[发明专利]基于梯度信息和块状区域组合先验的MRF车牌去噪算法

权利要求书

1.一种基于梯度信息和块状区域组合先验的MRF车牌去噪算法，其特征在于，包括如下步骤：

S1、利用车牌数字梯度信息，构造车牌图像先验信息，包括梯度先验和块状区域先验；

S2、对视频图像序列进行噪声估计，确定噪声分布概率密度函数；

S3、构建车牌图像的二值马尔可夫随机场模型，联合马尔科夫随机场模型和车牌图像先验信息，建立优化问题模型并求解。

2.如权利要求1所述的一种基于梯度信息和块状区域组合先验的MRF车牌去噪算法，其特征在于，所述步骤S1具体过程为：

(1)设I_v为向量形式的车牌去噪图像，图像像素行列数分别为m,n；定义I'_c，I'_r分别为列方向和行方向像素值变化偏导数矩阵，对于像素点(i,j)，其梯度表示为下形式：

其中，G_(i,j)＝[e_i+1+(j-1)m-e_i+(j-1)m,e_i+jm-e_i+(j-1)m]^T，e_k表示第k位置取值为1、其他位置取值为0的mn维向量，即：

通过G_(i,j)组合成梯度矩阵G：

车牌图像梯度先验P_g为：

其中，||·||₂表示取2范数运算；

(2)计算车牌图像块状区域先验P_b：

N＝mn为图像中像素总数，LP_b和LP_t分别为车牌背景区域和文字区域像素集合，l_u为像素P_u的标签值，用于标识像素属于前景或背景，l_u取值为：

。

3.如权利要求1所述的一种基于梯度信息和块状区域组合先验的MRF车牌去噪算法，其特征在于，所述步骤S2具体过程为：

设f^t为t时刻对应视频帧的静止背景部分，提取t-Δt,t-Δt+1,…,t+Δt时刻的视频帧背景部分{f^t-Δt,…,f^t,…,f^t+Δt}，通过帧累积方法得到无噪声图像

其中，η为变量，取值范围为t-Δt,t-Δt+1,…,t+Δt；

第q帧背景部分噪声样本可以通过下式获得：

在获得噪声样本集θ_ns＝{n_q}(q＝t-Δt,t-Δt+1,…,t+Δt)的基础上，计算获得噪声分布概率密度函数：

其中，|θ_ns|表示噪声样本集θ_ns中元素个数，核函数W(x)形式为：

其中，σ为核函数W(x)的标准差。

4.如权利要求1所述的一种基于梯度信息和块状区域组合先验的MRF车牌去噪算法，其特征在于，所述步骤S3具体过程为：

设恢复的无噪声图像为I₀，(x,y)像素位置的噪声为随机变量ε(x,y)，(x,y)像素的取值i₁,i₂分别为背景颜色值或前景文字颜色值，图像加噪声过程表达为：

I(x,y)＝I₀(x,y)+ε(x,y),I₀(x,y)∈{i₁,i₂}

图像像素值出现概率为：

其中，δ(x,y)为像素(x,y)的邻域，用随机场像素值出现概率、车牌梯度先验与块状先验的加权组合构建马尔科夫随机场的能量函数：

E_MRF＝P_I+λ₁P_g+λ₂P_b

其中，P_I为图像随机场像素值出现概率，P_g为车牌图像梯度先验，P_b为车牌图像块状先验，λ₁，λ₂为系数；

图像去噪问题可以归结为求解下述问题：

其中，l_u,l_v(u,v＝1…N)为去噪图像像素的标签值，I_v为向量形式的车牌去噪图像，对上式优化问题进行求解，最后获得去噪图像I^*。