【正文】 加權(quán)領(lǐng)域平均算法來進(jìn)行濾波處理 6．2 加權(quán)領(lǐng)域平均算法來進(jìn)行濾波處理 由實驗我們可以看出，一般的濾波器在對圖像進(jìn)行噪聲濾除的同時對圖像中的細(xì)節(jié)部分有不同程度的破壞，都不能達(dá)到理想的效果。在很大程度上得利于MATLAB這套軟件， MATLAB功能強大，它包括數(shù)值計算和符號計算，并且計算結(jié)果和編程可視化。F39。 字符識別中模板匹配方法是實現(xiàn)離散輸入模式分類的有效途徑之一，其實質(zhì)是度量輸入與樣本之間的某種相似性，取相似性最大者為輸入模式所屬類別，它根據(jù)字符的直觀形象抽取特征，用相關(guān)匹配原理進(jìn)行識別，即是將輸入字符與標(biāo)準(zhǔn)字符在一個分類器中進(jìn)行匹配。根據(jù)畫圖的經(jīng)驗其大小應(yīng)略大于2614，以利于后面的處理。識別效果與字符特征的提取有關(guān)，而字符特征提取往往比較耗時。從圖形中我們很直觀的看出投影值中出現(xiàn)了8條間隙， 6個字母中間的間隙只有5個，還有三個間隙是字符間的。根據(jù)這些特定，可定出車牌位置大概在320~350行之間。圖5中包含的噪聲太多，圖4未經(jīng)濾波直接提取出的邊緣圖像最清晰，所包含的有用信息最多。 課題組成汽車車牌的識別過程主要包括車牌定位、字符車牌分割和車牌字符識別三個關(guān)鍵環(huán)節(jié)。其識別流程如下：字符識別 字符分割 車牌定位 邊緣提取 圖像預(yù)處理 原始圖像 原始圖像 ：由數(shù)碼相機或其它掃描裝置拍攝到的圖像圖像預(yù)處理：對動態(tài)采集到的圖像進(jìn)行濾波，邊界增強等處理以克服圖像干擾邊緣提取 ：通過微分運算，2值化處理，得到圖像的邊緣車牌定位 ：計算邊緣圖像的投影面積，尋找峰谷點，大致確定車牌位置，再計算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域。分析這種情況產(chǎn)生的原因，歸納起來主要有以下方面: 原始圖像清晰度比較高，從而簡化了預(yù)處理 圖像的平滑處理會使圖像的邊緣信息受到損失，圖像變得模糊 圖像的銳化可以增強圖像中物體的邊緣輪廓，但同時也使一些噪聲得到了增強 綜上所述，結(jié)合MATLAB實驗過程，得出不是每一種圖像處理之初都適合濾波和邊界增強。 類似的方法得出汽車邊緣圖像的垂直面積投影圖 圖8 汽車邊緣圖像的垂直面積投影圖 同上可初步得到汽車牌照的列位置在120~210之間。有字符的列其灰度值比較高，無字符的則相對比較低。因此，字符特征的提取就成為研究的關(guān)鍵。所得到的字符均為黑字白底。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。程序代碼如下: function c=result(H)；M1=imread(39。； case 3 c=39。這為編程調(diào)試創(chuàng)造了一個便利的環(huán)境。但是采用加權(quán)的鄰域平均算法對圖像進(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。正是利用這一基本思想，本算法能將實際的邊緣點與噪聲點區(qū)分開來。整個程序設(shè)計簡單易行2. 識別準(zhǔn)確率高6．2設(shè)計工具說明: 車牌識別程序設(shè)計能夠得以順利完成。； case 2 c=39。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是最大值所對應(yīng)的元素位置。實驗結(jié)果顯示，這種方法簡單易行。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識別主要有兩種方法:一種方法是先對待識別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。下圖是圖10在垂直方向上的面積投影圖。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。 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)高通濾波器增強后得到的邊緣圖像 對比以上幾幅圖片，圖2的邊緣太粗，而圖3的邊緣已經(jīng)模糊掉了?；谶@種現(xiàn)狀還有它廣闊的應(yīng)用前景，目前對汽車車牌的識別研究就有了深遠(yuǎn)的意義。最后得到的便為車牌區(qū)域。本次汽車車牌的識別，為了保存更多的有用信息，經(jīng)過多次比較，選擇圖4作為后期處理的依據(jù)。大致確定的牌照位置如下圖。依據(jù)這一點，再結(jié)合圖10的特征，很容易得到每個字符的起始終止位置。另一種方法則充分利用神經(jīng)網(wǎng)絡(luò)的特點，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別。字體為方正姚體，大小16號。將未知的模式逐個與模板匹配，求出其相似度。39。M39。作為圖像