车牌字符识别的三种算法的比对
车牌相似度算法
车牌相似度算法是一种用于计算两个车牌图像之间的相似程度的算法。
它可以通过比较车牌图像的形状、颜色、纹理等信息来评估它们的相似性。
以下是一个简单的车牌相似度算法的实现过程：1. 预处理：对输入的车牌图像进行预处理，包括灰度化、二值化、噪声去除等操作，以便于后续的特征提取。
2. 特征提取：从车牌图像中提取特征，包括车牌的形状、字符的形状、字符之间的距离、字符的颜色等。
这些特征可以用于构建一个特征向量，用于表示每个车牌图像。
3. 相似度计算：根据特征向量的相似程度，计算两个车牌图像之间的相似度。
可以使用欧几里得距离、余弦相似度等度量方法来衡量两个特征向量之间的相似性。
具体的实现过程如下：1. 确定相似度的阈值，可以根据实际情况进行调整。
2. 对每个输入的车牌图像，提取特征向量，并将其与其他车牌图像的特征向量进行比较。
3. 对于每个特征向量，计算其与所有其他特征向量的相似度，并找到最相似的特征向量。
4. 将所有最相似的特征向量的相似度求和，得到该车牌图像与其他所有车牌图像的平均相似度。
5. 将所有输入的车牌图像的平均相似度进行比较，得到最终的车牌相似度结果。
需要注意的是，车牌相似度算法的准确性和性能受到多种因素的影响，包括车牌图像的质量、特征提取方法的准确性、相似度计算方法的精度等。
因此，在实际应用中，需要根据具体情况进行调整和优化。
此外，还可以使用深度学习等方法来提高车牌相似度算法的性能。
例如，可以使用卷积神经网络（CNN）等深度学习模型来自动提取车牌图像中的特征，并使用分类器来评估两个车牌图像之间的相似度。
这种方法可以自动学习车牌图像的特征，并具有较强的泛化能力，能够更好地适应不同场景下的车牌识别任务。
几种车牌字符识别算法的比较
（１） 字符集小。车牌上出现的汉字字符为省、自治区、直 辖市或特殊机构的简称。加上 ２６ 个英文字符以及 １０ 数字，
２． 字符识别原理
字符类别不超过 １００ 类。 （２） 待识别的字符图像小。字符图像来源于定位分割得
字符识别是模式识别领域中很活跃的一个分支。字符 到车牌图像，车牌占车辆图像中的比例很小，因此，车牌字符
算法研究 学术探讨
力，而且识别率高，但是它在字符旋转、变形，笔划粗细不同 等情况下，识别能力有限。
４． 神经网络字符识别算法
神经网络理论自 ２０ 世纪中期提出以来，取得了一系列 的研究成果。近年来，随着计算机技术和非线性科学的发 展，神经网络理论的研究又进入一个新的高潮，其应用己经 渗透到各个领域，并在智能控制、模式识别、计算机视觉、生 物医学工程等方面取得了巨大贡献。
向数据统计特征提取法、基于网格的特征提取法、弧度梯度 等。因而，要求所采用的识别方法具有很强的抗干扰性和环
车牌识别系统算法简介
车牌识别系统算法简介机动车闯红灯是日常交通管理中常见的交通违章现象，不仅扰乱了正常的交通秩序，也是造成机动车交通事故的主要原因之一。
“电子警察”就是针对机动车路口闯红灯这种极易造成恶性事故的交通违章现象进行自动监测记录，做到了无人值守，不间断监测，证据充分正确。
车牌识别技术(Vehicle License Plate Recognition，VLPR)是计算机视觉和模式识别技术在现代智能交通系统中的一项重要研究课题，是实现交通管理智能化的重要环节。
它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统，它利用每一个汽车都有唯一的车牌号码，通过摄像机所拍摄的车辆图像进行车牌号码的识别。
在不影响汽车状态的情况下，计算机自动完成车牌的识别，从而可降低交通管理工作复杂度。
车牌自动识别技术在车辆过路、过桥全自动不停车收费，交通流量控制指标的测量，车辆自动识别，高速公路上的事故自动测报，不停车检查，车辆定位，汽车防盗，稽查和追踪车辆违规、违法行为，维护交通安全和城市治安，防止交通堵塞，提高收费路桥的服务速度，缓解交通紧张状况等方面将会起到积极的作用。
针对以往车牌识别算法的缺点和不足，例如识别率低、识别速度慢、车牌定位不准确等，本文提出了一种新的基于小波分析的改进车牌定位算法，同时将引入动量因子的BP神经网络应用到字符识别，加快了网络的训练过程。
2 基于小波变换和神经网络的车牌识别技术总体设计2.1 车牌定位算法的基本思路在某一个相位的红灯周期内，如果检测到有车辆通过，触发视频采集模块采集前端摄像机传送来的视频流，进行图像采集，采集到的图像是24位的真彩色图像，首先将图像进行灰度变换，转换为256色的灰度图。
在车牌区域的局部图像内，字符笔画与车牌背景间的亮度反差形成明显而密集的边缘，上升缘与下降缘交替出现。
利用车牌区域的这一高频特征，采用小波分析的多分辨率思想，进行水平方向上的小波变换，小波变换后的高频部分可以突出车牌区域，后继处理只需要对高频图像进行变换，即可定位出车牌。
车牌识别系统中的字符分割与识别
安徽大学硕士学位论文车牌识别系统中的字符分割与识别姓名：高勇申请学位级别：硕士专业：计算机应用技术指导教师：张燕平20070401丘嘲ｊ、’’，慨Ｉ。
毕¨硷上第卓系统的具体雌｜卜－Ｊ其啦别率，【圣ｊ５即为拍摄到的个车图。
因此，必须采取车牌图像顾处理印Ｊ｝＃施以提高Ｕｉ别率。
同时，由于车牌不可避免地存在噪声，而且由于车牌识别系统任室外２４小时工作，光照度大范【嗣变化，也存在光照不均，亮度太低对比度太小等情况，这蝗都会降低系统的字符识别率，因此需采取滤噪、光照不均校Ｊ下和对比度增强等图像增强措施１２１Ｉ。
预处理是整个车牌识别系统的第一步，它的有效与否直接关系到下一步定位的成功率高低。
预处理的主要目的是增强图像中的目标的信息，减少或者消除非目标信息，以有利于下一步的图像进一步处理。
对于含有车牌的图像来说，预处理主要是为了让目标字符的信息加强，并且消除干扰信息，从而便于系统进行下面的车牌区域的定位工作。
一般来说，预处理的方法主要分为空域法和频域法两大类【２ｌＪ。
空域法主要是利用图像中各点之间的位置关系与颜色信息来进行处理，用于其中预处理的空域法主要有图像的点运算、图像增强等；频域法则是将图像变换到频域然后再进行处理，一般采用的变换方式都是线性正交变换、傅立叶变换、离散余弦变换等，然后根据目标信息的特征进行相应的滤波处理。
一般来说，利用空域法比较直接方便，理解上直观；利用频域法则有计算量小、易于消除噪声等特点。
３．３．３车牌定位图５：拍摄到的车图Ｆｉｇｕｒｅ５：ａＶｅｈｉｃｌｅＰｌａｔｅ车牌定位是车牌识别系统中的关键之一，如何在复杂的背景下克服干扰准确定位出含有车牌字符区域直接关系到车牌识别系统后续识别部分的正确率。
到目前为止，有关车牌定位的研究很多，其中主要的方法有下面几种吲：基于边缘的。
一种有效的车牌字符识别法——模板匹配—特征点匹配相结合的车牌字符识别法
一种有效的车牌字符识别法——模板匹配—特征点匹配相结合的车牌字符识别法严萍;曾金明【摘要】汽车车牌字符的识别是车牌自动识别系统中的最后一个环节,采用模板匹配—特征点匹配相结合的车牌字符识别法有效地利用了传统模板匹配法方法简单的特点,同时利用特征点匹配的方法克服了其对图像质量要求很高的缺点,最后结合车牌的语法校验使得正确率和适应性都得到提高,取得比较好的效果。
%The identification of automobile license plate character is the last link of automatic recognition system of license platet,his paper introduce one method to identify the license plate character integrating template matching with feature points matching,u【期刊名称】《西昌学院学报（自然科学版）》【年(卷),期】2011(025)001【总页数】3页(P42-44)【关键词】模板匹配;特征点匹配;字符识别【作者】严萍;曾金明【作者单位】安徽电子信息职业技术学院,安徽蚌埠233000;中国人民解放军汽车管理学院,安徽蚌埠233000【正文语种】中文【中图分类】TP391.411 引言目前机动车的数量的增幅越来越快，机动车在日常交通管理中的闯红灯，乱停车等交通违章现象也随之猛增，人们迫切需要用智能交通系统来解决目前出现的问题。
汽车的车牌相当于汽车的身份证，它的管理和识别越来越受到人们的重视。
汽车车牌自动识别系统是智能交通系统中的重要组成部分。
车牌自动识别系统主要包括车牌定位、字符分割、字符识别几部分。
车牌自动识别系统的主要结构如图1所示。
图1 车牌自动识别系统的主要结构2 模板匹配算法传统模板匹配方法对图像质量要求很高，在字符出现笔划断裂、粘连或者模糊不清的情况时，仅利用模板匹配法进行车牌字符的识别容易产生错误的结论。
Report（车牌定位识别的几种方法比较）
几种车牌定位识别方法的比较车牌识别系统是智能交通系统的一个重要组成部分，一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。
其中车牌定位是车牌识别中的关键，车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。
目前，车牌定位的主要方法有：①基于灰度图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法；⑤基于支持向量机的车牌定位方法等。
这些算法，在某些特定条件下，识别效果较好。
但在恶劣条件下，综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，还不能完全满足实际应用的要求，有待进一步研究。
各种车牌定位方法的思路、方法和优缺点比较：①基于灰度图像的车牌定位方法：灰度数字图像是每个像素只有一个采样颜色的图像。
这类图像通常显示为从黑色到白色的灰度。
为了便于车牌定位，将该图像转换成二值图像，即只有黑色和白色两种颜色的图像。
此方法是应用车牌的如下特点：车牌牌照的字符和背景的对比度比较大，对应于车牌区域的水平灰度变化比较频繁；再者车牌一般挂在汽车的缓冲器上或附近，并靠近图像的下部，干扰一般比较少。
根据以上特点，使用靠近水平方向的一阶差分运算，以突出灰度变化频繁的区域. 其一阶差分运算的算式为：g(i,g)=f(i,i)-f(i,j+1)，式中，i=，2，3... m：m为图像的宽度；j=1，2 ，3…，n ：n为图像的宽度。
再对图像的水平差分图像g(x ，y) 的灰度值沿水平方向累加后做投影，可得投影图：水平方向累加后投影的算式为：T(i) = ∑n j=1 g(i,j)。
从车牌照是一个矩形这一特点, 我们可以判断它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌位置基本对应子图中从下到上的第一个较大的波蜂，车牌投影值区域大致对应干上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的变化率较大. 在这个过程中最重要的是确定选择哪个波峰，如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值，并且两个波谷之间的宽度大致等于车牌照的高度，就认定它所确定的区域就是车牌的水平位置. 对于车牌垂直方向的定位算法：一般情况下，车牌的底色和字符的颜色的对比度很大, 而且在一个相对范围较小的范围内变化比较频繁，通过这个特征确定车牌垂直方向. 该方法对质量较高的图像有很好的定位，不过对于图像中车前和车牌附近的车辆背景过多，容易导致错误的车牌定位。
基于距离变换的分级车牌字符识别算法
g ( x, y; ) 对字符图像进行滤波，并把平滑结果作为局部均值图像。
在车牌字符图像分割中，由于汉字的笔画宽度一般要小于英文字母和数字，并且车牌的 汉字所包含的目标像素数量要大于字母和数字。因此，本文在字符图像分割采用不同的策略， 前者采用的高斯函数方差 和阈值 k 要小于后者，这样可以使得分割出汉字包含有更多的细 节信息。Niblack 算法可以突出车牌字符区域，并削弱背景干扰的影响。该方法具有局部自适 应性，能消除不均匀光照的干扰。对于具有线条状、光照不均匀的车牌图像，字符图像分割 能够取得比较理想的效果，图 4-2 对应的车牌字符图像的分割结果如图像
3
图 4-2 经过缩放和亮度均衡之后的车牌图像
字符识别通常需要将彩色或灰度图像进行分割为二值图像，并输入到车牌字符分类器进 行识别。图像分割的全局阈值算法相对比较简单，但是抑制车牌图像噪声和不均匀光照的能 力较差。局部阈值选取法是根据区域灰度分布特性，自适应调节图像分割的阈值，效果一般 好于全局阈值方法。 为了消除字符的光照不均匀等不利因素的影响， 本文采用 Niblack 自适应阈值分割方法对 车牌字符进行分割[80]。Niblack 二值化算法是一种局部自适应分割算法，对于非均匀光照下的 车牌图像具有较好的分割效果，并且对于一定范围内的车牌尺寸变化具有较好的适应性。这 个方法的思想在于：它认为人们所关心的那些像素点，其强度会和邻域平均强度有一定的差 距。Niblack 根据局部平均值和局部标准差在图像中变动阈值。像素点 ( x, y) 处的阈值计算公 式为 T ( x, y) m( x, y) k ，其中， m( x, y) 和 k 依次是点 ( x, y ) 处局部邻域的样本平均值和用 户自定义的参数。 k 的变化范围通常在 1~4 之间，而 m( x, y) 可以通过利用高斯低通滤波器
车牌定位与车牌字符识别算法的研究与实现
车牌定位与车牌字符识别算法的研究与实现一、本文概述随着智能交通系统的快速发展，车牌识别技术作为其中的核心组成部分，已经得到了广泛的应用。
车牌定位与车牌字符识别作为车牌识别技术的两大关键环节，对于实现自动化、智能化的交通管理具有重要意义。
本文旨在探讨和研究车牌定位与车牌字符识别的相关算法，并通过实验验证其有效性和可行性。
本文首先对车牌定位算法进行研究，分析了基于颜色、纹理和边缘检测等特征的车牌定位方法，并对比了各自的优缺点。
随后，本文提出了一种基于深度学习的车牌定位算法，通过训练卷积神经网络模型实现对车牌区域的准确定位。
在车牌字符识别方面，本文介绍了传统的模板匹配、支持向量机（SVM）和深度学习等识别方法，并对各种方法的性能进行了比较。
在此基础上，本文提出了一种基于卷积神经网络的字符识别算法，通过训练模型实现对车牌字符的准确识别。
本文通过实验验证了所提出的车牌定位与车牌字符识别算法的有效性和可行性。
实验结果表明，本文提出的算法在车牌定位和字符识别方面均具有较高的准确率和鲁棒性，为车牌识别技术的实际应用提供了有力支持。
本文的研究不仅对车牌识别技术的发展具有重要意义，也为智能交通系统的进一步推广和应用提供了有益参考。
二、车牌定位算法的研究与实现车牌定位是车牌字符识别的前提和基础，其主要任务是在输入的图像中准确地找出车牌的位置。
车牌定位算法的研究与实现涉及图像处理、模式识别等多个领域的知识。
车牌定位算法的研究主要集中在两个方面：一是车牌区域的粗定位，即从输入的图像中大致找出可能包含车牌的区域；二是车牌区域的精定位，即在粗定位的基础上，通过更精细的处理，准确地确定车牌的位置。
在车牌粗定位阶段，常用的方法包括颜色分割、边缘检测、纹理分析等。
颜色分割主要利用车牌特有的颜色信息，如中国的车牌一般为蓝底白字，通过颜色空间的转换和阈值分割，可以大致找出可能包含车牌的区域。
边缘检测则主要利用车牌边缘的灰度变化信息，通过算子如Canny、Sobel等检测边缘，从而定位车牌。
- 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)。
摘要摘要车牌识别技术是智能交通系统中的重要组成部分，它在违章抓拍，不停车收费，停车场管理以及重要场所过往车辆的实时登记等方面都有重要的作用。
论文从车牌字符识别的理论出发，基于MATLAB语言对现有的模板匹配，神经网络，基于向量机（SVM）等方法在字符识别过程中的优缺点以及识别率进行系统的研究。
论文的主要工作如下：1.针对车牌图片的预处理包括去噪，增强，分割，提取字符等等；2.构建模板匹配，神经网络，基于向量机（SVM）字符识别的相关测试数据；3.分别实现模板匹配字符识别算法，神经网络字符识别算法，基于向量机（SVM）字符识别算法，并做相应识别率的实验，将三者的实验结果进行比对；4.基于MATLAB GUI做三种算法系统的界面。
关键词：车牌识别模板匹配神经网络向量机识别率ABSTRACTABSTRACTLicense plate recognition technology is the intelligent transportation system an important part of it illegal to capture, no parking, parking management, and an important place in the past, real-time vehicle registration and other aspects important role. Papers from the license plate character recognition theory, MATLAB language based on the existing template matching, neural network, based on vector machines (SVM) and other methods in the process of character recognition and the recognition rate of the advantages and disadvantages of the system. The main work is as follows:1.Pre-treatment, including the license plate image denoising, enhancement,segmentation, extraction of character, etc.2.Construction of template matching, neural network, based on the vectormachine (SVM) test data related to character recognition;3.Respectively, to achieve template matching algorithm for character recognition,neural network character recognition algorithm based on vector machines (SVM) algorithm for character recognition, and recognition rate accordingly experiment, the three sides to compare the experimental results;4.Do three algorithms based on MATLAB GUI interface of the system.Keywords: License Plate Recognition Template matching Neural network Vector Recognition rate目录 i目录第一章序言 (1)1.1课题研究背景以及意义 (1)1.2本文主要的研究内容 (1)第二章车牌图像的预处理 (5)2.1图像的平滑处理 (5)2.1.1 平滑处理的理论 (5)2.1.2 平滑处理的实现 (6)2.2图像的二值化处理 (7)2.2.1 二值化处理的理论 (7)2.2.2 二值化处理的实现 (7)2.3二值图像的形态学运算 (8)2.3.1形态学运算的理论 (8)2.4对字符进行分割 (10)2.4.1 字符分割的理论 (10)2.4.2 字符分割的实现 (11)第三章基于模板匹配算法的车牌字符识别算法 (13)3.1模板匹配算法的理论背景 (13)3.2模板匹配算法的实现及识别率的研究 (16)3.3本章小结 (19)第四章基于神经网络算法的车牌字符识别算法 (21)4.1神经网络算法的理论背景 (21)4.2神经网络算法的实现及识别率的研究 (27)4．3本章小结 (33)第五章基于向量机（SVM）算法的车牌字符识别算法 (35)5.1向量机（SVM）算法的理论背景 (35)ii 目录5.1.1 SVM的基本原理 (35)5.1.2 SVM中核函数的选择 (35)5.1.3 SVM的多类决策问题 (36)5.1.4 SVM算法描述 (38)5.2向量机（SVM）算法的实现以及识别率的研究 (39)5.2.1 车牌字符图像的预处理 (39)5.2.2 车牌字符特征的选取 (39)5.2.3 车牌字符SVM的构造 (39)5.2.3 实验过程中相关函数及参数的选定 (40)5.2.4 实验过程中的相关结果 (41)5.3本章小结 (43)第六章总结与展望 (45)致谢 (47)参考文献 (49)第一章序言 1第一章序言1.1课题研究背景以及意义目前，我国的经济正在飞速的发展，综合实力也在与日俱增，城市化进程也在加快，国内各大城市交通管理能力将面临重大考验。
目前LPR（汽车牌照识别技术License Plate Recognition，LPR，简称“车牌通”）系统在实际交通系统中已广泛应用于交通流量检测，交通控制与诱导，机场，港口，小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，具有广阔的应用前景。
目前对于车牌图像的识别已经有相当成熟的算法。
基于这种现状，本文将对典型的车牌字符识别算法，如：模板匹配，神经网络，向量机（SVM）等算法进行研究，实现这三种算法并在此基础上完成此三种方法识别率的实验。
本课题研究的主要意义在于：通过对目前比较典型的车牌识别算法识别率的研究，系统的分析这些算法各自存在的优缺点以及适应的场合，提出一个识别率更高的算法并为以后的车牌识别算法的研究提供一个借鉴。
1.2本文主要的研究内容在处理输入车牌图像的基础上，对分割出来的字符分别用模板匹配，神经网络，向量机（SVM）进行识别，并对各方法的识别率进行比较。
整个过程包括两个阶段：第一阶段是输入车牌图像的预处理；第二阶段是不同方法对提取的分割字符的识别过程。
预处理流程图：2 车牌字符自动识别算法研究及识别系统设计与实现图 1-1 预处理流程图字符识别的流程图：图1-2 字符识别的流程图基于模板匹配算法的流程图：图1-3 模板匹配算法的流程图基于神经网络的流程图：图1-4基于神经网络的流程图第一章序言 3图1-4基于神经网络的流程图上图所走的流程是，首先输入神经网络所需要的模板数据，在本实验中我采取的每个样本4个模板，然后输入建立神经网络所需要的相关参数如最大迭代次数，最终的生成目标，后通过BP神经网络建立相应的神经网络。
在测试过程中，输入测试的图像，通过上面的神经网络可对测试图片进行分类得到想要的结果。
基于向量机的流程图图1-5 基于向量机的流程图SVM算法主要是输入向量机所需要的训练数据，我采用了4个训练数据，由于SVM本身的好处所以不需要大量的训练数据，输入相应的训练数据，如误判代价和gamma值，建立相应的分类器。
在测试过程中，输入要测试的图片，通过分类器，从而能够将输入的图片放入相应的分类器。
4 车牌字符自动识别算法研究及识别系统设计与实现第二章 车牌图像的预处理 5第二章 车牌图像的预处理概要:由于我们要识别的车牌，都是采用摄像头采集的，所以在采集的过程中必然会带入一定的噪声，甚至有些图片由于噪声太大，导致车牌字符无法识别，这就需要自己手动输入。
现在有相应的算法来去除彩色图片和二值图像中噪声，而车牌图像的预处理过程就是一个对采集来的图像进行去噪的过程，为后面的车牌字符识别做准备。
在对图片进行的预处理的过程主要包括：彩色图像的平滑处理，图像的二值化，基于形态学的二值图像去噪过程，对于一幅完整的车牌进行字符拆分。
进过上面的过程就得到了我们下面实验所需要的对应数据，即车牌的单个字符。
2.1图像的平滑处理2.1.1 平滑处理的理论 图像平滑是一种可以减少和抑制图像噪声的实用数字图像处理技术。
在空间域中一般可以采用领域平均来达到平滑的目的。
论文采取的是高斯平滑。
平均平滑【1】对领域内的像素一视同仁，为了减少平滑处理中的模糊，得到更自然的平滑效果，则会很自然地想到适当加大模板中心点的权重，随着远离中心点，权重迅速减小，从而可以确保中心点看起来更接近与它距离更近的点，基于这种考虑得到的模板即为高斯模板。
常用的3X3的高斯模板如下所示：1211/16242121w ⎛⎫ ⎪=⨯ ⎪ ⎪⎝⎭高斯模板名字的由来是二位高斯函数，即我们熟悉的二位正态分布密度函数，回忆一下，一个均值为0，方差为2σ的二维高斯函数为：()22221(),exp()22x y x y φπσσ+=- 高斯模板正是将连续的二维高斯函数的离散化表示，因此任意大小的高斯模6 车牌字符自动识别算法研究及识别系统设计与实现板都可以通过建立一个(21)(21)k k +⨯+的矩阵M 得到，其(,)i j 位置的元素值可如下确定：22221((1)(1))(,)exp()22i k j k M i j πσσ--+--=- 实际应用中，通常对33⨯的模板取σ为0.8左右，对于更大的模板可以适当的增大σ的值2.1.2 平滑处理的实现基于matlab 语言，调用matlab 本身的图像处理函数imfilter 。
处理前后图像的对比参看图2-1。
图2-1(a) 原图片图2-2(b) 平滑处理后的图片图2-1 去噪前后图像对比通过上面的实验得出如下结果：随着模板的增大，原图像中的噪声得到了更好的抑制，并且在同样大小的情况下，高斯滤波后的图像比平均模板滤波后的图像能更好的保留细节。
第二章 车牌图像的预处理 72.2图像的二值化处理2.2.1 二值化处理的理论 在描述图像二值化处理过程之前，先了解下最基本的图像分析工具—灰度直方图，灰度直方图描述了一幅图像的灰度级数统计信息，在图像分割和图像灰度变换等处理过程中应用广泛。