车牌的定位与分割
实验报告
一 实验目的
针对交通智能系统所拍摄的汽车图片，利用设定的算法流程，完成对汽车车牌部分的定位，分割车牌部分，并完成字符的分割，以便于系统的后续分析及处理。
二 实验原理
详见《车牌的定位与字符分割》论文。
三 概述
1 一般流程
车牌自动识别技术大体可分为四个步骤：图像预处理、车牌定位与分割、车
牌字符的分割和车牌字符识别。而这四个步骤又可归结为两大部分：车牌分割和车牌字符识别。
图1-1为车牌自动识别技术的一般流程图。
2 本实验的流程
（1） 图像预处理：图像去噪 图像复原 图像增强
（2） 车牌的定位：垂直边缘检测 （多次）形态学处理的粗定位 合并邻近区域 结合车牌先验知识的精确定位
（3） 车牌预处理：车牌直方图均衡化 倾斜校正 判定（蓝底白字或者黄底黑字） 归一化、二值化
（4） 字符的分割：垂直投影 取分割阈值 确定各个字符的左右界限（结合字符宽度、间隔等先验知识） 分割字符
四 实验过程
4.1 图像预处理
4.1.1 图像去噪
一般的去噪方法有：空间域上的均值滤波和中值滤波；频率域上的巴特沃斯滤波器。图4-1是各滤波器处理椒盐噪声的效果。
a．被椒盐噪声污染的图片 b.均值滤波的效果图 c.中值滤波的效果图 d.BLPF的效果图
图4-1 各滤波器处理椒盐噪声的仿真
可见，中值滤波对椒盐噪声的处理效果极好，而一般所拍摄的图片上最多的便是孤立的污点，所以此处以中值滤波为主进行去噪。图4-2是采用中值滤波处理实际汽车图片的效果。
a.原始图像
b.灰度图像 c.中值滤波后的图像
图4-2 中值滤波处理实际汽车图片的效果
很显然，经过中值滤波后去除了原图上的部分污点。
4.1.2 图像复原
由于通常情况下都不知道点扩展函数，所以我们采用基于盲解卷积的图像复原策略。
图4-3~4-7图是函数进行盲解卷积的实验结果，其中图4-3是图像cameraman的模糊图像。
图4-3 模糊图像
在盲解卷积处理中，选择适当大小的矩阵对恢复图像的效果很重要。PSF的大小比PSF的值更重要，所以首先指定一个有代表性的全1矩阵作为初始PSF。恢复的图像如图4-4所示，初始PSF如图4-5所示。
车牌的定位与字符分割报告
