基于改進圖像自適應(yīng)算法的車道線識別研究

包曉敏，陳家凡，吳 龍，呂文濤，楊曉城

(浙江理工大學 信息學院，浙江 杭州 310000)

?

基于改進圖像自適應(yīng)算法的車道線識別研究

包曉敏，陳家凡，吳 龍，呂文濤，楊曉城

(浙江理工大學 信息學院，浙江 杭州 310000)

針對圖像自適應(yīng)閾值分割中最佳閾值的計算問題，提出了一種根據(jù)圖像結(jié)構(gòu)相似度計算最佳分割閾值的方法。該方法分為模型建立和目標圖像閾值計算兩部分。模型建立時，首先選取場景標準模板圖像，再計算訓練圖像與標準模板圖像對比后的結(jié)構(gòu)相似度，并依據(jù)圖像質(zhì)量評價標準判定最佳的閾值，建立特定場景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型；閾值計算時，首先計算目標圖像與標準模板圖像對比后的結(jié)構(gòu)相似度，再根據(jù)關(guān)系模型，直接計算最佳分割閾值。為驗證此方法，選用晴天高速公路場景下的圖像進行測試。結(jié)果表明，所提算法的閾值分割效果優(yōu)于傳統(tǒng)自適應(yīng)閾值分割算法,并且具有更高的運算效率。

數(shù)字圖像處理；圖像閾值分割；結(jié)構(gòu)對比度；最佳閾值

0 引言

圖像閾值分割在很多工程應(yīng)用的圖像預(yù)處理環(huán)節(jié)中廣泛應(yīng)用，工程師都期望圖像分割方法能針對各種圖像穩(wěn)定地得到圖像的最佳閾值，圖像分割閾值的選取可以通過人工的方式確定，但人工選取閾值，往往要經(jīng)過大量的實驗來確定準確的分割閾值，這樣就會導致效率低下。隨著現(xiàn)代圖像處理技術(shù)的發(fā)展，更加自動化、智能化地對圖像進行快速處理成為可能，從而達到真正意義上的自適應(yīng)效果。比如自適應(yīng)算法，典型的有：最大類間方差法(Otsu)、最大熵法(Kapur)以及最小誤差分割方法等。但這些圖像分割算法缺乏在特定的場景下，能夠直接快速得到圖像分割最佳閾值的能力。

Otsu[1]基本思想是通過某種準則或模型建立圖像的特征描述，并選擇合適的灰度閾值將圖像分成目標和背景，按照所采用的閾值個數(shù)可分為單閾值和多閾值2種方法。但這種算法對于每一灰度值都要反復(fù)計算其對應(yīng)方差，計算量非常大。而且其只考慮了圖像的灰度信息，沒有結(jié)合圖像的空間領(lǐng)域信息來分割圖像，對含有噪聲及光照不均的圖像難以獲得滿意的分割結(jié)果。因此按照傳統(tǒng)的方法計算最大類間方差已經(jīng)限制了這種算法的發(fā)展。

很多研究人員將一維Otsu擴展到二維，例如范九倫等人[2-4]提出了二維 Otsu 曲線閾值法，采用了與主對角線垂直的斜線按灰度級與鄰域平均灰度級之和的大小進行閾值分割。為了使低對比度和低信噪比圖像有較好的分割結(jié)果，景曉軍[5]等結(jié)合圖像的灰度、均值和中值信息提出了三維Otsu閾值分割法。但三維Otsu時間和空復(fù)雜度均較高，因此，徐青等人[6]提出了一種新的基于分解直方圖的三維Otsu分割算法，使得三維Otsu算法的執(zhí)行效率得到有效提高。范朝東等人[7]提出了基于空間界面投影的Otsu圖像分割算法。龔劬等人[8]提出了基于分解的三維 Otsu 圖像分割快速算法。但該算法計算復(fù)雜耗時，不適于對道路場景下車道線的提取。

近年來，針對不同場景而改進的自適應(yīng)閾值分割算法層出不窮，朱代輝等人[9]針對醫(yī)學方面提出了醫(yī)學三維影像體數(shù)據(jù)閾值分割方法，在激光成像雷達方面，周鑫等人[10]提出的基于閾值分割方法的復(fù)雜場景激光圖像目標提取算法研究。針對不同的場景需要不同的自適應(yīng)閾值分割算法，所以特別在道路線檢測的場景中，由于場景的復(fù)雜性，環(huán)境車輛的多變性，導致了其自適應(yīng)最佳閾值計算的難度大大增加。

在特定的場景中，能精準地計算圖像的最佳閾值，從而應(yīng)用于圖像的閾值分割，達到自適應(yīng)的閾值分割效果，這是一個極具挑戰(zhàn)的課題。因此針對高速晴天場景下，提出了一種根據(jù)圖像結(jié)構(gòu)相似度[11]直接計算用于道路線檢測的最佳圖像分割閾值的方法。該方法能很好地通過結(jié)構(gòu)相似度計算圖像的最佳閾值應(yīng)對場景的復(fù)雜多變，從而進行精準的閾值分割，達到更好地呈現(xiàn)車道線信息，濾除其他不必要干擾信息的目的。

1 算法原理

最常用的閾值分割是一種利用圖像中要提取的目標物與其背景在灰度特征性上的差異，把圖像視為具有不同灰度級的2類區(qū)域(目標和背景)的組合，選取一個合適的閾值，以確定圖像中每個像素點應(yīng)該屬于目標區(qū)域還是背景區(qū)域，從而產(chǎn)生對應(yīng)的二值圖像。在特定的場景中，標準模板圖像有其最佳閾值，基于圖像的結(jié)構(gòu)相似度公式，則標準模板圖像有其固定的亮度、對比度?，F(xiàn)實條件中，由于光照不均勻，使得圖像中目標物體和背景的亮度不均勻，進而影響著圖像對比度。通過將測試圖像的亮度、對比度與標準模板圖像的亮度[12-13]和對比度進行比較，比較結(jié)果越是接近于1，則測試圖像與標準模板圖像整體的圖像結(jié)構(gòu)信息較為接近，且結(jié)構(gòu)相似度依據(jù)選定圖像和標準模板圖像之間的亮度和對比度分布之間的差別，差別越小，表示兩圖之間的差別越小。而2幅測試圖像，如果具有相同的結(jié)構(gòu)相似度，表示這2幅圖之間的亮度和對比度分布具有可比性，差別更小，因此具有相同的最佳閾值?？梢酝ㄟ^這一點，建立起結(jié)構(gòu)相似度與閾值之間的關(guān)系模型。

本文提出了一種根據(jù)圖像結(jié)構(gòu)相似度計算最佳分割閾值的方法。該方法分為模型建立和閾值計算兩部分。模型建立時，首先選取場景標準模板圖像，再計算訓練圖像與標準模板圖像對比后的結(jié)構(gòu)相似度，并依據(jù)圖像質(zhì)量評價標準判定最佳閾值，建立特定場景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型。閾值計算部分包括目標圖像與標準模板圖像的結(jié)構(gòu)相似度計算，然后將計算得到的數(shù)據(jù)帶入到關(guān)系模型中，直接計算最佳分割閾值。該算法的流程圖如圖1所示。

圖1 算法流程圖

1.1 模型建立

1.1.1 選取標準模板圖

對于標準模板圖的選取是十分重要，標準模板圖的選取要注意：第一點，所關(guān)注的重要信息部分，即車道線的信息要完整，在圖中能夠清晰地呈現(xiàn)出來，無其他不必要的干擾因素，例如車道線的破損，行車道上車輛對車道線的完全覆蓋等因素；第二點，即亮度，從圖像質(zhì)量評價標準的角度去分析，亮度是圖像的重要特征，在標準模板圖中是起到了很重要的作用，如果圖像的亮度過低或者亮度平緩，此時圖像較模糊，可分辨率低，直接影響后續(xù)對于結(jié)構(gòu)相似度的計算。

1.1.2 圖像結(jié)構(gòu)相似度的計算

結(jié)構(gòu)相似度是一種用來評價圖像質(zhì)量的一種方法。人類視覺很容易從圖像中抽取出結(jié)構(gòu)信息,因此計算2幅圖像結(jié)構(gòu)信息的相似性可以用來作為一種檢測圖像質(zhì)量好壞的標準。

按照上述的標準模板圖的選取條件，進行特定場景下的標準模板圖的選取，接著將測試圖像與選取的標準模板圖進行對比，求出該圖像的結(jié)構(gòu)相似度。計算結(jié)構(gòu)相似度的框圖如圖2所示。

圖2 結(jié)構(gòu)相似度計算框圖

在相同位置處輸入2個信號標準圖像塊x和測試圖像塊y，它們的亮度比較函數(shù)、對比度比較函數(shù)、結(jié)構(gòu)比較函數(shù)[14]分別為：

(1)

式中，μx、μy為標準圖像與測試圖像的亮度均值，σx、σy為標準圖像與測試圖像的對比度方差，σxy為標準圖像與測試圖像的協(xié)方差。

C1、C2、C3均為很小的正數(shù)，結(jié)合這3種相似性準則構(gòu)成了x和y的相似性測度為圖像的相似性：

SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ。

(2)

1.1.3 訓練圖像的最佳閾值集

在閾值分割中，利用圖像中背景和目標物體的灰度上的差異，把圖像視為具有不同灰度級的2類區(qū)域(目標和背景)的組合，從而選取一個合適的閾值進行分割。因此在計算單張圖像的最佳閾值需經(jīng)灰度化預(yù)處理后，進行固定閾值分割處理，測得最佳閾值。

閾值分割的分割類型取決于門限的設(shè)置，本文所選用的是二值分割類型。二值分割中過門限的值置零，其他值設(shè)置為maxVal。

(3)

在進行閾值分割操作的時候，需要設(shè)置其閾值分割的閾值，則對于最佳閾值的判定，其基本上是基于人的主觀判定和所需要保留的信息，所以需要對最佳閾值的選取要有一定的條件，則判斷該測試圖像的最佳閾值的條件：

① 經(jīng)閾值分割后的車道線的凸顯程度；

② 經(jīng)閾值分割后的車道上車輛的濾除程度；

③ 經(jīng)閾值分割后的車道外的無用信息濾除程度；

④ 經(jīng)閾值分割后圖像中央?yún)^(qū)域是否會出現(xiàn)大面積黑塊區(qū)域的面積。

1.1.4 特定場景下最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型建立

選取測試圖像集，經(jīng)結(jié)構(gòu)相似度和最佳閾值的計算，可得到測試圖像集的結(jié)構(gòu)相似度及其對應(yīng)的最佳閾值的數(shù)據(jù)集，根據(jù)其數(shù)據(jù)集，采用高斯逼近擬合類型進行數(shù)據(jù)集的擬合，采用該擬合類型主要在于擬合后的曲線能很好地接近于數(shù)據(jù)集中的各個點，達到精確度較高的擬合效果，從而建立在特定場景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型。高斯逼近公式如下：

(4)

1.2 閾值計算

在根據(jù)圖像結(jié)構(gòu)相似度計算最佳分割閾值的方法中，模型建立部分得到了計算圖像分割最佳閾值的公式，即建立了結(jié)構(gòu)相似度與最佳閾值之間的關(guān)系模型。根據(jù)建立的關(guān)系模型，計算目標圖像的圖像分割最佳閾值可以按照以下步驟進行：

① 計算目標圖像與標準模板圖像對比后的結(jié)構(gòu)相似度；

② 將目標圖像的結(jié)構(gòu)相似度帶入到關(guān)系模型中，求得該目標圖像的最佳閾值；

③ 按照得到的目標圖像的最佳閾值對圖像進行分割。

2 實驗結(jié)果

本文為驗證以上方法，選取晴天高速公路作為設(shè)定環(huán)境，以車道線提取作為目標，進行了圖像分割算法仿真。

① 選取標準模板圖

選取的晴天高速公路的標準模板圖，如圖3所示。

圖3 選取的標準模板圖

② 圖像分割的最佳閾值集

選取500幅圖像作為模型建立的訓練圖像，在訓練圖像的最佳閾值集中，依照判斷測試圖像的最佳閾值的條件，選取最佳閾值，進行閾值分割后的效果圖，如圖4所示。

(a)訓練圖像

(b)最佳閾值分割后的效果

③ 關(guān)系模型的建立

本文計算了每一幅訓練圖像的結(jié)構(gòu)相似度和閾值數(shù)值，如圖5中的黑點所示。基于魯棒性和最佳閾值計算的精準度，根據(jù)式，本文選擇i=4的Gaussian型逼近公式，其系數(shù)如表1所示。

表1 4階高斯行逼近公式系數(shù)

實驗數(shù)據(jù)集及4階的Gaussian類型擬合如圖5所示。

圖5 實驗數(shù)據(jù)集及4階的Gaussian類型擬合

對于該一系列的數(shù)據(jù)中，可以發(fā)現(xiàn)，隨著最佳閾值的下降，該閾值對應(yīng)的結(jié)構(gòu)相似度則在不斷的遞增，導致這種數(shù)據(jù)變化的原因是：在于測試圖像的結(jié)構(gòu)信息與標準模板圖像的結(jié)構(gòu)信息之間的差異；測試圖像的像素點的平均值和各個像素點的數(shù)值大小分布。

④ 目標圖像閾值分割的最佳閾值計算

選取210幅不同的晴天高速公路場景進行目標圖像閾值分割的最佳閾值的計算。其中分割線劃分的中間的道路區(qū)域塊為本文所要提取的道路信息。

圖6所示為目標圖像之一，經(jīng)灰度化預(yù)處理后，接著使用建立的模型計算的最佳閾值用于進行閾值分割，分割后的效果圖提取其車道線信息如圖7(a)所示，以及使用Otsu方法進行的自適應(yīng)閾值分割后，提取其車道線的信息如圖7(b)所示。

圖6 選取用于算法計算的測試圖

(a) 模型計算的車道線

(b) Otsu算法分割后的道路線

經(jīng)對比后發(fā)現(xiàn)，推導出的最佳閾值計算的公式計算出的最佳閾值用于閾值分割后，在車道線的凸顯程度和車道旁邊無用信息的濾除程度來看，都明顯優(yōu)于使用Otsu自適應(yīng)閾值分割方法。210幅目標圖像顯示出相似效果。這說明在特定場景下，經(jīng)過訓練得到的最佳閾值模型可以有效地自適應(yīng)獲取目標圖像用于閾值分割的最佳閾值，并且該方法的閾值計算采用SSIM來直接計算，計算簡單，不需要方差的權(quán)重分配，節(jié)省了運算開支。

3 結(jié)束語

針對特定場景下自適應(yīng)最佳閾值計算的公式推導，本文將該算法分為訓練模塊和計算模塊。經(jīng)訓練模塊后得到的自適應(yīng)計算最佳閾值的公式，在計算模塊中對公式進行實驗驗證其效果?；隰敯粜院妥赃m應(yīng)閾值的精確度角度上，建立了用于特定場景下自適應(yīng)最佳閾值計算的關(guān)系模型，并對晴天高速公路場景下的目標圖像進行了測試。實驗結(jié)果表明該方法能夠直接有效地獲取該場景下的目標圖像閾值分割的最佳閾值，通過該閾值的設(shè)定，進行閾值分割后，有效地呈現(xiàn)了車道線的信息，很大程度上濾除了路面上的車輛和樹木等干擾信息，從而達到自適應(yīng)得到圖像的最佳閾值的目的，且具有更高運算效率，這說明了該方法的魯棒性和可靠性。

[1] Otsu N.A Thresholds Selection Method form Grey-level Histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9:62-66.

[2] 范九倫,趙鳳.灰度圖像的二維 Otsu 曲線閾值分割法[J].電子學報,2007,35(4):751-755.

[3] 趙鳳,惠房臣,韓文超.基于過分割的多目標閾值圖像分割算法[J].西安郵電大學學報,2015,20(3): 60-64.

[4] 張新明,孫印杰,鄭延斌.二維直方圖準分的 Otsu 圖像分割及其快速實現(xiàn)[J].電子學報,2011,39(8):1778-1784.

[5] 景曉軍,李劍峰,劉郁林.一種基于三維最大類間方差的圖像分割算法[J].電子學報,2003,31(9):1281-1285.

[6] 徐青,范九倫.新的基于分解直方圖的三維 Otsu 分割算法[J].傳感器與微系統(tǒng),2017,36(1):119-122.

[7] 范朝冬,歐陽紅林,肖樂意.基于空間截面投影的 Otsu 圖像分割算法[J].通信學報,2014,35(5):70-78.

[8] 龔劬,倪麟,唐萍峰,等.基于分解的三維 Otsu 圖像分割快速算法[J].計算機應(yīng)用,2012,32(6):1526-1528.

[9] 朱代輝,林時苗,楊育彬.醫(yī)學三維影像體數(shù)據(jù)閾值分割方法[J].計算機科學,2013,40(1):269-272.

[10]周鑫,孫劍峰,姜鵬,等.基于閾值分割方法的復(fù)雜場景激光圖像目標提取算法研究[J].光學學報,2014,34(B12):149-157.

[11]靳鑫,蔣剛毅,陳芬,等.基于結(jié)構(gòu)相似度的自適應(yīng)圖像質(zhì)量評價[J].光電子.激光,2014,25(2):378-385.

[12]廖斌,劉利雄.小波域結(jié)構(gòu)相似度圖像質(zhì)量評價[J].北京理工大學學報,2008,28(9):801-805.

[13]蔣剛毅,黃大江,王旭,等.圖像質(zhì)量評價方法研究進展[J].電子與信息學報,2010,32(1):219-226.

[14]張勇,馬東璽,閆鵬程,等.面向目標探測視覺任務(wù)的灰度夜視融合圖像質(zhì)量客觀評價方法[J].光學學報,2013 (B12):75-80.

《無線電通信技術(shù)》投稿要求

1. 文章正文雙欄排版，文章標題20字以內(nèi)。

2. 稿件須附摘要(180字左右)和關(guān)鍵詞(3～8個，用“；”隔開)

3. 稿件必須包括(按順序)：標題、作者姓名、作者單位、所在省市、郵編、摘要、關(guān)鍵詞、中圖分類號、正文、參考文獻。其中標題、作者姓名、作者單位、摘要和關(guān)鍵詞，與中文對應(yīng)譯成英文。

4. 稿件須附作者簡介，內(nèi)容包括：作者姓名、出生年、性別、學歷、職稱、主要研究方向，并在文章最后給出聯(lián)系方式(通信地址∕郵編∕電話∕電子郵箱)。

5. 稿件要論點明確，條理清晰，論證有力，文字通順、簡練，數(shù)據(jù)可靠，量和單位的使用及數(shù)字用法要符合國家標準及有關(guān)規(guī)定。

6.文獻序號以文中引用的先后順序編排。

Study on Lane Extraction Based on Improved Image Adaptive Algorithm

BAO Xiao-min,CHEN Jia-fan,WU Long,LU Wen-tao,YANG Xiao-cheng

(School of Information Science and Technology,Zhejiang Sci-Tech University,Hangzhou Zhejiang 310000,China)

Aiming at the problem of optimal threshold calculation in adaptive image threshold segmentation,this paper puts forward a method of calculating the optimal segmentation threshold based on similarity of image structure. The method is divided into such two parts as model establishment and target image threshold calculation. In modeling,the standard scene template image is selected first,and then the structure similarity is calculated after comparing training image with standard template image. The optimal threshold is determined according to the image quality evaluation standard,and the relationship model of optimal threshold and structure similarity are established in specific scene. In threshold calculation,the structure similarity between target image and standard template image is calculated first,and then the optimal segmentation threshold is calculated directly according to the relation model. To verify this method,the image under the sunny highway scene is selected for test. The experimental results show that the threshold segmentation algorithm is better than the traditional adaptive threshold segmentation algorithm and has higher computational efficiency.

digital image processing; image threshold segmentation; structure contrast; optimal threshold value

2017-05-15

國家自然科學基金項目(61601410);浙江省自然科學基金項目(LY16F010018);浙江省自然科學基金項目(LQ15D060006);浙江省自然科學基金項目(LY16F010017)

包曉敏(1965—)，女，教授，碩士生導師，主要研究方向：圖像處理。陳家凡(1993—)，男，碩士研究生，主要研究方向：圖像處理。

10. 3969/j.issn. 1003-3114. 2017.05.19

包曉敏,陳家凡,吳龍,等. 基于改進圖像自適應(yīng)算法的車道線識別研究[J].無線電通信技術(shù),2017,43(5):86-90.

[BAO Xiaomin,CHEN Jiafan,WU Long,et al. Study on Lane Extraction Based on Improved Image Adaptive Algorithm[J].Radio Communications Technology,2017,43(5):86-90.]

TN911.73

A

1003-3114(2017)05-86-5