对于车牌识别图像预处理技术的研究
毕业设计基于python和opencv的车牌识别
毕业设计基于python和opencv的车牌识别摘要：本篇文章介绍了基于Python和OpenCV的车牌识别技术，并详细讨论了车牌识别系统的原理、实现步骤和效果评估。
通过该系统，可以准确地识别出图像中的车牌信息，实现了对车辆的自动监测和管理。
该系统具有较高的准确率和实用性，可以在实际场景中广泛应用。
1. 前言车牌识别技术是计算机视觉领域中的重要研究方向之一。
随着交通运输的发展和车辆数量的增加，对车辆的管理和监测需求日益增加。
传统的车牌识别方法需要大量的人工干预和复杂的算法，效果受到诸多因素的影响。
而基于Python和OpenCV的车牌识别技术能够更加高效、准确地实现车牌的自动识别，为车辆管理提供了更好的支持。
2. 车牌识别系统的原理车牌识别系统的原理基于图像处理和机器学习技术。
首先，通过摄像机获取车辆图像，并使用图像处理技术进行预处理。
对图像进行灰度化、二值化、图像增强等处理，以提高图像质量和车牌的辨识度。
然后，使用基于机器学习的方法对处理后的图像进行特征提取和分类。
通过训练模型，将车牌区域与其他区域进行区分，并提取出车牌的特征信息。
最后，通过字符分割和字符识别技术对车牌上的字符进行提取和识别。
车牌识别系统的准确性取决于算法的优化和模型的训练效果。
3. 车牌识别系统的实现步骤基于Python和OpenCV的车牌识别系统的实现步骤分为图像预处理、特征提取与分类、字符分割和字符识别四个主要步骤。
3.1 图像预处理首先，将获取的车辆图像转换为灰度图像，并对其进行二值化处理。
通过设定合适的阈值，将车牌区域与其他区域进行区分。
然后，进行图像增强处理，包括对比度调整、边缘增强等，以提高车牌的辨识度。
最后，使用形态学操作对图像进行开运算和闭运算，去除噪声和细小的干扰。
3.2 特征提取与分类在图像预处理之后，需要对处理后的图像进行特征提取和分类。
可以使用机器学习算法，如支持向量机(SVM)、卷积神经网络(CNN)等，对车牌区域与其他区域进行分类。
车牌识别技术需求分析报告,1200字
车牌识别技术需求分析报告车牌识别技术需求分析报告一、引言车牌识别技术是一种将图像或视频中的车牌信息自动提取出来的技术，具有广泛的应用前景。
在交通管理、车辆管理、智能停车场等场景中，车牌识别技术可以提高工作效率和便利性。
本文将对车牌识别技术的需求进行分析，并针对其关键需求进行详细阐述。
二、车牌识别技术的需求分析1. 高准确率车牌识别技术的核心目标是实现对车牌信息的快速准确识别。
准确率是衡量一个车牌识别系统的重要指标，对于交通管理和车辆管理等领域来说尤为重要。
因此，高准确率是车牌识别技术的基本需求。
2. 高效性车牌识别技术需要能够在实时场景中进行快速识别，处理速度要快。
行车中的车辆需要在短时间内被有效地识别，以便及时采取相应的措施，例如交通信号控制、车辆违法查处等。
因此，高效性是车牌识别技术的重要需求。
3. 多样性适应车牌在不同地区和国家之间存在着差异，导致车牌样式的多样性。
车牌识别技术需要具备较强的适应性，能够识别并提取各种不同样式的车牌信息。
例如，在国内，车牌有7位和8位两种长度，而在国际上各个地区的车牌样式更是千差万别。
因此，多样性适应是车牌识别技术的重要需求。
4. 抗干扰能力车牌识别技术需要具备较强的抗干扰能力，能够在各种环境下识别车牌信息。
例如，夜间、雨天、雪天等复杂环境下，车牌图像质量可能不佳，容易受到光照、噪声等干扰，因此车牌识别技术需要具备强大的抗干扰能力。
5. 数据安全保密车牌识别技术需要具备良好的数据安全保密机制，确保车牌信息的隐私不被泄露。
在交通管理场景中，车牌信息涉及到个人隐私，因此必须做好数据的加密和保护工作，防止数据被非法获取和滥用。
三、关键需求分析1. 图像预处理图像预处理是车牌识别技术的关键环节。
通过对图像进行预处理，能够提高车牌的图像质量，减少干扰因素对识别结果的影响。
图像预处理需要包括图像增强、噪声消除、图像去除等处理步骤，以提高识别准确率和鲁棒性。
2. 特征提取车牌图像中包含着丰富的信息，例如车牌的颜色、字体、字符间距等。
车牌识别实验报告
车牌识别实验报告车牌识别实验报告一、引言车牌识别技术是近年来快速发展的一项重要技术，它在交通管理、安全监控等领域具有广泛的应用前景。
本文将介绍一次车牌识别实验的过程和结果，以及对该技术的评估和展望。
二、实验目的本次实验的目的是通过使用计算机视觉技术，实现对车辆车牌的自动识别。
通过该实验，我们希望验证车牌识别技术的准确性和可行性，并评估其在实际应用中的效果。
三、实验方法1. 数据收集我们采集了一组包含不同类型和风格的车牌图像数据，包括普通车辆、摩托车和电动车等。
这些数据来源于不同的场景，包括白天、夜晚和恶劣天气等条件下的拍摄。
2. 图像预处理为了提高车牌识别的准确性，我们对采集到的图像进行了预处理。
首先，我们使用图像处理算法对图像进行了去噪处理，去除了图像中的干扰信息。
然后，我们对图像进行了灰度化处理，将彩色图像转化为灰度图像，以便后续的处理。
3. 特征提取在进行车牌识别之前，我们需要从图像中提取出车牌的特征。
我们使用了一种基于边缘检测的方法，通过检测图像中的边缘来提取车牌的轮廓。
然后，我们根据车牌的形状和大小，进一步筛选出可能的车牌区域。
4. 字符分割在车牌识别中，字符分割是非常关键的一步。
我们使用了一种基于连通区域的方法，将车牌图像中的字符分割出来。
通过分析字符之间的间隔和相对位置，我们可以更准确地识别出每个字符。
5. 字符识别最后一步是对分割出的字符进行识别。
我们使用了一种基于深度学习的方法，训练了一个字符识别模型。
通过将字符图像输入到模型中，我们可以得到对应的字符标签，从而实现对车牌的识别。
四、实验结果经过实验，我们得到了一组车牌识别的结果。
在测试数据集上，我们的识别准确率达到了90%以上。
尤其是在白天和晴朗天气下，识别效果更加出色。
然而，在夜晚和雨天等恶劣条件下，识别准确率有所下降。
五、实验评估尽管我们的车牌识别系统取得了较好的结果，但仍存在一些问题和改进空间。
首先，恶劣天气条件下的识别准确率较低，需要进一步优化算法来提高鲁棒性。
车牌识别毕业设计论文
车牌识别毕业设计论文车牌识别是一项实用的技术，已广泛应用于交通管理、安全监控和智能导航等领域。
本毕业设计旨在研究和实现一种高效准确的车牌识别系统，通过图像处理和模式识别的方法，实现车牌的自动检测、字符分割和识别。
在车牌识别系统中，图像处理是最关键的环节之一、首先，需要对图像进行预处理，包括二值化、滤波和去噪等操作，以提高后续处理的准确性。
然后，通过边缘检测和形态学操作，可以实现车牌的自动检测。
通过比较不同车牌的特征，可以找到最佳的车牌位置。
在车牌的字符分割过程中，一般采用基于垂直和水平投影的方法。
首先，通过垂直投影，可以得到每个字符的位置和宽度。
然后，通过水平投影，可以得到字符的高度和行间距。
通过这些信息，可以将车牌字符逐个分割出来，为后续的字符识别提供准备。
字符识别是车牌识别系统的最后一步，也是最复杂的一步。
常用的方法包括基于模板匹配和基于机器学习的方法。
在模板匹配中，需要提前准备一组字符模板，并将待识别的字符与模板进行比较，找出最佳匹配的字符。
在机器学习方法中，常用的算法包括支持向量机（SVM）和深度学习等，通过训练大量的样本数据，建立一个分类模型，实现字符的自动识别。
在实际应用中，车牌识别系统还需要考虑到诸多因素，如车牌大小的变化、光线条件的差异和图像角度的旋转等。
为了提高系统的鲁棒性，可以采用自适应阈值处理、学习算法和特征提取等技术手段。
通过本毕业设计，可以深入了解车牌识别的原理和实现方法，并通过实验验证其准确性和效率。
此外，还可以进一步优化和改进车牌识别系统，以提高其性能和适应性。
车牌识别实验报告
车牌识别实验报告1. 引言车牌识别是计算机视觉领域中一项重要的任务，它可以应用于交通管理、车辆追踪、智能停车等多个领域。
本实验旨在使用计算机视觉技术实现车牌识别，并评估不同方法在车牌识别任务上的性能。
2. 方法与实验设置2.1 数据集本实验使用了包含X张车辆图片的数据集，其中每张图片都带有车牌。
数据集中的车牌来自不同地区，包括不同字母和数字的组合。
2.2 数据预处理在进行车牌识别之前，需要对数据进行一定的预处理。
我们采取了以下步骤来准备数据：2.2.1 图像裁剪首先，我们利用图像处理技术对每张图片进行裁剪，截取出车牌区域。
由于车牌的位置和大小可能会有所不同，因此需要使用特定的算法来进行车牌区域的定位和提取。
2.2.2 图像增强为了提高图像中车牌的可分辨性，我们对裁剪后的车牌图像进行了增强处理。
常见的增强方法包括对比度增强、直方图均衡化和图像清晰化等。
通过这些增强技术，我们可以增强车牌图像的边缘和文字信息，从而更好地进行后续的识别。
2.3 特征提取与分类在车牌识别中，我们需要提取图像中的特征，并将其输入到分类器中进行识别。
常用的特征提取方法包括颜色直方图、梯度方向直方图和局部二值模式等。
在本实验中，我们选择了梯度方向直方图作为特征，并使用支持向量机（SVM）作为分类器进行车牌识别。
3. 实验结果与分析3.1 评估指标在对车牌进行识别后，我们需要评估识别的准确率和性能。
常用的评估指标包括精确度（Precision）、召回率（Recall）和F1值等。
3.2 实验结果根据实验设置，我们对数据集进行了训练和测试，并使用评估指标来评估车牌识别模型的性能。
经过多次实验和交叉验证，我们得到了如下结果：方法精确度召回率F1值方法A 0.85 0.82 0.83方法B 0.92 0.88 0.90方法C 0.95 0.93 0.943.3 分析与讨论根据实验结果，我们可以发现方法C在车牌识别任务中的性能最好，具有最高的精确度、召回率和F1值。
车牌识别预处理优化的研究与实现
灰 度 值 Ｉ ． ９ Ｒ＋ ． ８ Ｇ＋ ．４ Ｂ ＝０２ ９ ０５ ７ ０ １ ４ （） １
声 干 扰 ， 识 别 的准 确 率 打 下 基 础 。 般 图 像 二 值 化 阀 值 的确 定 为 一 方 法 主 要 有 全 局 阀值 法 和 局 部 阀 值 法 ，这 两 种 处 理 方 法 各 有 缺
了 信 息 量从 而 提 高 了 系 统 处 理 的 速 度 ；而 且 能 够 有 效 的 除 去 噪
由于 Ｃ Ｄ 拍 摄 的 车 牌 图 像 均 为 ２ Ｃ ４位 彩 色 图 像 ，这 样 不 但 会 占用 大 量 的存 储 空 间 而且 会 降低 系统 的执行 速度 。 多 图像 的 很 处 理 都 是 基 于 ２ ６级 灰 度 图像 或 者 二值 图像 ， 中灰 度 图 中的 灰 ５ 其
２３ 车 牌 图 像 的边 缘 检 测 ．
时 进 行 了优 化 和 ＭＡ Ｌ Ｔ ＡＢ实 验 仿 真 。
１ 背 景 知 识
一
边 缘 检 测 技 术 是 所 有 基 于 边 界 分 割 的 图 像 分 析 方 法 第 一 步 ， 先 检 测 出 图像 局 部 特 征 的不 连 续 性 ， 将 它们 连 成 边 界 ， 首 再
图４
３ 车牌污损导致字符笔画不清和字符间粘连。 ）
为 了提 高 车牌 识 别 的速 度 和 准 确 率 ，必 须 对 这 些 存 在 问 题 的车 牌 先 进 行 预处 理 。
２ 车牌 识 别 的预 处 理 与 实 现 ２ １ 灰 度 图像 的建 立 和 实 现 ．
的 阀值 ， 仅 可 以把 车 牌 图 像 明显 得 分 为 背景 和 目标 ， 大 减 少 不 大
车牌识别论文开题报告
车牌识别论文开题报告车牌识别论文开题报告一、研究背景与意义车牌识别技术是计算机视觉领域的研究热点之一，其在交通管理、智能交通系统、车辆追踪等方面具有广泛的应用价值。
随着城市化进程的加快和车辆数量的急剧增长，传统的人工车牌识别方式已经无法满足实际需求。
因此，开发一种高效准确的车牌识别系统对于提高交通管理效率和智能交通系统的发展具有重要意义。
二、研究目标本论文旨在设计和实现一种基于深度学习的车牌识别系统，通过对车牌图像进行自动识别和分析，实现对车辆的快速准确识别，以提高交通管理和智能交通系统的效率。
三、研究内容1. 车牌图像预处理在车牌识别系统中，车牌图像的预处理是非常重要的一步。
本论文将探索不同的图像处理算法，如图像增强、去噪和图像分割等，以提高车牌图像的质量和准确性。
2. 车牌定位与分割车牌定位与分割是车牌识别系统的核心环节。
本论文将研究和设计一种基于深度学习的车牌定位与分割算法，以实现对车牌区域的准确提取和分割。
3. 车牌字符识别车牌字符识别是车牌识别系统中的关键环节。
本论文将探索不同的字符识别算法，如卷积神经网络（CNN）、循环神经网络（RNN）等，以实现对车牌字符的准确识别和分类。
4. 系统性能评估与优化本论文将通过大量的实验和测试，对设计的车牌识别系统进行性能评估，并针对性能较差的地方进行优化，以提高系统的准确性和鲁棒性。
四、研究方法本论文将采用深度学习算法作为主要的研究方法，结合图像处理和模式识别的技术，设计和实现一个高效准确的车牌识别系统。
具体方法包括但不限于：卷积神经网络、循环神经网络、图像增强、图像分割等。
五、研究预期结果1. 设计和实现一种基于深度学习的车牌识别系统；2. 提高车牌图像的质量和准确性；3. 实现对车牌区域的准确提取和分割；4. 实现对车牌字符的准确识别和分类；5. 提高系统的准确性和鲁棒性。
六、研究意义本论文的研究成果将具有以下意义：1. 提高交通管理的效率：通过快速准确地识别车辆的车牌信息，可以实现对交通违法行为的及时处理和管理，提高交通管理的效率。
使用计算机视觉技术进行智能车牌识别
使用计算机视觉技术进行智能车牌识别智能车牌识别技术是计算机视觉领域中一项重要的研究方向，它通过利用计算机算法和图像处理技术，实现对车辆车牌号码的快速、准确识别。
这项技术不仅在交通管理、安全监控等领域中有广泛应用，还对智能交通系统的发展起到了重要推动作用。
智能车牌识别技术的基本原理是利用计算机视觉技术对车辆图片进行处理和分析，以提取出车牌区域及其上的字符信息。
具体来说，智能车牌识别技术可以分为以下几个步骤：1. 车牌定位：首先，通过图像处理算法，从整个车辆图片中定位出车牌区域。
这一步骤通常涉及到图像的预处理、边缘检测和形态学处理等技术，以及机器学习算法的应用。
2. 字符分割：定位到车牌区域后，需要将车牌上的字符进行分割，以便后续的字符识别。
字符分割是一个复杂的问题，需要考虑到车牌上字符的种类和形状的多样性。
常用的字符分割方法包括基于形态学处理和机器学习的算法。
3. 字符识别：经过字符分割后，识别每个字符就成为了下一个关键步骤。
字符识别通常采用了光学字符识别(OCR)技术和深度学习算法。
OCR技术通过建立字符模板和匹配的方式进行识别，而深度学习算法则通过神经网络的训练来实现对字符的准确识别。
4. 结果输出：最后，识别出的车牌号码可以根据需求进行输出。
例如，可以将识别结果存储到数据库中，或者向用户展示出来。
智能车牌识别技术的应用场景非常广泛。
在交通管理领域，智能车牌识别可以用于交通违法监控、车辆通行管理等方面。
通过识别车牌信息，可以实现对违法车辆的自动抓拍和追踪，提高交通管理的工作效率。
在停车场管理中，智能车牌识别可以帮助实现自动收费和车辆进出场的自动识别，提高停车场的管理和服务水平。
此外，智能车牌识别技术还可以应用于物流管理、安防监控等领域，为相关的行业提供更高效、安全的服务。
虽然智能车牌识别技术在现实应用中具有很高的实用性和准确度，但也面临一些挑战和问题。
首先，车牌的种类和形式多样化，可能会导致识别的准确率有一定的下降。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
对车牌识别图像预处理技术的探究摘要：随着当今汽车数量日益增加，城市交通状况也相应的受到人们的重视，如何进行有效的交通管理更是成为了人们关注的焦点。
针对此问题，人们运用新的科学技术，相继研制开发出了各种交通道路监视、管理系统。
这些系统通过车辆检测装置对过往的车辆实施检测，提取有关交通数据，达到监控、管理和指挥交通的目的。
MATLAB是一种高效的工程计算语言，它是一个比较完整的数据库系统，在数据处理、图像处理、神经网络、小波分析等方面都有广泛的应用。
本文详细阐述了运用MATLAB对车牌进行图像增强、边缘检测、二值图像化、形态学滤波等处理过程，为后面研究其定位、分割、识别做好充分的准备。
关键词：车牌图像增强中值滤波二值化形态学滤波 MATLAB引言：通常情况下，由于外界光线、气候或其他自然、设备本身、人为因素等干扰而导致所拍摄的车牌图片成像不完美，使得对比度太小、曝光量太大、不清晰、倾斜等情况产生，这些情况都会极大的影响后期车牌号码字符的分割、识别操作，甚至导致无法进行字符分割和识别操作。
因而，在做字符分割和识别操作之前，对图像做一系列的预处理很有必要。
这些预处理操作包括图像增强处理（中值滤波、均值滤波、直方图均衡化）、边缘检测、二值化、形态学滤波处理。
1图像的增强处理1.1中值滤波中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。
中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。
在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。
但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。
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。
设有一个一维序列1f ，2f ，…，n f ，取窗口长度为m(m 为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m 个数，v i f -，…，1-i f ，…，1f ，…，1+i f ，…，v i f +，其中i 为窗口的中心位置，21-=m v ，再将这m 个点按其数值大小排列，取其序号为正中间的那个数作为输出。
用数学公式表示为:{}v i i v i i f f f Med Y +-=,,,, （21,-=∈m v Z i ） 对于二维序列{}ij X 进行中值滤波时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。
二维数据的中值滤波可以表示为： 为滤波窗口},{,A X Med Y ij Aj i = 在实际使用窗口时，窗口的尺寸一般先用33⨯再取55⨯逐渐增大，直到其滤波效果满意为止。
对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。
使用二维中值滤波最值要注意的是保持图像中有效的细线状物体。
与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。
本文给定的图像为二维信号，在信号中加入指定的椒盐噪声,然后利用中值滤波进行去噪。
虽然有关中值滤波的函数在MATLAB 函数库中已经提供，但在图像处理中利用中值滤波去除图像中的椒盐噪声却是一种有效的方法，利用中值滤波函数去除图像中的噪声过程如下：（1）使用imread()读入原始的彩色图像；（2）因为使用中值滤波器只能对灰度图像进行处理，所以利用rgb2gray()将彩色图像转化为灰度图像；（3）用imnoise()在灰度图像中加入椒盐噪声；（4）利用medfilt2()函数进行中值滤波,并在MATLAB 环境下运行。
相应的MATLAB 主程序如下：f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');t=rgb2gray(f);p1=imnoise(t,'salt & pepper',0.02);p2=medfilt2(p1);subplot(2,2,1);imshow(f);title('原始图像');subplot(2,2,2);imshow(t);title('灰度图像');subplot(2,2,3);imshow(p1);title('加入噪声后图像');subplot(2,2,4);imshow(p2);title('中值滤波后图像');1.2 直方图均衡化直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。
对与一个灰度图像，让i n 表示灰度i 出现的次数，这样图像中灰度为i 的像素的出现概率是: 1,...,0,)(-∈=L i nn i P i x 是图像中所有的灰度数，n 是图像中所有的像素数, P 实际上是图像的直方图，归一化到（0，1）。
把 C 作为对应于P 的累计概率函数, 定义为：∑==i j x i j P C 0)()(,C 是图像的累计归一化直方图 我们创建一个形式为)(x T y =的变化，对于原始图像中的每个值它就产生一个y ，这样y 的累计概率函数就可以在所有值范围内进行线性化，转换公式定义为：)()(i x i C T y i ==注意 T 将不同的等级映射到（0,1）域，为了将这些值映射回它们最初的域，需要在结果上应用下面的简单变换：min min)(max +-•='i i y y上面描述了灰度图像上使用直方图均衡化的方法，但是通过将这种方法分别用于图像RGB 颜色值的红色、绿色和蓝色分量，从而也可以对彩色图像进行处理。
相应的MATLAB 主程序如下：f=imread('C:\Users\AUSU\Desktop\学习\数字图像处理\2.jpg');[m,n]=size(f);num=m*n;r=zeros(1,256);e=zeros(1,256);d=zeros(size(f));for i=1:m for j=1:nr(f(i,j)+1)=r(f(i,j)+1)+1; %原图像概率密度end end r=r./num; for i=1:m for j=1:ie(i)=e(i)+r(j); %累积分布 end endfor i=1:256 e(i)=floor(e(i)*255+0.5); %映射关系end for i=1:m for j=1:nd(i,j)=e(f(i,j)+1);end endp=uint8(f);q=uint8(d);subplot(121),imshow(p),title('原始图像');subplot(122),imshow(q),title('直方图均衡化图像');1.3 均值滤波均值滤波是一种基本的基于图像局部统计信息对图像进行滤波的方法，其应用广泛。
最简单的均值滤波是将原图中的一个像素的灰度值和它周围邻近8个像素点的灰度值相加，然后将所求的平均值作为新图中的该像素的灰度值。
邻域平均法用数学公式表达：设),(j i f 为给定的含有噪声的图像，经过邻域平均法处理后的图像为),(j i g ，则M j i N j i f j i g ∈=∑),(,),(),(，M 是所取邻域内各邻近像素的坐标，N 是邻域中所包含的临近像素个数。
当平滑模板的尺寸增大时，对噪声的消除效果有所增强，但同时会带来图像的模糊，边缘细节逐步减少，且运算量增大。
1.4 中值滤波与均值滤波的比较（1）均值滤波对高斯噪声的抑制是比较好的,处理后的图像边缘模糊较少。
但它对椒盐噪声的影响不大,因为在削弱噪声的同时整幅图像内容总体也变得模糊，其噪声仍然存在。
（2）对于中值滤波,由图像处理的结果可以看出,它只影响了图像的基本信息,说明中值滤波对高斯噪声的抑制效果不明显。
这是因为高斯噪声使用随机大小的幅值污染所有的点,因此无论怎样进行数据选择,得到的始终还是被污染的值。
其中中值滤波对去除“椒盐”噪声可以起到很好的效果,因为椒盐噪声只在画面中的部分点上随机出现,所以根据中值滤波原理可知,通过数据排序的方法,将图像中未被噪声污染的点代替噪声点的值的概率比较大,因此噪声的抑制效果很好,同时画面的轮廓依然比较清晰。
由此看来，对于椒盐噪声密度较小时,尤其是孤立噪声点,用中值滤波的效果非常好的。
（3）均值滤波对高斯噪声有较好的抑制作用，而对于椒盐噪声的处理中值滤波要略微有优势。
2边缘检测、二值化图像原理及实现操作2.1 边缘检测边缘粗略分为阶跃、屋顶和脉冲状三种。
阶跃状边缘位于两边的像素灰度值有明显不同的地方；屋顶状边缘位于灰度值从增加到减少的转折处。
边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。
图像属性中的显著变化通常反映了属性的重要事件和变化。
这些包括：（i）深度上的不连续；（ii）表面方向不连续；（iii）物质属性变化；（iv）场景照明变化。
边缘检测是图像处理和计算机视觉中，尤其是特征提取中的一个研究领域。
边缘检测的方法主要有：roberts算子、prewitt算法、sobel算子、laplace算子以及canny检测算子。
通过对原图像进行边缘检测，从而对车牌图像中的重要信息进行提取，并准确分析图像的纹理，因而我们采用是边缘轮廓比较清晰的图像，以便对其处理显得更醒目。
下图未经过以上几种算子所处理后的图像：2.3 算法比较Roberts算子是利用图像的两个对角线的相邻像素之差进行梯度幅值的检测，所以求得的是在差分点出梯度幅值的近似值，并且检测水平和垂直方向边缘的性能好于斜线方向的边缘，检测精度比较高，但容易丢失一部分边缘信息，同时由于没经过图像平滑计算，因此不能抑制噪声，但该算子对具有陡峭的低噪声图像响应最好。
Prewitt算子和Sobel算子都是对图像进行差分和滤波计算，仅在平滑部分的权值选择上有差异。
这两者均是通过像素平均来实现对噪声的抑制，这一过程中图像产生了一定的模糊，而且还会被检测出一些伪边缘，检测精度比较低，所以这两种算子比较适用于图像边缘灰度值比较尖锐且图像噪声比较小的情况。
Canny算子与Laplace相似，同样有易平滑掉一些边缘信息的特点，但其边缘定位精度较高，它与其他边缘检测算子的不同之处在于使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘相连时才将弱边缘包含在输出图像中，因此这种方法不容易被噪声“填充”，更容易检测出真正的边缘，边缘定位准确，连续性较好，虚假边缘少且边缘具有单向像素宽度。
2.3 二值化图像二值化是指用灰度变换来研究灰度图像的一种常用方法，即设定某一阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分。