A1 A4 A7 A2 A5 A8 图2-9 像素模板
A3 A6 A9 中值滤波对异常值（与周围像素灰度值差别较大的像素的值）的敏感性比均值滤波小，中值滤波可以在不减小图像对比度的情况下剔除这些异常值，使图像产生较少的模糊。因为它能够有效的去除尖峰噪声，还能对边缘起到很好的保护作用。所以被广泛应用于实际中。
中值滤波的流程图如图2-9所示，图2-10是中值滤波后的图像。
开始读领域空间A1-A9的灰度值从低到高排序a1-a9A5=a5是否为边界像素点Y结束N 图2-9 中值滤波的流程图
- - 21
图2-10 中值滤波后的图像
2.3.4车辆图像的二值化及二值反向
图像二值化的方法是：逐个像素获取位图（BMP）图像的颜色信息，并将其转换成LAB色彩空间，将LAB的L（亮度）分量与形参传递的阈值进行比较，L（亮度）分量大于阈值则将RGB三个分亮亮均设置成255，也即是白色，如果LAB的L（亮度）分量小于形参传递的阈值则将RGB三个分亮亮均设置成0，也即是黑色。
车辆图像二值化处理的流程图如图2-11所示，经过二值化处理的图像如图2-12。此处选用的阈值是120。
另外，为了使边缘提取清楚，对位图进行二值反向，使车型轮廓更加明显。所谓二值反向就是将灰度值为255的像素点赋值为0，灰度值为0的像素点赋值为255，这样就实现了二值图像的二值反向。如图2-13为二值反向后的车辆图像。
- - 22
开始读入灰度图像设定阀值k灰度值>x灰度值=255灰度值=0二值化图像结束 图2-11 车辆图像二值化的流程图
图2-12二值化处理的图像
- - 23
图2-13 二值反向后的图像
2.3.5车辆图像的边缘检测
本篇论文中，图像的边缘检测运用的是Laplacian梯度算子， 并对边缘进行了追踪。从模板形式容易看出，如果在图像中一个较暗的区域中出现了一个亮点，那么用拉普拉斯运算就会使这个亮点变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域，所以拉普拉斯锐化模板在边缘检测中很有用。一般增强技术对于陡峭的边缘和缓慢变化的边缘很难确定其边缘线的位置。但此算子却可用二次微分正峰和负峰之间的过零点来确定，对孤立点或端点更为敏感，因此特别适用于以突出图像中的孤立点、孤立线或线端点为目的的场合。同梯度算子一样，拉普拉斯算子也会增强图像中的噪声，有时用拉普拉斯算子进行边缘检测时，可将图像先进行平滑处理。边缘检测得到的图像如图2-14。
- - 24
图2-14 边缘检测后的图像
- -
25