【文章內容簡介】 在實際應用中，如分析道路狀況時，在預處理中去掉諸如天空部分的信息，既可減少運算量，又可提高分析精度。 2)在本研究中的應用 直接獲取的原圖像，從視覺上看， 背景 部分亮度很高，與地面景物對比度大，且占據(jù)了較多的空間：從扶 度直方圖顯示的結果看，某個闡值之上的灰度值出現(xiàn)頻率很高，且分布相對集中。根據(jù)獲取圖像所表現(xiàn)出的特點，本文選用截取式線性變換的方法，對圖像進行扶度增強的操作。變換的效果如圖 3． 3 所示。 圖 圖像對比度增強變換 其他圖像操作運算 灰度圖像形態(tài)學處理 1)基本理論 [18][22] 灰度圖像在實際處理中是較常見的數(shù)字圖像形式，灰度形態(tài)學就是形態(tài)學算子作用于二維歐式空間的情況，是二值圖像形態(tài)學處理的擴展。在灰度圖像形態(tài)學處理中常用 f(x， y)和 b(x，y)表示輸入圖像與結構元素，此時 f(x， y)和 b(x， y)均是數(shù)字圖像的函數(shù)。在灰度形態(tài)學處理中， (x， y)表示圖像元素， f(x， y)表示對應于點 (x， y)的灰度級。 頂帽變換就是一種典型的灰度圖像形態(tài)學處理，它是從灰度圖像中將開運算后獲得的圖像減去的操作。頂帽變換也是一種簡單的對灰度圖像進行物體分割的工具，可以使待處理物體在亮度上能夠與背景分開，另外，還能使背景的灰度變得不均勻。 若要從較暗 (或相反的，較亮 )且變化平緩的背景中提取較亮 (暗 )的物體，則頂帽變換是一個很好的方法。那些與結構元素不符的部分，通過開運算被去掉，再用原始圖像減去開運算圖像，被去掉的部分就清楚的顯現(xiàn)出來了。實際的分割可以通過閾值化操作來實現(xiàn)。對于這些概念理解，可以從下面給出的一個一維例子中清楚形象地看到。 如圖 3． 4 所示。若圖像是一個帽子，且結構元素比帽子中的孔要大，則變換將只提取帽頂部分。 圖 3． 4 頂帽變換從不均勻背景中提取亮物體示意圖 2)本研究中的運用 由于物件與周圍環(huán)境在灰度特征上一定的差異，因此，選取大小適當?shù)恼叫巫鳛榻Y構元素，用頂帽變換的方法對已經(jīng)灰度變換的圖像進行變換，就可以達到將物件突出的效果。同時，采用同樣的結構元素，進行底帽變換。這兩者結合產生的 效果會比采用頂帽變換圖像和原圖像的效果好。處理前后的效果如圖 和圖 所示。 圖像基本運算 1）基本理論 2）本研究中的運用 經(jīng)過上一節(jié)的頂帽變換和底帽變換之后所得到的圖像，分別體現(xiàn)了原始圖像中的灰度峰值和灰度谷值。從處理后的圖像中可以看出，對于原圖像中物件區(qū)域相鄰灰度值變化不大的部分，在處理后的頂帽變換和底帽變換的兩幅圖中表現(xiàn)出的差異很小，即灰度值差異很小；而對于灰度值變化很大的部分，尤其是邊緣部分，在頂帽變換和底變換兩幅圖中表現(xiàn)出明顯的差異，即灰度值差異很大?；谶@樣的機會，若對頂 帽變換和底帽變換這兩幅圖像作進一步處理，就可以更好的使物件從背景中凸現(xiàn)出來。因為這樣，研究決定采用數(shù)字圖像處理中一種常用而簡單的處理手法 —— 代數(shù)運算，對這兩幅圖像進行代數(shù)運算。 本研究先將與原圖像與頂帽變換圖像相加，再將結果與底帽變換圖像作減法運算，這樣就起到了增強圖像的效果。重復操作可以使效果更好，實際效果如圖 (a)(b)(c)(d)所示。 4 環(huán)境因素檢測與定位 圖像分割 圖像分割是把圖像分割成若干個具有獨特性質的區(qū)域并提取出重要目標的技術和過程。在對圖像的研究和應用中，往往僅對圖像的某 些部分關注 (目標或背景 )，一般對應于圖像中具有獨特性質的區(qū)域。為了分析和識別目標，需要將它們分割并提取出來。 圖像分割是由圖像處理轉到圖像分析的關鍵。一方面，它是目標圖像表達的基礎，對特征測量有重要的影響；另一方面，圖像分割和分割的目標表達、特征提取和參數(shù)測量等將原始圖像轉化為數(shù)學表達式，使得利用計算機能夠進行圖像分析和理解。 圖像分割算法的研究一直受到人們的高度重視，到目前為止，提出的分割算法已經(jīng)多達上千種，將它們分類的方法也有很多種，本文采用閾值分割方法。 本研究選用的是閥值分割方法，這方法是根據(jù)自定的 灰度閥值將圖像進行分割，為了下一步的計算，一般是選單閥值分割，因為分割出來的是二值化圖像。其分割方法為： 一原始圖像 f(x,y)取單個灰度閥值 T 來分割得到的是公式 ()： G(x,y)= （ ） 本研究根據(jù)公式（ ）處理所得到的如圖 和 所示。 環(huán)境因素的提取與定位 提取物件 由于圖像經(jīng)過分割，分割出很多塊區(qū)域。由于環(huán)境的光線的影響，會出現(xiàn)很多不是你想要的區(qū)域。如圖 所示。也有你想 要的區(qū)域，因為環(huán)境復雜應該到這區(qū)域不連通。如圖 所示。 圖 不想要區(qū)域 圖 想要區(qū)域 所以我首先將分割出來的圖像進行腐蝕開運算和膨脹閉運算。如圖 和圖 所示?？梢钥吹胶芏嗖皇悄阆胍男^(qū)域不見了，很多你想要的區(qū)域連通了。重復這操作效果更好。 由于環(huán)境的復雜度很大，所以就算經(jīng)過開閉運算后，還是有很多區(qū)域不是你想要的。但是經(jīng)過觀察這些不是我想要的區(qū)域大小都是不大的。所以經(jīng)過區(qū)域面積的對比，如圖 所示，我選出一個區(qū)域面積閥值，我只提取面積比閥值大的區(qū)域。這就基本得到都是我想要的區(qū)域。如圖 所示。 圖 連通區(qū)域提取后得到的物件圖 物件定位 這個定位跟機器人自定位是不一樣的，該節(jié)的定位是確定圖像中所提取出來的物件在圖像中的橫坐標和縱坐標。而且是要選出物件與地面接觸的點，且選出用來計算物件距離的點的坐標。 這首先要將提取出來的物件經(jīng)行區(qū)域填充。取出在圖像 x=中點的所有 y 值的最大值。如圖 所示。 填充，對于一個區(qū)域，如果它是一個封閉的環(huán)形形式 (內部包含一塊單獨隔離處的 孔洞 )， 就可以用填充操作，將內部的孔洞覆蓋。這個孔洞是一個背景像素的集合。具體方法是 在一幅輸入圖像 (通常是二值圖像 )的背景像素上從某個指定的點開始，將背景像素重 新設置為 1。 圖 是從環(huán)境中提取出來的最終圖像，從這最終圖像所獲得的坐標，將是物件距離的一個重要參數(shù)。 5 物件測距的模型 CCD 成像原理 本研究的圖像是由 CCD 所拍攝回來的圖像，這種圖像是二維的亮度圖像，而現(xiàn)實世界是三維的，所以本研究的圖像就是現(xiàn)實世界的二維映射，然而 CCD 鏡頭可以看成是一塊凸透鏡，根據(jù)凸透鏡的原理，所有經(jīng)過 凸透鏡中心的光線都是不會變向的，即都是直線傳播的，這種幾何關系可以看成是小孔成像模型，這是透視模型的一種。 所謂小孔成像就是，將一個盒子一側扎一個小孔，另一側改成一塊半透明板。如果將針孔對準點燃的蠟燭，則在半透明板上看到顛倒的蠟燭圖像，這就是小孔成像的現(xiàn)象。假設小孔是一個點，那么只有唯一的一條光線穿過三個點：成像板平面上的一個點、小針孔以及場景中的某個點。 坐標系 機器人的自主定位，到底是怎樣定位？所以這就需要機器人有自己的世界坐標系。拍到的圖像就是圖像坐標系，機器人攝像機的位姿就是攝像機的坐標 系。 如圖 所示，在圖像上定義二維直角坐標系 、 ，每一個像素的坐標分別是該像素在圖像中的列和行。攝像機坐標系的 Z 軸與圖像平面垂直， XY 平面與圖像平面平行。由于攝像機可以放置在任何位置，所以我們需要建立一個基準坐標系來描述攝像機的位置，并用它描述環(huán)境中任何物體的位置，該坐標系稱為世界坐標系，用 x、 y、 z 來表示。 圖像平面被相對于 x y 平面反折過來，因為 CCD 拍出來的是小孔所成圖像的鏡像圖像。x， y， z 的值是世界坐標系中 P 點的坐標，設 l 等于針孔到圖像平面的 距離。 圖 小孔成像模型 建立機器人測距模型 由于攝像機采集圖像的過程是從三維歐拉空間到二維歐拉空間的幾何變換過程，如果用 K表示三維的現(xiàn)實空間，而用 T 表示圖像空間，則圖像采集過程是從 K 到 T 的過程。測距過程可以當作這一過程的逆過程。機器人測量可以認為是利用圖像空間 T=｛ u， v｝中的數(shù)據(jù)，在一定的先驗條件下計算現(xiàn)實空間 K={x， y， z)中的一個平面 S={(x， y， 0)∈ T}上的數(shù)據(jù)的過程。 在分析圖像空間中的數(shù)據(jù)前，首先要獲得采集圖像的 條件以及對場景圖像的假設性描述，如圖 5． 2 所示。包括攝像機的位置，由在三維現(xiàn)實空間中的坐標 l， d， h 表示；視圖方向由攝像機中心軸與標準軸的夾角 r 和 o 來表示；攝像機的孔徑張角為 2a；攝像機的清晰度為 m xn。以上參數(shù)均可通過測量或攝像機本身參數(shù)獲得。 圖 現(xiàn)實坐標與圖像坐標 如圖 所示，可以通過攝像機的視覺盲距來計算出鏡頭與圖像的距離 ,可以通過 CCD 感光器的大小知道圖像的大小，如 CCD 的尺寸是 1/ 英寸，該尺寸就好像電視機屏幕的尺寸一樣是對角線的長度，通過單位轉換得到 CCD 對角線是 。又因為知道 CCD 的比例是 4：3，根據(jù)勾股定理可以知道長：寬：對角線是 4： 3： 5，就知道長是 ，寬是 。如此就能算出圖像的大小。再根據(jù)相似三角形求出鏡頭與圖像的距離 d。 根據(jù)上面的數(shù)據(jù)就可以根據(jù)實際圖像中分割出來的物件的坐標算出角度 ，也就可以算出 物件的實際距離 L。由圖 可以看出公式（ ） () 當鏡頭與水平有夾角時，且夾角為α。距離就是公式（ ） （ ） 圖 攝像機測距模型 圖像分割出來的物件的坐標高度就可以求出距離的，但是表示位置還是不夠的，所以還應該求出物件在機器人的什么方向，就是與機器人正前方的夾角γ，如圖 所示。其實將物件在圖像坐標系中的 X 坐標就可以求出夾角γ了。 圖 物件方向圖 6 MATLAB 試驗程序實現(xiàn) MATLAB 程序 在 MATLAB 里面主要用到其中的 Image Processing Toolbox (簡稱 IPT)中的圖像處理函數(shù)。如表 所示。 表 IPT 函數(shù) 試驗程序 程序界面如圖 ，試驗過程圖 ，圖 ，圖 所示。 圖 程序初始化 圖 程序界面 圖 的實驗數(shù)據(jù)如表 所示 物件 實際距離 實驗數(shù)據(jù) 角度 誤差 % 處理時間 架子 195 無法測量 左 度 被遮擋 皮箱 108 左 度 凳子 138 左 度 桌子 103 右 度 表 圖 的實驗數(shù)據(jù) 圖 實驗過程圖 圖 的實驗數(shù)據(jù)如表 所示 物件 實際距離 實驗數(shù)據(jù) 角度 誤差 % 處理時間 架子 220 無法測量 左 度 被遮擋 皮箱 118 左 度 凳子 158 左 度 桌子 123 右 度 表 圖 的實驗數(shù)據(jù) 圖 試驗過程圖 圖 的實驗數(shù)據(jù)如表 所示 物件 實際距離 實驗數(shù)據(jù) 角度 誤差 % 處理時間 架子 194 左 度 凳子 95 90 左 度 桌子 95 右 度 表 圖 的實驗數(shù)據(jù) 試驗分析與結論 由上面試驗數(shù)據(jù)的誤差一項 可以看出本研究算法的距離精確度還是不錯的。試驗時候，由于圖 與圖 的時候是只有移動過凳子跟皮箱，所以由角度的對比也可以看出本研究算法的角度精準度也是不錯的。 而且處理時間都只是 秒，這可能是圖像的大小有關系，如果圖像再取小一點，可能速度更快。 結論，實驗數(shù)據(jù)表明了本研究的方法是既簡捷又有效的，也具有可操作性，能夠通過一系列操作較準確的獲得環(huán)境中物件的距離，是一種可行的自定位方法。 7 結論與建議 結論 本文根據(jù)數(shù)字圖像處理基本理論和方法，提出了一種基于單目視覺的機器人自定位技術。充分利 用機器人自身的幾何特性，對捕獲的圖像選擇恰當?shù)念A處理、圖像分割、模式識別技術，并利用單目透視變換理論建立測距模型，通過 MA