MATLAB是一种基于向量（数组）而不是标量的高级语言，因而从本质上就提供了对图像的支持。MATLAB为从事图像处理的工程师和研究人员提供了直观、可靠的一体化开发工具。这些开发工具在医学、公安和国防、遥感遥测、生物技术、显微镜技术、半导体测试、图像传感器设计等图像处理领域得到了广泛的应用[8]。
MATLAB中图像最基本的数据结构是数组。在MATLAB中大多数图像用二维数组double（64位）浮点型、或uint8（8位无符号整数）、uint16（16位无符号整数）存储的，以减少图像的存储量。在默认状态下，MATLAB通常用双精度浮点类型数组存储数据。例如：一个由100行和50列不同灰度值的点组成的图像可以用一个100×50的矩阵来存储。对于彩色图像，如RGB图像，需要用三维矩阵来存储，第一维表示红色像素的深度值，第二维表示绿色像素的深度值，第三维表示蓝色像素的深度值。
MATLAB的图像处理工具箱提供了一整套用于图像处理、分析、可视化和算法开发的工具。用户可根据自身需求对图像进行一系列的处理，其中包括特征提取、分析形状和纹理以及对两幅图像进行匹配等。真彩色图像、索引色图像、灰度图像、二值图像都是MATLAB的图像处理工具箱可以支持图像类型。由于在MATLAB中用到的某些函数对所使用的图像的图像类型有限制，所以这四种图像类型可以相互转换，所用的转换方式是使用MATLAB的图像处理工具箱的类型转换函数。BMP、HDF、JPEG、PCX、TIFF、XWD等格式都是可以在MATLAB中进行操作的图像文件格式[9]。目前MATLAB软件已广泛运用到数字图像处理领域，故本次研究以MATLAB软件为平台实现车牌识别。
7
3 车牌识别系统的原理及方法
3.1 车牌识别系统简述
车牌识别技术是基于计算机图像处理为基础，通过对原始图像的预处理，对车牌进行定位，然后再对字符进行分割，最后对分割出的字符进行识别，再输出识别的结果[10]。车牌识别系统的流程图如图3-1所示
车牌图像采集 车牌图像预处理 对车牌进行定位 输出识别结果 字符识别 对车牌字符进行分割
图3-1 车牌识别系统流程图
汽车牌照识别技术主要包括车牌定位、字符分割、字符识别等。汽车牌照识别的第一步首先要通过图像预处理（边缘检测、腐蚀、填充、滤波）之后正确的从原始图像中分割出车牌区域，其过程是将灰度图像以sobel算子检测边缘；再对边缘图像进行腐蚀，去除掉细的，间断的边缘；对剩下的区域进行闭合以填充图像，此时车牌区域形成了一个大的连通域；在调用bwareaopen函数去掉小的连通域，此时整个二值图像只剩下了车牌区域。在将此车牌区域的点的坐标放入数组location_of_1中，对这些坐标进行计算，寻找x坐标与y坐标之和最大的点a与最小的点b，a即为车牌的左上角，b为车牌的右下角，通过这两个坐标将车牌分割出来[11]。
第二步是将前面车牌里的7个字符分割出来，其过程是从左向右像按列计算每一列之和，没有白点的列和为0，有白点的列和非零，转换为逻辑1，记录下所有列和在0与1转换的列，即为需要切割的列，共有14列，可切出7个字符。切割出单个字符后，放入char_(i)中，并切割掉每个字符的上下的空白区域，完成精确切割。
第三步是对前面分割出的字符进行识别，运用的是模板匹配字符识别算法，这过程是把切割出的字符与库里的汉字和字符的模板做减法运算，找到差别点最少的模板为对应模板，输出该模板对应的字符，最后识别出车牌。
8
3.2 车牌图像预处理 3.2.1 图像灰度化
图像一般可以分为一下的三类。 （1）灰度图像
当一幅图像有灰度级时，通常称该图像为k比特图像。例如，一幅图像有256个可能的灰度级，称其为8比特图像。灰度图像矩阵元素的取值范围通常为[0,255]，因此其数据类型一般为8位无符号整数，这就是人们经常提到的256级灰度图像。“0”表示纯黑色，“255”表示纯白色，中间的数字从小到大表示由黑色到白色的过渡色[12]。 （2）二值图像
一幅二值图像的二维矩阵仅由0、1两个值构成，“0”代表黑色，“1”代表白色。由于每一像素的取值仅有0、1两种可能，所以计算机中二值图像的数据类型通常为一个二进制位。二值图像通常用于文字、线条图的扫描识别（OCR）和掩模图像的存储。二值图像可以看成是灰度图像的一个特例。 （3）RGB彩色图像
RGB图像用来表示彩色图像。它分别用红（R）、绿（G）、蓝（B）三原色的组合来表示每个像素的颜色。图像中每一个像素的颜色值（由RGB三原色表示）直接存放在图像矩阵中，由于每一像素的颜色需由R、G、B三个分量来表示，因此RGB图像的图像矩阵与其他类型的图像矩阵不同，是一个三维矩阵，可用M×N×3表示，M、N分别表示图像的行、列数，三个M×N的二维矩阵分别表示各个像素的R、G、B三个颜色分量。RGB图像的数据类型一般为8位无符号整型，通常用于表示和存放真彩色图像，当然也可以存放灰度图像[13]。
通常，通过数码相机拍照所获的图像是彩色图像，在彩色图像里，如果R=G=B，则图像中的颜色都为一种灰度颜色，其中R=G=B的值叫做灰度值，图像的灰度化处理是指图像由彩色转换为灰度的过程，灰度图像中只包含了强度信息，而并没有颜色信息。
3.2.2 边缘检测
所谓边缘，是指其周围像素灰度有变化的那些像素的集合，它是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础，而且在车牌识别系统中提取车
9
牌位置占了很重要的地位。其中边缘检测的算子有很多，如Roberts算子、Sobel算子、Prewitt算子、Zerocross算子、Log算子以及Canny算子。Sobel算子是对图像进行差分和滤波运算，且它对噪声具有一定的抑制能力，所以本设计运用Sobel算子对图像进行边缘检测。
Sobel边缘算子： -1 0 1 -2 0 2 -1 0 1
-1 -2 -1 0 0 0 1 2 1 图3-2 Sobel边缘算子模板
如图3-2所示，两个卷积核形成了Sobel边缘算子。图像中的每个点都用这两个核做卷积。通常，一个核对垂直边缘响应最大，而另一个核则对水平边缘响应最大，两个卷积的最大值作为该点的输出值，运算结果是一幅边缘幅度图像。
对于边缘清晰的图像，Sobel提出一种检测边缘点的算子。对数字图像{f(i,j)}的每一个像素点考察它上、下、左、右相邻点灰度的加权差，与之接近的邻点权重大。据此，定义的Sobel算子表示为
S(i,j)?|[f(i?1,j?1)?2f(i?1,j)?f(i?1,j?1)]?[f(i?1,j?1)?2f(i?1,j)?f(i?1,j?1)]|?|[f(i?1,j?1)?2f(i,j?1)?f(i?1,j?1)]?[f(i?1,j?1)?2f(i,j?1)?f(i?1,j?1)]| （3-1）
适当取阀值T,做如下判断：若S(i,j)?T，则(i,j)点为边缘点，所有边缘点的集合
{S(i,j)}，为边缘图像[14]。
3.2.3 形态学图像处理
数学形态学以形态为基础对图像进行分析，其基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的基本运算有4个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合[15]。
膨胀运算符号为?，假设A为图像集合，用B为结构元素来对A进行膨胀，则记作A?B，定义为：
10
?)?A??} （3-2） A?B?{x|[(Bx?表示B的映像，即与B关于原点对称的集合。上式表明，用B对A进行膨其中B胀的运算过程如下：首先作B关于原点的映射，再将其映像平移x，当A与B映像的交集不为空时，B的原点就是膨胀集合的像素。膨胀运算会使图像的区域进行扩张。
腐蚀的运算符号为?，A用B来腐蚀记作A?B错误！未找到引用源。，其定义为:
A?B??x|(B)x?A? （3-3）
上式表明，腐蚀的过程为结构元素B平移x后，结构元素B仍在集合A中的参考点的集合。腐蚀运算会使图像的区域进行收缩。
使用同一结构元素对图像先进行膨胀运算，然后对结果进行腐蚀运算的运算方法成为闭运算，闭运算的符号为?。A用B的闭运算记作A?B，其定义为：
A?B?(A?B)?B （3-4）
闭运算可以平滑图像的轮廓，它一般用来填充目标内的细小空洞和裂缝、连接断开的临近目标。
采集数字图像过程中通常会会受到多种噪声的污染。另外，如果在过程中产生污染则会将要处理的图像上表现出一些较强的视觉效果孤立像素点和像素块。一般情况下，这些噪声在研究对象中一般都是无用的信息，而且还会对研究对象造成干扰，极大降低了图像质量，影响图像分割、图像识别等后继工作的进行。为了有效的去除这些噪声，并且有效的保存研究对象的图像形状、大小及特定的几何和拓扑结构特征，我们就要采取滤波。滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。
3.3 车牌定位原理
我们已经对车牌在图像中的位置作了初步的定位，移除小对象后的二值图像中白色区域基本就是车牌的位置了。二值图像是指整幅图像画面内仅黑、白二值的图像，每一个像素取两个离散数值（0或1），其中0代表黑色，1代表白色。灰度图像二值化在图像处理的过程中有着很重要的作用，他不仅能使数据量再一次变小，而且还能突出需要的目标轮廓，从而进行图像的处理与分析。所谓的二值化处理就是将车牌图像上的像素点的灰度值设置为0或255，从而让整张图片变成黑白的效果，将灰
11