車牌字符的識別和分割

第一章緒 第二章車牌識別系統(tǒng)的構(gòu) 車牌圖像定位研究現(xiàn) 車牌圖像定位實(shí)現(xiàn)方 第三 圖像的預(yù)處 灰度變化的實(shí) 圖像的灰度拉 全局化閾 自適應(yīng)閾 車牌的傾斜類 以線性回歸法對車牌圖像的校 第四章車牌字符的分 車牌圖像上字符的粗切 去掉車牌圖像上字符的多余空 連通域矩形的位置關(guān) 連通域的合 連通域提取字符分 誤連接區(qū)的分 第五 車牌字符的識別算法分 神經(jīng)網(wǎng)絡(luò)概 神經(jīng)網(wǎng)絡(luò)的工作過 支持矢量機(jī)基本原 基于SVM的車牌漢字識 第六章總結(jié)與展 參考文 致 附 本文主要介紹了車牌識別的過程，車牌識別系統(tǒng)是制約道路交通智能化的重要因素其流程主要包括圖像圖像預(yù)處理與圖像識別車牌字符的分割是圖像預(yù)處上的字符通常模糊不清而破損不清晰的車牌圖像對于字符的分割是很的因此軟件編程實(shí)現(xiàn)了整個(gè)系統(tǒng)，并驗(yàn)證了所方法的可行性。Thearticleintroducestheprocessoflicenseterecognitionwhoselaggardrestrainstheroadtrafficfrombeinginligent.Theproceduresmainlyincludeimageacquisition,imagepre-processingandimagerecognition,andthelicensetecharactersegmentationisanimportantprocessofimagepre-processing.Duetotheparticularityoflicenseteimagecaptureandlossofthelicenseteitselfmakingthecharactersonthelicenseteimageisusuallyblurred,Whilethedamageandunclearlicenseteimagescausecharacterssegmentationdifficult,sothelicensetecharactersegmentationhas eaproblemthatmustbesettledinlicenseterecognitionsystem.Thisdesignysestheprincipleandalgorithmofthecompositionofthelicenseteimagesegmentationmethodtoachieveadetailedysisofacompletesystemandsoftwareimplementationusingsoftwaretoprogramtheentiresystem,andverifythethefeasibilityoftheproposedmethod.Thispapergivesseveralmethodsoflicenseteimagesegmentationanddetailsoftheprincipletocompletetheimagesegmentationalgorithm,specificproceduresfortheimplementationprocess,thesimulationresultsandexpoundstheiradvantagesand：licenseterecognition，charactersegmentation，image要具有深厚的專業(yè)知識和良好的創(chuàng)新能力。通過的寫作，使我們發(fā)現(xiàn)自己的長處和另外撰寫的過程是訓(xùn)練我們獨(dú)立進(jìn)行科學(xué)研究的過程。通過撰寫畢業(yè)論文可以使學(xué)生了解科學(xué)研究的過程掌握怎樣怎樣觀察和作樣本的分析怎收集整理和利用材料怎樣在網(wǎng)上收索文獻(xiàn)資料怎樣使用館里的相關(guān)書籍習(xí)的一個(gè)很好的機(jī)會！因?yàn)樵诘膶懽鬟^程中不僅有老師的傳授與指導(dǎo)，可以讓我們中所涉及到的全部過程和各環(huán)節(jié)，是一次系統(tǒng)的、全面的實(shí)踐機(jī)會。在寫的過程同隨著社會經(jīng)濟(jì)的發(fā)展，人民生活水平的不斷提高，私人擁有機(jī)動車輛的數(shù)量迅速增加車輛普及成為必然的趨勢在此情況下伴隨而來的交通事故違章逃逸屢見不鮮,但僅僅依靠大力發(fā)展和改造交通設(shè)施，現(xiàn)在已經(jīng)不能解決掉交通事故的發(fā)生、交通比較擁擠和環(huán)境污染越來越嚴(yán)重等問題雖然世界上的諸多國家仍然主要靠修建的公路基本設(shè)施并建設(shè)完善的公路網(wǎng)絡(luò)來緩解交通擁擠的問題但由于修建新的道路所需要的比較多以及環(huán)境污染嚴(yán)重呢的壓力和城市空間的不斷減小將使得建設(shè)道路的空間將受到限制因此只有道路建設(shè)和現(xiàn)代化管理齊頭并進(jìn)在加強(qiáng)交通建設(shè)的同時(shí)大力發(fā)展智能交通系統(tǒng)才有可能真正地解決日益嚴(yán)重的交通問題車輛牌照識別技術(shù)是智能交通系統(tǒng)中的一個(gè)重要環(huán)節(jié)它在交通監(jiān)視和控制中占有很重要的地位車輛牌照識別技術(shù)作為交通信息服務(wù)系統(tǒng)的重要其任務(wù)是分析處理車輛圖像自動識別汽車牌號碼為了避免人工干預(yù)所帶來的弊端提高管理效率對車輛牌照自動識別系統(tǒng)的需求和標(biāo)準(zhǔn)的要求越來越高汽車牌照自動識別技術(shù)己經(jīng)越來越受到人們的重視。車牌牌照自動識別系統(tǒng)的目的是在車輛圖像中自動定位牌照位置并識別牌照號碼，是數(shù)字圖像處理與模式識別技術(shù)的典型應(yīng)用系統(tǒng)可以解決通緝車輛停車場交通堵塞等問題還可以通過最簡單的方式完通部門的車輛信息聯(lián)網(wǎng)解決數(shù)據(jù)統(tǒng)計(jì)自動化模糊查詢的問題系統(tǒng)在橋梁路口自動 停車場無人管理的 和自動放行方面1②.交通道路的3.管理系統(tǒng)在橋梁高速公路與隧道等諸多地點(diǎn)LPR系統(tǒng)應(yīng)用在管理系統(tǒng)當(dāng)中，系統(tǒng)還能夠節(jié)省的大量開車時(shí)間汽車牌照識別系統(tǒng)也能夠應(yīng)用在路橋卡口和交通管理部門等單位進(jìn)行車流量的統(tǒng)這樣有利于了管理部門的巡視和處理突發(fā)的情況同時(shí)LPR328198，52%。分割準(zhǔn)確96.51%R.Mullot別與集裝箱的識別共用一套硬件系統(tǒng)。Youngsungso 2.1圖2.1如圖2.2所示：當(dāng)有汽車經(jīng)過時(shí)，車輛檢測單元（這里指的是地感裝置)就會受到觸發(fā)，接著圖像裝置會被觸發(fā)自動獲取車輛上的或正面圖像，并且將所到的中心去或處一些應(yīng)用場合。圖2.2因?yàn)檐嚺茍D像的定位對于整個(gè)識別系統(tǒng)對牌照的識別的成功與失敗起著很關(guān)鍵性存計(jì)算機(jī)發(fā)展的早期，由于受到了計(jì)算機(jī)硬件，如內(nèi)存、CPU的速度方面的限制而不得第二種技術(shù)是彩像處理技術(shù)這種技術(shù)的基本思想就是車牌顏近年來隨著計(jì)算機(jī)技術(shù)的發(fā)展和硬件價(jià)格的大幅度降有很多學(xué)者在車牌的處理方面應(yīng)用了后一種彩像處理技術(shù)。這種技術(shù)又可以分為四種方法：(1)(2)首先利用神經(jīng)的寬高比相定位和提取車牌；(3)利用顏色空間距離和相似度進(jìn)行車牌的底色的顏色分割再利用投影法根據(jù)車牌的寬高比確定車牌區(qū)域最后對車牌區(qū)域的灰度圖(4)雖然，這些方法都有自己的優(yōu)點(diǎn)：但是它們也或多或少存在著一定的缺點(diǎn)。牌的幾何特征以及車牌區(qū)域內(nèi)的邊緣灰度直方圖統(tǒng)計(jì)特征刪除偽車牌，即得到真實(shí)車牌。④.DTFDTFDTF 圖2.3水平和垂直兩個(gè)方向的灰度投影直方 圖2.4車牌定位后的圖第三章任何光的顏色可以表示為式（3.1） 其中權(quán)值r/g/bR/G/BCIE- x/y/zXYZx、y、zZ=0.010G+0.990B（0.33，0.33CIE-RGBx(1)y(1)z(1)灰度圖(GrayScale)是指只包含亮度信息，不包含色彩信息的圖像，例如平時(shí)看到的亮度由暗到明連續(xù)變化的黑白要表示灰度圖就需要把亮度值量化通常分成0～255共256O255256若是彩像其顏色種類較多不利于圖像處理因此一般部是將彩像轉(zhuǎn)換為灰度圖進(jìn)行處理。其轉(zhuǎn)化式可為式(3.3)?；叶戎?灰度花就是使彩色的R、G、B分量值相等的過程，由于R、G、B的取值范圍一般是①.最大值法：使R、G、BR=G=B=max(R、G、 本方形成亮度很高的灰度圖像②用R、G、BR=G=B=（R+G+B）/ 本方形成較為柔和的灰度圖像③.平均值法R=G=B（WRRWGGWBB 式中的WR、WG、WB分別為R、G、B的權(quán)值。WR、WG、WB取不同的值，平均藍(lán)色的敏感度最低，所以使WRWGWB將得到合理的灰度圖像。當(dāng)WR=0.587WG=0.229，WB=0.114由于一般通過機(jī)獲得的是RGB彩，所以使用Gray=(Red×299+Green×587+Blue×114)/1000 3.1車牌的灰度圖 3.2灰度圖的直方 y1

xf(x)y2y1(xx

xx 22

255y2(xx) x255

圖3.3x1x2之間的灰度拉伸到y(tǒng)1和y2位車牌的上下左右邊界。對圖像進(jìn)行二值化可以給后續(xù)的分割識別工作帶來很大的方便。割效果。如圖4-7所示，我們能夠看出該圖像的灰度級直方圖有兩個(gè)波峰和一個(gè)波谷；使用固定閾值來對圖像進(jìn)行二值化操作。這時(shí)候我們可以定義灰度閾值T對物體面積進(jìn)行計(jì)算的表達(dá)式為：A

H

顯然，如果閾值對應(yīng)于直方圖的谷，閾值從T增加到T+AT只會引起面積略微減少。圖3.4灰度的取值變化 圖3.5二值化后的車牌圖等干擾，影響進(jìn)一步的圖想想處理，所以須對圖像進(jìn)行增強(qiáng)處理。器、濾波器和中值濾波器。領(lǐng)域內(nèi)所有值的均值來代替，其為：F(x,y)

fi,

M(i,jN3×3、5×5態(tài)分布的噪聲十分有效。一維零均值函數(shù)為：xg(x)e2

離散函數(shù)作平滑濾波器，函數(shù)表達(dá)式為：(i2j2gi,j

式類似，但濾波過程不是運(yùn)算，以3×3鄰域?yàn)榱星簏c(diǎn)[i,j]的灰度值計(jì)算方法為：①按灰度值順序排列[i,j]②取排序像素集的中間值作為[i,j]圖3.6均值濾波 圖3.7均值濾波車牌圖像由于受到鏡頭與車牌之間的距離道路坡度汽車駕駛速度以及帶來了一定的因此在后續(xù)的處理之間必須要對其進(jìn)行傾斜校正根據(jù)許多文獻(xiàn)資料的記載，目前車牌傾斜校正的主要方法有：1、通過模板匹配來尋找車牌固定時(shí)的二牌傾斜校正目的。這種方法的主要缺點(diǎn)就是當(dāng)車牌的背景顏色與車子的顏色差別不大時(shí)，所取得的車牌的傾斜校正的結(jié)果將不理想。2、通過求取車牌字符區(qū)域的極大特征的結(jié)果將很不理想。3、通過求得車牌上各個(gè)字符連通域的中心點(diǎn)，然后擬合成近似的4Hough通過Hough變換來求得車牌的區(qū)域邊框，這樣進(jìn)一步地確定了車牌的傾斜角；雖后冉對的噪盧比較大時(shí)，所取得的結(jié)果將很不理想。5、先進(jìn)行水平邊緣的檢測，然后再旋轉(zhuǎn)邊緣圖像并進(jìn)行垂直投影，并把垂直投影的最大投影值所得到的角作為車牌的傾斜角。6通過采用水平和垂直邊緣檢測法相結(jié)合的辦法來旋轉(zhuǎn)投影求取車牌的水平和垂直傾斜所得到的結(jié)果不夠理想因此本文將人車牌在水平方向上發(fā)生了傾斜使得所得到的圖像的像素在不同列之間發(fā)生了錯位或：對于下一步字符的切割來說，眾所周知，車牌都是一個(gè)矩形。它在不同的車輛上可能有不同的傾斜類型3.8不管它是向上傾斜或是向下傾斜(從x軸的正方向看)，只要將車牌圖像向下或向上旋轉(zhuǎn)Y軸的正方向看)，只要將車牌圖像向外或向內(nèi)旋轉(zhuǎn)所傾斜的角度即可。對于水平垂直傾斜，這也是最多的一種情況為了解決這種情況須先在水平方向上進(jìn)行向下或向上旋轉(zhuǎn) 圖3.8（a）圖像的水平傾斜（b）（c）3.9y01x

D2

設(shè)上圖中點(diǎn)的坐標(biāo)分別是(x1,y1(x2,y2(xn,yn0和1yi01xi

I=1,2,3,…i

，D

QQ(0,求Q

))i

nn(

ixi

nQn

(y

x)2

1

Q

x(y

x)2

1

1

0n

y

n

(

x

x2nxiin

(xix)(yiy)xiyi

的話就可以判為邊界點(diǎn)[6]ab。Lrot=atan（L由于車牌圖像字符切割足下一步字符識別的前提，而且字符切割的好壞將直接影響算值逐個(gè)定位切割各個(gè)字符。②根據(jù)車牌圖像在垂直方向上的投影直方圖的數(shù)學(xué)期望E和方差D來確定一個(gè)閾值T=E—Dpiexl[i]<T<piexl[i+1]字符的起始位置，當(dāng)像素值滿足piexl[O<T<piexl[i-l]時(shí)，判別該點(diǎn)piexl[i]<T<piexl[i-l]為字符的結(jié)束位置，就這樣劃出所有的字符。當(dāng)然這種方法的切割效果主要取決于閾值T，因此這種方法要求每次對切割的結(jié)果進(jìn)行研究，如果偏離然后再符串中原有的表示各個(gè)字符之間關(guān)系的各個(gè)參數(shù)之間的相互關(guān)系不會發(fā)生太大的變化。符之間斷裂的現(xiàn)象，圖像中算符的筆畫可能產(chǎn)生字符之間粘連或者字符斷裂的現(xiàn)象;算近誤差幾個(gè)象素;并且字符為白字，還將有汽車杠與牌照四邊邊框的殘留圖像以及四種類型1)小功率汽車所用的藍(lán)底白字牌照;(2)大功率汽車所用的黃底黑字牌照;()或的白底黑字紅字牌照;(4)國外駐華機(jī)構(gòu)用的黑底白字牌照這四種牌照的45Omm150mm7個(gè)(小圓點(diǎn))。標(biāo)準(zhǔn)的民用車輛牌照(、、車、車除外)均為七個(gè)字符，首位為省名縮寫(漢字)次位為英文字母再次位為英文字母或數(shù)字末四位字409mm45mm90mm34mm(10mm12mm以 車牌的特征①L

③

字符不包含‘1’)，Wc為字符‘1’的寬度，Wc為字符‘1’的兩側(cè)的字符間隙。上面的44.1圖 影相比，上下邊緣投影具有較好的單波峰特性，對投影曲線使用4.2的圖像不可避免的損失一部分有用的信息，給進(jìn)一步的處理造成不必要的，可能引字、數(shù)字。當(dāng)然還有其它的樣式的車牌，但他們的數(shù)目特別少，可以忽略不記。加上一個(gè)點(diǎn)的實(shí)際車牌會發(fā)現(xiàn)，它們的的確確是以第四字符，也就是倒數(shù)第四個(gè)④切割第三到第符。這兩個(gè)字符的切割方式與第五到第七個(gè)字符一樣對于第一個(gè)字符從第一行開始向下掃描把那些一行中所有的點(diǎn)的灰度值全為000時(shí)為0直到掃描到有一行不全為0時(shí)為止。最后從最后一列開始向左掃描把那些一列中所有的點(diǎn)的灰度值全為00圖4.3mn，mn，LeftnLeftmBottomnBottommRightnRightm且Topn

PointInRectptR，矩形的定點(diǎn)為Vk，k

Vm,pointInRect(Vm,m),k

1nWavg nin1n1M i

mn，WmWavg且WnWavgM（m,n）或者

M

其中、、為常數(shù)，式（4.8）的意義為兩個(gè)矩形寬度小于平均寬度并且兩者集合中一個(gè)或者若干個(gè)矩形的并集，即Ci

RkMRCiiLeftRightTopBottommnkTopkmin(TopmTpon

通過圖像的預(yù)處理后,一般車牌的第2個(gè)到第7個(gè)字符,構(gòu)成了獨(dú)立的連通域。于是只要得到每個(gè)連通域行列的起始位置和終止位置,構(gòu)成一個(gè)矩形區(qū),就得到了包含連通域的最小矩形區(qū),最后,將每個(gè)矩形分別剪切,分割出各個(gè)字符,算法具體的實(shí)①初始化。將標(biāo)記數(shù)組flag0。掃描中值為0N(自然數(shù)1開始)表示該像素點(diǎn)被掃描過,且表示該點(diǎn)在第N個(gè)連通域。0,為1且未被標(biāo)記,則依次掃描相鄰像素的標(biāo)記值,當(dāng)全為零,說明當(dāng)前像素是新連通域的起始點(diǎn),標(biāo)記值為前一個(gè)標(biāo)記值加1。③確定同一連通區(qū)域的像素集合。從起始點(diǎn)開始順序掃描,當(dāng)目標(biāo)像素標(biāo)記值為N時(shí)個(gè)像素點(diǎn)的灰度值為1,且未被標(biāo)記,則這m個(gè)像素與當(dāng)前像素屬于同一連通域,標(biāo)記值都置為N。之后該連通域的所有目標(biāo)像素只需掃描右側(cè)的3個(gè)相鄰像素。而當(dāng)目標(biāo)像素標(biāo)記值不為N時(shí),停止前向掃描,轉(zhuǎn)到第②步。標(biāo)記數(shù)組的標(biāo)記值,當(dāng)找到第一個(gè)像素點(diǎn)標(biāo)記值為NX1N時(shí),記錄該點(diǎn)像素的縱坐標(biāo)為方框左上頂點(diǎn)的縱坐標(biāo)y1;同理,逆向掃描,找出方框的右X2,Y2照這種方法,最后也能把二值圖像中的所有獨(dú)立的連通域都用方框標(biāo)示出來,如圖4.4(a)了漢字外,其它都是連通的,因此,按左頂點(diǎn)坐標(biāo)的大小從右到左切割出6個(gè)字符后,X2X1,字符塊的高為Y2Y1切出各個(gè)字符。分割結(jié)果如圖4.4(b)所示。下僅使用連通域方法不能把他們分割出來，我們可以用以下的來確定有無誤連區(qū)WWavg或者WHmax

式中的和為根據(jù)實(shí)驗(yàn)確定的常數(shù)，發(fā)現(xiàn)有誤連區(qū)域后，可以使用垂直投影的方第五章歸一化圖像就是要把原來各不相同的字符統(tǒng)一到同一尺寸。因?yàn)閽呙柽M(jìn)來的圖像中字符大小存在較大的差異，而相對來說，統(tǒng)一尺寸的字符識別的標(biāo)準(zhǔn)性更強(qiáng)，準(zhǔn)確率自然也更高。具體算法如下：先得到原來字符的高度和寬度，與系統(tǒng)要求的作比較，得出要變換的系數(shù)，然后根據(jù)得到的系數(shù)按照插值的方法映射到原圖像中。歸一化仿真圖如圖5.1所示：5.1、工神經(jīng)網(wǎng)絡(luò)在不同程度和層次上對人腦神經(jīng)系統(tǒng)的信息處理和檢索等功能進(jìn)行了另外，由于其具有能力，在進(jìn)行圖像識別時(shí)，可以先把許多不同的圖像樣板和對應(yīng)的識別結(jié)果輸入到人工神經(jīng)網(wǎng)絡(luò)，這樣網(wǎng)絡(luò)就會在訓(xùn)練中通過功能慢慢學(xué)會識別類似的圖像。這種功能對于預(yù)測有著特別重要的意義。總而言之，人工神經(jīng)網(wǎng)絡(luò)在模解少；②可對特征空間進(jìn)行較為復(fù)雜的劃分；③適合高速并行處理系統(tǒng)來實(shí)現(xiàn)。但是，人工神經(jīng)網(wǎng)絡(luò)同其他理論一樣也不是完美的，也有其固有的弱點(diǎn)，比如需要的、究有著廣闊的探索空間人工神經(jīng)網(wǎng)絡(luò)根據(jù)結(jié)構(gòu)可以分為前向網(wǎng)絡(luò)反向網(wǎng)絡(luò)、自組織競爭網(wǎng)絡(luò)、交互網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)等多咱。目前常用的神經(jīng)網(wǎng)絡(luò)模型已有數(shù)十(ProcessingElementPE)構(gòu)成的，具體到每一個(gè)PE，其動作一般比較簡單(基本上是對輸入向量與權(quán)向量的乘積求和)，各個(gè)PE從前向的幾個(gè)PE接受輸入信號，并在產(chǎn)生一個(gè)標(biāo)量后將其輸出給后向PE(如圖6-1PE通常是將PE分成不同的層，各層PE數(shù)量也要視情況而定。在流程E，有的神經(jīng)網(wǎng)絡(luò)當(dāng)前層的每個(gè)PE從前一層的所有PEPEPE接受后一層PE的輸出。圖5.2OOg[XW]g[xw] TiiW(a)

nni

2i

yi

jK(xi,xj

K（x,y)x

xy2

K（x,y）tanh(k(xy)

SVMSVM分類器是二分類器，因此本文采用多個(gè)二分類器組合的one．a(chǎn)gainst-the—確定使用的核函數(shù)K，將訓(xùn)練樣本值帶入優(yōu)化函數(shù)式(5.2)中，求出最優(yōu)解ai及其非零(5.3)即得到判別函數(shù)f(x“l(fā)“l(fā)，“1圖5.3其中特征提取模塊的主要功能就是對切割下來的字符進(jìn)行特征提取，為下一步真正的3層B-P13和8T和Q、0、D和0進(jìn)行重新識別。車牌字符識別仿真圖像如圖5.35.4檢查每一個(gè)錯誤。表明，本設(shè)計(jì)有以下幾條優(yōu)點(diǎn)①.充分利用中已有的函數(shù)庫，使整個(gè)程序設(shè)計(jì)簡單易行②.使用了的自定義函數(shù)功能，使程序設(shè)計(jì)更簡潔30車牌識別程序設(shè)計(jì)能夠得以順利完成。在很大程度上得利于這套軟件，像處理操作有:圖像的幾何操作、鄰域和區(qū)域操作、圖像變換、圖像恢復(fù)與增強(qiáng)、線性濾波和濾波器設(shè)計(jì)、變換(DCT變換等)、圖像分析和統(tǒng)計(jì)、二值圖像操作等。在圖像的顯示方面提供了圖像文件讀入函數(shù)imread()用來如:bmptifjpgpcxtiffjpeghdfxwdimwriteimageimshow()①.對于復(fù)雜場景、灰度低質(zhì)量差的圖像識別能力好。經(jīng)過對多幅大場景、夜晚等②.對固體場景的圖像可以去除背景提高識別速度和精度。使用去除背景的方法可3C 集,1997,1-8. 集,1997,15-22.．圖像工程上冊：圖像處理和分析[M].：,1999.231-8.。[]，大學(xué)2006RichardE.woods數(shù)字圖像處理[M]（版：電子工業(yè)，2005，285-.圖像工程（上冊）圖像處理[M]（第二版：.授，為人謙和，具有嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度，在的創(chuàng)作中一直給與我無私的幫助和關(guān)心。在此表達(dá)我對老師的崇高的敬意，感謝老師從立題到完成整個(gè)過程對我的悉心直接指導(dǎo)下完成這次。感謝老師的耐心指導(dǎo)，并教給我一些很有意義的方法，尤其是在整個(gè)研究的思想和思維方式老師為提供了準(zhǔn)確的指引和參照。 function[d]=main(jpg)figure(2),subplot(1,2,1),imshow(I1);title('fori=1:yfor%如果myI(i,j,1)即myI圖像中坐標(biāo)為(i,j)Blue_y(i,1)=Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì)[tempMaxY]=max(Blue_y);%temp為向量white_y的元素中的最大值，MaxY為該值的索引（在向量中的位置）while((Blue_y(PY1,1)>=120)&&(PY1>1))while((Blue_y(PY2,1)>=40)&&(PY2<y))%IY為原始圖像I中截取的縱坐標(biāo)在PY1：PY2%end%beginforj=1:xforBlue_x(1,j)=Blue_x(1,j)+1;while((Blue_x(1,PX1)<3)&&(PX1<x))while((Blue_x(1,PX2)<3)&&(PX2>PX1))%endT=round(g_max-(g_max-g_min)/3);%T d:二值圖像figure(8),subplot(3,2,3),imshow(d),title('3.%濾波imwrite(d