图像处理在车牌图像预处理中的应用
汽车牌照●灰度化
●车牌图像灰度化
●直方图均衡化
●灰度拉伸
●二值化
●全局阈值法和局部阈值法
●适用于车牌的二值化方法
●边缘检测
●图像梯度
●几种常见的边缘检测算子
●适用于车牌的边缘检测算子
一、车牌识别系统结构
车牌识别系统通常由数据采集(车牌图像摄取)，车牌提取，车牌识别几个主要部分
组成，其系统结构如图1.1 所示：
车牌自动识别系统中：
1.图像摄取主要由硬件部分完成，它提取汽车的前景图像，将摄像头的视频信
号转换为数字图像信号送给计算机处理。
2.车牌图像预处理。由于拍摄的自然环境及光照条件的影响，车牌图像中存在
许多干扰，对车牌的定位带来不便，为了更好的提取车牌，需要对车牌图像进行预处理以保证车牌定位的质量。
3.VLP 检测。即图1.1 中虚线环绕的部分，这一部分是系统的核心，它的实
现影响着整个系统的性能，主要利用模式识别、数字图像处理、信息论等知识对车牌图像中的车牌进行定位及提取操作。
4.字符分割及识别。当车牌被成功提取后，需要分割其中的字符，并利用先验
知识对其进行识别，以得到最终结果。
二、图像处理具体过程
图像处理是人工智能在计算机图形学中的一个重要分支，是车牌识别系统的理论依据。在自然条件下摄取的车牌，除了包含大量噪声外，还具有多样性。为了使系统能够更好的分离车牌，必须对原始图像进行预处理。本章主要讨论车牌图像预处理的一些常用方法，包括图像的灰度二值化、噪声处理、边缘提取等。
当摄像机从外界摄入视频图像时，首先把它转换为静态图片，再送入计算机
进行处理。由于拍摄环境的多变性，车牌图像中存在噪声和干扰，这些给车牌提取带来困难。系统首先将输入的彩图像灰度化，并且进行亮度平均，使图像具有较好的对比度；对图像进行边缘提取操作前，往往先要进行噪声抑制操作，以提高边缘提取的质量；二值化则多用于已提取车牌的处理上。
车牌图像预处理的难点在于：
1.车牌图像质量不佳，灰度化后会弱化图像中的车牌信息，因而好的灰度化处理非常必要；
2.由于光照的原因，车牌很可能出现过分灰暗或明亮的情况，这种条件下的二值化处理应该分情况讨论，对应特殊的分割阈值；
3.图像中的复杂背景具有丰富的边缘信息，不但会增加系统识别的难度，也会造成系统的误判，怎样去除这些不必要的背景十分关键。实际操作中，因为车牌处于图像的中部偏下位置，所以通常取图像的下半部分进行处理或优先考虑图像中靠下方的位置。
4.车牌中的字符很容易在预处理中发生变形或丢失信息的情况，要注意保持车牌的字符信息。
2.1 灰度化
在计算机中，一幅图像由若干个像素组成，每个像素都带有图像的相关信息(如背景、目标、噪声等)，而图像处理技术则通过对这些像素进行处理而得到我们所需要的关键信息。
2.1.1 车牌图像灰度化
一般情况下，输入计算机的视频截取图像为RGB 格式，即彩图片。由于这种图像包含大量的颜信息，它的每个像素都具有三个不同的颜分量R(Red)、G(Green)、B(Blue)，这样的图片占据的存储空间很大，而且在对其进行处理时也会耗用较多的系统资源，导致系统的执行效率不高。与之相比，灰度图像只含有亮度信息，从而大大减少了系统的工作时间，满足汽车牌照识别系统的实时性要求。因此，在对图像进行其它预处理之前，一般先将彩图像转换成灰度图像。
最基本的灰度化方法就是直接使用R、G、B 三分量中的最大值或平均值来代替各个分量。灰度化以后，相同颜的像素具有相同的亮度，这就形成了以亮度为层次的灰度图片。灰度值大的像素比较亮，反之较暗。通常把灰度值分为256 等份，0 度表示最暗的级别，即黑；255 表示最亮的级别，即白。
图像的灰度化转换还有其它不同的算法，比较常见的是给像素的R、G、B 分量各自增加一个特定的加权系数，相乘后求和，其计算结果作为灰度值，转换公式如下：
I = 0 .229 R+0.587 G+0.114 B
式中I 表示像素的灰度值。
加权系数的取值建立在人眼视觉模型的基础上，对于人眼比较敏感的绿分量，赋予较大的系数，而对于人眼比较迟钝的蓝分量则取较小的系数。这样得到的灰度图像在视觉上比较接近人的主观感觉。
2.1.2 直方图均衡化
由于灰度图像建立在彩图像的基础上，所以在不同的光照条件下，对同一辆汽车所拍摄的图片有着很大的差异。就车牌图像而言，灰度的动态取值范围越广(即图像的对比度越大)越有利于图像分析。
图  2.1-2.4 分别给出了白天和傍晚时相同汽车的彩车牌图像及灰度图像。
从图中我们可以看出，由于白天的光线较好，使得汽车的灰度图像存在较大的对比度，肉眼上更容易识别。而在实际拍摄条件下，影响图片亮度的因素除了天气外，汽车自身的反光现象也是一个原因。
当车牌图像在反光或傍晚拍摄时，图像中的白或黑区域较大，使得图像的整体像素灰度值偏向于两个极值。在这种情况下，车牌区域的对比度就被弱化