移动机器人视觉控制系统的目标提取

2012-07-04张贵英张先杰

制造业自动化 2012年17期

张贵英，张先杰

（遵义医学院医学信息工程系，遵义 563003）

0 引言

视觉系统是移动机器人及其重要的组成部分，就像人的眼睛一样，用来感知和识别外部环境，同时依此感知的环境信息实现对机器人的导航，而目标提取又是视觉系统的关键技术。移动机器人对目标物识别的正确性和实时性都与视觉信息是否正确、及时地处理息息相关。视觉信息处理技术是移动机器人研究中的关键技术[1]，如果没有视觉控制系统，可以想象，移动机器人根本无法完成相应工作。

1 移动机器人目标标志物图像预处理

1.1 图像灰度化

一般而言，由移动机器人采集的目标标志物图像一般是彩色的。为了保证机器人高效作业，在对目标标志物图像进行预处理、分割等操作时要求快速准确。但是彩色图像数据量大，处理时耗费的时间较长，因此，为了使机器人能快速高效的工作，在对目标标志物进行处理时，首先将其转化为灰度图像。

1.2 空间滤波

移动机器人在获取目标标志物图像时，由于环境、光线、摄像头的抖动等因素，使得到的图像存在噪声。噪声的存在会给后续的图像处理带来不便，甚至产生不可用的结果，因此要去除噪声，为后续处理做准备。

线性空间滤波就是将邻域中每个像素与相对应的系数相乘，再将结果累加起来，从而得到点(x , y)处的响应g (x , y)。

大小为m×n的滤波器为大小为M×N的图像进行空间滤波，表示为：

1.3 二值化

为了获取目标标志物图像，需要从图像中分离出来，把图像视为具有不用灰度的两类区域的组合，根据一定的阈值，把小于阈值目标标志物的像素全部转换成白色，反之，将大于等于阈值的像素全部转换成黑色。图像二值化可根据下列的自适应阈值[2]来处理：

通过直方图，可求得最优阈值。

2 数学形态学处理

使用数学形态学处理图像符合人的思维方式，可以充分利用先验的几何特征(形态、大小等)来进行处理，因此处理后的图像效果较好。数学形态学图像处理方法对噪声不敏感，也可以尽可能的保留图像的内容和形态。二值化处理后的图像存在一些孤立点噪声和不连续图像，可以利用数学形态学中的腐蚀和膨胀来处理。

腐蚀“收缩”和“细化”二值图像中的对象[3]，因此非常适合去除一些孤立点噪声。A被B腐蚀的定义为：

其中A为输入图像，B为结构元素。A被B腐蚀是所有结构元素的原点位置的集合，其中平移的B与A的背景并不叠加。

膨胀是在二值图像中“加长”或“变粗”对象[3]。一般来说，腐蚀后的图像要进行膨胀操作，从形状上看才能恢复到原来的大小。A被B膨胀定义为：

其中，为空集，B为结构元素。A被B膨胀是所有元素原点位置组成的集合，其中映射并平移后的B至少与A的某些部分重叠。

3 目标提取

经过以上操作步骤后，接下来就要对图像进行分割，也就是目标标志物提取。图像分割的方法很多，本文采用基于标记的分水岭算法分割目标标志物图像。为了防止过分割，加入一个目标标志物标记集合和一个背景标记集合。

通过数学形态学处理后的二值图像的前景色为黑色，背景色为白色，其中前景色即为目标标志物。将该图像求反，便得到目标标志物图像。

图1 仿真实验结果

接着要获得背景标记图像。为得到背景的标记符图像,即得到确信为背景的像素，这些像素刚好位于目标标记的中间位置，也就是分水岭脊线。对原图像进行距离变换，然后再进行分水岭变换，即得到分水岭脊线，也就是背景标记图像。

有了目标标记图像和背景标记图像后，使用强制最小值来修改梯度图像。借助数学形态学极小值技术,把提取的目标标记图像当成梯度图像的局部最小值,从而过滤掉原有图像中的所有局部最小值。然后对修改后的梯度图像进行基于标记的分水岭变换，最终计算得到目标标志物分割边界，重叠显示在原图像上。

4 实验结果

为了验证目标标志物提取算法的可行性和有效性，在matlab环境下对目标标志物图像进行仿真实验。其结果如图1所示，图1（a）为目标标志物原始图像，（b）转换后的灰度图像，（c）目标标志物的二值图像。从二值图像中可以看出，存在孤立点，且目标标志物图像有空洞，采用数学形态学对其进行腐蚀和膨胀操作，其结果如图（d）所示，去除了孤立点，图像连续。对图（d）求反，即为目标标志物图像，如图（e）所示。根据目标标志图像，利用基于标记的分水岭算法分割目标标志物图像，得到如图（f）所示的分割结果。