Matlab渣土车车牌图像提取和分割技术研究(3)
(3) 灰度图像
灰度图像矩阵元素的取值范围通常为[0，255]。因此其数据类型一般为8位无符号整数（int8），这就是人们经常提到的256灰度图像。“0”表示纯黑色，“255”表示纯白色，中间的数字从小到大表示由黑到白的过渡色。在某些软件中，灰度图像也可以用双精度数据类型（double）表示，像素的值域为[0，1]，0代表黑色，1代表白色，0到1之间的小数表示不同的灰度等级。二值图像可以看成是灰度图像的一个特例。
2.3 图像提取与分割
2.3.1图像提取与分割简介
图像提取与分割是识别的基础，对图像处理的好坏将会直接影响最后识别的成功率。而作为第一步的车牌区域定位则是重中之重，车牌不能定位也就不能提取出来，谈什么都是空谈。
提取车牌区域的第一步就是要先把车牌区域定位出来，得到车牌在整张图像中的位置，才能将其提取出来。目前有这样几种主流的定位方法：1.基于直线检测的方法。2.基于阈值化的方法。3.基于灰度边缘检测方法。4.基于彩色图像的车牌定位方法。这几种定位方法将在下一节介绍。
区域定位结果准确可以有很多优势，可以去掉不必要的干扰项，免去后面处理的繁琐，便于下一步字符分割的实施等。区域定位成功后，对提取出来的车牌进行处理，之后的字符分割是识别前的最后一步，自然也非常重要。功亏一篑是非常可惜的。字符分割处理得好可以提高后期识别的成功率，而若分割得不好则会让一个优秀的系统变得非常平庸。算法要求高效，快速，准确率高。所以算法的设计将非常重要。
2.3.2 车牌定位算法
(1) 基于直线检测的方法
这类方法一般采用Hough变化等方法来检测直线（车牌周围边框形成）。利用车牌形状特性来定位车牌，在实际运用中忧郁光照不均匀等影响和摄像机畸变，曝光不足和动态范围太窄等原因，导致图像存在伪影，加上车牌上的灰尘、脏污等使形状特性表现的不明显，从而影响定位效果，此外传统的Hough变换法应用在车牌定位中，只是单纯的进行直线的检测，没有和车牌形状特性结合起来，而且Hough空间与原图像空间不是一一对应的，由Hough空间中检测到的特征点无法确定出车牌轮廓的起始位置，无法避免直线干扰的问题，因此在有直线干扰时及未进行边框提取时的可能性会大大增加。Hough变化计算量较大，对于边框不连续的实际车牌，需要附加量加大的运算。
(2) 基于阈值化的方法
图像经过阈值化得到一个字符和背景分离的二值图像是这类方法的特点。目前已经提出了多种阈值化策略，但简单算法二值化效果不好，复杂算法计算时间长、计算量大限制了实际应用，现在已经几乎不使用，除了一些特殊的，切合性很强的项目。
(3) 基于灰度边缘检测方法
此类方法通常利用车牌区域局部对比度明显和灰度有规律变化的纹理特征来定位。中国车牌类型较多，在不同光照条件下车牌对比度更加不一，需要进行图像增强处理，还要考虑图像中与车牌特征非常相似的非车牌区域的排除问题。 主要包括如下几种方法：
（a）基于灰度直方图的门限化边缘检测
基于灰度直方图的门限化边缘检测是一种最常用、最简单的边缘检测方法。对检测目标——背景图像中目标的边缘效果很好。这种图像的灰度直方图呈双峰状态。
（b）基于微分的边缘检测
I. 基于差分的边缘检测
一阶差分边缘检测：对位于边缘两侧的点，像素点灰度值将发生急剧 变化，因此有较大的差分值。当差分方向和边界方向垂直时将获得最大差分，因此，只要对f(i ,j)各方向的差分值再进行一次门限化处理，即可检出边缘像素点，从而求得其边缘图像。