? 设定合理阙值，确定车牌在行方向的合理区域，如图5.3。

图5.3：Y方向车牌区域

? 然后，在分割出的行区域内，统计列方向蓝色像素点的数量，如图5.4。

图5.4：X方向像素点统计

? 最终车牌的完整区域如图5.5

图5.5：车牌区域

? 车牌图像预处理

车牌图像预处理的步骤为：

? 图像灰度化

汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的，因而预处理前的图像都是24 位真彩色图像。彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，而且大多数图像处理技术都是针对256级灰度图的，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。

采用加权平均值法将图像灰度化，即根据重要性或其他指标给R、G 、B 赋予不同的权值，并使R 、G 、B 等于它们的值的加权和平均。

R=G=B ＝（Wr*R+Wg*G+Wb*B）/3。

其中Wr、Wg、Wb 分别是R、G、B 的权值，取Wr ＝ 0.299、Wg ＝ 0.588、Wb＝ 0.113，从而得到最合理的车牌灰度图像。如图5.6

图5.6：灰度化后车牌图像

? 中值滤波

由于图像中不可避免的存在有噪声，常用的滤波方法有：低通滤波、高通滤波、带通滤波、带阻滤波。

中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而

消除孤立的噪声点。该方法在去除脉冲噪声、椒盐噪声的同时又能保留图像边缘细节。这是因为它不依赖于邻域内那些与典型值差别很大的值．中值滤波器在处理连续图像窗函数时与线性滤波器的工作方式类似，但滤波过程却不再是加权运算。取3*3 函数窗，计算以点[i,j]为中心的函数窗像素中值步骤如下： 1)按强度值大小排列像素点。

2)选择排序像素集的中间值作为点[i,j]新值。

一般采用奇数点的邻域来计算中值．但如果像素点数为偶数时，中值就取排序像素中间两点的平均值。中值滤波在一定条件下，可以克服线性滤波器(如均值滤波等)所带来的图像细节模糊，而且对滤除脉冲干扰即图像扫描噪声最为有效。在实际运算过程中并不需要图像的统计特性，也给计算带来不少方便。但是对一些细节多，特别是线、尖顶等细节多的图像不宜采用中值滤波。

标准中值滤波算法的基本思想是将滤波窗口内的最大值和最小值均视为噪声，用滤波窗口内的中值代替窗口中心像素点的灰度，在一定程度上抑制了噪声。实际上在一定邻域范围内具有最大或最小灰度值这一特性的，除了噪声点，还包括图像中的边缘点、线性特征点等。中值滤波以此作为图像滤波依据，其滤波结果不可避免地会破坏图像的线段、锐角等信息。因此，要找到一种既能实现有效滤除噪声，又能完整保留图像细节的滤波机制，仅考虑噪声的灰度特性是难以实现的。

图5.7：中值滤波去噪后车牌图像

? 直方图均衡化

直方图是用来表达一幅图像灰度等级分布情况的统计表。通过对图像中像素个数多的灰度值（及对画面起主要作用的灰度值）进行展宽，而对像素个数少的灰度值（及对画面不起主要作用的灰度值）进行归并，从而达到清晰图像的目的，其本质上是一个直方图变换，即将输入图像的直方图映射成一个最大平展的直方图。经过直方图均衡化处理以后，图像的灰度分布变得均匀，原来偏暗的图像亮度明显增强，图像变得更为清晰。

图5.8：直方图均衡化前后直方图像