数字图像处理课程设计车牌分割与识别

1、车牌定位与分割研究PS:可以直接使用摘要 车牌识别技术是计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识 别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像 预处理、特征提取、车牌字符识别等技术，识别车辆牌号。本次课程设计内容是车牌定位 与分割，主要实现了对车牌的位置的提取以及车牌符号的分割。 关键词 ： 车牌，识别，分割License plate location and segmentationAbstract License plate recognition technology is a kind of application of image r

2、ecognition technology of computer video in vehicle license recognition. License plate recognition technology can request the vehicle number plate from the complex background extraction and identified, the license plateextraction,imagepre-processing, feature extraction,character recognitionof license

3、platerecognition technology, vehicle number. The design content of this course is the license plate location and segmentation, the main achievement of the license plate location and segmentation of license plate extraction of symbol.Keyword： licence plate ， distinguish ， division目录1 绪论 11.1 车牌识别技术的应

4、用背景及前景 11.2 车牌识别系统的工作原理及组成 22 设计内容 32.1 宝马汽车“鲁A 88888”车牌定位与分割 32.1.1 读入汽车图像并直方图均衡化 32.1.2 边缘提取 42.1.3 选取最佳阈值二值化图像 42.1.4 形态学操作 52.1.5 确定车牌西并保存车牌图像 62.1.6 读入车牌图像并二值化车牌 92.1.7 对车牌字符进行分割 92.1.8 显示分割字符后车牌并存储 122.2 标志汽车“川 A PK110车牌定位与分割 132.3 大众汽车“豫F WY222车牌定位与分割 132.4 宝马汽车“苏B QA220车牌定位与分割 142.5 奥迪汽车“京 A

5、 88731 ”车牌定位与分割 143 实验分析 144 实验改进 155 实验总结 156 致驳 167 参考文献 168 附录 161 绪论随着世界经济的快速发展， 以及汽车制造技术的提高， 汽车迅速成为人们日常生活中的一个必需品。 这造成全球的汽车数量猛增， 而随之也导致城市的交通压力越来越大， 城市的交通状况也因此得到了更多的关注。 如何有效地对交通进行管理， 也成为各国政府和相关部门所关注的焦点和热点。 针对这些问题， 人们开始将计算机技术、 通信技术、 计算机网络技术和自动化信息处理等很多新的科学技术用于交通道路的监视和管理系统， 以此提高车辆管理和运输的效率。 它主要是通过对过往

6、车辆实施检测， 提取有关的交通数据来达到对交通的监控、 管理和指挥。车牌自动识别技术是指能够检测到受监控路面的车辆并自动提取车辆车牌信息（含汉字字符、英文字母、阿拉伯数字）进行处理与识别的技术。它以计算机技术、图像处理技术、模糊识别技术为基础，识别车辆特征。本次设计是在以往的车牌定位与分割算法的基础上介绍了车牌识别技术中的一种定位与字符分割算法。1.1 车牌识别技术的应用背景及前景随着 21 世纪经济全球化和信息时代的到来，迅猛发展的计算机技术、通信技术和计算机网络技术， 水平不断提高的自动化信息处理技术在人们社会活动和生活的各个领域得到广泛应用。同时，高速度、高效率的生活节奏，使汽车普及成为

7、必然趋势。 伴随着世界各国汽车数量的增加， 城市的交通状况越来越受到人们的重视。如何有效地进行交通管理日益成为各国政府相关部门所关注的焦点。针对这一问题， 人们相继研发了各种道路交通监管系统、 车辆控制系统及公共交通管理系统。 这些系统将车辆和道路综合起来进行考虑， 运行先进的技术解决道路交通的问题，统称为智能交通系统（ Intelligent Transportation System ， 简称 ITS ） 。车牌识别（License Plate Recognition,LPR放术作为智能交通系统（ITS）的重要组成部分， 在交通管理和控制中占有着很重要的地位， 可以应用到以下一些领域：（

8、1）封闭式居民小区物业管理以及重要部门的安保管理。车牌识别技术的推广普及， 必将对加强城市道路管理， 减少交通事故、 车辆失窃案件的发生，以及保障社会稳定等方面产生重大而深远的影响。（ 2）城市交通路口的“电子警察”。（ 3）公路布控管理系统。该系统采用车牌识别技术可实现对重点车辆的自动识别、 快速报警处理， 不仅可以有效防止机动车辆被盗， 而且为公安、 监察机关对犯罪嫌疑人所驾驶的车辆进行自动监控、跟踪提供了有效手段。（ 4）高速公路超速监管系统。该系统以车牌识别技术为核心技术， 辅助其他高科技手段， 建立高速公路无人值守的自动监测和自动布控系统， 可以有效地获取超速车辆的图像， 并得到该车

9、的牌照号码， 便于对违规车辆进行处罚。 从而降低因超速引起的交通事故的发生率。（ 5）路桥、隧道等卡口的自动收费系统。（ 6）高速公路收费管理系统。在高速公路收费入、 出口分别完成车牌号码识别和车牌匹配工作， 实现不停车收费； 还可以根据识别出的车牌号码从数据库中调出该车档案， 可发现没有及时交纳养路费的车辆。随着车牌识别技术的不断成熟， 高效、识别率高的车牌识别技术还将应用于一些对性能要求比较高的单片机上。 还提供一个可以对车辆信息实时采集的公共平台， 使各管理部门间能够协调统一的对车辆及道路情况进行监控管理， 从根木上解决了目前全国交通及公安系统信息采集的多渠道、 事件信息收集的单一性以及

10、互不沟通、互不兼容的信息管理方式，车牌识别技术具有广泛的应用前景。1.2 车牌识别系统的工作原理及组成车牌识别（LPR）系统是智能交通系统（ITS）的一个重要组成部分，该系统能从一幅车辆图像中自动提取车牌图像， 自动分割字符， 进而对字符进行识别， 得到车牌的号码。基于PC的车牌识别系统是利用PC机及摄像机等电子设备采集某一路段的汽车图像， 对图像进行处理， 获取车牌的位置及字符信息， 完成车牌目标的自动定位与识别。图 1 为车牌识别系统流程：图1车牌识别系统流程其工作流程是：当系统发现有车辆通过时，触发图像采集部分工作，通过对 车辆进行抓拍，获取车辆的前视或后视图。然后将所采集的车辆数字图像

11、送入计 算机系统，通过车牌定位、字符分割三个环节的处理，最终得到车牌号码。其中 的计算机处理系统主要涉及了两个关键技术：车牌区域定位技术、车牌字符分割 技术。2设计内容2.1 宝马汽车“鲁A 88888”车牌定位与分割2.1.1 读入汽车图像并直方图均衡化直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的 某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行 非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。读入需要处理的汽车图像并直方图均衡化：clear;clc;close

12、 all数字图像处理课程设计car1.jpg);figure(1),imshow(I);title(汽车原图)；I=rgb2gray(I);imwrite(I,汽车灰度图.jpg);figure(2),imshow(I);title(汽车灰度图);figure(3),subplot(2,1,1),imhist(I);title(汽车灰度图直方图);J,T=histeq(I,256); % 有 256 个灰度级subplot(2,1,2),imhist(J);%均衡化后的直方图title(直方图均衡化);读入的图像为：将它转换为灰度图：汽车图像直方图均衡化前后的直方图：2.1.2 边缘提取边缘是

13、图像中亮度突然变化的区域，是图像灰度构成的曲面上的陡峭区域，是像素灰度存在阶跃变化或屋脊状变化的像素的集合。灰度图像边缘提取，主要的思想是：抑制噪声(低通滤波、平滑、去噪、模糊)，边缘特征增强(高通滤波、锐化) ，边缘定位。常用的算子如 Prewitt 算子：Sobel 算子(四邻域的权重更大) ：tic % 计时开始height,width=size(J);% 灰度图长宽%求梯度I_edge=zeros(height,width);% 创建 height*width 的矩阵for i=2:width-1% 对每一列开始遍历I_edge(:,i)=abs(J(:,i+1)-J(:,i-1);%

14、每列的值赋为原图像中左右两列相减的绝对值第十章图像分割 P456Prewitt 算子 endI_edge=(255/(max(max(I_edge)-min(min(I_edge)*(I_edge-min(min(I_edge);% 归一化处理(0255)figure(4),imshow(I_edge);title( 梯度算子检测边缘);2.1.3 选取最佳阈值二值化图像取得最佳阈值，将图像二值化。二值图像是指整幅图像画面内仅黑、白二值的图像。 在实际的车牌处理系统中， 进行图像二值变换的关键是要确定合适的阀值， 使得字符与背景能够分割开来， 二值变换的结果图像必须要具备良好的保形性， 不丢掉

15、有用的形状信息， 不会产生额外的空缺等等。 车牌识别系统要求处理的速度高、 成本低、 信息量大， 采用二值图像进行处理， 能大大地提高处理效率。阈值处理的操作过程是先由用户指定或通过算法生成一个阈值， 如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为 0 或 255，否则灰度值设置为 255 或 0。function y,y1=select(ImageData,h,w)thr=0.5;delta=0.05;y=(ImageData=thr*mean(max(ImageData);%max(a戏出夕1阵a每一列的最大值BW2=bwareaopen(y,10);%删除面积小于10的对

16、象SE=strel(square,15);% 创建一个 15*15 正方形结构元素IM2=imdilate(BW2,SE);% 腐蚀IM3=imerode(IM2,SE);% 膨胀%等效于开运算，消除小物体，在纤细点处分离物体，平滑较大物体边界，但同时并不明显改变原来物体的面积average=sum(sum(IM3)/(h*w);%sum(a),对a矩阵每一列求和while(average0.08)if(average=thr*mean(max(ImageData);% 求向量元素平均值BW2=bwareaopen(y,10);% 删除面积小于10 的对象IM2=imdilate(BW2,SE

17、);% 腐蚀IM3=imerode(IM2,SE);% 膨胀% 等效于开运算average=sum(sum(IM3)/(h*w);% 求灰度平均值endy1=y;y=IM3;2.1.4 形态学操作数学形态学 (Mathematical Morphology) 诞生于 1964年， 是由法国巴黎矿业学院博士生赛拉(J. Serra) 和导师马瑟荣， 在从事铁矿核的定量岩石学分析及预测其开采价值的研究中提出“击中 / 击不中变换” ， 并在理论层面上第一次引入了形态学的表达式， 建立了颗粒分析方法。 他们的工作奠定了这门学科的理论基础， 如击中 / 击不中变换、开闭运算、布尔模型及纹理分析器的原型

18、等。数学形态学的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学是由一组形态学的代数运算子组成的， 它的基本运算有4 个： 膨胀、腐蚀、开启和闭合，它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法， 用它们可以进行图像形状和结构的分析及处理，包括图像分割、特征抽取、边界检测、 图像滤波、图像增强和恢复等。数学形态学方法利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时， 便可考察图像各个部分之间的相互关系，从而了解图像的结构特征。 数学形 态 学基于 探 测的思想 ，与人 的 F

19、OA(Focus OfAttention) 的视觉特点有类似之处。 作为探针的结构元素， 可直接携带知识 (形态、大小、甚至加入灰度和色度信息)来探测、研究图像的结构特点。I_edge,y1=select(I_edge,height,width); % 调用 select 函数减小车牌范 围BW2 = I_edge;figure(5),subplot(2,2,1),imshow(BW2);title(二值化图像);%开操作(腐蚀+膨胀)消除小物体SE=strel(rectangle,10,10);% 创建 10*10 的矩形结构元素%SE = strel(shape, parameters)

20、，根据 shape 指定的类型创建一个结构元素SE。IM2=imerode(BW2,SE);%M 蚀subplot(2,2,2),imshow(IM2);title( 汽车腐蚀后图像);IM2=bwareaopen(IM2,50);%BW2 = bwareaopen(BW,P)删除二值图像 BW面积小于 P 的对象，默认情况下 conn 使用 8 邻域%J(I APK110等P改为100以上效果较好subplot(2,2,3),imshow(IM2);title(删除小面积图像);IM3=imdilate(IM2,SE);% 膨胀subplot(2,2,4),imshow(IM3);title

21、(汽车膨胀后图像);2.1.5 确定车牌位置并保存车牌图像为了确定车牌的位置，首先通过水平方向以及垂直方向的扫描粗略地估测车牌的位置，然后根据长宽比例确定车牌位置。投影子函数：function y=projection(I,s)if(s=h)% 水平投影y=sum(I);%I,I 转置endif(s=v)% 垂直投影y=sum(I);end%投影以粗略估计车牌位置p_h=projection(double(IM3),h);% 调用 projection 函数，水平方向，输出IM3 的转置if(p_h(1)0)p_h=0,p_h;endp_v=projection(double(IM3),v);

22、% 调用 projection 函数，垂直方向if(p_v(1)0)p_v=0,p_v;endp_h=double(p_h5);% 水平方向p_h=find(p_h(1:end-1)-p_h(2:end)=0);%a(i)=0, 逻辑判断， a(i) 不为 0则为真( 1) ， find 返回不为 0 的位置len_h=length(p_h)/2;p_v=double(p_v5);% 垂直方向p_v=find(p_v(1:end-1)-p_v(2:end)=0);len_v=length(p_v)/2;%粗略计算车牌候选区k=1;for i=1:len_hfor j=1:len_vs=IM3(

23、p_h(2*i-1):p_h(2*i),p_v(2*j-1):p_v(2*j);if(mean(mean(s)0.1)% 求每一列的均值pk=p_h(2*i-1),p_h(2*i)+1,p_v(2*j-1),p_v(2*j)+1;k=k+1;endendendk=k-1;%进一步缩小车牌候选区for i=1:kedge_IM3=double(edge(double(IM3(pi(1):pi(2),pi(3):pi(4),canny);x,y=find(edge_IM3=1);pi=pi(1)+min(x),pi(2)-(pi(2)-pi(1)+1-max(x),.pi(3)+min(y),pi

24、(4)-(pi(4)-pi(3)+1-max(y);p_centeri=fix(pi(1)+pi(2)/2),fix(pi(3)+pi(4)/2);p_ratio(i)=(pi(4)-pi(3)/(pi(2)-pi(1);end%对上面参数和变量的说明：p 为一胞元，用于存放每个图像块的左上和右下两个点的坐标；%存放格式为：pk=x1,x2,y1,y2； x1,x2 分别为行坐标， y1,y2 为列坐标%p_center 为一胞元 , 用于存放每个图像块的中心坐标,p_centerk=x,y;x,y分别为行 , 列坐标%p_ratio 为一矩阵，用来存放图像块的长宽比例%合并临近区域%如果有多

25、个区域则执行合并if k1n=0;ncount=zeros(1,k);for i=1:k-1if(abs(pi(1)+pi(2)-pi+1(1)-pi+1(2)=height/30&abs(pi+1(3)-pi(4)0)d_ncount=ncount(2:n+1)-ncount(1:n);% 避免重复记录临近的多个区域。index=find(d_ncount=1);m=length(index);for i=1:mppi=pncount(index(i);% 重新记录合并区域的比例pp_ratio(i)=(ppi(4)-ppi(3)/(ppi(2)-ppi(1);endp=pp;% 更新区域记

26、录p_ratio=pp_ratio; % 更新区域比例记录clear pp;clear pp_ratio; %清除部分变量endendk=length(p); % 更新区域个数%根据区域比例判断是否为车牌区域m=1;T=0.6*max(p_ratio);for i=1:kif(p_ratio(i)=T&p_ratio(i)=T); % 二值化imwrite(d, 车牌二值化图像.jpg);figure(7);subplot(2,1,2),imshow(d),title(车牌二值化图像)2.1.7 对车牌字符进行分割图像分割就是把图像分成若干个特定的、 具有独特性质的区域并提出感兴趣目标的技术和

27、过程。 它是由图像处理到图像分析的关键步骤。 现有的图像分割方法主要分以下几类： 基于阈值的分割方法、 基于区域的分割方法、 基于边缘的分割方法以及基于特定理论的分割方法等。阈值分割灰度阈值分割法是一种最常用的并行区域技术， 它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f 到输出图像 g 的如下变换：其中， T 为阈值，对于物体的图像元素 g(i,j)=1 ，对于背景的图像元素g(i,j)=0 。 由此可见， 阈值分割算法的关键是确定阈值， 如果能确定一个合适的阈值就可准确地将图像分割开来。 阈值确定后， 将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，

28、分割的结果直接给出图像区域。阈值分割的优点是计算简单、 运算效率较高、 速度快。 在重视运算效率的应用场合(如用于硬件实现) ，它得到了广泛应用。人们发展了各种各样的阈值处理技术， 包括全局阈值、 自适应阈值、 最佳阈值等等。全局阈值是指整幅图像使用同一个阈值做分割处理， 适用于背景和前景有明显对比的图像。 它是根据整幅图像确定的： T=T(f) 。 但是这种方法只考虑像素本身的灰度值， 一般不考虑空间特征， 因而对噪声很敏感。 常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、 最小误差法、 最大类间方差法、 最大熵自动阈值法以及其它一些方法。在许多情况下， 物体和背景的对比度在图像中的各

29、处不是一样的， 这时很难用一个统一的阈值将物体与背景分开。 这时可以根据图像的局部特征分别采用不同的阈值进行分割。 实际处理时， 需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。在本次课程设计中， 分割的主要思想是若某处两个部分之间的长度大于阈值，则认为该块有两个字符组成， 需要分割； 反之， 如果两个部分之间的长度小于阈值，则认为这两个部分是属于同一字符的，不应该分割。分割子函数：function e=fenge(d)m,n=size(d);top=1;bottom=m;left=1;right=n; %

30、initwhile sum(d(top,:)=0 & top1 % 同上 bottom=bottom-1;endwhile sum(d(:,left)=0 & left=1right=right-1;enddd=right-left;hh=bottom-top;e=imcrop(d,left top dd hh);%在一个数字窗口显示图像d调用 fenge 函数：%分割% 寻找连续有文字的块， 若长度大于某阈值， 则认为该块有两个字符组成， 需要 分割 d=fenge(d);% 调用 fenge 进行分割m,n=size(d);k1=1;k2=1;s=sum(d);j=1;while j=nw

31、hile s(j)=0j=j+1;endk1=j;while s(j)=0 & j=round(n/6.5)val,num=min(sum(d(:,k1+5:k2-5);d(:,k1+num+5)=0; %分割endend% 再分割d=fenge(d);% 分割出 7 个字符y1=10;y2=0.25;flag=0;word1=;while flag=0m,n=size(d);left=1;wide=0;while sum(d(:,wide+1)=0wide=wide+1;endif widey2flag=1;word1=temp; % WORD 1endd(:,1:wide)=0;d=fen

32、ge(d);endend% 分割出第二个字符word2,d=getword(d);% 分割出第三个字符word3,d=getword(d);% 分割出第四个字符word4,d=getword(d);% 分割出第五个字符word5,d=getword(d);% 分割出第六个字符word6,d=getword(d);% 分割出第七个字符word7,d=getword(d);第一个字符);第二个字符);第三个字符)第四个字符)第五个字符)第六个字符)第七个字符)figure(8),imshow(word1),title( figure(9),imshow(word2),title( figure(1

33、0),imshow(word3),title( figure(11),imshow(word4),title( figure(12),imshow(word5),title( figure(13),imshow(word6),title( figure(14),imshow(word7),title(从分割结果可以看到，七个字符均被分开。2.1.8 显示分割字符后车牌并存储将上一步得到的各个字符在同一图中作出，并将它们存储起来m,n=size(word1);% 字体大小 40*20word1=imresize(word1,40 20);word2=imresize(word2,40 20);w

34、ord3=imresize(word3,40 20);word4=imresize(word4,40 20);word5=imresize(word5,40 20);word6=imresize(word6,40 20);word7=imresize(word7,40 20);figure(15),subplot(3,7,8),imshow(word1),title(1);subplot(3,7,9),imshow(word2),title(2);subplot(3,7,10),imshow(word3),title(3);subplot(3,7,11),imshow(word4),title

35、(4);subplot(3,7,12),imshow(word5),title(5);subplot(3,7,13),imshow(word6),title(6);subplot(3,7,14),imshow(word7),title(7);imwrite（word1,字符1.jpg）;imwrite（word2,字符2.jpg）;imwrite（word3,字符3.jpg）;imwrite（word4,字符4.jpg）;imwrite（word5,字符5.jpg）;imwrite（word6,字符6.jpg）;imwrite（word7,字符7.jpg）;从图中可以看到，对包含有车牌号“鲁A

36、88888T的汽车能够较好的定位到车牌位置，而且分割处车牌符号较为准确。2.2 标志汽车“川A PK110车牌定位与分割将caU改为car2,即车牌从“鲁A88888改为“川APK110,此时，要将 figure（5） 中去掉面积小于50 的图像块改为去掉面积小于100（或更大）的图像块，才能得到效果较好的图像。即把去除小面积块代码更改为：IM2=bwareaopen（IM2,50）;%BW2 = bwareaopen（BW,P）删除二值图像 BW面 积小于 P 的对象，默认情况下 conn 使用 8 邻域其他代码不变。汽车原图像如下：车牌定位准确：分割车牌字符：从图中可以看出， “川”字右面

37、分割出现问题，数字“1”分离不清晰。2.3 大众汽车“豫F WY222车牌定位与分割由于car3、car4、car5车牌中均包含数字“1”，与“川APK110类似，故 不再列出。现将car2改为car6,即车牌从“川 APK110改为“豫F WY222。汽车原图像如下：车牌定位准确：分割车牌字符：从图中可以看出，各字符分开的较为清晰，但“豫”字出现断裂现象。2.4 宝马汽车“苏B QA220车牌定位与分割将car6改为car7 ,即车牌从“豫F WY222改为“苏B QA220。这种情况下，在 figure(7) 中读入车牌灰度图后进行二值化时，需要将阈值改小，这样才能不至于将图像二值化为0，

38、即将阈值改为：T=round(g_max-(g_max-g_min)/1.7); %T 为二值化的阈值,round 四舍五入其他代码不变。汽车原图像如下：车牌定位准确：分割车牌字符：2.5 奥迪汽车“京A 88731”车牌定位与分割将car7改为car8,即车牌从“苏B QA22。改为“京A P88731”。汽车原图像如下：车牌定位出错：从图中可以看出，对奥迪车牌定位时出现错误。car9 与 car8 类似。3 实验分析在本次课程设计中， 通过对不同的汽车进行提取， 我发现对于不同的汽车图像， 需要进行不同的操作。 课程设计主要做的是在较复杂环境下 (汽车其他部件干扰)对车牌的定位以及对识别出

39、的车牌进行字符分割。定位的主要思想是用长宽比来确定车牌的位置，如我国汽车车牌大小为440mm*140项m一半来说，这个长宽比是车牌所特有的特征，故可以用来定位车牌。但这个特征也并非是车牌所特有的，例如，对于 car8 即 “京 A 88731 ” ，由于奥迪汽车的标志与车牌长宽比相近， 故图像输出即包含车牌的一部分， 又包含奥迪汽车的标志，因此出现错误，不能继续后面的车牌字符分割操作。分割的主要思想是两个部分之间的长度大于某一阈值时， 就认为它们是属于两个不同的符号， 应该分割； 而当两个部分之间的长度小于某一阈值时， 就认为它们是同一个符号， 不应该分割。 按照这样的思想， 确实能够成功地分

40、割处一部分车牌，如 car1 ，分割效果很好，但它也存在一些问题。如对于 car2 ，即“川A PK110,由于在定位车牌时，左边界一部分仍保留在提取出的车牌中，且左边界距离“川”字左一撇距离比较近，故分割时将左边界与“川”字左一撇以及中间一竖划分到一起， 这显然是不正确的； 而更大的不足之处在于， 这样的方法不能完成对数字“1”的划分，由于数字“1”占据的面积很小，在分割时，它与临近的部分距离较大， 故 1 的不同部分被多次认为是独立的符号， 因此被多次赋值为白块，造成“1”明显展宽，有时甚至会有更加明显的畸变，以至于不能识别。其次，在实验过程中，某些汽车图像需要不同的阈值处理。如对于 ca

41、r7 ，即“苏 B QA220” ，若阈值不改变，则车牌二值化效果很差，原因在于car7 车牌灰度值较低， 因此二值化的阈值也应该降低， 实验结果也证明， 在减小阈值之后，car7 能够正常进行分割操作。此外，实验中，部分复杂的汉字经过多次处理之后不太清晰，如 car6 ，即“豫F WY222” ，最后分割的字符中“豫”字不太清晰，尽管能够看出轮廓，但视觉效果并不好。4 实验改进针对于以上提出的几个问题，本次课程设计还有以下几个方面可以改进：（ 1）定位车牌的特征可以增加几个，例如车牌的灰度变化与汽车其他部分存在着差异，可以用来作为车牌定位的参考之一；（ 2）分割算法可以再次精细一些，譬如可以

42、用神经网络的方法；（ 3）对提取出的车牌进行二值化时可以考虑使用自适应的阈值方法；（ 4）实验过程中部分复杂字符经过多次处理变换后不太清晰，可以考虑用小结构元素膨胀的方法连接断裂处。5 实验总结在学习数字图像处理课程之前， 我对于车牌自动识别系统很感兴趣， 这样可以极大地方便人们的生活， 被系统允许停车的人员将不再需要一张会员卡， 而是可以通过系统对驶近的车辆进行照相， 再进行图像处理， 提取出车牌， 并分割出各字符加以识别，这将为人们节省下许多时间。在课程设计中， 我主要完成了对简单汽车图像的车牌定位以及对定位到的车牌进行字符分割。总得来说，在一幅汽车图像中（有些图像还会有其他物体）正确的找

43、到车牌是比较难办到的， 我所做的也只是较为容易的图像定位， 真正运用在实际生活中的自动识别系统要比这个复杂得多。 其次， 对于字符的分割， 我基本做到了能够分离出各个字符，同样，对于实际应用，这是不够的，因为分割出的字符怎么让计算机能够识别出来， 怎样使计算机控制整个系统保证识别的准确性等等问题都是很具有挑战性的，这还需要我们付出更多的努力。6 致谢7 参考文献【 1】 Rafael C.Gonzalez,Richard E.Woods, 阮秋琦，阮宇智等译，数字图像处理（第三版），电子工业出版社， 2011.【2】孙兆林.MATLA6.X图像处理M.北京，清华大学出版社，2002:17523

44、0【3】王宏民，宋莹莹，付源.空域法进行图像增强处理在 MATLA呻的仿真与分析J,煤矿机械，2005,5:5658【 4】 刘惠燕, 何文章 , 马云飞 . 基于数学形态学的雾天图像增强算法 J. 天津工程师范学院学报, 2009.【5】余成波.数字图像处理及MATLABS现.重庆：重庆大学出版社，2003.8 附录（一）主函数clear;clc;close all数字图像处理课程设计car1.jpg）;figure（1）,imshow（I）;title（ 汽车原图 ）;I=rgb2gray（I）;imwrite（I,汽车灰度图.jpg）;figure(2),imshow(I);title(

45、 汽车灰度图 );巾gure(3),subplot(2,1,1),imhist(I);title(汽车灰度图直方图)；J,T=histeq(I,256); %有256个灰度级subplot(2,1,2),imhist(J);%匀衡化后的直方图title(直方图均衡化);tic%计时开始height,width=size(J);% 度图长宽%求梯度I_edge=zeros(height,width);%,J建 height*width 的矩阵fo门=2:width-1%对每一列开始遍历I_edge(:,i尸abs(J(:,i+1)-J(:,i-1);麻列的值赋为原图像中左右两列相减的绝对值第十章

46、图像分割 P456Prewitt 算子endI_edge=(255/(max(max(I_edge)-min(min(I_edge)*(I_edge-min(min(I_edge);% 归一化处理(0255)figure(4),imshow(I_edge);title( 梯度算子检测边缘);I_edge,y1=select(I_edge,height,width);%调用select 函数二值化图像BW2 = I_edge;figure(5),subplot(2,2,1),imshow(BW2);title(二值化图像);%开操作(腐蚀+膨胀)消除小物体SE=strel(rectangle,1

47、0,10);%建 10*10 的矩形结构元素%SE = strel(shape, parameters)艮据shape指定的类型创建一个结构元素 SEIM2=imerode(BW2,SE);%J 蚀subplot(2,2,2),imshow(IM2);title(汽车腐蚀后图像);IM2=bwareaopen(IM2,50);%BW2 = bwareaopen(BW,P)H除二值图像 BW 中面 积小于 P 的对象，默认情况下 conn 使用 8 邻域%J I APK110将P改为100以上效果较好subplot(2,2,3),imshow(IM2);title( 删除小面积图像);IM3=imdilate(IM2,SE);%彭胀subplot(2,2,4),imshow(IM3);title( 汽车膨胀后图像);%投影以粗略估计车牌位置p_h=projection(double(IM3),h);%调用 projection 函数，水平方向，输出 IM3 的转置if(p_h(1)0)p_h=0,p_h;endP_v=projection(double(IM3),v);%调用 projection 函数，垂直方向if(p_v(1)0