图1车牌图像与处理流程

3。2。1 图像灰度化

车牌图像一般可分为彩色图像和灰度图像。车牌识别的研究一般以灰度图像为研究对象。因为利用彩色图像的颜色信息进行识别往往会因为背景的复杂而受到影响，并且存在很多的不足，而灰度图像是一种最简单、有效的对比度增强方法。

彩色图像的像素点是由R（红色）、G（绿色）、B（蓝色）三种元色混合而成的，不同含量的R、G、B就会组成不同的颜色。而灰度图像则是只含亮度信息，不含色彩信息的图像，它的亮度是连续变化的，如果要表示灰度图像就需要把亮度值进行量化，一般划分为0~255共256个等级，0最暗（全黑）、255最亮（全白）。将彩色图像灰度化，通常采用如下公式：gray=0。39*R+0。50*G+0。11*B。其中，gray为灰度值。具体过程如图2所示。

图2图像的灰度变换

彩色图像的灰度变换程序以及显示的结果如下：I=imread('原图。jpg');I1=rgb2gray(I);figure,imshow(I1);

图3-2(a)原图

图3-2(b)灰度图像

3。2。2 图像二值化

图像的二值化既是图像处理中的一项基本技术，也是很多图像处理技术的预处理技术。图像的二值化指的是将彩色图像转换为只有两级灰度（黑白）的图像。在车牌识别的研究过程中，图像的二值化处理是非常关键的一步，二值化的效果将直接影响到后面的车牌定位以及字符分割和识别。对灰度图中的每个像素亮度等级进行判断，将原图的256个亮度等级选取合适的阈值，将其原先的灰度值置为0或者255，用黑白效果呈现整张图片或者某一局部。图像的二值化处理过程将会使原图像损失很多有用的信息，所以在进行二值化预处理的过程中，非常关键的一步是经过处理后能否保留原图的主要特征，而正确选择阈值起着至关重要的作用。图像二值化的阈值选取有很多种方法，主要的方法可划分为3大类：

(1)整体阈值法。指的是在二值化处理过程中只采用一个全局阈值x的方法。它将原图像的每一个像素的灰度值与全局阈值x进行比较，若大于x，则取为白色；若小于x，则取为黑色。假设原图像g0（n0，m0），其灰度值范围是[k1,km],在k1和km之间选择一个合适的灰度值x，二值化后的图像gk（n0，m0）可表示为

(2)局部阈值法。是指由当前的像素灰度值与该值附近点的局部灰度特征值来确定该像素的阈值。比如，可以将原图像划分为几个不相交的小模块，然后将各模块的图像的灰度平均值作为该块图像的阈值，在局部上继续采用上面所介绍的整体阈值法。

(3)动态阈值法。它的阈值选择不但取决于该像素及其附近像素的灰度值，还与该像素的坐标位置有关。例如，在局部统计该区域灰度值的分布特征，根据统计结果来确定不同的局部阈值[4]。

图像二值化程序以及结果：A=imread('灰度。jpg');B=im2bw(A,0。4);subplot(1,1,1);imshow(B);

图3-3(a)灰度图像图 3-3(b)二值化图像

3。2。3 直方图均衡化论文网

图像的直方图是图像的重要统计方法，它近似于图像灰度密度函数。图像的灰度直方图主要用于反映一幅图像的灰度值与出现这种灰度值的概率之间的关系。灰度直方图是离散函数，一般情况下，要想得到精确的图像的灰度密度函数是比较困难的，在实际情况中，可以用数字图像灰度直方图来代替。归纳起来，灰度直方图主要有以下几点性质：①直方图中不包含位置信息（直方图只是反应了图像灰度分布的特性，和灰度所在的位置没有关系，不同的图像可能具有相近或者完全相同的直方图分布）；②直方图反应了图像的整体灰度（直方图反应了图像的整体灰度分布情况，对于暗色图像，直方图的组成集中在灰度级低（暗）的一侧，相反，明亮图像的直方图则倾向于灰度级高的一侧。直观上讲，可以得出这样的结论，若一幅图像其像素占有全部可能的灰度级并且分布均匀，这样的图像有高对比度和多变的灰度色调）[5]；③直方图的可叠加性（一幅图像的直方图等于它各个部分直方图的和）；④直方图具有统计特性（从直方图的定义可知，连续图像的直方图是一位连续函数，它具有统计特征）；⑤直方图的动态范围（直方图的动态范围是由计算机图像处理系统的模数转换器的灰度级决定）[6]。MATLAB图像处理工具箱提供了imhist函数来计算和显示图像的直方图，灰度直方图是灰度值的函数，描述的是图像中具有该灰度值的像素的个数，如图4。1所示，(b)为图像(a)的灰度直方图，其横坐标表示像素的灰度级别，纵坐标表示该灰度出现的频率（像素的个数）。