模式识别—车牌号码识别-图像处理
利用图像处理技术进行车牌识别研究
利用图像处理技术进行车牌识别研究车牌识别技术是利用图像处理技术对车辆的车牌进行自动识别的一项重要研究。
随着交通工具的激增和城市交通拥堵的加剧，车牌识别技术在交通管理、车辆追踪、停车场管理等领域具有极高的应用价值和广泛的前景。
车牌识别技术的研究和发展主要包括以下几个方面：首先，图像采集与预处理是车牌识别技术的基础。
在图像采集方面，可以利用摄像机、监控摄像头等设备对车辆进行拍摄，获取车牌图像。
而在预处理方面，主要包括图像的灰度化、二值化、去噪和增强等处理过程。
通过这些处理，可以有效提高车牌图像的质量，为后续的识别提供更好的条件。
其次，特征提取是车牌识别技术的关键。
车牌图像中包含了大量的特征信息，包括字符的大小、形状、颜色等。
通过对车牌图像进行特征提取，可以将车牌图像转化为与车牌中字符信息有关的特征向量。
常用的特征提取方法包括垂直和水平投影、边缘检测、形态学操作等。
这些方法能够有效地提取出车牌图像中的特征信息，从而实现对车牌的快速而准确的识别。
此外，字符识别是车牌识别技术的核心环节。
在字符识别中，可以利用机器学习等模式识别方法，将车牌图像中的字符与预先训练好的字符模板进行比较，从而实现对车牌中字符的识别。
常用的字符识别算法包括基于模板的匹配算法、基于统计的方法、基于神经网络的方法等。
这些算法通过对字符进行特征提取和分类，能够实现对车牌中字符的准确识别。
最后，车牌的整体识别和车辆追踪是车牌识别技术的延伸应用。
在整体识别中，可以通过对车牌图像进行连通区域分析、边界检测等处理，将车牌与车辆进行区分，实现对车牌整体的识别。
而在车辆追踪中，可以通过对车牌的连续识别和匹配，实现对车辆在不同摄像头下的准确追踪，为交通监管和车辆管理提供更全面的支持。
综上所述，车牌识别技术是一项具有重要应用价值的图像处理技术。
通过对车牌图像的采集、预处理、特征提取和字符识别等步骤的研究，可以实现对车牌的准确识别和车辆的追踪。
车牌识别技术在交通管理、车辆追踪、停车场管理等领域具有广泛的应用前景，为城市交通的智能化发展提供了重要的技术支撑。
车牌识别原理
车牌识别原理
车牌识别是指通过图像处理和模式识别技术，对车辆的车牌进行自动识别和文字提取的过程。
其原理可以概括为以下几个步骤：
1. 图像预处理：从摄像头获取的图像需要进行预处理，包括去噪、灰度化、二值化等操作。
去噪主要是为了减少图像中的干扰信息，而灰度化和二值化则是将图像转换为黑白二值图，方便后续处理。
2. 车牌定位：在经过预处理后的图像中，需要找到车牌所在的位置。
常用的方法有基于边缘检测、颜色分析和形状匹配等。
边缘检测可以提取图像中的边缘信息，颜色分析可以根据车牌的颜色特性进行筛选，形状匹配可以通过匹配车牌的形状特征来定位。
3. 字符分割：在定位到车牌后，需要将车牌上的字符进行分割。
常见的方法有基于边缘投影和垂直投影的字符分割算法。
边缘投影是通过检测字符边缘的变化情况来实现分割，垂直投影则是通过统计字符列中像素的数量来实现分割。
4. 字符识别：分割后得到的单个字符需要进行识别。
字符识别主要是通过模式识别技术，例如用神经网络、SVM等算法进
行训练和匹配。
训练集中包含了各种不同字符的样本，识别时将样本与待识别字符进行比对，找到最匹配的字符。
5. 结果输出：识别出的字符需要进行校验和整理，确保识别准
确无误。
最后将识别结果输出为文字或数字，用于后续的车辆管理和系统应用。
综上所述，车牌识别主要通过图像预处理、车牌定位、字符分割、字符识别和结果输出等步骤实现对车牌的自动识别和文字提取。
通过不同的算法和技术优化，可以提高识别的准确率和实时性，提升车牌识别系统的性能和可靠性。
数字图像处理-车牌识别-课件
与Sobel算子类似，这也是一种边缘模板，仅是模 板权系数不一样
1 1 1 M 10 0 0
1 2 1
1 0 1 和 M 21 0 2
1 0 1
ቤተ መጻሕፍቲ ባይዱ
11
G i f(jm ,kn)M i(m ,n) m 1n1
输出： g(j,k)maG x 1,G {2}
快速边缘检测
在车牌系统中还常采用一种更简单的模板来提取 边缘(对于有干扰的图像效果不理想)
数字图像处理-车 牌识别
精品
一、车牌识别技术简介
车牌识别是现代交通管理的重要措施，是 智能交通系统的重要环节
内容： 车牌识别系统是采用数字摄像技术和计算 机信息管理技术，对运行车辆实现智能管 理的综合运用技术
理论基础：数字图像处理和模式识别 车牌识别技术具有典型性，容易推广到其
它识别对象
主要应用领域
高斯-拉普拉斯算子法
二阶微分算子 该算子对噪声不敏感(5×5)
2 4 4 4 2 4 0 8 0 4 2 4 8 24 8 4 4 0 8 0 4 2 4 4 4 2
输出: g(j,k)2f(j,k)
哈夫(Hough)变换提取直线
利用图像全局特性将边缘像素连接起来形成区域 封闭边界的一种方法
定位、分割后输出
下步工作是对分割输出进行字符识别
车徽边缘提取与识别
1、彩色图像灰度化
CCD摄像头输出的图像一般是24位真彩色图像，需 进行灰度化，使不同颜色车体统一化，同时实现 快速处理
两种制式都可以采用
PAL制： 亮度 NTSC制：亮度
Y 0 .2R 2 0 .7 2 G 0 0 .0 7B 71 Y 0 .2R 9 0 .5 9 G 7 0 .1 8B 14
数字图像处理-车牌识别技术
实际应用案例二
总结词
停车场管理系统
详细描述
在停车场管理中，车牌识别技术被广泛应用于车辆进出控制和停车位寻找。通过在停车场出入口安装 车牌识别设备，可以快速准确地识别进出车辆的车牌号码，实现自动计时计费、车辆进出记录等功能 ，提高停车场的运营效率和便利性。
实际应用案例三
总结词
智能安防系统
详细描述
车牌识别技术也可以应用于智能安防系统中，如小区、校园、重要场所等。通过 安装监控摄像头和车牌识别设备，可以实时监测和记录车辆进出情况，有效防范 非法入侵和车辆盗窃等安全问题，提高安防系统的可靠性和安全性。
特征提取的目的是降低数据维度，提高分类器的识别效率，同时保留足够的信息以 区分不同的车牌。
支持向量机分类器
支持向量机（SVM）是一种常用 的分类器，用于对车牌进行分类
和识别。
SVM通过找到能够将不同类别 的车牌数据点最大化分隔的决
策边界来实现分类。
在车牌识别中，SVM通常与特 征提取技术结合使用，以实现 对车牌的准确识别。
增强的目标是使车牌区域在图像中更 加突出，同时保持车牌字符清晰可辨。
常见的图像增强技术包括对比度增强、 直方图均衡化、边缘检测等，可以根 据车牌的特点选择适合的增强算法。
图像变换
图像变换是将图像进行几何变换 或频率域变换的过程，以便提取
车牌特征或进行模式识别。
常见的图像变换包括平移、旋转、 缩放、翻转等几何变换，以及傅 里叶变换、小波变换等频率域变
字符识别是车牌识别技术的最 后一步，将分割后的字符与预 定义的字符集进行匹配，以识 别出车牌上的字符。常用的识 别算法包括模板匹配、神经网 络等。
处理识别结果
详细描述
在识别出车牌上的字符后，需 要对识别结果进行处理，如去 除无关字符、合并相邻字符等 ，以提高识别准确率。
基于图像处理的车牌识别技术研究与应用
基于图像处理的车牌识别技术研究与应用1. 引言车牌识别技术是一种通过图像处理和模式识别技术实现对车辆车牌信息的自动获取的方法。
随着交通管理的发展和车辆数量的快速增长，传统的人工识别方法已经无法满足快速、准确、高效的需求，因此基于图像处理的车牌识别技术应运而生。
本文将介绍该技术的研究进展、基本原理和应用领域。
2. 车牌识别技术的基本原理车牌识别技术的基本原理是通过获取车辆图像，提取图像中的车牌区域，然后对车牌进行字符分割和识别，最终输出车辆的车牌信息。
其主要包含以下几个关键步骤：2.1 车牌区域检测车牌区域检测是车牌识别的第一步，目的是在整个图像中定位并框选出包含车牌的区域。
常用的方法有颜色特征法、边缘检测法和形态学变换法等。
2.2 车牌字符分割车牌字符分割是指将车牌图像中的字符分离成单个字符，以便进行后续的字符识别。
该步骤的难点在于车牌上字符的形状和大小差异较大，并且字符之间可能存在重叠或接触的情况。
常用的方法有基于垂直投影法、基于连通区域法和基于特征点检测法等。
2.3 车牌字符识别车牌字符识别是指通过图像处理和模式识别技术将分割后的字符转化为文字信息。
常用的方法包括基于模板匹配法、基于神经网络法和基于支持向量机法等。
3. 车牌识别技术的研究进展随着计算机视觉和模式识别技术的飞速发展，车牌识别技术在准确率和实时性方面取得了显著的提高。
下面介绍一些目前研究较为热门的车牌识别技术。
3.1 基于深度学习的车牌识别近年来，深度学习技术在计算机视觉领域取得了巨大的成功，也被广泛应用于车牌识别领域。
通过使用深度神经网络模型，可以自动学习车牌图像中的特征，并实现高准确率的字符识别。
3.2 基于卷积神经网络的车牌检测卷积神经网络（CNN）在图像处理中具有很好的特征学习能力，因此被广泛应用于车牌检测。
通过训练一个卷积神经网络模型，可以自动识别图像中的车牌区域，从而减轻了车牌区域检测的工作量。
3.3 基于逆透视变换的车牌字符分割在车牌字符分割方面，逆透视变换技术可以有效消除车牌的透视畸变，使得字符分割更加准确。
数字图像处理与模式识别
数字图像处理与模式识别数字图像处理和模式识别是近年来快速发展的技术领域。
随着计算机的普及，数字图像处理和模式识别技术正在越来越广泛地应用于生产、医疗、安全、交通等领域。
本文将介绍数字图像处理和模式识别技术，以及它们的应用。
数字图像处理数字图像处理是对从数字相机、扫描仪等设备中得到的数字图像进行处理的技术。
数字图像处理可以用于增强图像的质量、改变图像的颜色、减少图像噪声、提取图像特征等。
数字图像处理的主要过程包括图像预处理、特征提取和分类。
图像预处理是对图像进行预处理的过程，目的是去除噪声、增强对比度、增加分辨率等。
常用的图像预处理方法包括平滑、边缘检测、二值化等。
平滑技术用于去除图像中的噪声。
边缘检测技术用于提取图像中的边缘信息。
二值化是将图像转换为黑白两色，以便进行下一步的特征提取。
特征提取是指从图像中提取与目标有关的特征。
特征提取通常通过对彩色图像中的像素值进行转换来实现。
在图像处理中，特征可以是形状、颜色、纹理、边缘等。
通过特征提取，可以将目标从图像中分离出来，以便进行下一步的分类。
分类是将图像分为不同类别的过程，目的是区分不同对象，并进行识别和分析。
在图像分类中，常用的方法包括决策树、支持向量机、神经网络等。
决策树是一种通过选择特征来分割数据的方法。
支持向量机是一种通过线性或非线性分类器来分配数据的方法。
神经网络是一种通过训练数据集来识别不同类别的方法。
数字图像处理的应用场景包括生产、医疗、安全、交通等各个方面。
例如，在生产领域中，数字图像处理可以用于检测机器的运行状态，优化流程和提高生产效率。
在医疗领域中，数字图像处理可以用于对医学图像进行处理和分析，以便进行疾病的诊断和治疗。
在安全领域中，数字图像处理可以用于实时监测和识别危险行为和违规行为。
在交通领域中，数字图像处理可以用于车辆和行人的识别，以提高道路安全性。
模式识别模式识别是一种人工智能技术，旨在建立模型，使计算机能够自动从输入数据中学习，从而识别或分类到新的数据。
模式识别在图像处理中的应用
模式识别在图像处理中的应用一、介绍在数字图像处理领域，模式识别是一种广泛应用的技术。
它是从图像中提取出特定的目标或特征，并将其与已知的模式进行比较，从而得出该目标或特征的分类或识别。
模式识别技术的应用广泛，包括人脸识别、指纹识别、车牌识别等。
二、基础技术2.1 特征提取特征提取是模式识别的核心步骤之一。
在这个过程中，处理图像以提取有用的信息，使其能够被分类或识别。
根据不同的应用场景，可以选择不同的特征提取方法。
常用的特征提取方法包括色彩空间转换、滤波、图像分割、边缘检测等。
例如在车牌识别中，可以使用颜色信息和字符分割来提取特征。
2.2 分类器设计分类器是模式识别系统中可以将特征与类别相关联的重要组成部分。
在训练一个分类器之前，需要先确定适当的特征和所需的类别。
在训练过程中，可以使用监督学习、非监督学习或半监督学习等方法来训练分类器。
监督学习需要使用已经标记好的数据来进行学习，而非监督学习则不需要这样的标记。
2.3 神经网络神经网络是一种受到生物神经元网络启发的模式识别技术。
它可以学习和模拟大脑中的信息处理机制，并用于分类、识别和预测等任务。
神经网络的训练过程需要使用反向传播算法进行优化，以使得它能够对样本数据进行良好的分类或识别。
三、应用实例3.1 人脸识别人脸识别是应用最广泛的模式识别技术之一。
它可以通过分析和比对图像中的面部特征来验证身份或识别出人物。
在人脸识别中，常用的特征提取技术包括主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
此外，常用的分类器包括支持向量机（SVM）、卷积神经网络（CNN）等。
3.2 指纹识别指纹识别是另一种常见的模式识别应用。
它使用图像处理和模式识别技术来分析指纹图像，识别出指定的个体。
相关的特征提取技术包括短截波谱图（STFT）、小波变换等。
分类器包括KNN、SVM等。
3.3 车牌识别车牌识别技术可以自动检测图像中出现的车牌号码，并将其识别出来。
车牌识别流程
车牌识别流程
车牌识别是一种通过图像处理技术识别车辆车牌号码的技术，
它可以广泛应用于停车场管理、交通违章监测、智能交通系统等领域。
下面将介绍车牌识别的流程。
首先，车牌识别的流程通常包括图像获取、图像预处理、车牌
定位、字符分割和字符识别五个步骤。
图像获取是车牌识别的第一步，它通过摄像头获取车辆的图像。
在图像获取的过程中，需要考虑光线、角度、距离等因素，以确保
获取清晰、准确的车牌图像。
接下来是图像预处理，这一步是为了提高车牌图像的质量，包
括去噪、灰度化、边缘检测、图像增强等处理。
通过图像预处理，
可以使车牌图像更加清晰，有利于后续的车牌定位和字符识别。
第三步是车牌定位，也称为车牌检测，其目的是在经过预处理
的图像中准确定位出车牌的位置。
车牌定位通常采用边缘检测、形
态学处理、颜色定位等技术，以找到车牌的位置和大小。
然后是字符分割，即将定位到的车牌图像中的字符进行分割。
字符分割是车牌识别中比较困难的一步，因为不同车牌的字符数量和形状各异，需要通过算法来准确分割出每个字符。
最后一步是字符识别，也称为光学字符识别（OCR），其目的是对分割后的字符进行识别。
字符识别通常采用模式识别和机器学习算法，将字符映射成文本信息。
总的来说，车牌识别流程包括图像获取、图像预处理、车牌定位、字符分割和字符识别五个步骤。
通过这些步骤，可以实现对车辆车牌号码的准确识别，为智能交通系统和车辆管理提供便利。
- 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)。
车牌号码识别第一部分引言现代智能交通系统(ITS)中，车牌号码自动识别是计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要环节。
车辆牌照识别技术可应用于道路交通监控、交通事故现场勘察、交通违章自动纪录、高速公路自动收费系统、停车场自动安全管理、小区智能化管理等方面，具有巨大的经济价。
因此车牌号码自动识别技术已经得到了广泛应用。
汽车牌照自动识别整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，其中字符识别过程主要由以下3个部分组成：①正确地分割文字图像区域；②正确的分离单个文字；③正确识别单个字符。
用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。
在研究的同时对其中出现的问题进行了具体分析，处理。
第二部分对采集图像的预处理数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。
数字图像处理最早出现于20世纪50年代，当时的电子计算机已经发展到一定水平，人们开始利用计算机来处理图形和图像信息。
数字图像处理作为一门学科大约形成于20世纪60年代初期。
早期的图像处理的目的是改善图像的质量，它以人为对象，以改善人的视觉效果为目的。
图像处理中，输入的是质量低的图像，输出的是改善质量后的图像，常用的图像处理方法有图像增强、复原、编码、压缩等。
首次获得实际成功应用的是美国喷气推进实验室（JPL）。
他们对航天探测器徘徊者7号在1964年发回的几千张月球照片使用了图像处理技术，如几何校正、灰度变换、去除噪声等方法进行处理，并考虑了太阳位置和月球环境的影响，由计算机成功地绘制出月球表面地图，获得了巨大的成功。
随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，以致获得了月球的地形图、彩色图及全景镶嵌图，获得了非凡的成果，为人类登月创举奠定了坚实的基础，也推动了数字图像处理这门学科的诞生。
在以后的数字图像处理技术一般来讲,对图像进行处理(或加工、分析)的主要目的有三个方面：（1）提高图像的视感质量,如进行图像的亮度、彩色变换,增强、抑制某些成分,对图像进行几何变换等,以改善图像的质量。
（2）提取图像中所包含的某些特征或特殊信息,这些被提取的特征或信息往往为计算机分析图像提供便利。
提取特征或信息的过程是模式识别或计算机视觉的预处理。
提取的特征可以包括很多方面,如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。
（3）图像数据的变换、编码和压缩,以便于图像的存储和传输。
图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。
随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。
1、图象的采集与转换（代码及截图）I=imread('car.jpg');figure(1),imshow(I);title('原图')I1=rgb2gray(I);figure(2),subplot(1,2,1),imshow(I1);title('灰度图');figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');I2=edge(I1,'robert',0.15,'both');figure(3),imshow(I2);title('robert算子边缘检测')se=[1;1;1];I3=imerode(I2,se);figure(4),imshow(I3);title('腐蚀后图像');se=strel('rectangle',[25,25]);I4=imclose(I3,se);figure(5),imshow(I4);title('平滑图像的轮廓');I5=bwareaopen(I4,2000);figure(6),imshow(I5);title('从对象中移除小对象');图1 原图图2 灰度图图3 reboot算子边缘图图4 腐蚀后图像图5 平滑图像轮廓图图6 从轮廓图中移除小对象后图像2、牌照区域的分割对车牌的分割可以有很多种方法，本程序是利用车牌的彩色信息的彩色分割方法。
根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。
然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。
[y,x,z]=size(I5);myI=double(I5);ticBlue_y=zeros(y,1);for i=1:yfor j=1:xif(myI(i,j,1)==1)Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计endendend[temp MaxY]=max(Blue_y);%Y方向车牌区域确定PY1=MaxY;while ((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while ((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);Blue_x=zeros(1,x);%进一步确定x方向的车牌区域for j=1:xfor i=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)= Blue_x(1,j)+1;endendendPX1=1;while ((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while ((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;%对车牌区域的校正PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title('行方向合理区域');figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色车牌图像')图7 行方向区域和最终定位出来的车牌3、车牌进一步处理经过上述方法分割出来的车牌图像中存在目标物体、背景还有噪声，要想从图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群，即对图像二值化。
均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素。
再用模板中的全体像素的平均值来代替原来像素值。
（代码及截图如下：）imwrite(dw,'dw.jpg');[filename,filepath]=uigetfile('dw.jpg','输入一个定位裁剪后的车牌图像');jpg=strcat(filepath,filename);a=imread('dw.jpg');b=rgb2gray(a);imwrite(b,'1.车牌灰度图像.jpg');figure(8);subplot(3,2,1),imshow(b),title('1.车牌灰度图像')g_max=double(max(max(b)));g_min=double(min(min(b)));T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值[m,n]=size(b);d=(double(b)>=T); % d:二值图像imwrite(d,'2.车牌二值图像.jpg');figure(8);subplot(3,2,2),imshow(d),title('2.车牌二值图像')figure(8),subplot(3,2,3),imshow(d),title('3.均值滤波前')% 滤波h=fspecial('average',3);d=im2bw(round(filter2(h,d)));imwrite(d,'4.均值滤波后.jpg');figure(8),subplot(3,2,4),imshow(d),title('4.均值滤波后')se=eye(2); % eye(n) returns the n-by-n identity matrix 单位矩阵[m,n]=size(d);if bwarea(d)/m/n>=0.365d=imerode(d,se);elseif bwarea(d)/m/n<=0.235d=imdilate(d,se);endimwrite(d,'5.膨胀或腐蚀处理后.jpg');figure(8),subplot(3,2,5),imshow(d),title('5.膨胀或腐蚀处理后')图8第三部分车牌字符的分割与识别在汽车车牌自动识别过程中，字符分割有着承前启后的作用。
它在前期车牌定位的基础上进行字符的分割，然后再利用分割的结果进行字符识别。
字符识别的算法很多，因为车牌字符间间隔较大，不会出现字符粘连情况，所以此处采用的方法为寻找连续有文字的块，若长度大于某阈值，则认为该块有两个字符组成，需要分割。
一般分割出来的字符还要进行进一步的处理，以满足下一步字符识别的需要。
但是对于车牌的识别，并不需要太多的处理就已经可以达到正确识别的目的。
在此只进行了归一化处理，然后进行后期处理。
下面是程序的代码及运行结果截图：（由于篇幅有限的matlab代码main.m中的getword.m与qiege.m没有附上）d=qiege(d);[m,n]=size(d);figure,subplot(2,1,1),imshow(d),title(n)k1=1;k2=1;s=sum(d);j=1;while j~=nwhile s(j)==0j=j+1;endk1=j;while s(j)~=0 && j<=n-1j=j+1;endk2=j-1;if k2-k1>=round(n/6.5)[val,num]=min(sum(d(:,[k1+5:k2-5])));d(:,k1+num+5)=0; % 分割endendd=qiege(d);y1=10;y2=0.25;flag=0;word1=[];while flag==0[m,n]=size(d);left=1;wide=0;while sum(d(:,wide+1))~=0wide=wide+1;endif wide<y1 % 认为是左侧干扰d(:,[1:wide])=0;d=qiege(d);elsetemp=qiege(imcrop(d,[1 1 wide m]));[m,n]=size(temp);all=sum(sum(temp));two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));if two_thirds/all>y2flag=1;word1=temp; % WORD 1endd(:,[1:wide])=0;d=qiege(d);endend% 分割出第二个字符[word2,d]=getword(d);% 分割出第三个字符[word3,d]=getword(d);% 分割出第四个字符[word4,d]=getword(d);% 分割出第五个字符[word5,d]=getword(d);% 分割出第六个字符[word6,d]=getword(d);% 分割出第七个字符[word7,d]=getword(d);subplot(5,7,1),imshow(word1),title('1');subplot(5,7,2),imshow(word2),title('2');subplot(5,7,3),imshow(word3),title('3');subplot(5,7,4),imshow(word4),title('4'); subplot(5,7,5),imshow(word5),title('5'); subplot(5,7,6),imshow(word6),title('6'); subplot(5,7,7),imshow(word7),title('7'); [m,n]=size(word1);% 商用系统程序中归一化大小为40*20,此处演示word1=imresize(word1,[40 20]);word2=imresize(word2,[40 20]);word3=imresize(word3,[40 20]);word4=imresize(word4,[40 20]);word5=imresize(word5,[40 20]);word6=imresize(word6,[40 20]);word7=imresize(word7,[40 20]);subplot(5,7,15),imshow(word1),title('1'); subplot(5,7,16),imshow(word2),title('2'); subplot(5,7,17),imshow(word3),title('3'); subplot(5,7,18),imshow(word4),title('4'); subplot(5,7,19),imshow(word5),title('5'); subplot(5,7,20),imshow(word6),title('6'); subplot(5,7,21),imshow(word7),title('7');图9最后，还要对字符进行识别。