【正文】 來(lái)估計(jì)梯度，Robert 算子采用對(duì)角方向相鄰兩像素之差， ?xf=fx,yf(x1,y1), ?yf=f(x1,y)f(x,y1)其幅值為： Gx,y=?xf2+?yf2Robert梯度以x12,y12為中心，所以他度量了x12,y12點(diǎn)處45176。方向(相互正交)的灰度變化。Roberts邊緣檢測(cè)算子相當(dāng)于用0110和1001對(duì)圖像進(jìn)行卷積。彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開(kāi)銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)行識(shí)別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。%rgb2gray轉(zhuǎn)換成灰度圖figure,imshow(Sgray),title(39。)。disk39。 strei函數(shù)Bgray=imopen(Sgray,s)。title(39。)。兩幅圖相減figure,imshow(Egray)。增強(qiáng)黑白圖像39。輸出黑白圖像圖4 邊緣見(jiàn)效果圖得到圖像的輪廓線后，由于圖像的數(shù)字化誤差和噪聲直接影響了腳點(diǎn)的提取，因此在腳點(diǎn)提取之前必須對(duì)圖像進(jìn)行平滑處理，Matlab有一個(gè)圖像平滑處理函數(shù)imclose(),它與開(kāi)運(yùn)算相反，融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。結(jié)構(gòu)單元rectangle39。即Se是一個(gè)一個(gè)2525的矩形，使用矩形是因?yàn)檐嚺剖且粋€(gè)矩形，這樣，可以是提取的圖像最接近預(yù)期效果。這樣，Car_Image_Perform中小于2000的對(duì)象都被刪除了，小對(duì)象被刪除后的圖像如圖圖6 移除小對(duì)象后效果在將原始圖像進(jìn)行二值化，然后輪廓平滑處理后，圖像的每個(gè)點(diǎn)為兩個(gè)離散值中的一個(gè)，這兩個(gè)值代表開(kāi)(1)與關(guān)(0)，即只有黑與白的特殊灰度圖像，并且整個(gè)圖像只有兩個(gè)域(如果有多個(gè)域需改變參數(shù)后重新進(jìn)行一此剔除干擾對(duì)象處理)，全1的域即為車牌區(qū)域，并且近似矩形，:1,也可以用這兩個(gè)特性去檢驗(yàn)提取的區(qū)域是否為車牌區(qū)域。這里采用水平與垂直雙向投影法，水平坐標(biāo)的確定，先定義一個(gè)1x的數(shù)組，其中x為原始圖像的寬度值，然后將二值圖像垂直投影到x軸。從左向右尋找第一個(gè)1值像素大于5的x坐標(biāo)為水平方向左側(cè)分界線，從優(yōu)向左尋找到第一個(gè)1值像素量大于5的為右側(cè)分界線，程序可以用for循環(huán)語(yǔ)句。% for j=1:x for i=1:y if(Car_Image_Perform(i,j,1)==1) Zero_Col(1,j)=Zero_Col(1,j)+1。while((Zero_Col(1,Col_Left)5)amp。(Col_Leftx))% Col_Left=Col_Left+1。while((Zero_Col(1,Col_Right)5)amp。(Col_RightCol_Left)) Col_Right=Col_Right1。分界線計(jì)算得后，即可從原圖像中剪切出只包含車牌的區(qū)域圖像。圖8為二值圖切割的車牌區(qū)域，圖9為RGB圖像切割出來(lái)的圖像如下：圖7 車牌區(qū)域二值圖裁減圖8 原圖中的車牌區(qū)域圖像由于圖像車牌號(hào)區(qū)域提取后獲得的是從原始圖像中剪切的，是RGB圖像，分割同樣采取投影法，故同樣需要先將RGB圖像轉(zhuǎn)換成灰度值，再將灰度圖轉(zhuǎn)化成二進(jìn)制圖，轉(zhuǎn)化的方法就是限定一個(gè)閥值，如果大于閥值則為1，小于閥值為0,閥值采用全局閥值，全局閥值是指整幅圖像都采用相同的閥值T處理，適用于背景和前景有明顯對(duì)比的圖像。在Matlab實(shí)現(xiàn)法師如下T=round(License_Image_Gray_max(License_Image_Gray_maxLicense_Image_Gray_min)/3)。這里采用均值濾波算法，均值濾波也稱為線性濾波，其采用的主要方法為鄰域平均法。可以對(duì)比濾波前跟濾波后的圖像，如圖10和圖11所示，很明顯，不但噪聲去除了，而且圖像得到了銳化。根據(jù)經(jīng)驗(yàn)值，車牌圖像中，字符面積與車牌面積之比在(,)之間，因此計(jì)算字符面積與車牌面積比值，程序?qū)崿F(xiàn)如下clear Se。[m,n]=size(License_Image_Gray_2)。elseif bwarea(License_Image_Gray_2)/m/n= License_Image_Gray_2=imdilate(License_Image_Gray_2,Se)。對(duì)于此對(duì)象，系統(tǒng)給予膨脹處理，效果圖如圖12圖11車牌區(qū)域圖像腐蝕、膨脹后效果2007 年頒布的我國(guó)車牌規(guī)范(普通中小型汽車)規(guī)定車牌總長(zhǎng)440mm，牌照中的7 個(gè)字符的實(shí)際總長(zhǎng)為409mm 左右，寬140mm，每個(gè)字符45mm 寬，90mm 高，字符間距為10mm，其中第二個(gè)字符與第三個(gè)字符的間距較為特殊，最后一個(gè)字符與第一個(gè)字符距邊界25mm。但是，實(shí)際上，第二個(gè)第三個(gè)字符之間存在一個(gè)黑點(diǎn)，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個(gè)字符的寬度應(yīng)該小于width/7。因此，字符的寬度可以從width/9 到width/7 之間漸進(jìn)的變化得到,程序流程圖如圖13。while sum(Image_Crop(:,Wide+1))~=0 amp。 Wide=n2 Wide=Wide+1。amp。 if sum(sum(Image_Crop))~=0 Image_Crop=Image_Trim(Image_Crop)。Flag=1。圖12 字符切割程序流程圖是完成退出不是不是是將剩余部分保存并覆蓋原先圖像字符個(gè)數(shù)是否為7保存這個(gè)字符是以水平區(qū)域(0,wide)剪切出一個(gè)字符判斷是都為標(biāo)準(zhǔn)字符切除周邊空白垂直投影從左往右查找，垂直投影白色的像素點(diǎn)累計(jì)數(shù)小于10的值wide車牌二值圖像經(jīng)過(guò)切割，切割的字符圖像如下。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維功能和組織建立起來(lái)的數(shù)學(xué)模型，雖然現(xiàn)在神經(jīng)網(wǎng)絡(luò)正在迅速發(fā)展，但總體來(lái)說(shuō)應(yīng)用還是相對(duì)復(fù)雜的。對(duì)于模板匹配，首先建立標(biāo)準(zhǔn)模板庫(kù)，庫(kù)中字符使用統(tǒng)一的尺寸，這里使用 。使圖像大小跟模板圖像大小一致，Matlab提供一個(gè)改變圖像大小的函數(shù)imresize(I，Size，Model)，Model是插值運(yùn)算方法，這里選用39。最近鄰插值法,經(jīng)歸一化后的圖像如下。 endend最后計(jì)算第三幅二進(jìn)制圖像中像素值為1的個(gè)數(shù)，數(shù)值最小的即為匹配出來(lái)的結(jié)果，經(jīng)對(duì)比可得相似度最高的數(shù)字。同理可得出其他6個(gè)字符。不過(guò)現(xiàn)在看來(lái)之前投入的精力是完全值得的，車牌識(shí)別課程設(shè)計(jì)對(duì)我的幫助主要有以下幾點(diǎn)。為了完成這次的課程設(shè)計(jì)，我在網(wǎng)上看了看了岡薩雷斯的《數(shù)字圖像處理（MATLAB版）》。特別是形態(tài)學(xué)圖像處理那一章有許多詳細(xì)的例子，淺顯易懂，不少課上沒(méi)有完全理解的內(nèi)容通過(guò)看這本書(shū)得到了深入的體會(huì)。但是在這次課設(shè)以后，我了解蠻多的函數(shù)功能及運(yùn)用的。因?yàn)榫W(wǎng)上的代碼實(shí)現(xiàn)方法眾多，而且良莠不齊，評(píng)價(jià)起來(lái)很難。于是我就將不同模塊分別測(cè)試，并加入我自己的思想，最后綜合出一個(gè)比較理想的系統(tǒng)。第四，我深刻感受到要實(shí)現(xiàn)一個(gè)系統(tǒng)的功能是一件很復(fù)雜的事。在網(wǎng)上我也看過(guò)一些公司做的車牌識(shí)別軟件，效果的確很棒，至今我也很難理解它們是如何實(shí)現(xiàn)的。所以說(shuō)實(shí)現(xiàn)一個(gè)比較完善的系統(tǒng)就需要對(duì)其中的每個(gè)部分進(jìn)行優(yōu)化設(shè)計(jì)，這也是我以后需要努力的。39。figure(1),imshow(I)。原圖39。I1=rgb2gray(I)。title(39。)。title(39。)。robert39。both39。figure(3),imshow(I2)。robert算子邊緣檢測(cè)39。1。I3=imerode(I2,se)。title(39。)。rectangle39。I4=imclose(I3,se)。title(39。)。figure(6),imshow(I5)。從對(duì)象中移除小對(duì)象39。[y,x,z]=size(I5)。 %begin橫向掃描tic Blue_y=zeros(y,1)。%藍(lán)色像素點(diǎn)統(tǒng)計(jì) end end end [temp MaxY]=max(Blue_y)。 while ((Blue_y(PY1,1)=120)amp。(PY11)) PY1=PY11。 while ((Blue_y(PY2,1)=40)amp。(PY2y)) PY2=PY2+1。%IY為原始圖像I中截取的縱坐標(biāo)在PY