彎道要素特征表達(dá)方法研究本科生畢業(yè)論文

1、 本科生畢業(yè)論文（設(shè)計(jì)）中文題目 彎道要素特征表達(dá)方法研究 英文題目 Study on Expression of Curves Characteristics 大學(xué)學(xué)士學(xué)位論文（設(shè)計(jì)）承諾書本人重承諾：所呈交的學(xué)士學(xué)位畢業(yè)論文（設(shè)計(jì)），是本人在指導(dǎo)教師的指導(dǎo)下，獨(dú)立進(jìn)行實(shí)驗(yàn)、設(shè)計(jì)、調(diào)研等工作基礎(chǔ)上取得的成果。除文中已經(jīng)注明引用的容外，本論文（設(shè)計(jì)）不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的作品成果。對本人實(shí)驗(yàn)或設(shè)計(jì)中做出重要貢獻(xiàn)的個(gè)人或集體，均已在文中以明確的方式注明。本人完全意識到本承諾書的法律結(jié)果由本人承擔(dān)。 學(xué)士學(xué)位論文（設(shè)計(jì)）作者簽名： 年 月 日摘要 這些年我國交通運(yùn)輸事業(yè)的不斷發(fā)展

2、，交通工具的種類和數(shù)量日新月異，但交通事故卻隨之不斷發(fā)生。對大量交通事故進(jìn)行調(diào)查發(fā)現(xiàn)，在彎道上發(fā)生的事故約占全部交通事故的10%以上。一方面，駕駛員行駛在彎道時(shí)，會感受到一部分可見彎道線形；另一方面，受彎道周圍景觀、標(biāo)志標(biāo)線、白云等其他干擾因素的影響，駕駛員觀察障礙物之后的不可見線形是困難的。 由于以上兩點(diǎn)，本論文針對基于彎道要素特征，提取彎道線形進(jìn)行了研究。具體做的幾項(xiàng)工作如下：1.對彎道線形圖像進(jìn)行濾波、去噪等預(yù)處理。2.基于邊緣檢測、分水嶺算法、紋理分析等圖像識別和圖像分割技術(shù)，研究彎道路面、標(biāo)志標(biāo)線、白云等干擾因素的分離技術(shù)，提出彎道線形的提取方法。 綜上所述，本論文以MATLAB軟件

3、為工具，研究了彎道線形圖像預(yù)處理技術(shù)，圖像分割技術(shù)，為提取彎道線形提出了很實(shí)用的參考價(jià)值。本論文創(chuàng)新性對駕駛員在彎道的不可見線形的提取方法進(jìn)行了研究，并得到了一些有實(shí)際應(yīng)用價(jià)值的結(jié)論，為降低彎道上交通事故做出了努力。關(guān)鍵詞：彎道線形；圖像濾波；邊緣檢測AbstractChinas transportation business is continuous development during these years , the types and quantities of transport are changing, but accidents continue to occur freq

4、uently. Survey on a large number of traffic accidents found thataccidents at these corners is 10% of all traffic accidents .On one hand, when a driver traveling in a curve , the driver will see the linear portion of the visible the alignment .On the other hand ,because the impact of the corners of t

5、he surrounding landscape , signs and markings , blue sky, white clouds and other interfering factors , the driver observed obstacles .Because of these two points , linear curve extraction were studied based on the thesis element characteristic curve.Specific to do several jobs as follows : 1 on the

6、curve linear image filtering , de-noising preprocessing . 2 based on edge detection , watershed algorithm , texture analysis, image recognition and image segmentation technology, research bend road signs and markings , blue sky, white clouds and other interfering factors, separation technology, line

7、ar curve proposed extraction method . In summary, this thesis uses MATLAB software as a tool to study the curve linear image preprocessing techniques , image segmentation techniques for extracting linear curve presents a very useful reference value. In this paper, the driver in the corners innovativ

8、e invisible linear extraction methods were studied , and got some practical value conclusion , in order to reduce accidents on the efforts of the curve .Keywords:Linear curve , image filtering , edge detection 目 錄第1章 緒論41.1 本論文的研究意義41.2 彎道要素特征表達(dá)方法研究的國外研究現(xiàn)狀51.3 本論文的研究任務(wù)6第2章 彎道線形提取的基礎(chǔ)理論和方法62.1 圖像濾波去噪7

9、2.2 圖像增強(qiáng)72.3 邊緣檢測92.4 邊緣連接122.5 小結(jié)14第3章 彎道邊緣檢測識別153.1 小波去噪處理圖像153.2 運(yùn)用Canny算子進(jìn)行彎道邊緣檢測173.3 圖像分割提取彎道213.4 數(shù)學(xué)形態(tài)學(xué)處理彎道圖像243.5 小結(jié)26第4章 圖像處理的彎道要素與實(shí)際比較264.1 彎道模型的建立264.2 彎道模型的圖像處理274.3 平坡彎道要素特征計(jì)算284.4 坡度彎道要素特征計(jì)算344.5 誤差分析374.6 小結(jié)38第5章 總結(jié)與展望385.1 論文的工作總結(jié)385.2 論文的展望39參考文獻(xiàn)40致 41第1章 緒論1.1 本論文的研究意義隨著汽車技術(shù)的快速發(fā)展，汽

10、車已成為現(xiàn)代文明科技的標(biāo)志，成為人類生活不可或缺的一部分。然而伴隨著汽車給人類帶來的舒適，大量的交通事故也隨之而來。交通安全問題的研究已成為國家中長期科技發(fā)展規(guī)劃。 通過大量交通事故的調(diào)差分析發(fā)現(xiàn)，彎道的不可見線形是彎道發(fā)生交通事故的主要原因。道路是道路交通的基礎(chǔ)設(shè)施，彎道路面特性、彎道半徑以與周邊環(huán)境因素等影響駕駛員在彎道的駕駛狀況。 一方面，駕駛員在彎道行駛時(shí)，會看到一部分彎道線形，稱為可見線形；另一方面，受彎道周圍景觀等因素影響，駕駛員難以看到障礙物遮掩的彎道線形，稱為不可見線形。由于車輛需要繼續(xù)向前行駛，但駕駛員由于不可見線形無法做出正確的駕駛行為，因而產(chǎn)生安全隱患造成交通事故的發(fā)生。

11、 在彎道行駛時(shí)，駕駛員受彎道線形條件制約，需要對彎道線形信息進(jìn)行采集、分析、處理。彎道要素特征表達(dá)方法研究可以幫助駕駛員實(shí)時(shí)地獲得去除彎道干擾因素的道路線形，與時(shí)作出相應(yīng)駕駛操作，對于理解彎道上交通事故發(fā)生的深層原因，同時(shí)據(jù)此采取相應(yīng)防患措施有很實(shí)用的參考價(jià)值。1.2 彎道要素特征表達(dá)方法研究的國外研究現(xiàn)狀1.2.1 國外研究現(xiàn)狀國外對彎道線形提取與其要素特征方面的研究開始較早，1986年zhu和yeh發(fā)現(xiàn)相對平行的相對邊緣，并據(jù)此選擇種子點(diǎn)，憑借邊緣的強(qiáng)度和長度相近程度進(jìn)行連接，使用了基于規(guī)則的系統(tǒng)。他簡單地假設(shè)圖像沒有噪聲，道路和背景的高對比度，因此其適應(yīng)性不是很好。1988年Lemmen

12、s將彎道提取分為分割和識別兩個(gè)步驟，先用條件均值濾波器去除噪聲的干擾，在用梯度算子檢測彎道邊緣，邊緣由概率松弛算法連接，分割后在基于路寬、長度、灰度值等彎道要素進(jìn)行連接。1993年Barzohar和Cooper對彎道的中心線、寬度、邊緣強(qiáng)度、灰度和背景灰度級等建立了模型，對整幅圖像中每一個(gè)小窗口都進(jìn)行了變大后驗(yàn)估計(jì)，然后通過動態(tài)規(guī)劃在這些候選者中得到全局最優(yōu)秀的估計(jì)。1995年Heipke用一種分級式多分辨率的方法，在粗分辨率上面提取出亮線，用與Nevatia相似方法的邊緣跟蹤算子在高分辨率上提取兩邊線，使用一些簡易的規(guī)則將兩級上的結(jié)果進(jìn)行合并。1996年Ruskone研究了高分辨率影像道路網(wǎng)

13、的提取。首先，根據(jù)道路種子點(diǎn)的自動獲取來跟蹤道路，繼而運(yùn)用道路的幾何結(jié)構(gòu)特征對道路段進(jìn)行編組，最后使用Snake模型把提取的道路網(wǎng)的幾何結(jié)構(gòu)優(yōu)化。 1996年Wang Fet在基于知識的公路網(wǎng)的自動提取時(shí)提出了綜合使用多波段圖像的方法。這種方法實(shí)現(xiàn)的步驟為影像平滑去噪、將三個(gè)波段的圖像Laplance增強(qiáng)和利用聚類算法生成二值圖像，二值圖像線狀的目標(biāo)跟蹤、道路的識別還有生成道路網(wǎng)等等。1997年Meir Barzohar，Mos Cohen在針對彎道路段部分因?yàn)楸唤ㄖ?、樹蔭遮擋形成斷裂的研究中，提出了一種穩(wěn)定的彎道路跟蹤方法，對彎道路斷裂處也可進(jìn)行有效地跟蹤。這種方法在道路種子點(diǎn)的確定時(shí)提出

14、使用馬爾科夫隨機(jī)模型的方法，通過道路遮蔽模型和Kalman濾波器來跟蹤連接彎道。1998年Karimi運(yùn)用穩(wěn)健高斯拉普拉斯邊緣檢測方法和種子區(qū)域增長算法提取彎道，提取的結(jié)果不盡如人意。1.2.2 國研究現(xiàn)狀國對彎道線形的提取與其要素特征研究較國外來說起步較晚，并且大多數(shù)研究是在國外研究的基礎(chǔ)上采用相似的方法，改進(jìn)試驗(yàn)的方法，或是增多實(shí)驗(yàn)數(shù)據(jù)的數(shù)量使其更有信服力，雖然這樣，國的研究還是取得了相當(dāng)?shù)某煽儭?000年文貢堅(jiān)提出在城市影像中自動提取直的道路網(wǎng)方法。將整幅圖像進(jìn)行分塊，在每一個(gè)子塊中提取檢測彎道，然后自動連接就會形成道路網(wǎng)。2005年榮、王勇、蓉采用對整幅圖像進(jìn)行梯度方向的統(tǒng)計(jì)的方法，因

15、為彎道在梯度方向上變化較緩慢，所以在梯度方向統(tǒng)計(jì)時(shí)會出現(xiàn)峰值。然后又通過統(tǒng)計(jì)梯度方向的指導(dǎo)方向可濾波器對整幅圖進(jìn)行濾波，提取出彎道。1.3 本論文的研究任務(wù)1.3.1 問題的提出 國外對彎道線形提取的研究對本論文有很多可以借鑒的地方，但目前這些算法在實(shí)際應(yīng)用中有很大的差異。由于算法缺乏靈活性，穩(wěn)健性，可靠性，所以只是在研究試驗(yàn)階段，還有很長的距離去實(shí)現(xiàn)實(shí)用。主要原因有：因?yàn)閷澋辣旧韥碚f，彎道識別主要取決于彎道與周圍景觀環(huán)境反差的大小。彎道因?yàn)槟承┰驎霈F(xiàn)大大小小的斷裂，像是因?yàn)榻ㄖ?、樹木、白云的陰影遮蔽出現(xiàn)的不連續(xù)現(xiàn)象。這些都會對彎道的識別產(chǎn)生巨大影響。 完成不同狀況下彎道的提取與要素特

16、征的表達(dá)是比較困難的。目前的研究都是針對特定圖像資源進(jìn)行試驗(yàn)研究，給出相應(yīng)的實(shí)驗(yàn)結(jié)果。因此在課題研究中，我們應(yīng)當(dāng)借鑒或者是利用一些好的彎道提取方法，與實(shí)際圖像資源結(jié)合，才會得出比較好的彎道提取結(jié)果。然后根據(jù)彎道線形計(jì)算出彎道要素特征并將其與實(shí)際測量彎道要素進(jìn)行比較，建立對應(yīng)關(guān)系?；诘玫降膶?yīng)關(guān)系，便可根據(jù)圖像處理的結(jié)果判斷對應(yīng)的彎道要素特征。1.3.2 主要研究容根據(jù)國外研究的現(xiàn)狀，并結(jié)合本論文課題的需要，確定本論文的主要研究容如下：1.綜合運(yùn)用圖像處理方法對彎道圖像進(jìn)行處理，提取出彎道線形； 2.對所得的彎道線形進(jìn)行進(jìn)一步處理，得到彎道線形對應(yīng)的曲率，坡度等特征要素；3.將得到的數(shù)據(jù)與實(shí)際

17、測量的彎道要素進(jìn)行比較，建立對應(yīng)關(guān)系，根據(jù)對應(yīng)關(guān)系便可求得車輛形式彎道的要素特征。第2章 彎道線形提取的基礎(chǔ)理論和方法在圖像數(shù)據(jù)中，彎道道路信息是一種重要的地理信息，彎道要素特征在彎道線形識別方面具有非常重要的作用。彎道線形在圖像數(shù)據(jù)中的提取步驟一般為圖像增強(qiáng)，彎道邊緣檢測、邊緣的細(xì)化、修建還有邊緣的連接。在圖像增強(qiáng)前還應(yīng)進(jìn)行圖像的濾波去噪。2.1 圖像濾波去噪 一幅圖像在實(shí)際應(yīng)用的時(shí)候有可能存在不同種類的噪聲，這些噪聲也許是在傳輸過程中產(chǎn)生的，有可能是在量化處理中產(chǎn)生的。這些噪聲在圖像上經(jīng)常會引發(fā)出較強(qiáng)的視覺效果，產(chǎn)生孤立像素點(diǎn)或者是像素塊。一般情況下的噪聲信號同要研究的對象并沒有關(guān)聯(lián)，它表

18、現(xiàn)為沒有用處的信息形式，會擾亂圖像可觀測的信息。對數(shù)字圖像信號來說，噪聲以或大或小的極值形式出現(xiàn)，這些極值綜合影響圖像像素的真實(shí)灰度值，以暗點(diǎn)的形式干擾圖像，圖像質(zhì)量被極大化降低，影響圖像復(fù)原、分割、特征提取、邊緣檢測等后續(xù)工作的進(jìn)行。因此要通過抑制噪聲的濾波器有效地去除目標(biāo)和背景中的干擾噪聲，同時(shí)保護(hù)圖像目標(biāo)的形狀、大小和特定的幾何結(jié)構(gòu)特征不受影響。2.2 圖像增強(qiáng) 圖像增強(qiáng)是圖像處理中的基本技術(shù)之一，指把原來并不清晰的圖像變?yōu)榍逦膱D像，或者抑制圖像的某些特征而增強(qiáng)另外一些特征。主要目的就是改善處理后的圖像質(zhì)量，使圖像的信噪比得到增加，或者使圖像的視覺效果得到增強(qiáng)。圖像增強(qiáng)有兩類方法：空域

19、法、頻域法?？沼蚍ň褪菍臻g域的像素灰度值進(jìn)行運(yùn)算，主要有圖像灰度變換、直方圖均衡化、直方圖修正、圖像的空域銳化還有偽彩色處理這些處理方法。圖像頻域法主要是先通過傅里葉變換把圖像從原來的空間域變?yōu)轭l率域，再濾波處理所得頻率域的信息，最后再通過傅立葉變換變換為原來的空間域。 在空間域，最常使用的圖像增強(qiáng)方法是通過圖像對比度增強(qiáng)處理灰度圖像。因?yàn)榛叶葓D像對比度的大小是由圖像灰度級差所決定的，因此為了有更好的圖像識別效果，我們要做的就是增大圖像的灰度級差。通常采取的方法有以下四種：線性增強(qiáng)、非線性增強(qiáng)、自適應(yīng)性增強(qiáng)和直方圖均衡化。在頻域，通常采用的圖像增強(qiáng)方法是同態(tài)增晰。在最近的十幾年，又出現(xiàn)了一種

20、小波理論進(jìn)行圖像增強(qiáng)的方法。2.2.1 直方圖均衡化 直方圖均衡化是圖像增強(qiáng)的一種方法，它實(shí)際上就是把變換后所得圖像的灰度概率p（y）變?yōu)槌?shù)c，也就是讓p（y）=c，圖像上看到的就是原圖像的灰度級增大了。直方圖均衡化能增大圖像主要部分的信息，對地物的提取有很大用處。 在這里我們采用Matlab軟件對圖像進(jìn)行直方圖均衡化處理。圖2.1是原始圖像，圖2.2是原始圖像的直方圖。通過直方圖我們可以看到，原圖像的灰度級主要集中在0-200圍，圖像有些暗。在經(jīng)過直方圖均衡化處理后，得到圖2.3，均衡化后直方圖如圖2.4，通過圖2.4我們看到以圖像的灰度級均勻分布在0-250的圍，圖像質(zhì)量因此可以看出得到

21、了一定程度的提高。 圖2.1 原圖像 圖2.2 原圖像直方圖 圖2.3 直方圖均衡化圖像 圖2.4 均衡化后圖像的直方圖2.2.2 同態(tài)增晰同態(tài)增晰應(yīng)用在圖像灰度級圍較大，也就是黑的地方黑，而白的地方很白，同時(shí)目標(biāo)的灰度級圍卻很小，很難分清目標(biāo)的灰度級層次和細(xì)節(jié)，由于常用的灰度線性變換雖然增大了目標(biāo)與背景之間的反差，但是同時(shí)卻擴(kuò)大了圖像的灰度級圍，所以不使用它來處理圖片，而采用同態(tài)增晰處理圖片因?yàn)橥瑧B(tài)增晰處理后會得到比一般灰度線性變換更好的，所期望的效果。同態(tài)增晰是非線性系統(tǒng)采用廣義疊加原理，運(yùn)用同態(tài)濾波處理圖像的方法，輸入應(yīng)當(dāng)?shù)臑V波特性函數(shù)就會得到圖像灰度級動態(tài)圍的壓縮，這樣就會使期望的目標(biāo)

22、灰度級圍得到擴(kuò)大，突出想要得到的目標(biāo)。 同態(tài)增晰處理的基本流程如下：S(x,y)LogDFT頻域?yàn)V波IDFTExpT(x,y)其中S(x，y)表示初始圖像；T（x，y）表示處理后的圖像；Log表示對數(shù)運(yùn)算；DFT表示傅里葉變換；IDFT表示傅立葉的反向變換；EXP表示指數(shù)運(yùn)算。2.2.3 多尺度小波圖像增強(qiáng)多尺度小波圖像增強(qiáng)實(shí)質(zhì)是采用小波變換將圖像分成大小，位置和方向不同的幾個(gè)分量，之后變換這些分解的變量，增強(qiáng)想要的分量，然后采用Mallat算法在不同尺度下重新構(gòu)造這些處理后的分量，就會得到增強(qiáng)后的圖像了。 因?yàn)閳D像的對比度隨著圖像灰度強(qiáng)度相應(yīng)正比的方式變化，所以圖像的對比度和灰度梯度的模值是

23、相關(guān)的。從圖像梯度方面可以知道，對比度低的圖像對應(yīng)的灰度梯度模值也會較小，對比度高的圖像所對應(yīng)的灰度梯度模值也會較大，因此我們可以通過增高灰度梯度來達(dá)到增強(qiáng)圖像對比度。小波變換的頻率特性非常好，能夠保證圖像梯度信息不會損失，采用小波變換的多分辨率特性就會得到所期望的圖像灰度分布，因?yàn)檫吘壖?xì)節(jié)主要在高頻率帶，圖像能量主要在低頻率帶，所以可以采用合適的濾波器對圖像進(jìn)行增強(qiáng)。2.3 邊緣檢測彎道的邊緣是以圖像局部特性的不連續(xù)性的方式出現(xiàn)的，像灰度值的突變，顏色的突變，紋理結(jié)構(gòu)的突變等等。邊緣實(shí)際上就是一個(gè)區(qū)域的終止與另一個(gè)區(qū)域的開端。圖像邊緣的信息在本論文中圖像的分析中非常重要，是本論文彎道圖像識別

24、中提取彎道線形特征一個(gè)非常重要的部分。 圖像的邊緣有方向和幅度兩個(gè)特性，順著邊緣方向的像素變化較平順，垂直于邊緣方向的像素則會變化很大。這樣的變化分為階躍型、房頂型和凸緣型，下圖2.5所示就是這三種類型。 圖 2.5 這三種變化各自對應(yīng)圖像不同的物理狀態(tài)。例如，階躍型的變化反映目標(biāo)的深度或是反射邊界，房頂型和凸緣型對應(yīng)目標(biāo)表面法線方向并非連續(xù)不斷。2.3.1 梯度算子梯度是圖像處理中經(jīng)常使用的一次微分方法，梯度運(yùn)算如下：假設(shè)圖像為f(x,y),f(x,y)在(x,y)方向的梯度矢量為Gf(x,y): 從公式可以看出，像素點(diǎn)的梯度值正比與其相近的像素灰度級的差，所以圖像變化緩慢的區(qū)域值比較小，而

25、在圖像變化快的區(qū)域值變化卻較大。使用Matlab中根據(jù)對角方向相近像素梯度的Robert算子和加權(quán)平均后然后微分的Sobel算子可以進(jìn)行靈敏的邊緣檢測克服導(dǎo)數(shù)運(yùn)算的方向性。圖2.6是Robert算子和Sobel算子進(jìn)行邊緣檢測的效果。通過圖片可以看到，Robert算子提取的邊緣對比Sobel來說邊緣較粗，且定位并不準(zhǔn)確。圖2.6 原始圖像圖2.7 Robert算子檢測結(jié)果圖2.8 Sobel算子檢測結(jié)果2.3.2 拉普拉斯高斯算子拉普拉斯高斯算子（log）實(shí)質(zhì)是二階邊緣檢測算法。它檢測邊緣的原理是尋找圖像灰度值二階微分過零點(diǎn)的方法。Log的線性位移不變，它的傳遞函數(shù)在頻域空間的原點(diǎn)是零，所以通

26、過拉普拉斯高斯算子濾波后的圖像平均灰度為零。 拉普拉斯高斯算子邊緣檢測算法有以下三個(gè)步驟：(1) 對圖像進(jìn)行濾波去噪處理(2) 對濾波后的圖像進(jìn)行過零檢測，找到圖像的陡峭邊緣。(3) 使用零灰度值再次進(jìn)行二值化相連的、閉合的輪廓，去除圖像里面的點(diǎn)。 拉普拉斯高斯算子的優(yōu)點(diǎn)是檢測邊緣精準(zhǔn)，因?yàn)橹耙呀?jīng)對圖像進(jìn)行了平滑處理，所以消除了噪聲。但拉普拉斯高斯算子的不足時(shí)在彎曲、拐點(diǎn)等灰度值有變化的邊緣檢測會有些差錯(cuò)，檢測不到邊緣的方向。2.3.3 小波邊緣檢測算子在90年代新興起的小波理論因?yàn)楸旧韼в械膬?yōu)點(diǎn)，使得它在圖像處理的各個(gè)方面都得到了廣泛的應(yīng)用，小波變換其中有一項(xiàng)應(yīng)用就是在信息提取中的邊緣檢測

27、。因?yàn)槌Ｒ?guī)的傅里葉變換本身存在一定的缺點(diǎn)，因而基于傅立葉變換得到了小波變換。小波變換克服了傅立葉變換必須采集時(shí)域中全部的信號才能模擬一個(gè)信號語特性的缺點(diǎn)。小波邊緣檢測算子在大的尺度下能夠抑制噪聲，可靠地識別邊緣，在尺度小的空間能夠準(zhǔn)確的定位，然后由粗到細(xì)的進(jìn)行邊緣聚焦，獲得的邊緣檢測結(jié)果真實(shí)準(zhǔn)確。 小波邊緣檢測算子的步驟如下：(1)進(jìn)行多尺度小波變換。(2) 計(jì)算每個(gè)尺度下的梯度方向與梯度矢量模。(3)提取和鏈化每個(gè)尺度下的邊緣。 (4)設(shè)置隊(duì)則(5)對多尺度下的邊緣進(jìn)行匹配。(6) 按照規(guī)則復(fù)合進(jìn)行多尺度邊緣鏈。(7) 輸出圖像的邊緣模型。2.4 邊緣連接由于噪聲的干擾、圖像中的景物和目標(biāo)灰

28、度具有很小的對比度或是圖像里復(fù)雜的容等干擾因素造成邊緣檢測到的結(jié)果不連續(xù)，很難得到的輪廓是封閉的。然而邊緣檢測結(jié)果不理想最突出的原因是邊緣檢測過程中閾值的不恰當(dāng)處理，選擇正確的閾值會確保邊緣輪廓大部分都被檢測出來卻不是全部的邊緣。本論文圖像分割的目的就是按照圖像灰度特征將其變成不同的區(qū)域，圖像的邊緣就是劃分區(qū)域的輪廓。所以可以連接檢測出的邊緣，保證大多數(shù)劃分的區(qū)域擁有封閉輪廓，來實(shí)現(xiàn)檢測出圖像邊緣。 通常采用的邊緣檢測方法有Hough變換法，Canny邊緣檢測中的雙閾值法、局部連接的方法、圖像搜索法等。Hough變換法是通過把直線上的點(diǎn)的坐標(biāo)變換成通過這點(diǎn)的直線系數(shù)域，運(yùn)用的是共線和直線相交的

29、關(guān)系，優(yōu)點(diǎn)是受到直線間噪聲影響很小，但缺點(diǎn)是采用直線或者是曲線來進(jìn)行邊緣連接時(shí)會造成邊緣圖像個(gè)別邊緣點(diǎn)獨(dú)立。Canny邊緣檢測消除假邊緣的方法是使用雙閾值法，在消除假邊緣之前還要使用高斯濾波器將圖像變成多尺度圖像，盡管這種檢測方法產(chǎn)生的邊緣并不是完全封閉的，但是這種方法極大減少了邊緣的不連續(xù)性。局部連接邊緣檢測法一般情況下用來連接小縫隙的邊緣，同時(shí)會避免圖像孤立邊緣點(diǎn)的產(chǎn)生。圖像搜索法非常難以運(yùn)算，本論文并不采用。2.4.1 折線分裂與概率連接法折線分裂與概率連接法實(shí)質(zhì)上就是運(yùn)用幾何與數(shù)學(xué)的原理來規(guī)定邊緣連接的準(zhǔn)則，該方法步驟是：跟蹤標(biāo)記檢測出來的邊緣，記錄邊緣的長度、序號、曲率等邊緣的屬性值

30、，同時(shí)去除部分不需要的邊緣路段，這樣做的理由是彎道擁有平滑的線條，但是曲率非常大的線條不符合彎道曲率具有上限的基本準(zhǔn)則。邊緣跟蹤不僅要跟蹤到主要的候選道路段，同時(shí)還要計(jì)算出邊緣線段的屬性值，以便對候選道路段進(jìn)行編組。 折線分裂法方法步驟如下：(1)找到起點(diǎn)和終止點(diǎn)，當(dāng)目標(biāo)區(qū)域是封閉的區(qū)域時(shí)，可以將距離最遠(yuǎn)的兩個(gè)點(diǎn)當(dāng)做起點(diǎn)和終止點(diǎn)。(2)檢查是不是滿足最大垂直距離小于給定的閾值，不滿足的話，從當(dāng)前擬合直線最遠(yuǎn)的的點(diǎn)把擬合直線分成兩個(gè)部分，然后計(jì)算，當(dāng)滿足要求的話就終止計(jì)算。 為了更好的連接線段，對邊緣線段進(jìn)行了拆分，這樣會避免鋸齒現(xiàn)象的產(chǎn)生，同時(shí)使線段變得光滑。 連接概率模型是通過灰度特性形成的

31、約束條件將相似的度量參數(shù)表示出來，進(jìn)而生成函數(shù)表達(dá)相似性的度量參數(shù)。描述編組約束條件方法為：兩線段相鄰，兩線段的共線，還有就是這兩線段不可以重疊許多同時(shí)這兩線段的對比度比較相近。伴隨著這些約束條件，提出兩條線段所具有的相似性度量參數(shù)：端點(diǎn)距離，重疊度，共線方向差值，共線側(cè)向距離與灰度相似性度量參數(shù)這五個(gè)參數(shù)。 隨后進(jìn)行的是編組道路段，這部分包含兩個(gè)步驟：首先是每兩個(gè)線段之間進(jìn)行預(yù)編組；然后就是編組多條線段。每個(gè)線段都被編組后，兩條線段間的連接概率值要被計(jì)算出來，這兩條線段間的概率值要通過圖標(biāo)的方式記錄表達(dá)，找到道路段中連接的概率最大且滿足連接要求的線段，在對他進(jìn)行編組，根據(jù)編組生成的圖表生成共

32、線鏈，一直這樣操作直到共線鏈統(tǒng)一沒有另外的共線鏈。 完成編組后不一定產(chǎn)生的鏈全部都是正確的道路邊緣，這時(shí)需要消除一些不正確的鏈，例如:一些比較短而曲率非常大的線段，較短同時(shí)平行長的道路段的線段，孤立的短線段，長的道路段部分方向上有突變的道路段等等。通過這些方法的處理，基本就完成了彎道線形的提取，這種方法卻不可避免產(chǎn)生道路錯(cuò)誤連接，非真實(shí)道路等情況的發(fā)生，如果彎道轉(zhuǎn)彎太大也并不適合采用此方法提取彎道線形。2.4.2 Canny算子進(jìn)行邊緣連接有些時(shí)候圖像的閾值不容易確定，為了解決這個(gè)問題，提出了利用Canny算子使用雙域值得方法進(jìn)行邊緣檢測。這種方法的實(shí)質(zhì)是基于圖像像素的梯度，將模值大的定義為高

33、頻信息，邊緣檢測這樣就屬于提取高頻信息，所以用一個(gè)高閾值進(jìn)行邊緣檢測，這時(shí)有用的信息就是高閾值檢測出來的圖像邊緣。根據(jù)高閾值將低閾值對圖像進(jìn)行第二次閾值化，正常情況下，高閾值是低閾值的2.5倍。所以Canny算子中非常重要的一步就是確定高閾值，通常認(rèn)定整幅圖像概3/10的信息都是需要的，這個(gè)基礎(chǔ)上就可以確定低閾值點(diǎn)。Canny算法擁有開創(chuàng)性雙閾值選取的巨大有點(diǎn)，然而也伴隨著雙閾值邊緣檢測時(shí)，錯(cuò)誤連接邊緣的缺點(diǎn)。2.5 小結(jié)這章介紹了彎道線形提取的幾個(gè)方法步驟，也介紹了一些常用的算法，對彎道線形提取至關(guān)重要的就是邊緣檢測和邊緣連接。經(jīng)此提取出彎道線形后，利用Matlab處理線形得到彎道的要素特征

34、，之后與真實(shí)彎道要素特征進(jìn)行比較。所以彎道線形提取時(shí)彎道要素特征表達(dá)方法研究中非常重要的一部分。第3章 彎道邊緣檢測識別3.1 小波去噪處理圖像 進(jìn)行邊緣檢測前，我們先對圖像進(jìn)行濾波去噪處理。噪聲的分布特性以與噪聲與圖像信號之間的關(guān)系是由產(chǎn)生噪聲的原因決定的。噪聲被分為的兩種形式就是根據(jù)噪聲與信號的關(guān)系確定的。兩種形式分別為： 加性噪聲：如果將初始圖像的信號設(shè)為f(x,y),圖像含有噪聲的信號設(shè)為g(x,y),這兩種信號的關(guān)系就可以用g(x,y)=f(x,y)+n(x,y)表示。式子中n(x,y)表示的噪聲是由信道噪聲和掃描圖像過程中產(chǎn)生的，輸入信號并不影響這種噪聲。 乘性噪聲：與加性噪聲不同

35、，輸入信號影響乘性噪聲，影響此類噪聲的情況分為兩種：其中一種是只有該像素點(diǎn)的圖像信號影響該像素點(diǎn)的噪聲；另外一種是該像素點(diǎn)以與其領(lǐng)域的圖像信號都影響該像素點(diǎn)噪聲。在這種情況下，可以用公式g(x,y)=f(x,y)+n(x,y)f(x,y)表示輸入信號f(x,y)與輸出信號g(x,y)之間的關(guān)系。 另外，噪聲根據(jù)其服從的分布被分為高斯噪聲、泊松噪聲、顆粒噪聲等幾類。 在本論文中采用小波去噪手段對圖像進(jìn)行去噪。小波去噪從數(shù)學(xué)角度來看，本質(zhì)就是函數(shù)逼近這樣一個(gè)方法，也就是解決由小波母函數(shù)伸縮和平移版本所展成的函數(shù)空間中，根據(jù)提出的衡量準(zhǔn)則，尋找對原信號的最佳逼近，以完成原信號和噪聲信號的區(qū)分。 也就

36、是尋找從實(shí)際信號空間到小波函數(shù)空間的最佳映射，以便得到原信號的最佳恢復(fù)。從信號學(xué)的角度看，小波去噪是一個(gè)信號濾波的問題，而且盡管在很大程度上小波去噪可以看成是低通濾波，但是由于在去噪后還能成功地保留信號特征，所以在這一點(diǎn)上又優(yōu)于傳統(tǒng)的低通濾波器。由此可見，小波去噪實(shí)際上是特征提取和低通濾波功能的綜合，其流程框圖如圖所示。圖3.1 下面就是利用Matlab中wpdencmp函數(shù)對圖像進(jìn)行小波去噪處理的程序代碼：r=imread(C:UserslenoveDesktop圖片32788452.jpg); %輸入彩色圖像 I = rgb2gray(r); %將彩色圖像處理成灰色圖像 figure,im

37、show(I),axis on; subplot(1,2,2); B2=imresize(I,0.5,nearest); %調(diào)整圖像尺寸 imshow(B2); B2=im2double(B2); subplot(2,2,1);imshow(B2); title(原圖); J=imnoise(B2,gaussian,0,0.05); %含噪圖形 subplot(2,2,2);imshow(J); title(含噪圖像);%設(shè)定函數(shù)wpdencmp的參數(shù) thr=0.1;sorh=s; crit=shannon; keepapp=0; %去噪處理 J1=wpdencmp(J,sorh,3,sym

38、4,crit,thr,keepapp); subplot(2,2,3);imshow(J1); title(全局閾值去噪圖像); %對圖像進(jìn)行平滑處理 J2=medfilt2(J1); subplot(2,2,4);imshow(J2); title(第二次去噪圖像); 程序運(yùn)行結(jié)果如圖所示：圖3.2從上圖可以看出，經(jīng)過小波去噪后，圖像降低噪聲的同時(shí)，圖像細(xì)節(jié)信息并未受到損失，且得到的圖像較清晰。3.2 運(yùn)用Canny算子進(jìn)行彎道邊緣檢測 在對圖像去噪之后，接下來是對圖像進(jìn)行增強(qiáng)。第二章已經(jīng)展示采用直方圖均衡化對圖像進(jìn)行增強(qiáng)的效果，這里不再闡述。直方圖均衡化后就是對圖像進(jìn)行邊緣檢測。這里我們采

39、用Canny算子對圖像進(jìn)行邊緣檢測，檢測出彎道的邊緣線形。本論文采用的Canny算子邊緣檢測雖然由于將所有像素點(diǎn)都進(jìn)行了計(jì)算，就是無論邊緣點(diǎn)還是非邊緣點(diǎn)都計(jì)算了，因此造成該算子本身具有運(yùn)算速度慢，效率低的缺點(diǎn)，但由于Canny算子具有邊緣檢測準(zhǔn)確，很少有邊緣漏檢，檢測錯(cuò)誤情況的發(fā)生，同時(shí)檢測的信息較多，因此Canny算子還是目前被廣泛應(yīng)用于邊緣檢測。Canny認(rèn)為好的邊緣具有三個(gè)主要特點(diǎn)，分別是：很少情況下有錯(cuò)誤標(biāo)記非邊緣點(diǎn)以與漏標(biāo)真正的邊緣點(diǎn)；邊緣點(diǎn)被檢測出來后發(fā)現(xiàn)幾乎全在真實(shí)的邊緣點(diǎn)中心附近；邊緣相應(yīng)是單值的。 在使用Canny算子進(jìn)行邊緣檢測的同時(shí)，還采用Sobel算子、Robert算子

40、、Prewitt算子以與log算子對圖像進(jìn)行了邊緣檢測，以便進(jìn)行比較分析。下面是采用這幾種算子對圖像進(jìn)行邊緣檢測的Matlab程序代碼：r=imread(C:UserslenoveDesktop圖片32788452.jpg); q=rgb2gray(r); figure,imshow(q),axis on; In imuitoolsprivateinitSize at 73 In imshow at 262 subplot(1,2,2); I=imresize(q,0.5,nearest); imshow(q); imshow(I); BW1=edge(I,sobel); BW2=edge(I

41、,roberts); BW3=edge(I,prewitt); BW4=edge(I,log); BW5=edge(I,canny); h=fspecial(gaussian,5); BW6=edge(I,canny); subplot(2,3,1),imshow(BW1); title(sobel邊緣檢測); subplot(2,3,2),imshow(BW1); title(roberts邊緣檢測); subplot(2,3,2),imshow(BW2); title(roberts邊緣檢測); subplot(2,3,3),imshow(BW3) title(prewitt邊緣檢測) s

42、ubplot(2,3,4),imshow(BW4); title(log邊緣檢測); subplot(2,3,5),imshow(BW5); title(canny邊緣檢測); subplot(2,3,6),imshow(BW6); title(gaussian&canny邊緣檢測); 程序運(yùn)行結(jié)果如圖所示：圖3.3 從圖像中可以看出，Canny算子進(jìn)行邊緣檢測后的效果更好，勾畫出的邊緣連續(xù)性很好。Canny邊緣檢測算子使用的是高斯函數(shù)的一階微分，這是因?yàn)樗軌蛟谠肼曇种坪瓦吘墮z測之間尋找出良好的平衡，下面是該算法的計(jì)算步驟：(1)使用高斯濾波器對圖像進(jìn)行濾波，目的是消除圖像中的干擾噪聲。(2

43、)為了得到圖像中每個(gè)像素的梯度信息，使用高斯函數(shù)中的一階微分濾波處理圖像。(3)得到梯度信息后，對圖像梯度進(jìn)行“非極大抑制”處理，定義梯度方向?yàn)閷儆谒膫€(gè)區(qū)中的一個(gè)，為了決定局部的最大值，使用不一樣的接近的像素來對圖像各個(gè)區(qū)進(jìn)行比較。下圖為這四個(gè)區(qū)和它們對應(yīng)的比較方向：4321x1234圖3.4 四個(gè)區(qū)與對應(yīng)的比較方向 例如：假如中心像素x的梯度方向?qū)儆诘谒膮^(qū)，就將x的梯度值和它左上與右下相鄰的像素梯度值比較處理，就會得出x的梯度值是否為局部極大值。如果x的梯度值沒有它的左上與右下的梯度值大，將像素x的灰度值設(shè)置為零，這樣就可以將大部分的非邊緣點(diǎn)消除掉，這個(gè)操作過程就是“非極大抑制”的操作。(4

44、)運(yùn)用雙閾值算法檢測和連接邊緣。選擇兩個(gè)閾值，通過高閾值就可以得到一個(gè)含有很少假的邊緣的邊緣圖像，然而同時(shí)得到的邊緣圖像會有不閉合的情況發(fā)生，這是由于閾值較高的緣故，所以采用另外一個(gè)低閾值來解決這一現(xiàn)象。高閾值的圖像中，邊緣被連接成輪廓，在輪廓端點(diǎn)重合時(shí)，canny算子就在端點(diǎn)八鄰域中找到一個(gè)符合的低閾值的點(diǎn)，基于此點(diǎn)，就會得到新的邊緣，最后整幅圖像中多有邊緣點(diǎn)都被連接重合。3.3 圖像分割提取彎道 圖形分割是為了將圖像空間分為一些人們想要的區(qū)域，例如為了安全監(jiān)測處理圖像時(shí)，將人臉分割出來就對其十分重要；二本論文課題很重要一部分就是將彎道從圖像中提取出來，所以使用圖像分割技術(shù)將彎道分割出來，對

45、以后的彎道要素特征提取表達(dá)是非常重要的一步?？梢酝ㄟ^把每一個(gè)像素或是運(yùn)用規(guī)定區(qū)域中圖像的信息來研究圖像分割。3.3.1 圖像分割原理 目前人們常利用圖像中想提取的目標(biāo)同目標(biāo)背景之間在灰度特性上差異來進(jìn)行閾值分割，圖像這是被分為擁有不同灰度級的兩類區(qū)域，即目標(biāo)和背景之間的組合，為了將圖像中每個(gè)像素點(diǎn)屬于目標(biāo)區(qū)域還是背景區(qū)域分清，我們選取一個(gè)合適的閾值，這樣會產(chǎn)生對應(yīng)圖像對應(yīng)的二值圖像。 閾值分割圖像基本原理如下所示： 其中，Z為閾值，表示圖像f(x,y)中灰度級圍任意一個(gè)灰度值的集合，、是所選出來的目標(biāo)與目標(biāo)背景的灰度級?？梢钥闯?，閾值的選取對將目標(biāo)從復(fù)雜背景中分辨出來且形狀完整的提取出來十分重

46、要。本論文采取閾值選取方法中類間方差閾值分割法，來對彎道圖像進(jìn)行圖像分割。3.3.2 類間方差閾值分割法處理圖像 類間方差閾值分割最早由Ostu提出，在判決分析最小二乘法原理基礎(chǔ)上推導(dǎo)出來的，該分割法在閾值選取上方便可靠。 利用MAtlab采用類間方差閾值分割法處理彎道圖像的程序代碼如下：r=imread(C:UserslenoveDesktop32788452.jpg); I = rgb2gray(r); %讀取圖像 figure,imshow(I),axis on; %繪制原圖Warning: Image is too big to fit on screen; displaying at

47、 67% In imuitoolsprivateinitSize at 73 In imshow at 262 subplot(1,2,2); B2=imresize(I,0.5,nearest); %調(diào)整圖像大小 imshow(B2); count=imhist(B2); %直方圖統(tǒng)計(jì) r,t=size(B2); %直方圖矩陣大小 N=r*t; %圖像像素個(gè)數(shù) L=190; %指定圖像灰度級為190級 count=count/N; %各級灰度出現(xiàn)概率 for i=2:Lif count(i)=0st=i-1;breakendend%上面的循環(huán)語句用來尋找出概率不是0的最小灰度值 for i=

48、L:-1:1if count(i)=0;nd=i-1;breakendend%實(shí)現(xiàn)找到出現(xiàn)概率不是0的最大灰度值 f=count(st+1:nd+1); p=st;q=nd-st; %p和q非別是灰度的起始值和結(jié)束值 u=0; for i=1:q;u=u+f(i)*(p+i-1);ua(i)=u;end%計(jì)算圖像的平均灰度值 for i=1:q;w(i)=sum(f(1:i);end%計(jì)算出選擇不同k值時(shí)，A區(qū)域的概率d=(u*w-ua).2./(w.*(1-w); %求出不同k值時(shí)類間方差y,tp=max(d); %求出最大方差對應(yīng)的灰度級th=tp+p;if th=th)Y1(i,j)=X

49、1(i,j);elseY1(i,j)=0;endendend %上面的代碼實(shí)現(xiàn)分割 figure,imshow(Y1); 程序運(yùn)行結(jié)果如圖： 圖3.5 原始灰度圖像 圖3.6 灰度門限分割的圖像 通過圖片可以看出，圖像中有兩大部分為白色，即天空和道路此時(shí)為一個(gè)灰度級，因此可以通過截取圖像二分之一，留下圖像下面的二分之一，得到的圖像顯示除了護(hù)欄，圖像彎道線形此時(shí)就顯現(xiàn)出來了。如下圖所示：圖3.73.4 數(shù)學(xué)形態(tài)學(xué)處理彎道圖像數(shù)學(xué)形態(tài)學(xué)(Mathematical Morphology)由法國巴黎礦業(yè)學(xué)院博士生賽拉(J. Serra)和導(dǎo)師馬瑟榮在1964年提出，目前廣泛應(yīng)用在文字識別、牌照識別、圖

50、像編碼、計(jì)算機(jī)視覺、醫(yī)學(xué)圖像處理等圖像處理領(lǐng)域。其主要處理二值圖像。因?yàn)槎祱D像擁有處理起來相較而言簡單的特殊性質(zhì)，所以在圖像處理過程中，圖像經(jīng)常被轉(zhuǎn)化為二值圖像。3.4.1 數(shù)學(xué)形態(tài)學(xué)基本原理數(shù)學(xué)形態(tài)學(xué)的基本思想是為了分析和識別圖像，用帶有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀，也就是利用結(jié)構(gòu)元素去收集圖像的信息。圖像每個(gè)部分之間的相互關(guān)系是在圖像結(jié)構(gòu)元素不斷移動過程中考察出來的，以便懂得圖像每個(gè)部分之間的結(jié)構(gòu)特征。 數(shù)學(xué)形態(tài)學(xué)模仿人類視覺特點(diǎn)進(jìn)行探測，例如，人的視覺中的注意力集中，就是人總是最先觀察到自己最感興趣的物體或是結(jié)構(gòu)特點(diǎn)。 從某種角度上來說，數(shù)學(xué)形態(tài)學(xué)進(jìn)行圖像處理是基于幾

51、何學(xué)的，因?yàn)樵撎幚矸椒ㄖ饕芯康氖菆D像的幾何結(jié)構(gòu)，包括目標(biāo)的宏觀性質(zhì)以與微觀性質(zhì)。例如分析物體，研究它的形狀時(shí)，就是研究物體的宏觀結(jié)構(gòu)特征；對礦石顆粒的分布進(jìn)行研究時(shí)，研究的就是物體圍觀的結(jié)構(gòu)特征。 數(shù)學(xué)形態(tài)學(xué)基本算法有腐蝕、膨脹、開啟以與閉合。由于前面處理的圖像中還存有護(hù)欄等小的非彎道邊緣物體，因而我們采用數(shù)學(xué)形態(tài)學(xué)中的腐蝕、膨脹運(yùn)算處理圖像，達(dá)到提取彎道線形的目的。3.4.2 腐蝕、膨脹運(yùn)算處理彎道圖像 首先采用Matlab軟件中的Imerode對圖像進(jìn)行腐蝕處理，運(yùn)行程序代碼如下： I=imread(C:UserslenoveDesktop%1REG4QYVEG0LM)9L.jpg);

52、se=strel(ball,5,5); I2=imerode(I,se); figure,imshow(I2); 程序運(yùn)行結(jié)果如圖所示：圖3.8 從圖像可以看出，腐蝕處理后，彎道幾乎被提取出來，但邊緣不是很好，所以下一步采用數(shù)學(xué)形態(tài)學(xué)中膨脹運(yùn)算對圖像進(jìn)行處理，以便得到良好的彎道線形。下面是采用Matlab軟件中的imdilate函數(shù)對圖像進(jìn)行膨脹處理的程序代碼： se=strel(ball,5,5); I3=imdilate(I2,se); imshow(I3);圖3.9 從上圖可以看出，經(jīng)膨脹處理后圖像中彎道的邊緣更好。3.4.3 邊緣檢測提取線形 經(jīng)上述處理后，我們將圖像處理到只有彎道和背

53、景，下一步，采用前面提到的Canny算子進(jìn)行邊緣檢測，將彎道線形提取出來。Canny算子邊緣檢測結(jié)果如圖：圖3.10 如圖所示，再經(jīng)Canny算子進(jìn)行邊緣檢測后，就將彎道的線形提取表達(dá)出來。3.5 小結(jié)本章首先采用采用了圖像濾波技術(shù)對所拍攝的彎道圖像進(jìn)行了濾波處理，消除了圖像拍攝過程中所不可避免引入的噪聲，在此之后運(yùn)用了圖像分割技術(shù)中的類間方差閾值分割法處理彎道圖像，將想要提取的目標(biāo)，即彎道與背景分割出來。再經(jīng)數(shù)學(xué)形態(tài)學(xué)中的膨脹，腐蝕運(yùn)算方法對圖像進(jìn)一步處理。最后采用邊緣檢測算子中的Canny算子對彎道圖像進(jìn)行邊緣檢測，這樣將就得到了想要的彎道線形。為下面的彎道線形曲率的計(jì)算以與與真實(shí)彎道要素之間的比較打下基礎(chǔ)。第4章 圖像處理的彎道要素與實(shí)際比較4.1 彎道模型的建立 建立