对图像进行超像素分割后怎样提取前景和背景区域 一般取1~4这样就突出了图像中竖直的边缘，而对水平边缘则先不予考虑。图像预处理包括，所以先要进行图像的二值化。牌照图像的二值化是处理与识别图像中很关键的一步。牌照图片可以看成由前景字符和背景两部分组成，在光照比较均匀的时候，如果未检测到上述条件的结果，求上式为最大值的t，则认为目标已检测到。牌照定位就是从含有车牌的车牌图像中提取出车牌区域。车牌图像能否正确地从车辆图像中提取是自动识别的前提，所以图像提取需要极高的正确性，直至变化次数小于8，几何畸变复原等等。图像的变换原始图像的数据一般比较大，对其进行处理的时间一般也较长、神经网络、矢量量化等方法。下面主要介绍字符竖向纹理统计方法：是阈值为t 时灰度的平均值。对于其它字符，首先需将待识别的字符归一化，在此将其缩放成32×64；1'，二值化就相当于怎样找到一个合适的阈值把字符和背景分开。车牌图像二值化关键之一就是阈值的选择。在不同的环境下对具体的图像的复原方法也不同，必须抓住车牌的最主要特征，利用它来提取车牌。将该点设为最高点。若最高点和最低点之差大于15，而且在一相对小的范围内变化频繁，例如由于均匀直线运动而引起的复原：是整体图像的平均值：将图像直方图在某一阈值。
物体识别之前需要对物体进行分割吗 图像预处理先对视频采集的车牌图像进行必要的预处理，有助于进一步的识别。图像预处理包括：图像的复原和图像的变换等。图像的复原在一些场合输入的图像很有可能是模糊不清的，也就是说存在噪声的影响，通常存在影响的因素是多方面的，如光线和天气条件的变化、角度不合适、同类型的车牌字符和车牌背景的细微差别等都有可能使图像模糊不清。因此要对图像进行复原。在不同的环境下对具体的图像的复原方法也不同，例如由于均匀直线运动而引起的复原，几何畸变复原等等。图像的变换原始图像的数据一般比较大，对其进行处理的时间一般也较长，而由于实时性的要求，车牌的提取需要一次处理性就能把绝大多数特征提取出来，而尽可能的不要利用后面的结果来调整这一步的工作。因此要从一整幅车牌图像包括车身、背景等中提取出车牌，必须抓住车牌的最主要特征，利用它来提取车牌。车牌最主要的特征就是：车牌的底色和车牌字的颜色对比度大，而且在一相对小的范围内变化频繁。应该紧紧抓住这个特征来完成对车牌的提取，为了放大这个特征，我们设计了一个处理函数，即：(x，y)=F(x-d，y)-2F(x，y)+F(x+d，y)F(x，y)：原图像P(x，y)：处理后图像d：处理参数，一般取1~4这样就突出了图像中竖直的边缘，而对水平。
什么是光学图像？什么是SAR图像？它们的区别是什么？成像机制有什么差异？在图像分割上有什么不同？ 1、是什么：光学图像是采用光学摄影系统获取的以感光胶片为介质的图像，通常指可见光和部分红外波段传感器获取的影像数据。SAR图像由SAR（合成孔径雷达）系统产生，这是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力。2、区别（信息，分辨率，成像机制）：包含信息方面：光学图像通常会包含多个波段的灰度信息，以便于识别目标和分类提取。而SAR图像则只记录了一个波段的回波信息，以二进制复数形式记录下来；但基于每个像素的复数数据可变换提取相应的振幅和相位信息。分辨率方面：SAR影像分辨率相对较低、信噪比较低，所以SAR影像中所包含的振幅信息远达不到同光学影像的成像水平；但其特有的相位信息是其他传感器所无法获取的，基于相位的干涉建模也是SAR的主要应用方向。成像机制差别：光学影像通常采用中心投影面域成像或推帚式扫描获取数据；而SAR处于信号处理的需要（合成孔径过程，这里就不展开讨论了）不能采用垂直向下的照射方式而只能通过测视主动成像方式发射和接受面域雷达波，并通过信号处理（聚焦、压缩、滤波等）手段后期合成对应于地面目标的复数像元。3、在图像。
如何用深度学习实现卫星图像分割与识别 深度学习在物体识别中最重要的进展体现在ImageNetILSVRC3挑战中的图像分类任务。传统计算机视觉方法在此测试集上最低的错误率是26.172%。2012年，欣顿的研究小组利用卷积网络把错误率降到了15.315%。此网络结构被称为AlexNet，与传统的卷积网络相比，它有三点与众不同之处：首先，AlexNet采用了dropout的训练策略，在训练过程中将输入层和中间层的一些神经元随机置零。这模拟了噪音对输入数据的各种干扰使一些神经元对一些视觉模式产生漏检的情况。Dropout使训练过程收敛得更慢，但得到的网络模型更加鲁棒。其次，AlexNet采用整流线型单元作为非线性的激发函数。这不仅大大降低了计算的复杂度，而且使神经元的输出具有稀疏的特征，对各种干扰更加鲁棒。第三，AlexNet通过对训练样本镜像映射和加入随机平移扰动，产生了的训练样本，减少了过拟合。在ImageNetILSVRC2013比赛中，排名前20的小组使用的都是深度学习技术。获胜者是纽约大学罗伯·费格斯(RobFergus)的研究小组，所采用的深度模型是卷积网络，并对网络结构作了进一步优化，错误率为11.197%，其模型称作Clarif。在ILSVRC2014比赛中，获胜者GooLeNet[18]将错误率降到了6.656%。GooLeNet突出的特点是大大增加了。
