信阳停车场闸门定制
Sobel边缘检测算子Sobel算子是根据邻域像素与当前像素的距离有不同的权值，强调中心像素的对边邻域像素对其的影响，而消弱4个对角近邻像素的作用。图像中每一个像素点这两个核做卷积，一个卷积核对图像垂直边缘响应大，而另一个则对水平边缘响应大，取两个卷积之中的大值作为该像素点的输出值。这样使得Sobel算子对噪声有抑制作用，因此不会出现很多孤立的边缘像素点，不过Sobel算子对边缘的定位不是很，图像的边界宽度往往不止一个像素，不适合对边缘定位准确性要求很高的应用。与Prewitt相似，Sobel算子也是通过像素平均来实现的，也有一定的抗噪能力。值得注意的是它们都不是各向同性的，所以它们检测出来的边缘并不是连通的，会有一定程度的断开。
由于车牌识别设备一般都是安装在室外，且汽车车身不可能是完全整洁的、无污垢的，车牌上也可能存在泥点、污渍等杂质，因此采集到的图像中难免会存在一些噪声点。这些看似不起眼的噪声点或多或少的都会影响到定位的准确率。
车牌区域定位完成之后，由于提取出来的车牌区域内的车牌图像可能存在倾斜现象，因此，在车牌字符分割之前，需要判断车牌图像是否倾斜。在车牌倾斜的情况下，需要准确的求得车牌的倾斜角度，然后把发生倾斜的车牌校正过来，为接下来的字符分割创造条件，这就是车牌的倾斜校正。常用的倾斜校正算法包括Radon变换、Hough变换。在车牌的倾斜校正完成之后，需要去除车牌的上下、左右边界，然后才能把车牌上的字符一个个的分割出来，得到一个单独的车牌字符图像，为后续的车牌字符识别做好准备，即车牌的字符分割。
车牌矫正及精定位模块由于受拍摄条件的限制，图像中的车牌总不可避免存在一定的倾斜，需要一个矫正和精定位环节来进一步提高车牌图像的质量，为切分和识别模块做准备。使用精心设计的图像处理滤波器，不仅计算，而且利用的是车牌的整体信息，避免了部噪声带来的影响。使用该算法的另一个优点就是通过对多个中间结果的分析还可以对车牌进行精定位，进一步减少非车牌区域的影响。车牌系统的车牌切分模块利用了车牌文字的灰度、颜、边缘分布等各种特征，能较好地抑制车牌周围其他噪声的影响，并能容忍一定倾斜角度的车牌。这一算法有利于类似移动式稽查这种车牌图像噪声较大的应用。