【正文】 在一個(gè)鄰域內(nèi)， 除了可以利用灰度均值外， 灰度的上偏差和下偏差也能夠提供某些局部信息。目前，在圖像處理方面使用得最多的是一種可抗噪聲的Sobel算法。作為圖像處理最適用的工具之一，其突出的特點(diǎn)是它包含一個(gè)圖像處理工具包，這個(gè)工具包由一系列支持圖像處理操作的函數(shù)組成。: 設(shè)計(jì)過(guò)程說(shuō)明 在汽車車牌識(shí)別的整個(gè)過(guò)程中，查找了很多資料，綜合了各方面的信息。M39。39。39。其中有兩個(gè)很重要的函數(shù)可以直接調(diào)用:corr2 函數(shù)和max函數(shù)。將未知的模式逐個(gè)與模板匹配，求出其相似度。于是便投機(jī)取巧，將本身分割得到的字符保存起來(lái)直接作為模板使用。字體為方正姚體，大小16號(hào)。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)，只建立了3個(gè)字母與3個(gè)數(shù)字的模板。另一種方法則充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別。只含有兩種灰度值,黑與白。依據(jù)這一點(diǎn)，再結(jié)合圖10的特征，很容易得到每個(gè)字符的起始終止位置。從而確定出汽車牌照的具體位置。大致確定的牌照位置如下圖。 汽車本身具有一定的特點(diǎn)，一般情況下，牌照都掛在緩沖器上或附近，處于車牌照?qǐng)D像的下半部分，本次分割的主要意圖是縮小牌照搜索范圍，大致確定出牌照的位置。本次汽車車牌的識(shí)別，為了保存更多的有用信息，經(jīng)過(guò)多次比較，選擇圖4作為后期處理的依據(jù)。在空間域，常見的濾波方式有兩種方式，均值濾波和中值濾波。最后得到的便為車牌區(qū)域。整個(gè)處理過(guò)程分為預(yù)處理、邊緣提取、車牌定位、字符分割、字符識(shí)別五大模塊，用MATLAB軟件編程來(lái)實(shí)現(xiàn)每一個(gè)部分,最后識(shí)別出汽車牌照。基于這種現(xiàn)狀還有它廣闊的應(yīng)用前景，目前對(duì)汽車車牌的識(shí)別研究就有了深遠(yuǎn)的意義。因此在圖像處理之前必須進(jìn)行預(yù)處理，包括去除噪音，邊界增強(qiáng)，增加亮度等等。 圖2 經(jīng)均值濾波后提取的邊緣圖像 圖3 經(jīng)巴特沃斯低通濾波后提取的邊緣圖像 圖4 未濾波直接提取出的邊緣信息 圖5 經(jīng)高通濾波器增強(qiáng)后得到的邊緣圖像 對(duì)比以上幾幅圖片，圖2的邊緣太粗，而圖3的邊緣已經(jīng)模糊掉了。 經(jīng)過(guò)邊緣提取得到的圖像，車牌區(qū)域在水平方向灰度面積值具有明顯頻繁的跳變，在垂直方向上的面積投影則出現(xiàn)峰谷峰的特性。由圖4可以看出，車牌下方的橫欄處的T(i)值應(yīng)該是最大的，而車牌位置就在其附近。這樣就得到首字符的起始位置。下圖是圖10在垂直方向上的面積投影圖。因?yàn)閳D像中含有許多燥聲，這在預(yù)處理的圖像中已經(jīng)看出來(lái)了。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別主要有兩種方法:一種方法是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。3. 整個(gè)處理過(guò)程結(jié)束后，再用imwrite 函數(shù)寫入圖像庫(kù)中，作為標(biāo)準(zhǔn)模板使用。實(shí)驗(yàn)結(jié)果顯示，這種方法簡(jiǎn)單易行。 如果 maxSiλ 則判定X∈Ti，否則拒識(shí)，這里λ為拒識(shí)域值。其調(diào)用方式如下: [b，c]=max(a(:)) 其中b返回的是比較后得到的最大值，c是最大值所對(duì)應(yīng)的元素位置。)；M4=imread(39。； case 2 c=39。 ，每個(gè)字符在識(shí)別的時(shí)候直接調(diào)用此函數(shù)，避免了重新編程浪費(fèi)的時(shí)間及空間。整個(gè)程序設(shè)計(jì)簡(jiǎn)單易行2. 識(shí)別準(zhǔn)確率高6．2設(shè)計(jì)工具說(shuō)明: 車牌識(shí)別程序設(shè)計(jì)能夠得以順利完成。但是在整個(gè)設(shè)計(jì)過(guò)程中，發(fā)現(xiàn)了幾個(gè)值得參考的算法，也試圖用這種算法來(lái)實(shí)現(xiàn)車牌識(shí)別，但種種原因，而未采用。正是利用這一基本思想，本算法能將實(shí)際的邊緣點(diǎn)與噪聲點(diǎn)區(qū)分開來(lái)?！緟⒖嘉墨I(xiàn)】[1] ，[2] 陳桂明、張明照、。但是采用加權(quán)的鄰域平均算法對(duì)圖像進(jìn)行噪聲濾除， 不僅能夠有效地平滑噪聲， 還能夠銳化模糊圖像的邊緣。這種算法的優(yōu)點(diǎn)是簡(jiǎn)單易行，但是因?yàn)樗话吘壍姆较?，因此?duì)噪聲不夠敏感。這為編程調(diào)試創(chuàng)造了一個(gè)便利的環(huán)境。完成了準(zhǔn)確識(shí)別車牌的目的。； case 3 c=39。)；M5=imread(39。程序代碼如下: function c=result(H)；M1=imread(39。 用MATLAB來(lái)實(shí)現(xiàn)字符的識(shí)別。車牌字符相關(guān)匹配算法如下： 輸入字符用輸入函數(shù)X表示，標(biāo)準(zhǔn)模板用函數(shù)T表示，它們的大小均為2614。作為一幅jpg或者bmp形式的圖片，其中包含了許許多多的像素點(diǎn)，各象素點(diǎn)的值也不一樣，到底如何來(lái)確定這些像素點(diǎn)的值呢？模板設(shè)置無(wú)