng)網(wǎng)絡(luò)模型構(gòu)造[J].電腦開(kāi)發(fā)與應(yīng)用，2004，17（8）:19-21.
[6] 馬義德，齊春亮，杜鴻飛.一種基于分類的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)圖像壓縮方法[J].蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版）.
2005,41(4):70-71.
[7] 聶玉明, 鄒雪妹. 一種基于像素域的改進(jìn)的SPIHT算法[J]. 計(jì)算機(jī)仿真, 2009,26(01):209-211,232.
[8] 黃梅紅. 小波變換理論及其在圖像壓縮中的應(yīng)用[J]. 福建電腦, 2009,25(02):149-150.
[9] 王文娟. 一種基于小波包變換的分形編碼方法[J]. 電腦知識(shí)與技術(shù), 2009,5(09):2527-2528.