【正文】 車牌的灰度化和二值化。 } p += nOffset。 p[2] = bian3 = (byte)(q1 * (( p1) * pp[2]) + bian3)。 p[0] = bian1 = (byte)(q1 * (( p1) * pp[0]) + bian1)。 pp = pp1。 bian2 = (byte)(q1 * p1 * pp[1] + bian2)。 pp += ((tempWidth + 1) * 3 + stride * (tempHeight + 1))。 bian3 = (byte)(( q1) * p1 * pp[2] + bian3)。 bian1 = (byte)(( q1) * p1 * pp[0] + bian1)。 pp = pp1。 bian2 = (byte)(( q1) * ( p1) * pp[1])。 pp += (tempWidth * 3 + stride * tempHeight)。 } else { byte bian1 = 0, bian2 = 0, bian3 = 0。 tempHeight = yr + halfHeight。 q1 = tempY yr。 } else { yr = (int)(tempY 1)。 } else { xr = (int)(tempX 1)。 tempY = tempHeight * myCos + tempWidth * mySin。29 tempWidth = j halfWidth。 j nWidth。 i nHeight。本文程序獲取輸入的角度量，根據(jù)原始圖像，循環(huán)逐點獲取變換后的點，輸出變換后的圖片。通過這一原理, 可以很方便地提取出圖像上的直線。由于直線的斜率可能會接近無窮大, 為了使變換域有意義, 需要采用直線方程的法線式表示 : p = xcos H+ ysin H, 其中, p 為直線到坐標(biāo)系原點的距離, H 為直線法線與 X 軸的夾角。對于 Oxy 平面上給定的一條直線 y = ux + v, (其中 u 和 v 分別為直線的斜率和直線的截距), 對應(yīng)于一個數(shù)對(u, v), 反之, 給定一個數(shù)對(u, v) 則對應(yīng)于一條直線 y =ux + v, 即: 如 Oxy 平面上有一條直線 y = ux + v, 那就和 Ouv 平面上的一個點(u, v) 一一對應(yīng) , 同理,Ouv 平面上的一條直線 v= xu+ y 和 Oxy 平面上有一個點(x, y) 也是一一對應(yīng)的。Hough 變換思想為：在原始圖像坐標(biāo)系下的一個點對應(yīng)了參數(shù)坐標(biāo)系中的一條直線，同樣參數(shù)坐標(biāo)系的一條直線對應(yīng)了原始坐標(biāo)系下的一個點，然后，原始坐標(biāo)系下呈現(xiàn)直線的所有點，它們的斜率和截距是相同的，所以它們在參數(shù)坐標(biāo)系下對應(yīng)于同一個點。字符分割一般采用垂直投影法，由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件，利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 } } }效果圖圖 47 標(biāo)記出車牌區(qū)域的圖像圖 48 分割出來的車牌圖像結(jié)果分析車牌定位采用紋理跳變法實現(xiàn)的，在算法中采用了 2*6 的粗定位，能夠準(zhǔn)確地將車牌區(qū)域定位并分割出來。 t pWHR lv / 2。 t += lv) { countMatch[y / div, t / lv] = 1。 } } if (pWHL pWR 1 2 * lv) { for (int t = pWR + lv / 2。 t pWR lv / 2。 mark[y / div, pWL + (pWR pWL) / 2] += (int)(rate3 + rate2 + rate2)。 double rate2 = Wmax / (((pWHR pWHL) (Wmax Wmin)) / 2 + 1)。amp。amp。amp。 m[y + i, pWH] = 0)//白－－黑 26 { pWHR = pWH 1。代碼實現(xiàn)if (m[y + i, pWH 1] 0 amp。按從下到上的順序掃描，對圖像的每一行進(jìn)行從左向右的掃描，碰到跳變點記錄下當(dāng)前位置，如果某行連續(xù) 20 個跳變點以上，并且前一個跳變點和后一個跳變點的距離在 30 個像素內(nèi)，就記錄下起始點和終止點位置，如果連續(xù)有10 行以上這樣的跳變點，則認(rèn)為該區(qū)域就是車牌預(yù)選區(qū)域。定義從目標(biāo)到背景或者從背景到目標(biāo)為一個跳變。 車牌定位分割原理采用紋理跳變進(jìn)行掃描，行掃描法是利用了車牌的連續(xù)特性。 } } }效果圖25 圖 46 Sobel 邊緣檢測后的圖像結(jié)果分析Sobel 算子根據(jù)像素點上下、左右鄰點灰度加權(quán)差，在邊緣處達(dá)到極值這一現(xiàn)象檢測邊緣。 if (m[y, x] 0) { sumCount++。 } } else m[y, x] = 0。 } else { dlta[y, x] = 3。 tan )//角度為 度到 度之間 { dlta[y,x]=1。 } else if ( = tan amp。amp。 } else tan = 10000。 } } float tan。 } else if (p[0] 180) { m[y, x] += (float)(valve * )。 } else if (p[0] 220) { m[y, x] += (float)(valve * )。 } m[y, x] = (int)((Sx * Sx + Sy * Sy))。 Sy += pp[0] * marginalMy[(i + 1) * 3 + j + 1]。 j++) { pp += (j * 3 + stride * i)。 i++) for (int j = 1。 for (int i = 1。 Sx = 0。 x nWidth。 y nHeight。 int[,] dlta = new int[nHeight, nWidth]。 代碼實現(xiàn) int[] marginalMx = { 1, 0, 1, 2, 0, 2, 1, 0, 1 }。如果以 A 代表原始圖像，Gx及 Gy 分別代表經(jīng)橫向及縱向邊緣檢測的圖像，其公式如下：　22 and 公式（44）AGx*]102????????? A*120Gy?????????圖像的每一個像素的橫向及縱向梯度近似值可用以下的公式結(jié)合，來計算梯度的大小： 公式（42yxG??5） 然后可用以下公式計算梯度方向。首先對采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。 } }效果圖圖 45 高斯濾波后的圖像結(jié)果分析高斯濾波對隨機(jī)噪聲和高斯噪聲（尤其是服從正態(tài)分布的噪聲）的去除效果都比較好，能夠有效除去采集過來時圖片的隨機(jī)噪聲。 gray[tt]++。 } p[0] = p[1] = p[2] = (byte)(sum)。 } sum = sum / dividend。 dividend += 5。 dividend += 10。 dividend += 15。 dividend += 20。 dividend += 30。amp。 sum += pp[0] * gaussianMatrix[i + 2, j + 2]。 j = 2。 i = 2。 int dividend = 79。 ++x) { if (!(x = 1 || x = nWidth 2 || y = 1 || y = nHeight 2)) { pp = p。 ++y) { for (int x = 0。//高斯濾波器所選的 n=5 模板 for (int y = 0。一般的模板為 3*3 或 5*5 大小，其權(quán)值分布