基于MATLAB图像处理的非结构化道路识别

2014-12-31吕艳鹏潘玉田

机械工程与自动化 2014年2期

吕艳鹏，潘玉田

（中北大学机电工程学院，山西太原 030051）

0 引言

车辆无人化是未来发展的趋势，因此研究非结构化道路的识别问题具有重要的意义。非结构化道路没有明显的分界线，识别具有一定的难度。但在许多情况下，非结构化道路环境中道路部分与非道路部分在颜色方面差异性较大，本文正是考虑使用颜色这个相关特征来对道路部分进行提取和分离。

1 图像分割处理

首先选取非结构化道路原图，如图1所示。根据图像输出特征，在识别处理时，采用了RGB颜色模型。因为该模型计算最为简单，可不经换算而直接使用输出数值。

图1 非结构化道路原图

在图像二值化的处理过程中，关键问题是阀值的选择是否得当，阀值选择的合理与否直接关系到道路识别程度的优劣。假设需要处理的彩色图像是一个二值灰度图像，其灰度级h＝｛0，1，2，…｝，阀值t∈h，二值化处理的结果为B，B＝｛b0，b1｝。则图像f二值化的过程如式（1）所示：

阀值t的不同导致处理出的二值图像也不一样。1979年科学家大津（日本）提出了Otsu法（大津法，又称最大类间方差法）。Otsu法得到了大多数学者与同行的高度认可，被认为是阀值自动识别图像的最佳算法。Otsu法计算很简单，在一定条件下不受亮度与对比度等相关因素的干扰，因此该法被广泛应用于实时图像处理系统中。

在实际应用中，阀值t一般使用式（2）来选取：

其中：w0（t）为目标部分比例；w1（t）为背景部分比例；u0（t）为目标均值；u1（t）为背景均值；u（t）为总均值。

由式（2）得到的阀值在色度空间中利用大津法得到的分割结果如图2所示。可以看出，道路区域和非道路区域比较清楚地被区别开来，这为后续的图像去噪处理奠定了基础。

图2 大津法处理后的二值图像

2 图像去噪处理

对于图像二值化处理，大津法的分割效果较好，缺陷是有颗粒状和块状噪声。为了得到明显的道路边界，本文使用数学形态学和阀值面积消去法来去除噪声的干扰。

数学形态学源于集合论，并在集合论的基础上发展起来，它的运算由集合运算（并∪、交∩、补－）来组成，所有的图像都要以一定的合理方式转化成集合形式来进行处理。数学形态学用具有不同结构和特征的元素去标示图像中相应元素的形态，进而解决相关问题。数学形态学的运算基本上有4个，即膨胀、腐蚀、开启和闭合。用数学形态学的这4个基本运算可以进行图像形状和结构的相关分析和处理，比如图像的分割、图像的特征抽取、图像的边界检测、图像的增强和恢复等。

因为道路区域相互连通，可以应用阀值面积消去法来消除图像中小区域中的颗粒和噪声。第一步要对道路区域和非道路区域进行区域标示，再对整个图像扫描，消除噪声后的图像如图3所示。

图3 去噪处理后的图像

3 道路边缘检测

经过分析消除噪声后的图像，可以看出去噪效果很明显，能很好地分离出道路区和非道路区。为方便计算，选择Roberts算子进行边缘检测来得到道路的边缘，可以利用两个方向与图像进行邻域卷积来完成Roberts算子的边缘检测，得到的图像如图4所示。

图4 应用Roberts算子得到的道路边缘

4 拟合道路边界

曲线拟合（curve fitting）是指用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。在数据分析处理中，曲线拟合就是用数学表达式无限逼近各离散点，即离散数据的公式化。而在实践中，离散点或数据一般都是各种实验和工程实际的实验值或观测值。由于各种原因，大多数离散点都是不一样的，这样不仅不便于处理和统计计算，而且不能准确和完全地体现出其应有的变化趋势和规律，这个问题就可由曲线拟合来解决。曲线直线化是曲线拟合的重要手段之一，对于某些非线性的道路都可以通过简单的数学变换使之直线化。根据实际情况，本文通过最小二乘法求得边界曲线。

应用最小二乘法进行曲线拟合，其优点非常明显，只需遍历一次就可以得到拟合曲线，如图5所示。