就像複雜的人體一樣，一個99%很健康的人，也常常會因為一個小小的意外生病，甚至病情持續惡化就此一病不起？此時如果可以去醫院看病，讓好醫生對症下藥，很多小病很容易就能治好，就不會因此短命了！試想沒有良好的醫療體系作疾病治療的地方死亡率會高多少？

影像辨識也是很類似的！如上的車牌其實很清楚，亮區與暗區的字元也都辨識得到！只是正規的OCR不能準確處理陰影的雜訊，所以二值化的SOP會讓U字元的中央產生一條陰影導致的線狀雜訊！我的字模辨識為了應付字元較模糊的狀況，是會有些特徵加權的！譬如U字的中央必須是可以直通的！一條橫隔線就會讓它在是否為U？的判斷上被嚴重扣分！所以就會變成錯誤的B字了！

正本清源的方向當然是找到病灶加以醫治！在此就是：我們是否有合理準確的方式，知道那條斜線是不合理的？不應該是字元正常的筆劃前景與背景的色差造成的！我新想出的療法就是在二值化圖上檢查這種橫向的細線，如果被定義為黑點的實際灰階度其實與上方背景非常相近，那就是陰影的邊線了！

具體的量化標準就是找到橫線的黑點，比較此黑點的灰階與上下背景點的灰階差值，如果是正常的筆畫，上下的灰階差異是會非常相似的！反之，如果是陰影造成的線，上方灰階差異會很小，下方則相對很大！以此標準適度的清除破壞這條陰影線(雜訊)，甚至不必完全清乾淨，就可以讓辨識導向正確的U了！

在我的資料庫中這種陰影導致的辨識錯誤還真的不少！多數都讓我非常遺憾！因為亮區暗區的字元其實都辨識出來了，卻只因為這條搗蛋的陰影邊線讓某些字誤判！就像很多健康的人只因為小病沒有醫治，而不幸病死一樣！現實上，在路邊拍照的人日正當中時去拍就一定會出現很多這種雜訊，總不能要他們拿著陽傘替車牌遮陽之後再拍吧？手不夠用啊！

這就是我的車牌辨識繁複的醫療體系的一部份了！跟很多學院派專家們的思維不同之處是：我看到的是真實物理世界中，有很多不同因素造成很多不同的辨識障礙！我不會妄想某一兩種特殊的演算法就可以對付所有型態的雜訊，就像我不相信有一種萬靈丹可以治好所有的病一樣！所以不要看我的文章看起來很不「學術」？沒有太多讓人肅然起敬的專有名詞？就低估了我！其實我才是那種可以對症下藥治好最多疾病的良醫！

我的作法與概念也可以啟發天真的深度學習信徒們！如何才可以精確合理穩定的做出優質影像辨識產品的方式！你想依賴資料與電腦自己學會這麼精緻的智慧處理程序嗎？別傻了！也不要繼續做夢幻想會有AI大神出現了！那只是浪費老闆的錢與你(RD工程師)的生命！完全沒用的！歷史終究會證明我是對的！