摘 要： 主要研究了對車牌圖像進行壓縮的方法。根據車牌的特點，先對其進行基于目標域方法的分塊,隨后采用小波變換和BP神經網絡的混合方法對圖像進行壓縮。結果表明了該方法的高效性。
關鍵詞： 目標域； 背景域； 小波變換； BP神經網絡
隨著智能化交通管理的出現，基于無線網絡的車牌識別系統應用越來越廣泛。但是由于無線網絡速度慢、抗干擾性差，而車牌圖像數量龐大，存儲空間要求高，在車牌圖像識別的過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
根據2007年11月1日起開始實施的《中華人民共和國機動車號牌GA36-2007標準》，目前我國一個標準車牌中有三類不同識別對像：漢字、英文字符和數字0~9，車牌字符總數不是很大，字符的大小一致，字型統一。由于一般的車牌共有7位字符，其中第1個字符是省市簡稱——漢字，第2個字符是發證機關代號——字母，剩余的5個字符是序號,可能是字母或數字（使、警、學、除外），車牌字符總共僅80多個字符,字符的大小一致,字型統一。一個標準的車牌如圖1所示。
2 基于目標域的圖像分割算法
首先將車牌圖像進行預處理，對車牌上的字符進行分割，得到單個字符。對大小不一的字符做歸一化后，對字符進行特征提取，把長為32、寬為48的歸一化后的圖像中的字符信息提取出來，圖像中白點位置為白像素，黑點位置為黑像素，這樣就得到一個特征向量，這個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個網格單元；
(2)依次統計每個網格內的黑像素，形成一個8×8的特征向量；
(3) 確定每個網格單元的黑像素的個數,最大為1 024，最小為0；
(4) 根據像素數對圖像進行分塊和編號(S代表像素數），分塊的原則如下：
當S=0時，該區域為背景域，編號為A0;
當0<S<1 024時，該區域為目標域，編號為A1;
當S=1 024時，該區域為目標域，編號為A2。
以字母“A”為例，用上述算法提取的特征向量如圖2所示。
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，用二維小波分析進行壓縮可以按照如下3個步驟來進行：
(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，然后再對子圖像進行系數編碼。系數編碼是小波變換用于壓縮的核心，壓縮的實質是對系數的量化壓縮。根據MALLATS的塔式分解算法，圖像經過小波變換后被分割為4個頻帶:水平、垂直、對角線和低頻，低頻部分還可以繼續分解。
(2)量化
從上面的編解碼流程圖中可以清楚地看到，原始圖像數據經過預處理之后進行小波變換，在變換過程中并不產生壓縮，這個過程是無損的，只是將系數按照頻帶重新排列，變換的目的是生成不含相關性的系數。為了達到壓縮數據的目的，對小波分解系數需作量化處理。量化把一個在值域X的信號量化到值域Y中。使用更小的位來表示量化后的信號是可行的，因為轉換后的值域比原來更小了。量化的作用是在保持一定質量前提下，丟棄圖像中對視覺效果影響不大的信息。常用的量化方法有標量量化和向量量化兩種。一個標量的量化把輸入的信號映射到一個量化的輸出值域中，而一個向量的量化把一組輸入采樣值映射到一組量化值中。標量量化包括均勻量化和非均勻量化。
(3)編碼
量化過的變換系數需要被仔細編碼來進行存儲和傳輸。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的分布特性來得到不同的方案。目前3個最高等級的小波圖像編碼是嵌入式小波零樹圖像編碼算法(EZW)、分層樹集合分割排序算法(SPIHT)和小波數據形態表示圖像編碼算法(MRWD)。
對編碼后的數據進行以上過程的逆過程(即解碼、逆量化和小波逆變換)就可以重建圖像。
4 BP神經網絡在圖像壓縮中的應用
BP網絡是目前最為常見的一種網絡模型，它可以直接提供數據壓縮能力，見參考文獻[1~3]。利用多層前饋網絡的模式變換能力實現數據變換（編碼）的基本思想是：把一組輸入模式通過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。當隱含層的單元數比輸入模式數少時，意味著隱含層能更有效地表現輸入模式，并把這種表現傳送到輸出層。在這個過程中，輸入層和中間層的變換可以看成壓縮編碼的過程；而中間層和輸出層的變換可以看成解碼過程。圖4給出了這一思想的簡要說明。假設網絡的輸入層和輸出層各由相同的M個神經元組成，隱含層的神經元數K比M小。在輸入層和輸出層提供同一學習模式（即教師模式為輸入模式），網絡通過學習后其隱含層應能對M個輸入模式中的每一個給出不同的編碼表示，這好比是大量的數據從較大的入口進入，然后強迫其通過細腰型的網絡管道，如圖5所示，并期望在該細腰處被壓縮（編碼），最后網絡在出口處可由此編碼恢復出與輸入對應的輸出結果。
輸入層到隱含層之間就相當于編碼器，對信號進行線性或非線性變換；隱含層到輸出層之間相當于解碼器，對經過壓縮后的系數進行線性或非線性反變換，從而恢復原始圖像數據。壓縮率=網絡輸入節點數/隱含層節點數。
5 小波變換與神經網絡相結合用于圖像壓縮
5.1小波和BP神經網絡的結合方式
將小波變換作為神經網絡的前置處理手段，為神經網絡提供輸入特征向量。選擇具有良好壓縮性能的Daubechies9/7雙正交小波進行提升變換，它光滑性能好且有較高的消失矩。經過變換，原始圖像被分解成不同頻帶的子圖像，利用BP網絡，根據各子圖像所含信息量的多少，對不同頻帶的子圖像分別處理。基于小波變換的BP網絡圖像壓縮流程如圖6所示。
將原始信號進行小波變換后，直接將變換后的小波域信號作為神經網絡的輸入進行處理,處理后的輸出信號仍在小波域，再經過小波逆變換即得到時域的輸出信號。
5.2 車牌圖像壓縮的算法
結合前文的分割思想，車牌主要識別的部分為目標域，也就是文中提出的A1和A2部分。考慮到A0的全部背景域不屬于車牌字符識別的部分，也就是本文所提到的白點域，可以采用很高的壓縮比。A2全部為目標域，沒有背景部分的噪聲干擾，也就是本文所提到的黑點域，所以也可以采用很高的壓縮比，不會影響圖像的重構失真。A1區域一部分為黑點域即目標域，一部分為白點域即背景域,所以對A1部分進行二級的小波分解。
本文將小波變換和BP網絡相結合進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域（A1，A2）和背景域A0；
(2)將圖像A0和A2部分進行第一層小波分解，分解得出低頻系數LL1和高頻系數HL1、LH1、HH1，用BP網絡對其進行64倍壓縮；
(3) 對原始圖像A1部分進行第一層小波分解，保持低頻系數LL1，將三個高頻系數HL1、LH1、HH1用BP網絡進行64倍的壓縮；
(4) 對LL1進行第二層小波分解，得到分解后的低頻和高頻系數；
(5) 用BP網絡對低頻系數LL2進行16倍壓縮，對高頻系數HL2、LH2、HH2進行32倍壓縮；
(6) 解壓后的系數進行小波重構即得到時域的解壓圖像。
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 仿真實驗
選取某車牌作為原始圖像，采用上述方法進行計算機仿真，結果如圖8所示，這里BP采用的是標準的BP算法。
在這種基于目標域的劃分方法中,背景域A0和目標域A2圖像相對穩定，灰度空間變動小,目標域A1部分灰度空間變動大，根據這個特點,可在灰度變化小的部分使用隱含層神經元數目少的網絡,使其在這些區域壓縮率高；而在灰度變化大的區域使用隱含層神經元數目多的網絡，以便保留更多的圖像細節，提高壓縮圖像的質量。同時該方法又可充分利用小波變換壓縮比高、壓縮速度快、壓縮后能保持信號與圖像的特征不變、且在傳遞中可以抗干擾的優點,經仿真實驗證明，該方法是一種較好的車牌圖像壓縮方法。
參考文獻
[1] 姜卓.小波變換在圖像壓縮領域中的應用[J]. 計算機與數字工程, 2009，37(06):141-143,184.
[2] 曹玉茹, 鄭戟明. 基于Matlab的圖像壓縮實現[J]. 計算機工程與設計, 2009，30(12):2998-3000,3004.
[3] 張培珍, 楊根源, 馬良,等. 一種改進的可變閾值SPIHT圖像壓縮算法[J]. 計算機與數字工程, 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].微計算機信息,2009,25(09):303-305.
[5] 任俊玲，郭軍.基于小波理論的神經網絡模型構造[J].電腦開發與應用，2004，17（8）:19-21.
[6] 馬義德，齊春亮，杜鴻飛.一種基于分類的改進BP神經網絡圖像壓縮方法[J].蘭州大學學報（自然科學版）.
2005,41(4):70-71.
[7] 聶玉明, 鄒雪妹. 一種基于像素域的改進的SPIHT算法[J]. 計算機仿真, 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]. 電腦知識與技術, 2009,5(09):2527-2528.