.車牌預處理

車牌預處理過程的好壞直接影響到車牌圖像進行后期處理過程，比如車牌字符分割等。車牌預處理也是盡可能的消除噪聲，減少后期處理帶來的不必要的麻煩。

輸入的車牌是24Bit的BMP真彩色圖像，車牌照有黃底黑字，藍底白字等顏色，為了將這些車牌圖像一并處理，就要先將車牌進行灰度化處理，然后進行二值化（黑白）處理。

圖4-1 原始圖像

將采集的車牌圖像進行預處理，為了方便起見，這里采用的是BMP格式的圖片，我將采集的車牌圖像進行了裁剪處理，裁剪后的圖片如下：

由于中國大部分的車牌是第一個是漢字，第二個到第七個是字母或數字，這就可以將車牌圖像識別過程分成兩部分處理，第一部分是識別漢字的過程，第二部分是識別字母和數字的過程，由于漢字筆畫較多，同字母或數字的處理過程有所不同。所以我這里就先處理字母或數字的過程。

除漢字外，在第一個字母和第二個數字的中間有個一點，所以在字符分割的時候要考慮去掉中間的點。車牌圖像總體來說比較清晰，大型民用車，牌照為黃底黑字，小型民用車，牌照為藍底白字，由于字符與背景顏色對比比較明顯，所以將車牌分割開來比較容易。由于有些車牌的上面和下面也有螺絲之類的東西將車牌固定，所以在將車牌分割的時候，通過水平掃描跳躍點的方法，可以去除掉，以便最后將車牌進行分割，去除這些干擾。

在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節存放灰度值（又稱強度值、亮度值），灰度范圍為0-255。一般有四種方法對彩色圖像進行灰度化。

1. 分量法。就是將每個分量上的顏色值即RGB3種顏色提取出來。即：將彩色圖像中的三分量的亮度作為三個灰度圖像的灰度值，可根據應用需要選取一種灰度圖像。f1(i,j)=R(i,j) f2(i,j)=G(i,j) f3(i,j)=B(i,j)其中fk(i,j)(k=1,2,3)為轉換后的灰度圖像在（i,j）處的灰度值。

2.最大值法。選取彩色圖像中的三分量中（RGB）的顏色的最大值作為灰度圖的灰度值。即：f(i,j)=max(R(i,j)，G（i,j）,B(i,j))。

3.平均值法。 將彩色圖像中的三分量亮度求平均得到一個灰度圖f(i,j)=(R(i,j)+G(i,j)+B(i,j))/3。

4.加權平均法。根據重要性及其它指標，將三個分量以不同的權值進行加權平均。由于人眼對綠色的敏感最高，對藍色敏感最低，因此，按下式對RGB三分量進行加權平均能得到較合理的灰度圖像。f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))。

以上四種處理過程，在車牌預處理的過程中，我選擇加權平均值法。效果如下：

圖4-2 原始圖像

圖4-3灰度圖像

如上圖，是將圖中的原始圖像進行加權平均值處理后的灰度圖像。

關鍵代碼如下：

for(i = 0;i < Height; i++)

{

for(j= 0;j < Width*3; j+=3)

{

ired = (unsigned char*)lpDibBits + LineBytes* i + j + 2;

igreen= (unsigned char*)lpDibBits + LineBytes * i + j + 1;

iblue = (unsigned char*)lpDibBits + LineBytes* i + j ;

lpdest[i*Width+ j/3]= (unsigned char)((*ired)*0.299 + (*igreen)*0.588 + (*iblue)*0.114);//加權平均值計算處理

}

}