Sobel算子和Prewitt算子都是加权平均，Prewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Robert。 （4）Laplacian梯度算子 Laplacian梯度算子的模板：
?0?1???01?410??1?11?? ??0???11??81?? 11??1 Laplacian算子：对噪声的敏感性很高，幅值会出现双边缘，为了弥补这个缺陷，美国学者Marr提出在运用Laplacian算子之前，先进行高斯低通滤波，得到的算子称为Laplacian of a Gussan，简称LoG。 （5）LoG梯度算子 LoG梯度算子的模板：
0?0?0?1???1?2??0?1?0?0?1?216?2?10?1?2?100?0???1?? 0?0?? LoG算子克服了Laplacian算子抗噪声能力差的缺点，但是抑制噪声的同时也将原有的比较尖锐的边缘平滑掉了，造成这些边缘无法被检测到。
2.3车辆图像的处理结果
2.3.1车辆BMP图像显示与读取
一般来说，bmp图像文件的数据是从下到上，从左到右的。即从文件中最先读到的是图像最下面一行的左边第一个像素，然后是坐标第二个.....接下来是
- -
16
倒数第二行的第一个像素。BMP图像的显示的流程图如图2-4所示，BMP图像的读取的流程图如图2-5所示。
- - 开始调用信息头读取函数读取图像文件头信息根据信息投中的数据判断图像的颜色深度调用相应的图像显示函数结束 图2-4 BMP图像的显示流程图
17
开始读方式打开文件跳过BITMAPFILEHEADER结构读入BITMAPFILEHEADER结构读入颜色表读入位图数据关闭文件结束图2-5 BMP图像的读入
如图2-6为读入的bmp图像。
图2-6 读入的bmp图像
- -
18
2.3.2车辆图像灰度化
本篇论文采用方法是加权平均法，即:
Vgray=0.30R+0.59G+0.11B
R=G=B=gray
加权平均法的灰度化处理的流程图如图2-7所示，得灰度图像如图2-8所示。
- - 开始读取图像的RGB值赋值Vgray=0.30R+0.59G+0.11BR=G=B=Vgray车辆灰度图像结束 图2-7 加权平均法灰度化流程图
19
图2-8 灰度化处理后的图像
2.3.3车辆图像平滑处理——中值滤波
中值滤波是一种不属于卷积算法的区域处理方法，是非线性处理技术，能抑制图像中的噪声。中值滤波在衰减噪声的同时不会使图像边界模糊，这也是中值滤波得到广泛应用的原因。本文应用该方法主要是在图像预处理环节，因此可以不用考虑其不适合处理多环节的图像中的缺点。它将区域中所有值按大小进行排序，并将排序后位于中间的像素值赋予中心像素。噪声往往以孤立的点的形式出现，这些点对应的像素数很少，而图像则是有像素数较多、面积较大的小块构成。基本原理是把数字序列或数字图像中某一点的值用该点的一个邻域中各点值得中值交换。
中值滤波去除噪声的效果依赖于领域的空间范围和中值计算中涉及的像素数这两个要素。小于滤波器面积一半的亮或暗的物体基本上会被滤除，而较大的物体几乎会原封不动地保存下来。我们以图2-9的模板为例，其具体步骤为:首先读取模板中A1，A2……A9 像素点对应的灰度值；其次将这9 个灰度值从低到高排序；最后求中间值，则A5 的新值即为该值。
- - 20