1.3主要内容

车牌定位技术简言之，是借助先进的图像处理算法，实现对车牌信息的提取。为了提高车牌信息定位的精准性，应当统筹图像收集以及定位的各个步骤，进行综合处理。图像进行分割处理便是图像处理和分析过程的关键环节，图像分割环节的成功与否，直接对后期的目标识别以及图像特征抽取工作产生影响。本文从数学形态的角度，对图像分割技术进行论述的同时，借助数学形态学手段，实施车牌图像的分割，过程中需要注意，应用的分割算法将直接对图像信息抽取的正确率和速度速度产生较大影响。

数学形态学所涵盖的内容是基于严谨数学规律形成的一门学科，主要进行对空间框架、结构、形状等问题的研究。而对应到数学领域，则应用到微积分、拓扑论、几何、代数等数门传统数学内容，同时还将最新图论、随机论、近代数等一系列最新的数学成果[1]。从数学形态学的角度实现对图像的分割，则是依靠图像中的某些结构因子，借助相关的集合逻辑运算，实现对车牌图像的处理，进而获得最优的车牌数据提取域，最后再对经过上述处理后的图像，采用多区域判别的手段，进而实现对车牌信息的抽取。

本文所做的主要工作如下：

(1).对传统车牌图像分割应用的相关方法进行分析，其中包括图像处理、形态学方法等；而侧重数学形态学在车牌分析中的不同方法的分析，其中涵盖边缘检测、灰度法以及二值法。

(2).借助文献分析法，对当前车牌信息提取中的图像分割方法进行研究，最终确立本文采用数学形态学的手段实现信息抽取方案。

(3).对所采用的算法进行Matlab环境下的仿真，对过程进行综述，借助实例测试，对算法的成果进行测试验证。

2 图像分割基本理论

2.1 图像分割的概念

按照处理过程以及分析手段的差异，图像信息抽取工作分为如下三个环节，图像处理、分析和理解。前者主要是在进行变换环节中实现视觉成像的效果，分析环节则侧重对图像的描述。

   在图像分割技术发展的进程中，不同研究者所提出的概念理解不尽相同，下文应用集合的理念对图像进行较为统一的定义[1]：论文网

全部图像域用R进行表征，实现对图像域的分割处理，其本质是将R集合按照以下条件实现N个子集的处理过程， 

(1). ；                                                    

(2).对所有的i和j，i≠j,有 ；                           

(3).对i=1,2，…，N，有 ；                             

(4).对i≠j，有 ；                                

(5).对i=1,2，…，N， 是连通的区域。                             

式中： ----对所有在集合 中元素的逻辑谓词； ----空集。

2.2 传统的图像分割方法

2.2.1基于边界的分割方法

这种图像分割手段是借助不同图像域中像素点表现出的灰度特性实现对边侧检测的，进而实现对图像分割的目的。边缘图像分割环节是边界分割处理的首要环节，按照相应的操作顺序，可以分为串行和冰凉两种检测方式。整体图像域中不同区域间呈现出的像素点的特性存在很大的差异，即呈现出不连续的特性，进而按照这种灰度差异进行导数求解获得。进行一阶导数求导获得的函数机智点，便是阶跃图像区域的边缘，同时其函数的二阶导数为零。所以一般条件下借助微分的方法实现图像的边界识别，属于并行处理的范畴。此过程所设计的算子有一阶 算子，二阶有 等。图像表现出的噪声以及边缘的像素点特性通常呈现不连续，映射到频域变换后呈现出高频分量。如果只进行微分处理很难避免噪声特性对结果的影响。所以，在进行微分处理环节之前，最好对图像进行平滑滤波处理。 算子则是具备对图像进行平滑处理的一阶、二阶处理算子，能够实现优良的分割效果。其中 算子是借助 算子进行二阶求导运算，后者则是对图像函数进行一阶导数的求导，能够在消除噪声以及边缘检测两者间形成优良的协调效果。串行图像处理手段，则是借助查找实现对边缘的确定，进而进行串联进行边界分割的方法。串行处理手段，会受到图像处理起始点的作用限制。图搜索是进行图像信息抽取过程中较为成功的手段，边界图像借助图结构进行描述。借助在图像区域内实现搜索处理，进而获得最优处理路径，进行边界的分割，这属于全局识别的范畴，能够在噪点较多的情况下获得较理想的图像处理的结果，不过该种手段所涉及的算法复杂，工作量也相应巨大。