一：GUI界面預覽

二：選擇圖片

使用uigetfile函數打開一個模態對話框，其中列出了當前文件夾中的文件。

在這里選擇或輸入文件的名稱。選擇文件點擊打開時，uigetfile將返回文件名。

如果點擊取消或窗口關閉按鈕 (X)，uigetfile 將返回 0。

對應的GUI界面如下：

三：預處理

（1）灰度化

使用Rgb2gray函數將 RGB 圖像或顏色圖轉換為灰度圖，圖像預處理的第一步是圖像灰度化處理。該步驟使圖像占用空間減少。

灰度化處理結束后輸出灰度化圖像與灰度直方圖：

對應的GUI界面如下：

（2）邊緣檢測

使用edge函數進行邊緣檢測，在使用edge函數時可以指定要檢測的邊緣的方向。Sobel 和 Prewitt 方法可以檢測垂直方向和/或水平方向的邊緣。

Roberts 方法可以檢測與水平方向成 45 度角和/或 135 度角的邊緣。

經過分析和實踐，使用Sobel方法效果較好，該函數的第三個參數為二值化閾值，把比該值大的置為1

為了在GUI中方便調試，我們把邊緣檢測的閾值設定為一個變量edit2_aa，該變量的值可以通過GUI中的文本框進行設定，如下所示：

對應的GUI界面如下：

四：車牌定位

（1）圖像腐蝕

使用imerode() 函數進行圖像腐蝕，來去除上一步邊緣檢測后遺留的噪聲點， J = imerode(I,SE) 腐蝕灰度圖像、二值圖像或壓縮二值圖像 I，返回腐蝕圖像 J。

其中SE 是結構元素對象或結構元素對象的數組，由 strel 或 offsetstrel 函數返回。本列中由strel函數返回結構元素SE。

為方便在GUI中進行調試，矩形結構元素的行數由GUI中可編輯文本框輸入，默認為2，列數固定為1

對應的GUI界面如下：

可以發現經過圖像腐蝕后，去除了除車牌外的干擾點

（2）平滑處理

使用 imclose函數，即閉運算：用結構元素對圖像先膨脹，再腐蝕。對圖像進行平滑處理，閉運算可以用來融合窄的缺口和細長的彎口，去掉小洞，填補輪廓上的縫隙

本部分的結構元素采用一個大小為 [n n] 的矩形結構，其中矩形結構的行數及列數由GUI的可編輯文本框進行設定

對應的GUI界面如下：

可以發現經過平滑處理后，覆蓋的區域跟車牌區域吻合度更好了，便于車牌的定位和切割

（3）移除對象

使用bwareaopen 函數可以用于從二值圖像中刪除小對象。該函數使用格式為 BW2 = bwareaopen(BW,P) 從二值圖像 BW 中刪除少于 P 個像素的所有連通分量（對象）并生成另一個二值圖像 BW2。此運算稱為面積開運算。

為GUI方便調試，我將bwareaopen函數的第二個參數，通過GUI可編輯文本框輸入，并進行調試

對應的GUI界面如下：

由于前一步的平滑處理后并沒有小區域，所以對此步而言，效果并不明顯。

（4）定位剪切

對應的GUI界面如下：

可以發現通過前面的邊緣處理、圖像腐蝕、平滑處理、移除對象等操作，圖像裁剪效果較好。

五：車牌識別

（1） 灰度處理

對原圖像進行車牌定位，并把車牌裁剪出來后，要重新進行灰度處理，便于后續的操作。

對應的GUI界面如下：

（2）直方圖均衡化

使用 histeq 函數進行直方圖均衡化來增強對比度 其函數使用格式為J = histeq(I,n) 其中I為變換灰度圖像，J為輸出灰度圖像，它具有 n 個 bin 的直方圖大致平坦。為方便調試，我們將n的值通過GUI的可編輯文本框進行輸入

對應的GUI界面如下：

（3） 二值化圖像

使用 imbinarize函數進行二值化 ，通過閾值化將二維灰度圖像或三維體二值化 ，該函數通過將所有高于全局閾值的值替換為 1 ，并將所有其他值設置為 0，從二維或三維灰度圖像 I 創建二值圖像。

在默認情況下，imbinarize 使用 Otsu 方法，該方法選擇特定閾值來最小化閾值化的黑白像素的類內方差

imbinarize(I,T) 使用閾值 T 從圖像 I 創建二值圖像。T 可以是指定為標量亮度值的全局圖像閾值，也可以是指定為亮度值矩陣的局部自適應閾值 ，為方便調試，我們將T的值通過GUI的可編輯文本框進行輸入。

對應的GUI界面如下：

（4） 移除對象

使用bwareaopen 函數可以用于從二值圖像中刪除小對象。該函數使用格式為 BW2 = bwareaopen(BW,P) 從二值圖像 BW 中刪除少于 P 個像素的所有連通分量（對象）并生成另一個二值圖像 BW2。此運算稱為面積開運算。

為GUI方便調試，我將bwareaopen函數的第二個參數，通過GUI可編輯文本框輸入，并進行調試

進行此步驟的目的是去除裁剪后車牌的白邊和噪聲點、干擾點等對后續字符切割造成干擾的信息

對應的GUI界面如下：

通過對比，可以明顯的觀察到，經過車牌識別移除對象操作，很好的去除了B和8之間的圓點，這個圓點如果不去除，對后續的裁剪將會造成很大的干擾。

除此之外，位于車牌輪廓的白線及其他噪聲點也被消除掉了，經過此步后，車牌內容只剩下要識別的七個字符，對后續的裁剪打下來良好的基礎。

（5） 中值濾波

使用 medfilt2 函數進行二維中位數濾波， 其格式為 J = medfilt2(I,[m n]) 執行中位數濾波時，其中每個輸出像素包含輸入圖像中對應像素周圍的 m×n 鄰域中的中位數值。

在此處添加該步驟并不是為了濾除孤立的噪聲點，僅僅是為了將圖像字符的邊界進行平滑處理，屬于對圖像的優化操作，若前面的步驟進行的較好，則本步驟的作用并不明顯。

因此，在操作時可以根據需要靈活選擇是否跳過該步驟。

對應的GUI界面如下：

通過對比，可以明顯的觀察到，經過車牌識別移除對象操作，很好的去除了B和8之間的圓點，這個圓點如果不去除，對后續的裁剪將會造成很大的干擾。

除此之外，位于車牌輪廓的白線及其他噪聲點也被消除掉了，經過此步后，車牌內容只剩下要識別的七個字符，對后續的裁剪打下來良好的基礎。

（6） 圖像切割（本部分程序較長，就不放了，見工程文件435-528行，及my_imsplit函數）

該步驟進行的操作及思路為：首先讀取經過中值濾波后的圖像數據，調用我們寫的my_imsplit函數，對圖像進行初步裁剪。

在該函數中，依次進行了：獲取圖像的大小、獲取字符的頂部位置、獲取字符的底部位置、獲取字符的左邊界、獲取字符的右邊界、得到寬和高、裁剪等步驟

其中在通過size函數得到圖像的尺寸信息后，從第一行開始按行向下搜索，找到第一個行像素和非零的行作為圖片的頂部位置，然后從左后一行，向上搜索，找到第一個行像素和非零的行作為圖片的底部位置，同理和獲得左邊界和右邊界

為了方便后續識別，我們在找出的上下邊界的基礎上，向上和向下各拓展了10個像素（若疊加后不超出邊界）

之后的到裁剪后的寬度和高度，調用MATLAB的imcrop函數，對圖像進行裁剪，該函數用于返回圖像的。

一個裁剪區域，該函數的第一個參數為需要裁減的圖像，第二個參數為一個包含四個元素的行向量，其中第一個和第二個元素為裁剪的左上角的坐標點，第三第四個元素為裁剪后的寬度和高度

回到主函數文件中，在裁剪完成后進行的操作是第一個字符的切割，首先通過找到第一個像素和非零的列，來作為第一個字符的左邊界，在此基礎上繼續向右搜索。

找到第一個像素和為零的列，作為右邊界，接下來通過找到的該字符的寬度與車牌整體寬度的比值來判斷是否裁剪異常，若異常則選取左右邊界內像素和最小的列作為右邊界，并將其置零。并進行多項異常檢測與糾正。

每裁剪出一個字符，就將車牌中其對應位置的像素均清零，方便后續搜尋

同理可以得到后面的六個字符，將裁剪后的字符的大小統一制定為[40 20]，進行保存，并繪制出圖像

其切割效果如下：

可以發現切割效果較好

（7）模板匹配

我們將要識別的字符放置到一個字符串中，該字符串的第1到第10的元素存放數字0到9，第11到34的元素存放字母A~Z（除I和O），第35個存放漢字魯。

對于每個字符，我們首先讀取之前裁剪出的車牌字符，并調整圖片的大小，進行二值化處理，對于第一個字符設定其搜索范圍為35，第二個字符搜索范圍為11到34，其余的字符搜索范圍為1到34。

接著讀取字符庫的圖片模板跟車牌中裁剪出的字符進行匹配，此處的匹配我們用了兩種方法，基礎方法是對比兩張圖片的每一個像素點，統計其不相等的像素個數，并將相似度最高的模板作為識別結果，并將識別的結果通過msgbox函數進行展示。

識別結果為：

六：結果轉換

（1） 車牌模板匹配

IDFind函數的作用是，輸入一個字符串，也就是識別出的車牌，將其與模板庫里的車牌進行匹配，尋找相似度最高的一個作為匹配結果。

其中IDLib用來存放需要匹配的車牌號與其對應的隱含信息等，該函數返回量依次為，匹配的車牌號、設定的其他隱含信息

（2） 生成二維碼

該部分用于識別的車牌匹配出的數字信息轉換成二維碼進行顯示，包含了要求的灰度二維碼以及拓展提高的QR二維碼

其中QRcode函數用來生成QR二維碼，其代碼如下：

其中graycode函數用來生成灰度二維碼，其代碼如下：

灰度二維碼的轉換過程為：將匹配的數字信息傳入該函數，對每一個學號進行提取，并按比例放縮到0 ~ 255像素之間，也就是轉換成灰度值進行顯示，將0 ~ 255劃分成10部分依次對應數字0~10。

對應的GUI界面如下：

七：使用神經網絡進行車牌識別

（1） 網絡訓練

將已有的切割出的N個車牌字符作為輸入量，其對應的正確的識別字符在licode中的索引值作為輸出值進行網絡訓練，首先我們需要挨個讀入字符照片（40x20），然后將其通過sum（：2）轉換為列向量。

這樣最終得到的40xN打的矩陣作為訓練網絡的輸入值，其中N為訓練的字符個數，調節好神經網絡的參數后，對網絡進行數據進行歸一化處理，并調用網絡進行網絡訓練。

將訓練好的網絡通過save命令進行保存，同時兩個歸一化參數也需要保存，供后續識別使用。

（2） 調用訓練好的網絡進行車牌識別

其中BP_NET()函數用來調用訓練好的網路進行識別，其代碼見工程文件BP_NET.m，在BP_NET()函數中，首先要讀取訓練好的網絡及歸一化變量，對讀入的每個切割出的字符要進行處理。

將其轉換為40x1的列向量，每次車牌識別需要識別六個字符（魯字不識別），最終得到的40x6的數組作為輸入量進行網絡預測，調用網絡進行預測，將預測的車牌號作為返回量進行輸出。

（3） 算法切換的實現

其中BP_NET()函數用來調用訓練好的網路進行識別，其代碼見工程文件BP_NET.m，在BP_NET()函數中，首先要讀取訓練好的網絡及歸一化變量，對讀入的每個切割出的字符要進行處理。

將其轉換為40x1的列向量，每次車牌識別需要識別六個字符（魯字不識別），最終得到的40x6的數組作為輸入量進行網絡預測，調用網絡進行預測，將預測的車牌號作為返回量進行輸出。

通過GUI界面的一個按鈕組進行算法的選擇與切換，如下所示：

審核編輯：郭婷