简介面向 MATLAB 课程与图像处理初学者的仿真资源完整演示基于形态学处理的车牌定位与车牌提取流程包含从图像预处理、边缘检测到形态学操作定位并裁剪车牌的主要环节适合课程设计或入门练习使用。压缩包共 11 个文件以 bmp、jpg 测试图像为主附带 mp4 教程录屏与 Runme.m 可直接运行的 MATLAB 脚本整体大小约 2.28MB轻量易下载。目前已吸引 124 人学习。内容覆盖灰度化、直方图均衡化、Canny/Sobel 边缘检测以及 imerode、imdilate、imopen、imclose 等形态学函数的具体用法教程逐步骤拆解代码和结果帮助读者理解车牌区域如何通过轮廓筛选与几何特征确定并利用 imcrop 完成车牌裁剪。通过对照实操可掌握形态学处理在图像分割中的典型应用为后续字符识别或更复杂的视觉项目打下基础。1. 车牌定位为什么绕不开形态学处理车牌定位是车牌识别系统的第一道闸最稳定的方案往往不是颜色分割而是形态学处理。摄像头拍到的车牌区域通常表现为高对比字符、密集边缘、固定长宽比这些特征恰好能通过腐蚀、膨胀、开闭运算被放大或过滤。形态学处理不依赖具体颜色对光照和阴影的鲁棒性比颜色阈值高出不少这也是matlab仿真课程和项目里反复出现它的原因。这篇文章面向正在做matlab图像处理仿真、毕设或工程预研的读者我会顺着形态学处理的基本运算讲清车牌定位和车牌提取的每一步并给出能直接运行的MATLAB代码和参数依据。2. 形态学处理基础与车牌区域的形态特征2.1 四则基本运算对车牌图像的作用形态学处理不是模糊也不是滤波它处理的是二值图像或灰度图像的“形状”信息。腐蚀让亮区域收缩膨胀让亮区域扩张。开运算是先腐蚀后膨胀用来去掉小的亮斑闭运算是先膨胀后腐蚀用来填平暗洞、连接断裂的亮区域。对车牌定位来说闭运算的作用最关键因为车牌字符之间的空隙和边缘断线都会被它连成实心块。运算对二值图像的实际效果在车牌定位中的用途腐蚀亮区域收缩细线断裂去除孤立噪点、缩小字符噪声膨胀亮区域扩张断线搭接加粗字符边缘弥补边缘检测断口开运算先腐蚀后膨胀去掉细小颗粒保留整体车牌结构闭运算先膨胀后腐蚀填充字符间隙连接断裂边缘理解这些运算的关键在于结构元素B。B可以看成一个小的模板常见的是矩形、十字形和圆盘。对车牌定位我用矩形结构元素居多因为车牌本身是矩形区域。结构元素的大小决定了“看得多远”太小起不到连接作用太大会把整个背景也膨胀进来。2.2 车牌区域在形态学视角下的样子从形态学的视角车牌区域有几个区别于背景的形态特征。字符与底色之间存在明显的局部对比度所以边缘在水平方向的投影会形成一条密集的亮带。经过边缘检测后车牌区域会变成大量水平和垂直边缘的集合这些边缘之间有稳定的间距。如果直接对灰度图做闭运算效果不明显因为灰度图里的字符和背景虽有差别但整体灰度高度不一致。所以常规做法是先做边缘检测或差分得到二值边缘图再做形态学运算。车牌区域的长宽比一般在2到4之间面积相对于整张图像在1%到10%之间视相机距离而定。这两个约束会在连通域筛选阶段被反复用到。此外真实环境中的车牌可能有倾斜边缘图上的字符会呈现一个平行四边形块而不是严格的矩形。这时需要适当扩大形态学闭运算的结构元素高度避免因倾斜导致边缘无法闭合。2.3 用MATLAB实现形态学预处理的第一个例子下面代码演示对一张汽车图像做灰度化、Sobel边缘检测和闭运算。我通常把这一步叫做“形态学预处理”。在写定位算法前建议先用这段代码把中间结果保存成图人工观察闭运算后的候选区域是否连成块。% 读取图像并转为灰度 img imread(car.jpg); gray rgb2gray(img); % 使用Sobel算子计算边缘强度图 sobel_img edge(gray, sobel, 0.05); % edge返回的是二值图0为背景1为边缘 % 定义矩形结构元素宽度12高度7 se strel(rectangle, [7 12]); % 对边缘图做闭运算连接断裂的车牌边缘 closed_img imclose(sobel_img, se); % 填充内部空洞让车牌区域变成实心块 filled_img imfill(closed_img, holes); % 显示结果方便观察预处理效果 figure; subplot(2,2,1); imshow(img); title(原图); subplot(2,2,2); imshow(sobel_img); title(Sobel边缘); subplot(2,2,3); imshow(closed_img); title(闭运算结果); subplot(2,2,4); imshow(filled_img); title(填充后结果);这个过程中的结构元素[7 12]的含义是高度7像素、宽度12像素。为什么取这个比例因为车牌字符的笔画宽度和间距通常在这个尺度附近。如果图像分辨率很高比如1920宽这个数值要放大到高度的0.05倍左右。你可以在MATLAB里用imwrite把中间图写出来对比不同结构元素下的闭运算效果。这一步是后续定位准确度的基石很多人定位失败就是因为结构元素尺寸和图像分辨率不匹配。3. 基于形态学处理的车牌定位完整仿真步骤3.1 定位思路从边缘图到候选区域完整的车牌定位不是只做一次闭运算而是先通过边缘检测将车牌区域“激活”再闭运算连成候选连通域然后利用形态学度量和区域属性筛选。整个流程可以概括成四句话让车牌边缘尽量亮、用闭运算填空缺、用填充把区域做成实心块、用宽高比和面积约束找出真正的车牌。这个思路在matlab仿真中非常稳定也被很多开源车牌识别项目作为基础。边缘检测算子我建议用Sobel或Canny。Sobel速度快对噪声敏感度低Canny定位精度高但容易把背景纹理也检测出来。如果现场图像比较干净先用Sobel能减少后续形态学处理的负担。检测后得到的二值图里车牌字符的轮廓会形成密集的横向条纹。接着用闭运算处理结构元素宽度要大于字符间距高度要大于字符高度的一半这样字符之间的空隙才能被填平。3.2 主要步骤代码含参数注释下面这段代码是定位函数的核心输入任意尺寸的RGB图像输出候选区域位置和定位后的裁剪图。代码中每一步都保留了中间变量方便调试。function [plate_img, bbox] locatePlate(img) % 转为灰度 gray rgb2gray(img); % 调整图像大小统一处理尺度减少结构元素调整工作 scale 640 / size(img, 2); gray imresize(gray, scale); % 原图也按同样比例缩放便于后续画框 img imresize(img, scale); % 边缘检测使用Sobel并保留较强边缘 bw edge(gray, sobel, 0.08); % 形态学闭运算连接字符边缘 se1 strel(rectangle, [9 15]); % 高度9 宽度15 bw imclose(bw, se1); % 填充内部孔洞形成实心区域 bw imfill(bw, holes); % 小面积噪声清理用开运算删除小于结构元素的碎块 se2 strel(rectangle, [5 8]); bw imopen(bw, se2); % 连通域标记 cc bwconncomp(bw); stats regionprops(cc, BoundingBox, Area); % 筛选候选区域 plate_area 0; bbox []; for i 1:length(stats) w stats(i).BoundingBox(3); h stats(i).BoundingBox(4); area stats(i).Area; % 长宽比约束1.5到6 if w / h 1.5 w / h 6 % 面积约束0.003到0.15的图像面积 img_area size(gray, 1) * size(gray, 2); if area / img_area 0.003 area / img_area 0.15 if area plate_area plate_area area; bbox stats(i).BoundingBox; end end end end % 按找到的框裁剪车牌 if isempty(bbox) plate_img []; else % bbox格式是[x y w h]需要保证不越界 x1 max(1, floor(bbox(1))); y1 max(1, floor(bbox(2))); x2 min(size(gray, 2), x1 floor(bbox(3))); y2 min(size(gray, 1), y1 floor(bbox(4))); plate_img gray(y1:y2, x1:x2); end end代码里有两个地方需要注意。第一个是统一缩放。我的经验是把图像宽度缩放到640像素左右这样结构元素[9 15]对大多数城市道路监控图像都能覆盖。第二个是候选框筛选顺序先用长宽比过滤能去掉大部分背景块再用面积和最大面积策略选出最可能的车牌区域。如果图像中有多个车牌这个函数只返回最大的一个通过把plate_area改成数组即可扩展为多车牌定位。3.3 为什么直接做形态学而不是用颜色分割很多人会问车牌有蓝底白字、黄底黑字、绿底新能源用颜色分割不是更直接吗颜色分割在实验室里看着很漂亮但真实环境下的光照、曝光和白平衡变化会让颜色范围很难稳定。形态学处理只看到边缘和形状相当于绕开了颜色这个易变因素。当然形态学也不是万能的当车牌区域和车头大灯、散热格栅连成一片时闭运算会把它们也合并进同一个连通域这时就需要增加骨架化或形状凸包分析来进一步切分。但作为入门和工程底座的方案基于形态学处理的车牌定位依然是最稳妥的起点。4. 车牌提取的关键后处理从定位框到可识别字符4.1 倾斜校正本质是旋转形态学定位框出来之后直接用于识别会导致准确率下降因为多数图像的车牌有轻微倾斜。形态学处理到这里并不能解决旋转问题但可以用最小外接矩形和Radon变换来确定倾斜角。MATLAB的regionprops提供了Orientation属性可以直接得到区域的主轴方向。对一个已经裁剪出来的二值车牌图求倾斜角再做imrotate即可。% 经过定位裁剪后的车牌灰度图 plate_gray plate_img; % 二值化利用otsu阈值 bw_plate imbinarize(plate_gray, adaptive); % 形态学清理去除小噪点 bw_plate imopen(bw_plate, strel(rectangle, [1 2])); % 计算区域主轴与水平方向的夹角 stats regionprops(bw_plate, Orientation); angle stats(1).Orientation; % 单位是度 % 旋转校正逆时针旋转angle度 rotated_plate imrotate(bw_plate, -angle, bilinear, crop);这段代码中Orientation返回的是区域长轴与水平线的夹角范围是-90到90。如果车牌本身水平角度接近0。使用imrotate时第三个参数选择bilinear可以降低旋转产生的锯齿最后一个参数crop可以保持旋转后尺寸不变避免出现大块黑边。倾斜校正完成后字符行才处于水平方向方便后续按投影分割。4.2 字符分割与形态学二值化取舍字符分割是车牌提取的另一个关键部分。分割前需要将灰度图转成二值图这一步推荐用imbinarize的Otsu方法而不是固定阈值因为车牌的底色和字符对比度在不同区域会有差异。对于蓝底白字车牌直接二值化后字符为白色背景为黑色如果是黄底黑字可能正好相反需要根据字符占比决定是否取反。分割算法一般用垂直投影。将二值图像按列求和投影为0的列就是字符间隙。形态学处理在这里的作用是预先去掉字符上的孤立噪点例如用imopen删除宽度为1-2像素的细线。以下代码演示如何利用投影值找到每个字符的左右边界% 假设rotated_plate是二值车牌图字符为白色 proj sum(rotated_plate, 1); % 按列求和 % 阈值投影大于1%行数即为有字符 threshold round(size(rotated_plate, 1) * 0.05); char_regions proj threshold; % 找到每个连续区域的起点和终点 label bwlabel(char_regions); stats_chars regionprops(label, BoundingBox); % 输出每个字符的左右x坐标 for i 1:length(stats_chars) x_start round(stats_chars(i).BoundingBox(1)); x_width round(stats_chars(i).BoundingBox(3)); fprintf(字符%d: x[%d, %d]\n, i, x_start, x_start x_width); end这里有几点容易踩坑。第一车牌上的铆钉、白色边框和细小裂纹会在投影中产生假区域建议分割前用imclose对字符区域做一次闭运算让字符内部的断裂连接起来。第二汉字结构复杂垂直投影可能会把一个汉字分成左右两个部分例如“京”和“苏”。解决办法是先根据字符个数和宽高比做合并车牌有效字符一般是7个其中第一个是汉字宽度往往是其他字符的1.2倍左右。可以用先验知识把分割结果合并到7个字符。4.3 提取结果保存与可视化字符提取完成后一般需要把每个字符归一化成固定尺寸例如42×42像素作为识别的输入。保存时用imwrite写明文件名方便后续标注。% 归一化并保存 for i 1:length(stats_chars) % 截取单个字符 x max(1, round(stats_chars(i).BoundingBox(1))); w round(stats_chars(i).BoundingBox(3)); y 1; h size(rotated_plate, 1); char_img rotated_plate(y:yh-1, x:min(size(rotated_plate,2), xw)); % 归一化到42x42 char_img imresize(char_img, [42 42]); % 保存成png imwrite(char_img, sprintf(char_%02d.png, i)); end注意这里的y取1是因为字符行在垂直方向上基本保持一致不需要再做上下裁剪。如果旋转校正不彻底字符行可能有微小倾斜可以先做水平投影找到字符行的上下边界再按行投影裁剪。5. 参数调优的坑与验证方法5.1 结构元素大小与图像分辨率的对应关系形态学处理里最容易被低估的参数就是结构元素的尺寸。我建议用图像宽度作为基准来调整图像宽度在600到800像素时闭运算结构元素取[9 15]合适宽度在1200以上时取[15 25]宽度在400以下时取[5 9]。原则是结构元素宽度必须能跨越字符之间的最大间隔高度不要超过字符高度的两倍。5.2 定位失败时的对照检查表失败现象常见原因调整方法车牌区域没连成块结构元素太小或边缘阈值太高增大闭运算结构元素降低Sobel阈值多个区域连在一起结构元素太大缩小结构元素增加开运算步骤候选框只框住一半字符闭运算后字符间隙未填满先用膨胀将字符连成实心块再填充倾斜车牌定位后字符粘连旋转校正不准确改用Radon变换求倾角而不是主轴方向背景被误选为车牌宽高比约束过松收紧长宽比至2到5面积阈值上调5.3 用交并比(IoU)量化定位效果肉眼观察定位框只能定性判断要批量调参就必须用交并比IoU来量化。先手工标注一张图中车牌的真实位置然后和算法输出的bbox比较。MATLAB中可以用矩阵运算快速计算IoU。function iou calcIoU(bbox, gt) % bbox和gt都是[x y w h]格式 x1 max(bbox(1), gt(1)); y1 max(bbox(2), gt(2)); x2 min(bbox(1)bbox(3), gt(1)gt(3)); y2 min(bbox(2)bbox(4), gt(2)gt(4)); inter max(0, x2-x1) * max(0, y2-y1); area_bbox bbox(3)*bbox(4); area_gt gt(3)*gt(4); union area_bbox area_gt - inter; iou inter / union; end对同一张图跑不同结构元素大小画出IoU随参数变化的曲线就能避开“感觉调好了”的陷阱。通常IoU超过0.6就算定位成功超过0.8说明框得很准。这个脚本跑完你会清楚看到闭运算结构元素在哪个区间内效果最好然后再把这个区间映射到其他分辨率图像上即可。本文还有配套的精品资源点击获取