超难问题！！！！ 求 车牌 识别 程序！！！！
就是将 图片 中 的 汽车 车牌 号识别出来例如 图片那部汽车的 车牌是 "粤 B.0034" , 现在要将 车牌 号识别出来， 转成字符串 "B.0034" ，如果能识别出中文就更好了 ！！图片都是 正面 拍照的， 图片格式是 bmp 或 jpg
就是将 图片 中 的 汽车 车牌 号识别出来例如 图片那部汽车的 车牌是 "粤 B.0034" , 现在要将 车牌 号识别出来， 转成字符串 "B.0034" ，如果能识别出中文就更好了 ！！图片都是 正面 拍照的， 图片格式是 bmp 或 jpg
下载地址:http://www.tomore.com/dispdocnew.php?id=16943
1. RGB 轉為 黑白 並 調整 , 可以濾除背景, 使得字體顯示出來
2. 通過一些算法可以得到字體的輪廓, 比對字庫,得出結果.真正做出來, 我想還是需要下很大工夫的.
希望能給樓主些幫助.
本文介绍了边缘检测的原理和方法，将几种常见的边缘检测方法进行比较，选出最优算子高斯-拉普拉斯（LOG）算子。基于Visual C++ 实现了一个简单的边缘检测处理软件。本软件主要是提供给用户对图像进行平滑、锐化、边缘检测、加随机噪声、保边去噪处理等功能。在实际应用中，对三维地震数据进行LOG边缘检测，并根据检测结果进行分析。
【关键词】 边缘检测、高斯-拉普拉斯或LOG、三维地震数据
1．前言
数字图像处理技术起源于20世纪20年代，经过半个多世纪的发展，目前已经广泛地用于工业、医疗保健、航空航天、军事、地理等各个领域，在国民经济中发挥着越来越重要的作用。目前，随着信息技术的发展、数字化地球概念的提出以及因特网的飞速发展，数字图像处理越来越受到人们的重视。数字图像处理科学与技术逐步向其他学科领域渗透，并为其他学科所利用是科学发展的必然。所谓数字图像处理就是利用数字计算机或者其他数字硬件，对从图像信息转换而得的电信号进行某些数学运算，以提高图像的实用性。
2．边缘检测方法及其预处理
数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础，图像理解和分析的第一步往往就是边缘检测，目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。
2.1 预处理
●保边去噪
保边和去噪是一对矛盾的概念，不可能同时做到既保持边缘特性又去除噪声，而保边去噪却打破常规，它在保持边界的情况下将噪声滤掉，是一种新型的去噪方法。
2.2 边缘检测方法
⑴高斯算子
高斯算子是一个平滑模板，平滑模板的思想是通过将一点和周围8个点作平均，从而去除突然变化的点，滤掉噪声，其代价是图象有一定程度的模糊。而减少图像模糊代价是图像平滑研究的主要问题之一。常见的高斯模板为：
⑵拉普拉斯算子
拉普拉斯算子是一个锐化模板，锐化和平滑恰恰相反，它是通过增强高频分量来减少图象中的模糊，因此又称为高通滤波。锐化处理在增强图象边缘的同时增强了图像的噪声。常见的拉普拉斯锐化模板为：
⑶高斯-拉普拉斯(LOG)算子
高斯-拉普拉斯算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先
平滑掉噪声，再进行边沿检测。常见的高斯-拉普拉斯算子如下：
⑷方法选择
Canny最佳边缘检测原理是：
①只要是边缘就检测出来（不漏检）。
②只要不是边缘就不检测出来（不错检）。
③边缘检测前后位置一致。
高斯-拉普拉斯（LOG）算子符合Canny最佳边远检测原理，是最佳的边缘检测算法。且LOG是两种算子的结合，即具备高斯算子的优点又具备拉普拉斯算子的优点，它抑制了噪声，检测到了真正的边缘。平滑和锐化,积分和微分是一对矛盾的两个侧面,统一在一起后就变成了最佳因子,为什么呢?因为图像数据中包含的随机噪音太多,平滑和积分可以滤掉这些噪音,消除噪音后再进行边缘检测(锐化和微分)就更可靠。所以,我选择高斯-拉普拉斯算子对图像进行边缘检测。
3．软件实现
3.1 软件界面展示
图3.1 图3.2
图3.1为软件的主界面，当选择打开图像文件并选定要进行处理的图像时，出现界面图3.2，根据此界面中的菜单选项，可对选定的图像进行不同的处理操作。
3.2 软件功能介绍
⑴去噪处理，其中方法有高斯平滑、保边去噪。
⑵锐化处理，其中方法有拉普拉斯锐化，还可设置自己所需的锐化模板。
⑶高斯-拉普拉斯边缘检测。
⑷对话框操作，实现了友好的人机对话界面。
⑸在实际应用中，可对三维地震数据文件进行上述操作，完成提取、识别边缘以判断其地震特征等功能。
4．高斯-拉普拉斯边缘检测的实际应用
4.1 泥岩裂缝检测方法研究
⑴泥岩裂缝性油气藏是一种特殊的隐蔽油气藏，其裂缝是油气运移和储集的主要空间，相对砂岩油气藏，可以说，没有裂缝就没有泥岩油气藏，裂缝是泥岩油气藏赖以存在的先决条件。然而，由于裂缝发育的密度相对小，宏观规模也小，因而，其地震波场特征的差异也小，所以，实际识别检测相当困难。
⑵振幅和速度的异常是裂缝特征的标志参数。因此，提取和识别振幅和速度的异常则是裂缝检测的关键。振幅异常的大小，既是裂隙或裂隙流体发育程度的大小标志。
⑶我们将应用高斯-拉普拉斯边缘检测的方法，从微观上对上面提取的目的层进行层切片检测，揭示该区泥岩裂缝发育和分布的时空规律。
4.2 泥岩裂缝的高斯-拉普拉斯边缘检测
图4.1为沙三段裂缝发育平面图。图的右侧为色标。从图中我们可以看到两个大的裂缝，一个是近乎东西走向的裂缝，另一个是东北走向的裂缝。由于噪音的影响图中本应有的某些裂缝无法显示出来，所以我们要对其进行边缘检测以便找出其它裂缝发育带。
图4.2为高斯-拉普拉斯边缘检测后的图像, 图4.3为高斯-拉普拉斯边缘检测结合滤噪预处理后的图像。
图4.2 图4.3
从图4.2可以看出LOG将所有的边界都检测出来,确实符合Canny最佳边缘检测原理,但是由于细节边缘全部得以体现,不利于我们寻找大的裂缝带，所以我们将其结合高斯滤波预处理得到图4.3，从这张图我们可以看出几条大的裂缝发育带，利于我们今后的分析和开发。
procedure TMainForm.gausslaplaceClick(Sender: TObject); //¸高斯－拉普拉斯算子
var
bmp1,bmp2:Tbitmap;
p,a1,a2,a3,a4,a5:pbytearray;
i,j: integer;
begin
// self.DoubleBuffered:=true;
bmp1:=Tbitmap.Create;
bmp2:=Tbitmap.Create;
bmp1.Assign(backbmp);
bmp1.PixelFormat:=pf24bit;
bmp1.Width:=ChildForm.image1.Picture.Graphic.Width;
bmp1.Height:=ChildForm.image1.Picture.Graphic.Height;
bmp2.Assign(backbmp);
bmp2.PixelFormat:=pf24bit;
for j:=2 to bmp1.Height-3 do
begin
p:=bmp1.ScanLine[j];
a1:=bmp2.ScanLine[j-2];
a2:=bmp2.ScanLine[j-1];
a3:=bmp2.ScanLine[j];
a4:=bmp2.ScanLine[j+1];
a5:=bmp2.ScanLine[j+2];
for i:=2 to bmp1.Width-3 do
begin
p[3*i+2]:=min(255,max(0,(-(2*a1[3*(i-2)+2]+4*a1[3*(i-1)+2]+4*a1[3*i+2]+4*a1[3*(i+1)+2]+2*a1[3*(i+2)+2])
-4*a2[3*(i-2)+2]+8*a2[3*i+2]-4*a2[3*(i+2)+2]
-4*a3[3*(i-2)+2]+8*a3[3*(i-1)+2]+24*a3[3*i+2]+8*a3[3*(i+1)+2]-4*a3[3*(i+2)+2]
-4*a4[3*(i-2)+2]+8*a4[3*i+2]-4*a4[3*(i+2)+2]
-(2*a5[3*(i-2)+2]+4*a5[3*(i-1)+2]+4*a5[3*i+2]+4*a5[3*(i+1)+2]+2*a5[3*(i+2)+2]))));
p[3*i+1]:=min(255,max(0,(-(2*a1[3*(i-2)+1]+4*a1[3*(i-1)+1]+4*a1[3*i+1]+4*a1[3*(i+1)+1]+2*a1[3*(i+2)+1])
-4*a2[3*(i-2)+1]+8*a2[3*i+1]-4*a2[3*(i+2)+1]
-4*a3[3*(i-2)+1]+8*a3[3*(i-1)+1]+24*a3[3*i+1]+8*a3[3*(i+1)+1]-4*a3[3*(i+2)+1]
-4*a4[3*(i-2)+1]+8*a4[3*i+1]-4*a4[3*(i+2)+1]
-(2*a5[3*(i-2)+1]+4*a5[3*(i-1)+1]+4*a5[3*i+1]+4*a5[3*(i+1)+1]+2*a5[3*(i+2)+1]))));
p[3*i]:=min(255,max(0,(-(2*a1[3*(i-2)]+4*a1[3*(i-1)]+4*a1[3*i]+4*a1[3*(i+1)]+2*a1[3*(i+2)])
-4*a2[3*(i-2)]+8*a2[3*i]-4*a2[3*(i+2)]
-4*a3[3*(i-2)]+8*a3[3*(i-1)]+24*a3[3*i]+8*a3[3*(i+1)]-4*a3[3*(i+2)]
-4*a4[3*(i-2)]+8*a4[3*i]-4*a4[3*(i+2)]
-(2*a5[3*(i-2)]+4*a5[3*(i-1)]+4*a5[3*i]+4*a5[3*(i+1)]+2*a5[3*(i+2)])))); end; end;
ChildForm.image1.Picture.Bitmap.Assign(bmp1);
// JP1:=Tjpegimage.Create;
// jp1.Assign(bmp1);
Bmp1.Free;
// bmpnumber:=bmpnumber+1;
// jp1.SaveToFile('c:\temp\'+inttostr(bmpnumber)+'.jpg');
// jp1.Free;
end;
procedure TMainForm.prewittClick(Sender: TObject); //prewitt算子
var
bmp1,bmp2:Tbitmap;
p1,p3,p2,p4:pbytearray;
i,j: integer;
r,g,b:integer;
begin
self.DoubleBuffered:=true;
bmp1:=Tbitmap.Create;
bmp2:=Tbitmap.Create;
bmp1.Assign(backbmp);
bmp1.PixelFormat:=pf24bit;
bmp1.Width:=ChildForm.image1.Picture.Graphic.Width;
bmp1.Height:=ChildForm.image1.Picture.Graphic.Height;
bmp2.Assign(bmp1);
bmp2.PixelFormat:=pf24bit;
for j:=1 to bmp1.Height-2 do
begin
p1:=bmp1.ScanLine[j]; //²sobal算子 // -1 -1 -1
// 0 0 0
p2:=bmp2.ScanLine[j-1]; // 1 1 1
p3:=bmp2.ScanLine[j]; //和 算子 取较大输出
p4:=bmp2.ScanLine[j+1]; //1 0 -1
for i:=1 to bmp1.Width-2 do //1 0 -1
begin //1 0 -1 r:=min(255,max(0,((-p2[3*(i-1)+2]-p2[3*i+2]-p2[3*(i+1)+2]-0*p3[3*(i-1)+2]+0*p3[3*i+2]-0*p3[3*(i+1)+2]+p4[3*(i-1)+2]+p4[3*i+2]+p4[3*(i+1)+2]))));
g:=min(255,max(0,((-p2[3*(i-1)+1]-p2[3*i+1]-p2[3*(i+1)+1]-0*p3[3*(i-1)+1]+0*p3[3*i+1]-0*p3[3*(i+1)+1]+p4[3*(i-1)+1]+p4[3*i+1]+p4[3*(i+1)+1]))));
b:=min(255,max(0,((-p2[3*(i-1)]-p2[3*i]-p2[3*(i+1)]-0*p3[3*(i-1)]+0*p3[3*i]-0*p3[3*(i+1)]+p4[3*(i-1)]+p4[3*i+2]+p4[3*(i+1)])))); begin
p1[3*i+2]:=min(255,max(0,((p2[3*(i-1)+2]-0*p2[3*i+2]-p2[3*(i+1)+2]+p3[3*(i-1)+2]+0*p3[3*i+2]-p3[3*(i+1)+2]+p4[3*(i-1)+2]+0*p4[3*i+2]-p4[3*(i+1)+2]))));
p1[3*i+1]:=min(255,max(0,((p2[3*(i-1)+1]-0*p2[3*i+1]-p2[3*(i+1)+1]+p3[3*(i-1)+1]+0*p3[3*i+1]-p3[3*(i+1)+1]+p4[3*(i-1)+1]+0*p4[3*i+1]-p4[3*(i+1)+1]))));
p1[3*i]:= min(255,max(0,((p2[3*(i-1)]-0*p2[3*i]-p2[3*(i+1)]+p3[3*(i-1)]+0*p3[3*i]-p3[3*(i+1)]+p4[3*(i-1)]+0*p4[3*i]-p4[3*(i+1)]))));
p1[3*i+2]:=(max(r,p1[3*i+2]));
p1[3*i+1]:=(max(g,p1[3*i+1]));
p1[3*i]:=(max(b,p1[3*i]));
end; end;
end;
ChildForm.image1.Picture.Bitmap.Assign(bmp1);
bmp1.free;
end;