博主使用的逐飞家的总钻风摄像头，这是一款灰度摄像头，配合逐飞的底层库，可以很快的上手。在我当时拿到总钻风的第一时间，就用逐飞的底层库，配合tft显示屏，显示简单的图像，虽然简单，当时的心情其实还是很激动的。
而这时，我们显示的，其实就是一张灰度图像。我的是120*188的灰度图像，例如：
针对这些灰度图像，我们需要对它进行阈值处理以便之后的赛道信息提取。
首先，我们得知道，我们所得到了这120*188的图像，实际上也就是120*188个不同灰度值的像素点组成，对于这么多个像素点处理的最基本的思想，就是找到一个阈值，能够确保这个阈值可以把赛道和背景分离出来，而这，也就是所谓的图像二值化处理，它通过不同的算法得到图像的一个跳变阈值，将大于这个阈值的区域置为全白，小于它的阈值置为全黑。
下面给出几种得到阈值的算法思路和代码：
(一)迭代法求阈值
由于赛道的蓝色背景和白色赛道的灰度分布十分明显，我们可以用适用于整个图像的单个(全局)阈值，在大多数应用中，通常图像之间有较大变化，即使全局阈值是一种合适的方法 ，也需要有能对每幅图像自动估计阈值的算法。下面的迭代算法可用于这一目的:
基本思路：
1.为全局阈值T选择一个初始估计值。
2.用T分割该图像。这将产生两组像素: G1 由灰度值大于T的所有像素组成，G2由所有小于等于的像素组成。
3.对G和G2的像素分别计算平均灰度值(均值) m1和m2。
4.计算一个新的阈值: T=1/2(m1+m2)。
5.重复步骤2到步骤4,直到连续迭代中的T值间的差小于一个预定义的参数ΔT为止。
#define Thres 128 //阈值
#define ERROR 2 //误差
int16 EdgeThres = 18; //晚上20 白天25 18
float BlackThres = 58; //黑白阈值
//迭代法计算阈值
void Iteration_Threshould(void)
{
uint16_t i = 0,j = 0,N0 = 0,N1 = 0,flag = 0;
float T0,T1,T2,T_center;
uint32_t S0 = 0,S1 = 0;
T2 = BlackThres;
do{
for(i=0;i<ROW_H;i++){
for(j=0;j<COL_W;j++){
if(image[i][j] < T2){
S0 += image[i][j];
N0++;
}
else{
S1 += image[i][j];
N1++;
}
}
}
T0 = S0/N0;
T1 = S1/N1;
T_center = (T0+T1)/2;
if(T2 < T_center){
if((T_center - T2)> ERROR){
flag = 1;
}
else{
flag = 0;
}
}
else{
if((T2 - T_center) > ERROR){
flag = 1;
}
else{
flag = 0;
}
}
T2 =T_center;
BlackThres = T2;
}
while(flag);
}当与物体和背景相关的直方图模式间存在一个相当清晰的波谷时，这个简单的算法工作得很好。
在速度是一个重要因素的情形下， 参数ΔT用于控制这代的次数。通常，ΔT越大，则算法执行的迭代次数越少。所选的初始阈值必须大于图像中的最小灰度级而小于最大灰度级。图像的平均灰度对于T来说是较好的初始选择。
(二)基于Otus的最佳全局阈值处理
阈值处理可以视为一种统计决策理论问题， 其目的是在把像素分配给两个或多个组(也称为分类)的过程中使引人的平均误差最小。
Otus,也称大津法， 该方法在类间方差最大的情况下是最佳的。基本概念是，好阈值分类就其像素灰度值而论，应是截然不同的，反过来说，就其灰度值而言给出最好的类间分离的阈值就是最好的(最佳的)阈值。除了其最佳性之外，大津法还有一个重要的特性，即它完全以在一幅图像的直方图上执行计算为基础，直方图是很容易得到的一维阵列。
基本思路：
1.计算灰度级中每个像素在整幅图像中的个数
2.计算每个像素值的点在整幅图像中的概率
3.计算全局灰度均值
4.计算类间方差
5.得到Otus阈值
#define GrayScale 256
int pixelCount[GrayScale];
float pixelPro[GrayScale];
uint8 my_adapt_threshold(uint8 *image, uint16 col, uint16 row)
{
uint16 width = col;
uint16 height = row;
int i, j, pixelSum = width * height/4;
uint8* data = image; //指向像素数据的指针
for (i = 0; i < GrayScale; i++)
{
pixelCount[i] = 0;
pixelPro[i] = 0;
}
uint32 gray_sum=0;
//统计灰度级中每个像素在整幅图像中的个数
for (i = 0; i < height; i+=2)
{
for (j = 0; j < width; j+=2)
{
pixelCount[(int)data[i * width + j]]++; //将当前的点的像素值作为计数数组的下标
gray_sum+=(int)data[i * width + j]; //灰度值总和
}
}
//计算每个像素值的点在整幅图像中的比例
for (i = 0; i < GrayScale; i++)
{
pixelPro[i] = (float)pixelCount[i] / pixelSum;
}
//遍历灰度级[0,255]
float w0, w1, u0tmp, u1tmp, u0, u1, u, deltaTmp, deltaMax = 0;
w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;
for (j = 0; j < GrayScale; j++)
{
w0 += pixelPro[j]; //背景部分每个灰度值的像素点所占比例之和 即背景部分的比例
u0tmp += j * pixelPro[j]; //背景部分 每个灰度值的点的比例 *灰度值
w1=1-w0;
u1tmp=gray_sum/pixelSum-u0tmp;
u0 = u0tmp / w0; //背景平均灰度
u1 = u1tmp / w1; //前景平均灰度
u = u0tmp + u1tmp; //全局平均灰度
deltaTmp = w0 * pow((u0 - u), 2) + w1 * pow((u1 - u), 2);
if (deltaTmp > deltaMax)
{
deltaMax = deltaTmp;
threshold = j;
}
if (deltaTmp < deltaMax)
{
break;
}
}
return threshold;
}通过以上两种算法可以得到全局阈值，接下来我们可以直接根据得到的阈值选择去二值化
void Binarization()
{
for(int i=0;i< MT9V03X_CSI_H;i++)
{
for(int j=0;j<MT9V03X_CSI_W;j++)
{
if( mt9v03x_csi_image[i][j]>threshold)
{
image_deal[i][j]=white;
}
else
{
image_deal[i][j]=black;
}
image_showlcd[i][j]=image_deal[i][j];
}
}
}以上步骤，我们可以得到一帧稳定的二值化图像
至此，针对一般的赛道场地，以上两种二值化的方法完全可以适用，但我们不排除会出现一些极端的情况，例如阳光的影响，万一一道上帝之光照射到赛道上，造成了赛道部分的灰度值发生畸变，这时候，基于全局的阈值算法似乎就显得有些无法应对，这时候，我们就需要对局部的图像进行阈值处理，针对智能车赛道处理，我们可以根据已算出来的全局阈值对每行再进行一次单独的阈值计算，以减少阳光对赛道的影响。
对每行再进行一次阈值计算：
uint8 threshold_line[MT9V03X_CSI_H];
uint8 Binarization_line(){
int T=0;
uint8 T1 = 0;
for(int i = 0; i < MT9V03X_CSI_H; i++){
T1 = my_adapt_threshold(mt9v03x_csi_image[i],MT9V03X_CSI_W,5);
for(int j = 0; j < 5 ;j++){
threshold_line[i + j] = T1;
}
i = i + 4;
}
return T;
}
评论（0）
您还未登录，请登录后发表或查看评论