我们假设需要识别的图像分为A和B两部分，A是大部分，B是小部分，同时，A也是所谓的“质量”好的图像，B是所谓的“质量”差的图像。

因为设计的识别算法只能是一个，所以，算法可能是

1、 既针对A，也针对B，两部分都是重点。这是大家想做的。

2、 针对大部分B，牺牲部分A，这是大家实际在做的。

3、 只针对A，放弃B。这是我在做的。

由于算法的实质是策略，当确定某种策略模式后，由于灰度化和其后的二值化过程所采用的阈值往往是单一阈值（或二阈值），阈值将所有图像点简单分为非黑即白，图像信息被大量损坏，因此，对于1，既针对A，也针对B，是不可能的，A有部分会被牺牲，同样，B也有部分会被牺牲，并且，被牺牲的部分是不可控的。“质量”好的图像A不能被识别从感情上讲是不好接受的，因此，大家总在改进算法，目的是想既针对A，也针对B。

改进的结果就成了针对大部分B，牺牲了部分A。

不论大家是否同意，我都得指出，大家对于A的解决并不彻底，仍然存在大量的D被识别成0，Q被识别成0的情况。注意，这与光照，倾斜，图像模糊等等没有任何关系。这是灰度化、二值化，去噪等一系列算法“有损性”造成的。

大家并没有解决算法的“有损性”问题。这就导致车牌识别精度不可能是{bfb}。

大家为何不去解决算法的“有损性”问题呢？

大家把注意力集中在图像“质量”不好的B上面究竟有多大意义。因为，要兼顾到B的话，就必然影响到A。

提高车牌识别的精度，或者说提高识别率，有两方面的因素，一是改算法，二是提高图像质量。大家一定要弄清楚，对于一幅不能识别的图像，你是去改算法呢，还是去提高图像“质量”？算法往往是不好改的，而图像质量呢？这显然好办得多，不信，做摄像头的人出来说说。

在我的网站上有三幅图像，其中，第三幅图像就是“质量”不好的图像。对于，这幅图像，我的算法不是不能解决，是我考虑：

1、这是不是普遍现象？如果是，它就属于A，我就必须改算法。

2、这是个别现象，那就建议使用高清摄像头。当然，我在这方面是外行，{zh0}还是请做摄像头的人来说说。