【文章內(nèi)容簡(jiǎn)介】 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(hào)才能模擬一個(gè)信 13 號(hào)語(yǔ)特性的缺點(diǎn)。小波邊緣檢測(cè)算子在大的尺度下能夠抑制噪聲，可靠地識(shí)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(cè)結(jié)果真實(shí)準(zhǔn)確。 小波邊緣檢測(cè)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(duì)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。 邊緣連接 由于噪聲的干擾、圖像中的景物和目標(biāo)灰度具有很小的對(duì)比度或是圖像里內(nèi)復(fù)雜的內(nèi)容等干擾因素造成邊緣檢測(cè)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(cè)結(jié)果不理想最突出的原因是邊緣檢測(cè)過(guò)程中 閾值的不恰當(dāng)處理，選擇正確的閾值會(huì)確保邊緣輪廓大部分都被檢測(cè)出來(lái)卻不是全部的邊緣。本論文內(nèi)圖像分割的目的就是按照?qǐng)D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(cè)出的邊緣，保證大多數(shù)劃分的區(qū)域擁有封閉輪廓，來(lái)實(shí)現(xiàn)檢測(cè)出圖像邊緣。 通常采用的邊緣檢測(cè)方法有 Hough 變換法， Canny 邊緣檢測(cè)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(guò)把直線上的點(diǎn)的坐標(biāo)變換成通過(guò)這點(diǎn)的直線系數(shù)域，運(yùn)用的是共線和直線相交的關(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(lái)進(jìn)行邊緣連接時(shí)會(huì)造成邊緣圖像個(gè)別邊緣點(diǎn)獨(dú)立。 Canny 邊緣檢測(cè)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(cè)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(cè)法一般情況下用來(lái)連接小縫隙的邊緣，同時(shí)會(huì)避免圖像孤立邊緣點(diǎn)的產(chǎn)生。 14 圖像搜索法非常難以運(yùn)算，本論文并不采用。 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(lái)規(guī)定邊緣連接的準(zhǔn)則，該方法步驟是：跟蹤標(biāo)記檢測(cè)出來(lái)的 邊緣，記錄邊緣的長(zhǎng)度、序號(hào)、曲率等邊緣的屬性值，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(duì)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(duì)邊緣線段進(jìn)行了拆分，這樣會(huì)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(guò)灰度特性形成的約束條件將相似的度量參數(shù)表示出來(lái)，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(duì)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?jī)蓚€(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(lái)，這兩條線段間的概率值要通過(guò)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(duì)他進(jìn)行編組，根據(jù)編組生成的圖表生成共線鏈，一直這樣操作直到共線鏈統(tǒng)一沒(méi)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(zhǎng)的道路段的線段，孤立的短線段，長(zhǎng)的道路段部分方向上有突變的道路段等等。通過(guò)這些方 法 15 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。 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(wèn)題，提出了利用 Canny 算子使用雙域值得方法進(jìn)行邊緣檢測(cè)。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頻信息，邊緣檢測(cè)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(cè)，這時(shí)有用的信息就是高閾值檢測(cè)出來(lái)的圖像邊緣。根據(jù)高閾值將低閾值對(duì)圖像進(jìn)行第二次閾值化，正常 情況下，高閾值是低閾值的 。所以Canny 算子中非常重要的一步就是確定高閾值，通常認(rèn)定整幅圖像中大概 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(kāi)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(cè)時(shí)，錯(cuò)誤連接邊緣的缺點(diǎn)。 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(duì)彎道線形提取至關(guān)重要的就是邊緣檢測(cè)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，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(cè)識(shí)別 小波去噪處理圖像 進(jìn)行邊緣檢測(cè)前，我們先對(duì)圖像進(jìn)行濾波去噪處理。噪聲的分布特性以及噪聲與圖像信號(hào)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(hào)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(hào)設(shè)為 f(x,y),圖像內(nèi)含有噪聲的信號(hào)設(shè)為g(x,y),這兩種信號(hào)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(guò)程中產(chǎn)生的 ，輸入信號(hào)并不影響這種噪聲。 乘性噪聲：與加性噪聲不同，輸入信號(hào)影響乘性噪聲，影響此類噪聲的情況分 16 為兩種：其中一種是只有該像素點(diǎn)的圖像信號(hào)影響該像素點(diǎn)的噪聲；另外一種是該像素點(diǎn)以及其領(lǐng)域的圖像信號(hào)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(hào) f(x,y)與輸出信號(hào) 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 ]9[ 。 在本論文中采用小波去噪手段對(duì)圖像進(jìn)行去噪。 小波去噪 從數(shù)學(xué)角度來(lái)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(duì)原信號(hào)的最佳逼近，以完成原信號(hào)和噪聲信號(hào)的區(qū)分。 也就是尋找從實(shí)際信號(hào)空間到小波函數(shù)空間的最佳映射，以便得到原信號(hào)的最佳恢復(fù)。 從信號(hào)學(xué)的角度看，小波去噪是一個(gè)信號(hào)濾波的問(wèn)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(hào)特征，所以在這一點(diǎn)上又優(yōu)于傳統(tǒng)的低通濾波器 ]10[ 。由此可見(jiàn)，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 下面就是利用 Matlab 中 wpdencmp 函數(shù)對(duì)圖像進(jìn)行小波去噪處理的程序代碼： r=imread(39。C:\Users\lenove\Desktop\圖片 \39。)。 %輸入彩色圖像 I = rgb2gray(r)。 %將彩色圖像處理成灰色圖像 figure,imshow(I),axis on。 subplot(1,2,2)。 B2=imresize(I,39。nearest39。)。 %調(diào)整圖像尺寸 imshow(B2)。 B2=im2double(B2)。 subplot(2,2,1)。imshow(B2)。 title(39。原圖 39。)。 J=imnoise(B2,39。gaussian39。,0,)。 %含噪圖形 subplot(2,2,2)。imshow(J)。 17 title(39。含噪圖像 39。)。 %設(shè)定函數(shù) wpdencmp 的參數(shù) thr=。sorh=39。s39。 crit=39。shannon39。 keepapp=0。 %去噪處理 J1=wpdencmp(J,sorh,3,39。sym439。,crit,thr,keepapp)。 subplot(2,2,3)。imshow(J1)。 title(39。全局閾值去噪圖像 39。)。 %對(duì)圖像進(jìn)行平滑處理 J2=medfilt2(J1)。 subplot(2,2,4)。imshow(J2)。 title(39。第二次去噪圖像 39。)。 程序運(yùn)行結(jié)果如圖所示： 圖 從上圖可以看出，經(jīng)過(guò)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。 18 運(yùn)用 Canny 算子進(jìn)行彎道邊緣檢測(cè) 在對(duì)圖像去噪之后，接下來(lái)是對(duì)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(duì)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(duì)圖像進(jìn)行邊緣檢測(cè)。這里我們采用 Canny 算子對(duì)圖像進(jìn)行邊緣檢測(cè)，檢測(cè)出彎道的邊緣線形。本論文采用的 Canny 算子邊緣檢測(cè)雖然由于將所有像素點(diǎn)都進(jìn)行了計(jì)算，就是無(wú)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(cè)準(zhǔn)確，很少有邊緣漏檢，檢測(cè)錯(cuò)誤情況的發(fā)生，同時(shí)檢測(cè)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(cè)。 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)以及漏標(biāo)真正的邊緣點(diǎn)；邊緣點(diǎn)被檢測(cè)出來(lái)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(cè)的同時(shí)，還采用 Sobel 算子、 Robert 算子、Prewitt 算子以及 log 算子對(duì)圖像進(jìn)行了邊緣檢測(cè)，以便進(jìn)行比較分析。下面是采用這幾種算子對(duì)圖像進(jìn)行邊緣檢測(cè)的 Matlab 程序代碼： r=imread(39。C:\Users\lenove\Desktop\圖片 \39。)。 q=rgb2gray(r)。 figure,imshow(q),axis on。 In imuitools\private\initSize at 73 In imshow at 262 subplot(1,2,2)。 I=imresize(q,39。nearest39。)。 imshow(q)。 imshow(I)。 BW1=edge(I,39。sobel39。)。 19 BW2=edge(I,39。roberts39。)。 BW3=edge(I,39。prewitt39。)。 BW4=edge(I,39。log39。)。 BW5=edge(I,39。canny39。)。 h=fspecial(39。gaussian39。,5)。 BW6=edge(I,39。canny39。)。 subplot(2,3,1),imshow(BW1)。 title(39。sobel 邊緣檢測(cè) 39。)。 subplot(2,3,2),imshow(BW1)。 title(39。roberts 邊緣檢測(cè) 39。)。 subplot(2,3,2),imshow(BW2)。 title(39。roberts 邊緣檢測(cè) 39。)。 subplot(2,3,3),imshow(BW3) title(39。prewitt 邊緣檢測(cè) 39。) subplot(2,3,4),imshow(BW4)。 title(39。log 邊緣檢測(cè) 39。)。 subplot(2,3,5),imshow(BW5)。 title(39。canny 邊緣檢測(cè) 39。)。 subplot(2,3,6),imshow(BW6)。 title(39。gaussianamp。canny 邊緣檢測(cè) 39。)。 程序運(yùn)行結(jié)果如圖所示： 20 圖 從圖像中可以看出， Canny 算子進(jìn)行邊緣檢測(cè)后的效果更好，勾畫出的邊緣連續(xù)性很好。 Canny 邊緣檢測(cè)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(cè)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(duì)圖像進(jìn)行濾波 ，目的是消除圖像中的干擾噪聲。 (2) 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(duì)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(lái)對(duì)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(duì)應(yīng)的比較方向： 4 3 2 1 x 1 2 3 4 圖 四個(gè)區(qū)及對(duì)應(yīng)的比較方向 2