1.软件优缺点分析1. 本软件基于VC++ 6.0设计，操作界面简单，可在任一机器上上实现，有较高的便捷性2. 本软件代码开放，可供修改，经简单修改后，可用于其他用途，可塑性强3. 本软件尚处在试验阶段，所需图片事先需要进行PS处理（必须为320*240），以使车牌的水平线，和竖直线较整齐，且由于本身技术不够，软件仍可能有较多小错误，故软件仍需继续开发4. 本软件使用的Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是Sobel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意2.软件实现步骤步骤一 选定一张N×N的车牌彩色图像(.bmp)（320*240），进行256级的灰度处理步骤二 将N×N的灰度图像统计出直方图步骤三 将256级灰度图像均衡化（图像增强）步骤四 用Sobel算子进行边缘处理步骤五 用模版匹配法寻找车牌位置，截取出车牌图像步骤六 将截取的车牌灰度图像二值化3.软件实现步骤具体分析实验环境：VC++ 6.0步骤一 灰度处理1、内容选定一张N×N的车牌彩色图像，进行256级的灰度处理。
2、理论分析颜色可分为黑白色和彩色，相应的数字图像可分为灰度图像和彩色图像彩色图像的信息太丰富，分析处理起来过于复杂将彩色图像进行灰度处理变成黑白图像之后，图像的各种变换处理和特征分析就变得容易多了在RGB模型中，如果R=G=B，则颜色（R，G，B）表示一种黑白颜色，其中R=G=B的值叫做灰度值灰度化就是使彩色的R、G、B分量值相等的过程灰度化处理的方法主要有如下3种：1. 最大值法：使R、G、B的值等于3值中最大的一个，即R=G=B=max（R、G、B）2. 平均值法：使R、G、B的值求出平均值，即R=G=B=（R+G+B）/33. 加权平均值法：根据重要性和其他指标给R、G、B赋予不同的权值，并使R、G、B的值加权平均，即R=G=B=（WRR+WGG+WBB）/3其中WR、WG、WB 分别为R、G、B的权值由于人的眼睛对绿色敏感度最高，对红色的敏感度次之，对蓝色最不敏感，因此使Wg>Wr>Wb将的到较合理得到灰度图像实验和推导证明，最合理的权值是Wr=0.30，Wg=0.59，Wb=0.11.即当Vgray=0.30R+0.59G+0.11B；R=G=B=Vgray时，所得到的灰度图像最合理。
本实验采用的灰度处理方法是――加权平均值法3、算法分析 如图1所示图14、代码实现void CLicenseProcessDlg::OnRGB2Gray()void CLicenseProcessDlg::RGB2Gray()5、实验结果显示 如图2所示图2步骤二 直方图1、 内容将N×N的灰度图像统计出直方图2、 理论分析灰度直方图是灰度级的函数，它表示的是图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率灰度直方图的横坐标表示像素的灰度级别，从左到右依次是0至255级；纵坐标表示该灰度级出现的频率（像素的个数），是图像的最基本的统计特征统计时只要读取每个像素的灰度值，在相应的计数器上加1，最后按照0至255号计数器的数值绘制直方图即可3、 算法分析 如图3所示图34、 实验结果显示 如图2所示步骤三 均衡化1、 内容将256级灰度图像均衡化2、 理论分析图像的均衡化也叫直方图的均衡化，目的是通过点运算使输入图像转化为每一个灰度级上有相同的像素点的输出的图像实质是减少图像的灰度等级，以换取对比度的加大 直方图的均衡化的特点是能自动地增加整个图像的对比度但它的具体增强效果不易控制，处理的结果总是得到全局均衡化。
实际中有时需要变换直方图使之成为某个特定形状，从而有选择地增加某个灰度值范围内的对比度3、 算法分析 如图4所示 图 44、 代码实现void CLicenseProcessDlg::OnHistogramEq()void CLicenseProcessDlg::HistogramEq()5、 实验结果显示 如图5所示图5步骤四 边缘检测1、 内容用Sobel算子（或者自己比较熟悉的算法）进行边缘处理2、 理论分析在边沿检测中，常用的一种模板是Sobel 算子，它是一种一阶微分算子Sobel 算子有两个，一个是检测水平边沿的 ；另一个是检测垂直平边缘的 与 和 相比，Sobel算子对于像素的位置的影响做了加权，因此效果更好利用这两个算子，图像中的每个点都利用这两个核做卷积，一个核对通常的水平边缘响应最大，而另一个对垂直边缘响应最大两个卷积的最大值作为该点的输出位运算结果是一幅边缘幅度图像由于做卷积后有可能一些像素的灰度会大于255或者小于0，因此要对这些像素进行额外的处理3、 算法分析 如图6所示图64、 代码实现void CLicenseProcessDlg::OnEdgedetect()void CLicenseProcessDlg::EdgeSobelVerAndHor()5、 实验结果显示 如图7所示。
图 7步骤五 车牌定位1、内容 用模版匹配法寻找车牌位置，截取出车牌图像2、理论分析根据前面处理的结果，车牌的边缘特征已经得到凸显，显示为白色粗线，其它一些非边缘区域则为黑色车牌定位算法对车牌进行垂直方向扫描，根据白点所在的位置计算各点的权重，越靠边权重越小，然后用一个数组来记录每一列上所有白点的总权重统计结束后，再比较选出从左到中间和从右到中间范围总权重最大的两列根据车牌图像处边缘强化后图像的特点基本可以认定这两列就是车牌的左右边缘线考虑到车牌图像上横向干扰边缘线比较多，水平边缘线就没有采用同样的算法而是在确定垂直边缘的基础上对左右边缘线从下到上扫描，如果遇到连续点均为白点，可设定一个数目阈值，比如15，则认为已经进入车牌左边缘线，回退15各点的位置就是车牌下边缘线的位置同样的方法可以确定车牌上边缘线的位置确定车牌的上下左右边缘之后就很容易截取出车牌了3、算法分析 如图8所示图 84、代码实现void CLicenseProcessDlg::OnPlatelocate()5、实验结果显示 如图9所示图 9步骤六 二值化1、内容将截取的车牌灰度图像二值化2、理论分析二值化又称为灰度分割（threshold），把图像的灰度分划成只有两种灰度值，例如全黑和全白，这样处理之后边缘特征更加鲜明而且灰度值只有两种，进一步的诸如文字识别或条文辨认之类的处理就更方便。
而本程序对车牌图像二值化就是为了进一步的车牌文字识别做准备3、算法分析 如图10所示图104、代码实现void CLicenseProcessDlg::OnBlackWhite()5、实验结果显示 如图11所示。