基于图像处理的车道线识别算法研究

长春理工大学本科毕业论文

2.3.3 高斯滤波

图2-4 中值滤波效果图

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的思想是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。 高斯滤波的效果图如图2-5所示：

图2-5 高斯滤波效果图 9

长春理工大学本科毕业论文

2.3.4 平滑滤波总结

通过比较以上三种滤波方法，可以看出三者的区别和适用范围。均值滤波算法简单，但会造成图像的模糊，中值滤波对椒盐噪声有非常好的去除效果，并且能够保存边缘信息，高斯滤波则对高斯噪声具有很好的处理效果。

图像边缘的信息对于本论文中的车道线识别算法有重要作用，所以在选择滤波算法上应优先选用中值滤波和高斯滤波。

2.4 二值化

2.4.1 二值化的基本概念

图像的二值化就是将一副灰度图像转换为二值图像，例如设定一个阈值K，像素值小于K的置为0，反之则置为255，如公式（2-3）所示：

G(x,y)?f(x,y)?K?0:25

（2-3）

2.4.2 大津法自适应阈值分割

虽然通过给定一个阈值能实现图像的二值化，但在很多时候并不能给出一个合适的阈值，为了解决这个问题，人们提出了许多自适应的阈值分割方法，以适应不同灰度分布的图像，其中应用广泛的有大津法自适应阈值等。

大津法也叫最大类间方差法，是一种自适应的阈值确定的方法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。对于图像Ix,y,前景(即目标)和背景的分割阈值记作T,属于前景的像素点数

占整幅图像的比例记为?0,其平均灰度?0;背景像素点数占整幅图像的比例为?1,其平均灰度为?1。图像的总平均灰度记为?,类间方差记为g。假设图像的背景较暗,并且图像的大小为M?N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有

10

长春理工大学本科毕业论文

?N?N 0?0/M?N?N 1?1/MNNM?N0?1?

（2-4） （2-5） （2-6） （2-7） （2-8） （2-9）

?0??1?1

?????????0011

22g??(?)??(?)0011

??????2经计算后,得到等价公式（2-10）:

?? g????????0101大津法阈值分割如图2-6所示：

（2-10）

采用遍历的方法得到使类间方差最大的阈值T,即为所求。

图2-6 大津法自适应阈值分割

2.5 边缘提取

图象的边缘是指图象局部区域亮度变化显著的部分，该区域的灰度剖面一般可以看作是一个阶跃，既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图象的边缘部分集中了图象的大部分信息，图象边缘的确定与提取对于整个图象场景的识别与理解是非常重要的，同时也是图象分割所依赖的重要特征，边缘检测主要是图象的灰度变化的度量、检测和定位。

11

长春理工大学本科毕业论文

2.5.1 Sobel算子

Sobel算子主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用此算子，将会产生对应的梯度矢量或是其法矢量。

Sobel算子包含两个3?3的矩阵，如图（2-7）所示，用这两个矩阵与图像进行卷积，便可分别得到横向及纵向的亮度差分近似值。

如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其计算方法如公式（2-11）和（2-12）:

??101???A Gx???202?????101?? （2-11）

21??1??A Gy??000?????1?2?1?? （2-12）

图像的每一个像素的横向及纵向梯度值可用公式（2-13）来计算梯度的大小。

G?Gx?Gy

22 （2-13）

通常，也使用一个近似计算的公式（2-14）来提高计算速度：

G?Gx?Gy

（2-14）

可用以下公式计算梯度方向：

12