【正文】 27 / 38最好，因此是值得采用的。 圖 48(a) 藍底白字車牌 圖 48(a) 黃底黑字車牌 圖 48(b) 駐華使館車牌圖 48(c) 軍警車牌 通過效果圖我們可以看出不僅僅只是針對普通車牌，也可以對特殊車牌進行處理。5 總結(jié)在圖像處理過程中,消除圖像的噪聲是一個非常重要的問題,本文利用28 / 38MATLAB 軟件,采用中值濾波、均值濾波的方法,對帶有椒鹽噪聲和高斯噪聲的圖像進行處理,經(jīng)過濾波后進行比較，發(fā)現(xiàn)中值濾波對處理后的椒鹽噪聲圖像既適合人眼的視覺效果又能夠消除圖像中的干擾影響。通過本次試驗我們可以看到對于椒鹽噪聲，中值濾波比均值濾波處理后的效果要好。它可以做到既去除噪聲又能保護圖像的邊緣，從而獲得較滿意的復原效果。因此中值濾波是圖像處理所不可缺少的,許多類型的圖像噪聲都可以利用中值濾波法加以除噪。本文利用數(shù)字圖像處理技術(shù)對彩色圖像的車牌預處理技術(shù)進行了研究。首先闡述了車牌識別技術(shù)的研究意義和原理，介紹了車牌識別的發(fā)展、現(xiàn)狀和應用，分析了車牌預處理的難點；接著對車牌識別預處理行了研究，分析了各種預處理的方法的優(yōu)缺點。原圖像經(jīng)過圖像變換的時候噪聲很少，所以在去噪濾波部分加了一些椒鹽噪聲和高斯噪聲，然后分別用中值濾波和均值濾波對椒鹽噪聲、高斯噪聲進行處理并比較。圖像去噪過程中，主要采用了中值濾波、均值濾波、小波變換。由于每種方法都有優(yōu)缺點，所以進行了改進：把中值濾波、均值濾波及小波變換三者結(jié)合。對圖像先進行小波變換，之后分別用中值濾波、均值濾波進行處理，通過對得到的效果圖進行比較，可以發(fā)現(xiàn)中值濾波比均值濾波更適合，所以，基于小波變換后的中值濾波是值得采用的。致 謝畢業(yè)論文完成的時候，我的內(nèi)心無法平靜。大學期間，特別是畢業(yè)論29 / 38文完成期間，老師和同學給予了我很多無私的幫助。對此，我深表感激。首先我要感謝我的導師劉文博老師，感謝她對我至始至終的關(guān)心、指導和教誨。劉老師身上的崇高品質(zhì)對我將是一生的鞭策。本次畢業(yè)論文從課題選題、信息采集到論文的撰寫都是在劉老師全面、具體和耐心的指導下完成的。特別是劉老師不厭其煩的指出論文中的不足及問題的解決思路，使我感受到劉老師學識的淵博、思維的敏銳還有認真的態(tài)度。論文撰寫的過程中，從行文的用語到格式的規(guī)范，都力求完美。這里再次對劉文博老師無私的付出表示深深的謝意。其次在設(shè)計的過程中，感謝幫助過我的同學們，在此對其表示感謝。然后感謝電氣工程學院各位老師對我的栽培和關(guān)心，感謝我的家人在大學期間對我的支持和鼓勵。最后祝各位老師工作順利，同時也祝我們電氣工程學院明天更輝煌。參考文獻[1] [D] .東北大學，2022.30 / 38[2] 丁芝娟 .基于圖像處理的車牌識別系統(tǒng)設(shè)計與應用[D].長安大學，2022.[3] R2022 基礎(chǔ)教程[J].清華大學出版社，2022.[4] R2022 基礎(chǔ)教程[J].清華大學出版社，2022.[5] R2022 基礎(chǔ)教程[J].清華大學出版社，2022. [6] [D] .成都：電子科技大學，2022.[7] [D] .大連海事大學，2022.[8] CT 圖像識別[D] .東北大學,2022.[9] [D].北京交通大學，2022.[10] CCD 數(shù)字圖像增強技術(shù)的研究 [D].河南科技大學,2022.[14] 何巧萍. 基于視頻圖像處理技術(shù)的運動車輛檢測算法研究及實現(xiàn)[D].長沙理工大學，2022.[12] 歐陽晶. 小波變換在圖像去噪中的應用研究[D].江西師范大學,2022.[13] 李俊山，李旭輝 .數(shù)字圖像處理[J].北京：清華大學出版,2022.31 / 38附 錄附錄 1PS=imread(39。39。)。 imwrite(rgb2gray(PS),39。39。)。 PS=rgb2gray(PS)。 imshow(PS) title(39?；叶葓D像39。)%二，繪制直方圖[m,n]=size(PS)。 GP=zeros(1,256)。 for k=0:255 GP(k+1)=length(find(PS==k))/(m*n)。 endfigure,bar(0:255,GP,39。g39。) title(39。原圖像直方圖39。)xlabel(39。灰度值 39。)ylabel(39。出現(xiàn)概率 39。)%三，直方圖均衡化S1=zeros(1,256)。for i=1:256 for j=1:i S1(i)=GP(j)+S1(i)。 endendS2=round((S1*256)+)。 for i=1:256 GPeq(i)=sum(GP(find(S2==i)))。 endfigure,bar(0:255,GPeq,39。b39。) title(39。均衡化后的直方圖39。)xlabel(39?；叶戎?39。)ylabel(39。出現(xiàn)概率 39。)%四，圖像均衡化PA=PS。for i=0:255 PA(find(PS==i))=S2(i+1)。 endfigure,imshow(PA) 32 / 38title(39。均衡化后圖像39。)imwrite(PA,39。39。)。 附錄 2I=imread(39。39。)。I1=rgb2gray(I)。X=double(I1)。 %map=[1 0 0。0 1 0。0 0 1]。 %load woman。subplot(221)。image(X)。colormap(map)。title(39。原始圖像39。)。axis square init=2055615866。randn(39。seed39。,init)x=X+38*randn(size(X))。 subplot(222)。image(x)。colormap(map)。title(39。含噪聲圖像39。)。axis square。 [c,s]=wavedec2(x,2,39。sym439。)。a1=wrcoef2(39。a39。,c,s,39。sym439。)。 subplot(223)。image(a1)。title(39。第一次去噪圖像39。)。axis square。a2=wrcoef2(39。a39。,c,s,39。sym439。,2)。 subplot(224)。image(a2)。title(39。第二次去噪圖像39。)。axis square。附錄 3I=imread(39。39。)。I1=rgb2gray(I)。X=double(I1)。subplot(231)。image(X)。colormap(map)。title(39。原始圖像39。)。axis square。 init=2055615866。randn(39。seed39。,init)x=X+38*randn(size(X))。 subplot(232)。image(x)。colormap(map)。title(39。含噪聲圖像39。)。axis square。 [c,s]=wavedec2(x,2,39。sym439。)。a1=wrcoef2(39。a39。,c,s,39。sym439。)。 subplot(233)。image(a1)。title(39。第一次去噪圖像39。)。axis square。a2=wrcoef2(39。a39。,c,s,39。sym439。,2)。 33 / 38subplot(234)。image(a2)。title(39。第二次去噪圖像39。)。axis square。K=fspecial(39。average39。,5)。K1=filter2(K,a2)/255。subplot(235)。imshow(K1)。title(39。均值濾波39。)。axis square。L=medfilt2(a2,[3 5])。subplot(236)。image(L)。title(39。中值濾波39。)。axis squar