摘要：最近在网上参考了一些博客以及参考书，对于车牌识别中的车牌定位做了一些了解，这次实验主要是实现前两个步骤，即图像的高斯模糊和灰度化。
关键词：GaussianBlur cvtColor
高斯滤波
车牌识别中利用高斯模糊将图片平滑化，去除干扰的噪声对后续图像处理的影响。
void GaussianBlur(InputArray src,OutputArray dst,Size ksize,double sigmaX,double sigmaY=0,int bordeType=BORDER_DEFAULT)
高斯滤波支持in place（in place 即意味着输入图像与结果图像是同一个图像 ）的方式输入。高斯滤波具有标准sigma值的3×3，5×5和7×7比其他核有更优的性能。
src和dst：前者是平滑操作的输入图像，后者是结果；
ksize:高斯内核大小。ksize.width和ksize.height允许不相同但是它们必须是正奇数。或者等于零，由参数 sigma的乘积决定；
sigmaX和sigmaY：前者是高斯内核在X方向的标准方差，后者是高斯内核在Y方向的标准方差。如果sigmaY为0，它将和sigmaX的值相同，若都为0，则由ksize.width和ksize.height的乘积计算得出；
bordeType：用于判断图像边界的模式。
灰度化
void cvtColor（InputAarry src，OutputArray dst, int code, int dstCn=0)
src 和dst：输入图像，输出结果；
code：输出图像颜色空间转换的代码；
dstCn：目标图像中的信道数；如果参数为0，则从SRC和代码自动导出信道的数目。
实验代码如下:
#include"opencv2/highgui/highgui.hpp"
#include"opencv2/imgproc/imgproc.hpp"
#include <stdio.h>
using namespace cv;
int main(int argc, char* argv[])
{
Mat m = imread("1.jpg", CV_LOAD_IMAGE_COLOR);//读入一张图片
imshow("显示原图", m);
//高斯模糊
Mat out;
GaussianBlur(m, out, Size(7, 7), 0, 0);//进行高斯滤波操作
imshow("高斯滤波【效果图】", out);//输出效果图
//均值模糊
//Mat dst;
//blur(m, dst, Size(7, 7));
//imshow("均值滤波【效果图】", dst);//进行均值滤波操作
IplImage src(m);
cvNamedWindow("showImage");//创建showImage窗口
IplImage* img = cvCreateImage(cvGetSize(&src), 8, 1);//创建一幅无符型8位单通道的图片，大小和原图相同
cvCvtColor(&src, img, CV_BGR2GRAY);//转为灰度图
cvShowImage("灰度图【效果图】", img);//显示效果图
cvWaitKey(0);
cvReleaseImage(&img);//释放图片指针
cvDestroyWindow("showImage");//销毁showImage窗口
return 0;
}
运行结果如下图：
关于 图像的平滑处理，据我所了解大多是用高斯模糊，之前了解过一点均值滤波，所以就也使用了这个方法，但是从运行结果来看，效果没有高斯滤波的好。后来，在网上查了一下，发现均值滤波本身存在着固有缺陷，即它不能够很好的保护图像细节，在图像去噪的同时破坏了图像的细节部分，从而使图像变得模糊，不能很好地达到去噪的效果。
参考文献：《学习OpenCv（中文版）》P128-134