基于無人機影像的車輛邊緣檢測方法探究

劉劍

（中電建冀交高速公路投資發(fā)展有限公司，河北 石家莊 050000）

邊緣是圖像最基本特征之一，邊緣檢測是圖像分析和識別等后續(xù)處理工作的基礎(chǔ)，直接影響圖像信息提取結(jié)果精度。本文以數(shù)字圖像處理中的邊緣檢測與圖像分割方法為理論基礎(chǔ)，基于無人機影像提取車輛邊緣信息，比較分析各種方法的檢測結(jié)果，為影像邊緣檢測算子選擇提供參考依據(jù)。

一、無人機影像的采集與預(yù)處理

（一）影像采集

此次研究采用地面分辨率0.05m無人機影像作為實驗圖像，盡量獲取晴朗無云、無風(fēng)、自然光照條件好的觀測環(huán)境條件下的航拍片，無人機的飛行高度保持在50m～70m，以盡量獲取分辨率高、噪聲小的影像。

（二）影像預(yù)處理

無人機影像在獲取過程中，因傳感器、地球本身等方面原因，致使原始圖像上各地物品幾何位置、形狀等特征，與參照系統(tǒng)中表達要求不一致時會產(chǎn)生幾何畸變，為了后續(xù)處理獲取高精度結(jié)果，無人機影像預(yù)處理過程必須校正相機幾何。

獲取相機的各項檢校參數(shù)是校正畸變的前提，此參數(shù)可由依托建設(shè)工程項目部提供，也可以通過建立檢校場標(biāo)定獲取。獲取參數(shù)之后可以根據(jù)校正模型校正，具體流程如圖1所示。

二、車輛邊緣檢測

（一）LOG 邊緣檢測算法

圖像邊緣是指像素灰度值發(fā)生突變的像元集合，圖像邊緣檢測實質(zhì)是利用一階梯度算子找出目標(biāo)與背景分界線，界線包圍的圖形是目標(biāo)區(qū)域。在數(shù)字圖像處理理論下，Prewitt、Sobel、Roberts等算子均可用于邊緣檢測，其中LOG算子首先用高斯函數(shù)進行濾波，然后用Laplacian算子檢測邊緣。下文以LOG算子為例，結(jié)合MATLAB下的源程序介紹數(shù)字圖像邊緣檢測的主要步驟。

圖1 畸變校正流程

圖2 LOG算子

（二）數(shù)學(xué)形態(tài)學(xué)方法

數(shù)學(xué)形態(tài)學(xué)是語言集合論，其基本運算包括腐蝕、膨脹、開啟、閉合運算等。腐蝕屬于數(shù)學(xué)形態(tài)學(xué)的基本運算之一，可用于縮小物體邊界范圍。用公式（1）定義區(qū)域A被區(qū)域B的腐蝕：

膨脹為腐蝕對偶運算，定義為結(jié)構(gòu)元素B中心平移至a得到Ba,若Ba擊中A，記下點a，以上結(jié)果則為A被B膨脹所得，可表示為。

開啟是使用一個結(jié)構(gòu)元素先腐蝕圖像，然后利用該結(jié)構(gòu)元素對腐蝕結(jié)果進行膨脹。A用B開啟記作，用定義。與開啟相反，閉合是先對圖像進行膨脹運算，然后腐蝕其結(jié)果。A用B閉合記作定義。

數(shù)學(xué)形態(tài)學(xué)方法提取車輛邊緣信息的基本思想是，讀入待處理的圖像后，首先將其轉(zhuǎn)換為灰度圖像，然后通過腐蝕、膨脹、去噪、取反等運算得到邊緣檢測結(jié)果。以下對主要程序代碼作出解釋為：

%膨脹運算C=imdilate(B,sa);

%腐蝕運算G=imerode(F,sc);

%圖像相減H=imsubtract(F,G);

%圖像取反J=imcomplement(I)。

（三）基于多尺度形態(tài)學(xué)梯度的邊緣檢測

形態(tài)學(xué)邊緣檢測利用梯度算子尋找圖像邊緣，結(jié)合腐蝕、膨脹算法提取圖像輪廓信息。近年來，研究學(xué)者在單尺度形態(tài)學(xué)理論基礎(chǔ)上，提出多尺度形態(tài)學(xué)梯度算子，即創(chuàng)建多個不同大小結(jié)構(gòu)元素分別提取圖像邊緣，大尺度較小尺度結(jié)構(gòu)元素去除噪聲能力稍強，但檢測到邊緣較粗，小尺度可以更好地檢測到邊緣。然后對不同結(jié)構(gòu)元素的提取結(jié)果求平均值，該方法可以有效地提取出邊緣，且優(yōu)于經(jīng)典的邊緣檢測算子。多尺度形態(tài)學(xué)梯度定義為：

式中Bi為結(jié)構(gòu)元素，大小為(2i+1)*(2i+1)的正方形。

采用灰度形態(tài)學(xué)膨脹和腐蝕，對圖像進行多尺度形態(tài)學(xué)邊緣檢測的部分MATLAB源程序，如圖3所示。

圖3 部分MATLAB源程序

式中：s=strel(‘shape’,n)函數(shù)創(chuàng)建有指定形狀shape對應(yīng)的結(jié)構(gòu)元素，其中shape的種類有正方形(square)、直線(line)等，n一般控制se的大小。

（四）基于閾值的圖像分割

基于閾值圖像分割方法是獲取目標(biāo)與背景區(qū)域在灰度上的差異，通過一個或是幾個閾值將圖像分割成不同集合，其中包括目標(biāo)區(qū)域。如果對整幅圖像所有像元均使用一個閾值，則稱該方法為全局閾值法；如果是按分割的局域性不同而選擇相對應(yīng)的閾值，該方法稱為局部閾值法。

1.全局閾值法

（1）基于灰度直方圖的閾值分割。求取圖像分割最佳閾值方法較多，依據(jù)直方圖性質(zhì)便是常用的確定給定圖像最佳閾值方法之一。圖像分割前先求出其直方圖，然后選擇適當(dāng)閾值，對灰度值在閾值范圍內(nèi)的像元，其修正后灰度值賦1，其他像元的灰度值賦0，根據(jù)分割后的結(jié)果反復(fù)調(diào)整閾值直至獲得最佳分割圖像。核心源程序如圖4所示，

圖4 基于灰度直方圖的分割法

如圖4所示，是通過設(shè)定閾值范圍分割，還有一種是利用單閾值進行圖像分割，即根據(jù)圖像直方圖性質(zhì)合理選擇初始閾值，灰度值小于或大于閾值像元，其修正后灰度值賦1，其他像元灰度值賦0，同樣需要根據(jù)分割結(jié)果反復(fù)調(diào)整閾值，直到得出最佳邊緣檢測效果為止。

圖5 基于灰度值方圖閾值分割程序

基于灰度直方圖閾值分割原理較簡單，只需要把閾值范圍內(nèi)像元灰度值設(shè)置為1，其余像元灰度值設(shè)置為0，得到的結(jié)果便是分割后的圖像。

（2）迭代閾值分割。迭代閾值分割首先選擇介于整幅圖像灰度范圍之內(nèi)的一個數(shù)作為初始閾值，然后根據(jù)圖像的分割效果不斷改進，直到效果最佳為止。具體步驟如下：

第一步，選擇待處理圖像的灰度中值作為初始域值。

第二步，利用選定的閾值將圖像分為兩個部分，并根據(jù)式（2）分別計算兩部分的灰度均值。

圖6 迭代閾值分割程序

相較于灰度直方圖閾值分割法，迭代閾值分割通過逐步逼近，得到最佳閾值，分割后的車輛輪廓更為明顯，且噪聲更小。

（3）最大類間方差閾值分割法。最大類間方差閾值分割以最小二乘法為理論基礎(chǔ)，是一種自適應(yīng)的閾值確定方法，同樣是以某一介于整幅圖像灰度值之間的值作為閾值，將圖像分成兩部分并分別計算兩部分方差，使用此方法反復(fù)實驗，兩組方差越大，說明兩部分差別越大，錯分概率越小，當(dāng)方差為最大時，選擇該閾值分割圖像。整個運算過程中有以下兩個主要步驟如圖7所示。

圖7 最大類間方差閾值分割程序

2.局部閾值法

當(dāng)圖像中含有陰影或各處的光照強度不同等情況時，只使用一個閾值分割圖像會因為難以兼顧圖像的各個部分導(dǎo)致圖像分割效果較差，此時可根據(jù)圖像各部分特點，即局部特性分別選擇閾值進行圖像處理，該法稱為局部閾值法。該法優(yōu)點為檢測結(jié)果完整，缺點是空間復(fù)雜度較大。局部閾值法提取邊緣主要環(huán)節(jié)是進行均值濾波與中值濾波：

圖8 均值濾波和中值濾波程序

三、實驗結(jié)果與討論

在實驗中，采用畸變校正后的圖像，利用上述方法進行車輛邊緣提取后可以看出數(shù)學(xué)形態(tài)學(xué)方法的檢測結(jié)果存在偽邊緣，圖像邊緣的間斷點較多，定位精度較低；LOG邊緣檢測算法采用高斯函數(shù)平滑處理圖像，對噪聲有抑制作用，但同時平滑了高頻部分，導(dǎo)致邊緣不連續(xù)。

基于多尺度形態(tài)學(xué)梯度邊緣檢測方法的提取結(jié)果具有蠟質(zhì)感，圖像較為模糊，在增大信息檢測量的同時卻引入了大量的無關(guān)信息；局部閾值法邊緣檢測結(jié)果的定位比較準(zhǔn)確，但是對噪聲的抑制作用較弱，存在很多假邊緣。

基于區(qū)域的全局閾值方法對灰度較為敏感，難以準(zhǔn)確把握灰度值范圍，由于陰影對車輛的遮蔽作用導(dǎo)致車輛亮度較低，可能會把車輛誤分入背景區(qū)域；基于點的全局閾值方法分割效果明顯優(yōu)于前者，可以清晰地將車輛與背景分開，但是仍帶有其他邊緣。迭代閾值分割與最大類間方差閾值分割的結(jié)果非常接近，與前幾種方法相比效果更佳，可以將車輛的詳細邊緣信息較完整的顯示在處理后圖像中，但是不可避免地帶有陰影等信息。此外，選擇不同的閾值其處理結(jié)果也不同，增大或減小閾值得到更完整車輛輪廓信息的同時，也會引入更多的噪聲，使得邊緣完整性與噪聲量難以兼顧，因此在實際操作中應(yīng)該根據(jù)圖像信息，合理選擇相應(yīng)的邊緣提取方法并恰當(dāng)設(shè)置閾值，以求獲得最佳的車輛邊緣檢測效果。

四、結(jié)語

圖像邊緣提取在圖像處理中有著舉足輕重的作用。本文基于數(shù)學(xué)形態(tài)學(xué)方法、圖像分割等理論檢測車輛邊緣，有效地提取出圖像的邊緣信息，定位準(zhǔn)確，具有較好的實時性。但是引起圖像噪聲的因素多種多樣，本文所使用的除噪方法僅考慮了最主要的產(chǎn)生原因，因此處理后的圖像還帶有背景部分的邊緣信息，產(chǎn)生偽邊緣，降低了檢測定位精度。在今后的研究中，可以將幾種方法結(jié)合起來，或者引入新的理論方法，利用多重條件限制提取車輛邊緣信息，以獲取信息完整、噪聲小的邊緣檢測圖像。