摘 要： 主要研究了对车牌图像进行压缩的方法。根据车牌的特点，先对其进行基于目标域方法的分块,随后采用小波变换和BP神经网络的混合方法对图像进行压缩。结果表明了该方法的高效性。
关键词： 目标域； 背景域； 小波变换； BP神经网络
随着智能化交通管理的出现，基于无线网络的车牌识别系统应用越来越广泛。但是由于无线网络速度慢、抗干扰性差，而车牌图像数量庞大，存储空间要求高，在车牌图像识别的过程中又要求图像失真少,因此研究一种高效的车牌图像压缩方法是必要的。
1 车牌图像的特点
根据2007年11月1日起开始实施的《中华人民共和国机动车号牌GA36-2007标准》，目前我国一个标准车牌中有三类不同识别对像：汉字、英文字符和数字0~9，车牌字符总数不是很大，字符的大小一致，字型统一。由于一般的车牌共有7位字符，其中第1个字符是省市简称——汉字，第2个字符是发证机关代号——字母，剩余的5个字符是序号,可能是字母或数字（使、警、学、除外），车牌字符总共仅80多个字符,字符的大小一致,字型统一。一个标准的车牌如图1所示。
2 基于目标域的图像分割算法
首先将车牌图像进行预处理，对车牌上的字符进行分割，得到单个字符。对大小不一的字符做归一化后，对字符进行特征提取，把长为32、宽为48的归一化后的图像中的字符信息提取出来，图像中白点位置为白像素，黑点位置为黑像素，这样就得到一个特征向量，这个特征向量记录的就是字符的特征。以提取字母“A”(256×256像素)为例，该算法描述如下：
(1) 首先将字母“A”归一化为32×48的比例尺寸，然后再分为8×8个网格单元；
(2)依次统计每个网格内的黑像素，形成一个8×8的特征向量；
(3) 确定每个网格单元的黑像素的个数,最大为1 024，最小为0；
(4) 根据像素数对图像进行分块和编号(S代表像素数），分块的原则如下：
当S=0时，该区域为背景域，编号为A0;
当0<S<1 024时，该区域为目标域，编号为A1;
当S=1 024时，该区域为目标域，编号为A2。
以字母“A”为例，用上述算法提取的特征向量如图2所示。
3.2小波变换用于图像压缩
小波变换用于图像压缩的框架如图3所示。
由上图可以看出，用二维小波分析进行压缩可以按照如下3个步骤来进行：
(1)小波分解
小波变换用于图像编码的基本思想就是把图像进行多分辨率分解，分解成不同空间、不同频率的子图像，然后再对子图像进行系数编码。系数编码是小波变换用于压缩的核心，压缩的实质是对系数的量化压缩。根据MALLATS的塔式分解算法，图像经过小波变换后被分割为4个频带:水平、垂直、对角线和低频，低频部分还可以继续分解。
(2)量化
从上面的编解码流程图中可以清楚地看到，原始图像数据经过预处理之后进行小波变换，在变换过程中并不产生压缩，这个过程是无损的，只是将系数按照频带重新排列，变换的目的是生成不含相关性的系数。为了达到压缩数据的目的，对小波分解系数需作量化处理。量化把一个在值域X的信号量化到值域Y中。使用更小的位来表示量化后的信号是可行的，因为转换后的值域比原来更小了。量化的作用是在保持一定质量前提下，丢弃图像中对视觉效果影响不大的信息。常用的量化方法有标量量化和向量量化两种。一个标量的量化把输入的信号映射到一个量化的输出值域中，而一个向量的量化把一组输入采样值映射到一组量化值中。标量量化包括均匀量化和非均匀量化。
(3)编码
量化过的变换系数需要被仔细编码来进行存储和传输。小波图像压缩编码的方案多种多样，主要是利用小波变换后系数的分布特性来得到不同的方案。目前3个最高等级的小波图像编码是嵌入式小波零树图像编码算法(EZW)、分层树集合分割排序算法(SPIHT)和小波数据形态表示图像编码算法(MRWD)。
对编码后的数据进行以上过程的逆过程(即解码、逆量化和小波逆变换)就可以重建图像。
4 BP神经网络在图像压缩中的应用
BP网络是目前最为常见的一种网络模型，它可以直接提供数据压缩能力，见参考文献[1~3]。利用多层前馈网络的模式变换能力实现数据变换（编码）的基本思想是：把一组输入模式通过少量的隐含层单元映射到一组输出模式，并使输出模式尽可能等于输入模式。当隐含层的单元数比输入模式数少时，意味着隐含层能更有效地表现输入模式，并把这种表现传送到输出层。在这个过程中，输入层和中间层的变换可以看成压缩编码的过程；而中间层和输出层的变换可以看成解码过程。图4给出了这一思想的简要说明。假设网络的输入层和输出层各由相同的M个神经元组成，隐含层的神经元数K比M小。在输入层和输出层提供同一学习模式（即教师模式为输入模式），网络通过学习后其隐含层应能对M个输入模式中的每一个给出不同的编码表示，这好比是大量的数据从较大的入口进入，然后强迫其通过细腰型的网络管道，如图5所示，并期望在该细腰处被压缩（编码），最后网络在出口处可由此编码恢复出与输入对应的输出结果。
输入层到隐含层之间就相当于编码器，对信号进行线性或非线性变换；隐含层到输出层之间相当于解码器，对经过压缩后的系数进行线性或非线性反变换，从而恢复原始图像数据。压缩率=网络输入节点数/隐含层节点数。
5 小波变换与神经网络相结合用于图像压缩
5.1小波和BP神经网络的结合方式
将小波变换作为神经网络的前置处理手段，为神经网络提供输入特征向量。选择具有良好压缩性能的Daubechies9/7双正交小波进行提升变换，它光滑性能好且有较高的消失矩。经过变换，原始图像被分解成不同频带的子图像，利用BP网络，根据各子图像所含信息量的多少，对不同频带的子图像分别处理。基于小波变换的BP网络图像压缩流程如图6所示。
将原始信号进行小波变换后，直接将变换后的小波域信号作为神经网络的输入进行处理,处理后的输出信号仍在小波域，再经过小波逆变换即得到时域的输出信号。
5.2 车牌图像压缩的算法
结合前文的分割思想，车牌主要识别的部分为目标域，也就是文中提出的A1和A2部分。考虑到A0的全部背景域不属于车牌字符识别的部分，也就是本文所提到的白点域，可以采用很高的压缩比。A2全部为目标域，没有背景部分的噪声干扰，也就是本文所提到的黑点域，所以也可以采用很高的压缩比，不会影响图像的重构失真。A1区域一部分为黑点域即目标域，一部分为白点域即背景域,所以对A1部分进行二级的小波分解。
本文将小波变换和BP网络相结合进行图像压缩的基本思想：
(1)按前文算法将车牌图像分割为目标域（A1，A2）和背景域A0；
(2)将图像A0和A2部分进行第一层小波分解，分解得出低频系数LL1和高频系数HL1、LH1、HH1，用BP网络对其进行64倍压缩；
(3) 对原始图像A1部分进行第一层小波分解，保持低频系数LL1，将三个高频系数HL1、LH1、HH1用BP网络进行64倍的压缩；
(4) 对LL1进行第二层小波分解，得到分解后的低频和高频系数；
(5) 用BP网络对低频系数LL2进行16倍压缩，对高频系数HL2、LH2、HH2进行32倍压缩；
(6) 解压后的系数进行小波重构即得到时域的解压图像。
该算法的流程如图7所示。
该算法的压缩比为：（256×256）/(3×128×2+64×2+64×2×3+3×128×2)=32
6 仿真实验
选取某车牌作为原始图像，采用上述方法进行计算机仿真，结果如图8所示，这里BP采用的是标准的BP算法。
在这种基于目标域的划分方法中,背景域A0和目标域A2图像相对稳定，灰度空间变动小,目标域A1部分灰度空间变动大，根据这个特点,可在灰度变化小的部分使用隐含层神经元数目少的网络,使其在这些区域压缩率高；而在灰度变化大的区域使用隐含层神经元数目多的网络，以便保留更多的图像细节，提高压缩图像的质量。同时该方法又可充分利用小波变换压缩比高、压缩速度快、压缩后能保持信号与图像的特征不变、且在传递中可以抗干扰的优点,经仿真实验证明，该方法是一种较好的车牌图像压缩方法。
参考文献
[1] 姜卓.小波变换在图像压缩领域中的应用[J]. 计算机与数字工程, 2009，37(06):141-143,184.
[2] 曹玉茹, 郑戟明. 基于Matlab的图像压缩实现[J]. 计算机工程与设计, 2009，30(12):2998-3000,3004.
[3] 张培珍, 杨根源, 马良,等. 一种改进的可变阈值SPIHT图像压缩算法[J]. 计算机与数字工程, 2009,37(01):
128-130,152.
[4] 谢春光. 一种基于小波变换新型的图像压缩算法[J].微计算机信息,2009,25(09):303-305.
[5] 任俊玲，郭军.基于小波理论的神经网络模型构造[J].电脑开发与应用，2004，17（8）:19-21.
[6] 马义德，齐春亮，杜鸿飞.一种基于分类的改进BP神经网络图像压缩方法[J].兰州大学学报（自然科学版）.
2005,41(4):70-71.
[7] 聂玉明, 邹雪妹. 一种基于像素域的改进的SPIHT算法[J]. 计算机仿真, 2009,26(01):209-211,232.
[8] 黄梅红. 小波变换理论及其在图像压缩中的应用[J]. 福建电脑, 2009,25(02):149-150.
[9] 王文娟. 一种基于小波包变换的分形编码方法[J]. 电脑知识与技术, 2009,5(09):2527-2528.