1、“.....下对物体进行缩小与扩大。开运算起到磨光内边缘的作用，而大体的位置与形状不变。闭运算能够填充小孔起到磨光图像外界的作用，而大体的位置和形状不变。将数学形态学运用到车牌识别中，能够检测出图像不利因素，如车上贴纸车的标志或车上小物体等，提高车牌的定位率，便于后面的识别。图是腐蚀后图像，随后进行闭运算，闭运算能平滑图像的轮廓，结果如图所示，从结果图可以看出车牌区域的边缘信息比较丰富，但其他区域仍存在大量干扰对象，所以再计算图像中的目标区域，从二进制图像中移除所有少于像素的连接的组件，获得结果如图，对比图可以发现些小的对象被移除了，车牌区域在处理后的图中更加便于提取操作。数学形态学处理效果图如图所示腐蚀后图像平滑图像从对象中移除小对象图数学形态学处理效果图区域分割在本系统中是根据车牌的颜色信息的知识原则，采用彩色分割方法。由于车牌区域的底色基本相似，所以可以利用用最大相似特性......”。

2、“.....只要图像中的像素颜色相似就将其规分为类，确定其取值范围，将像素主要分为车牌区域和非车牌区域。般情况下，车牌底色车自身颜色多种多样，加上有时辆车的车身还是混合色，但由于在车牌区域附近车身颜色是以行为单位进行变化，车牌区域附近的车身上位于同行的颜色基本致。首先沿水平方向行扫描并对此方向进行像素分析，进行蓝色像素点统计，设定合理的阈值，确定车牌在水平方向的车牌区域，然后在已分割出的水平方向图像中，同理对垂直方向的蓝色像素点进行统计，再在对垂直方向合理区域的图中进行列扫描，分割出垂直方向的合理区域，最终实现车牌的区域的划分，其中对蓝色区域的判定为当点，则有，此时为最蓝。当点与，则比和大得越多就越蓝。如果点的时，该行就判定为车牌所在行。因为车牌颜色具有单性与连通性，将满足车牌行区域条件的行进行合并，该合并区域就为车牌行合理区域，接着再水平提取车牌区域。然后对车牌行区域进行列扫描......”。

3、“.....为第列的像素个数。对垂直方向蓝色像素点进行统计根据像素统计分析确定合理阈值，确定车牌列区域。车牌列区域条件如果时，该列是车牌所在列。将满足车牌列区域条件的列进行合并，就可分割出车牌区域。同理也可分割出其它底色的车牌。本文采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。如图分别显示行方向合理区域和车牌定位后图。行方向合理分割区域车牌定位后图图车牌定位图定位后车牌图像处理图像二值化在数字图像处理过程中，有时候只需知道大体特征就可以了，不需要更多的关于汽车牌照图像的信息，这时需要将灰度图像二值化，此做法能突出需要的目标轮廓，便于后面精确有效地对图像进行处理与分析......”。

4、“.....从而使得整张图片的效果由灰度变黑白，在实际的图像处理系统中，将灰度图片通过适当的阈值选取，这步是图像二值化的关键也使得字符与背景脱离开来。如果图像二值化阈值设定太小则会有噪声产生如果阈值设置过大则会使得会图像分辨率降低，即由于不阈值设定方法不同，就会使得幅二值化后的图像处理结果也不同。阈值方法分为全局阈值和局部阈值两种，如果分割过程中对图像上每个像素所使用的阈值都相等，则为全局阈值方法如果每个像素所使用的阈值可能不同，则为局部阈值方法。最佳全局阈值确定的常用方法般有下面几种试验法直方图法和最小误差法这种方法假设背景和前景的灰度分布都是正态分布的。当光照不均匀有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单门限，因为单的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每块分别选阈值进行分割。均值滤波均值滤波是典型的线性滤波算法......”。

5、“.....该模板包括了其周围的临近像素点和其本身像素点。再用模板中的全体像素的平均值来代替原来像素值。均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点选择个模板，该模板由其邻近的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点作为处理后图像在该点上的灰度值即，为该模板中包含当前像素在内的像素总个数。采集数字图像过程中通常会会受到多种噪声的污染。另外，如果在过程中产生污染则会将要处理的图像上表现出些较强的视觉效果孤立像素点和像素块。般情况下，这些噪声在研究对象中般都是无用的信息，而且还会对研究对象造成干扰，极大降低了图像质量，影响图像复原分割特征提取图识别等后继工作的进行。为了有效的去除这些噪声，并且有效的保存研究对象的图像形状大小及特定的几何和拓扑结构特征应该对图像进行滤波处理......”。

6、“.....占空间大，从而导致计算量大，而且该区域内目标物体背景还掺杂着噪声，所以需要将图像灰度化，二值化并且进行滤波处理，车牌灰度化后的结果对图如所示。图像二值化的最常做法就是设定个合理阈值，根据合理阈值来把图像的数据分成两类，即大于阈值的像素群与小于阈值的像素群，结果如所示。本文采取的滤波处理方法为均值滤波算法，它是指在图像上就针对目标像素选择个模板，该模板由其周围的若干临近像素组成，求模板中所有像素的均值并代替原有像素值即尽量保留车牌的图像细节特征的条件下对目标图像的噪声进行抑制，从而提升它的有效提取信息，图像滤波处理是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。这个过程在整个车牌识别系统中也占有很重要的作用，结果如所示。我们得到了滤波后的图像，为了提高其识别的准确率，我们还要将对其做开运算，结果如所示。通过上述的处理......”。

7、“.....从而提升对其研究的准确性，车牌图像处理效果图如图所示车牌灰度图车牌二值图均值滤波后膨胀和腐蚀后图车牌图像处理效果图分割与归化字符分割完成车牌区域的定位后，还需将车实现，此次毕业设计的研究工作主要涉及以下几个方面图像预处理先将采集到的彩色图像灰度化，选择直方图进行图像灰度修正紧接着利用中值滤波平滑图像选择合适的算子进行边缘检测，系列的图像预处理后图像质量得到改善，便于后续操作。车牌定位，结合我国车牌特征，本文采取基于数学形态学处理的车牌定位方法对边缘检测后得到的图像进行进步的处理，该方法在数学形态学的基础上实现平滑及移除小对象等操作实现车牌区域的初定位，并利用车牌的颜色信息的先验知识，结合彩色分割方法来进行车牌区域的划分。字符分割，字符分割般采用垂直投影法对车牌图像进行垂直投影。可以充分合理运用车牌字符具有统规定的高宽比和间隔等先验知识进行有效准确分割。保证了字符的完整分割。然后，字符归化处理......”。

8、“.....为字符识别打好基础。车牌字符识别，该过程选择的是模板匹配法，将待识别的图像特征量与模板特征量逐个比较，计算两者之间的互相关量，如果互相关量越大就表示它们相似程度越高，则认为此匹配最好。该算法在字符识别之前车牌图像要处理得相当好的前提下执行效果好，且需要字符很清晰，而在实际运用中的每个车牌的字符不可能完全干净和没有缺损的所以需要做进步的改进。问题改进与展望由于时间以及自身水平的限制，本文还有许多不足之处需要改进，具体表现在因为采集图像的噪声干扰源比较多，所以去噪方法不应单，需结合其他方法改进图像平滑的效果。本文中，对于图像的处理主要是基于对灰度图像的分析，可是在图像灰度化过程中必然损失了很多的图像信息，随着计算机视觉模式识别等技术的发展应该积极研究直接在彩色图像上进行车牌信息处理的算法。本文的程序算法中的些地方如图像二值化，滤波处理，边缘检测或字符分割都涉及到选择合适的阈值......”。

9、“.....本文的阈值选择算法比较单，不能满足实际应用效果，阈值选择算法需要得到进步改善。本文中所采集的图像是静态的，但是在实际应用中，都是通过摄像头来采集动态图像，所以需要改进算法，添加功能使系统能处理各种状态下的图片。本文中的车牌识别系统没有语音读取功能，需要进步改进。本文中综合软件设计的整体，还要做进步优化,使程序模块化与标准化,让车牌识别系统更加安全可靠和高效实时。致谢四年的大学求知之旅即将画上个圆满的句号，在此，感谢所有在各方面给予我帮助的人们。首先我要特别感谢下我的导师张老师，张老师在本次毕业设计的选题课题调研程序设计及论文定稿方面给出了非常重要的意见和建议。我这次的毕业论文能够如期完成和老师丝不苟的工作作风息息相关，在此我向张老师致以最崇高的敬意和衷心的感谢。其次，我还要感谢下大学期间的辅导员和其他任课老师，他们在平时我的学习与生活中给予我最无微不至的关怀，在此我向这些无私奉献的老师们致以衷心的感谢......”。