【文章內(nèi)容簡介】 在實(shí)際應(yīng)用中，如分析道路狀況時(shí)，在預(yù)處理中去掉諸如天空部分的信息，既可減少運(yùn)算量，又可提高分析精度。 2)在本研究中的應(yīng)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(duì)比度大，且占據(jù)了較多的空間：從扶 度直方圖顯示的結(jié)果看，某個(gè)闡值之上的灰度值出現(xiàn)頻率很高，且分布相對(duì)集中。根據(jù)獲取圖像所表現(xiàn)出的特點(diǎn)，本文選用截取式線性變換的方法，對(duì)圖像進(jìn)行扶度增強(qiáng)的操作。變換的效果如圖 3． 3 所示。 圖 圖像對(duì)比度增強(qiáng)變換 其他圖像操作運(yùn)算 灰度圖像形態(tài)學(xué)處理 1)基本理論 [18][22] 灰度圖像在實(shí)際處理中是較常見的數(shù)字圖像形式，灰度形態(tài)學(xué)就是形態(tài)學(xué)算子作用于二維歐式空間的情況，是二值圖像形態(tài)學(xué)處理的擴(kuò)展。在灰度圖像形態(tài)學(xué)處理中常用 f(x， y)和 b(x，y)表示輸入圖像與結(jié)構(gòu)元素，此時(shí) 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(xué)處理中， (x， y)表示圖像元素， f(x， y)表示對(duì)應(yīng)于點(diǎn) (x， y)的灰度級(jí)。 頂帽變換就是一種典型的灰度圖像形態(tài)學(xué)處理，它是從灰度圖像中將開運(yùn)算后獲得的圖像減去的操作。頂帽變換也是一種簡單的對(duì)灰度圖像進(jìn)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(gè)很好的方法。那些與結(jié)構(gòu)元素不符的部分，通過開運(yùn)算被去掉，再用原始圖像減去開運(yùn)算圖像，被去掉的部分就清楚的顯現(xiàn)出來了。實(shí)際的分割可以通過閾值化操作來實(shí)現(xiàn)。對(duì)于這些概念理解，可以從下面給出的一個(gè)一維例子中清楚形象地看到。 如圖 3． 4 所示。若圖像是一個(gè)帽子，且結(jié)構(gòu)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(yùn)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(dāng)?shù)恼叫巫鳛榻Y(jié)構(gòu)元素，用頂帽變換的方法對(duì)已經(jīng)灰度變換的圖像進(jìn)行變換，就可以達(dá)到將物件突出的效果。同時(shí)，采用同樣的結(jié)構(gòu)元素，進(jìn)行底帽變換。這兩者結(jié)合產(chǎn)生的 效果會(huì)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(yùn)算 1）基本理論 2）本研究中的運(yùn)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(duì)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(duì)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。基于這樣的機(jī)會(huì)，若對(duì)頂 帽變換和底帽變換這兩幅圖像作進(jìn)一步處理，就可以更好的使物件從背景中凸現(xiàn)出來。因?yàn)檫@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(yùn)算，對(duì)這兩幅圖像進(jìn)行代數(shù)運(yùn)算。 本研究先將與原圖像與頂帽變換圖像相加，再將結(jié)果與底帽變換圖像作減法運(yùn)算，這樣就起到了增強(qiáng)圖像的效果。重復(fù)操作可以使效果更好，實(shí)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(gè)具有獨(dú)特性質(zhì)的區(qū)域并提取出重要目標(biāo)的技術(shù)和過程。在對(duì)圖像的研究和應(yīng)用中，往往僅對(duì)圖像的某 些部分關(guān)注 (目標(biāo)或背景 )，一般對(duì)應(yīng)于圖像中具有獨(dú)特性質(zhì)的區(qū)域。為了分析和識(shí)別目標(biāo)，需要將它們分割并提取出來。 圖像分割是由圖像處理轉(zhuǎn)到圖像分析的關(guān)鍵。一方面，它是目標(biāo)圖像表達(dá)的基礎(chǔ)，對(duì)特征測量有重要的影響；另一方面，圖像分割和分割的目標(biāo)表達(dá)、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為數(shù)學(xué)表達(dá)式，使得利用計(jì)算機(jī)能夠進(jìn)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(dá)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(jìn)行分割，為了下一步的計(jì)算，一般是選單閥值分割，因?yàn)榉指畛鰜淼氖嵌祷瘓D像。其分割方法為： 一原始圖像 f(x,y)取單個(gè)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(huì)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?yàn)榄h(huán)境復(fù)雜應(yīng)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(jìn)行腐蝕開運(yùn)算和膨脹閉運(yùn)算。如圖 和圖 所示。可以看到很多不是你想要的小區(qū)域不見了，很多你想要的區(qū)域連通了。重復(fù)這操作效果更好。 由于環(huán)境的復(fù)雜度很大，所以就算經(jīng)過開閉運(yùn)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(duì)比，如圖 所示，我選出一個(gè)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(gè)定位跟機(jī)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(biāo)和縱坐標(biāo)。而且是要選出物件與地面接觸的點(diǎn)，且選出用來計(jì)算物件距離的點(diǎn)的坐標(biāo)。 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(diǎn)的所有 y 值的最大值。如圖 所示。 填充，對(duì)于一個(gè)區(qū)域，如果它是一個(gè)封閉的環(huán)形形式 (內(nèi)部包含一塊單獨(dú)隔離處的 孔洞 )， 就可以用填充操作，將內(nèi)部的孔洞覆蓋。這個(gè)孔洞是一個(gè)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(gè)指定的點(diǎn)開始，將背景像素重 新設(shè)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(biāo)，將是物件距離的一個(gè)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(shí)世界是三維的，所以本研究的圖像就是現(xiàn)實(shí)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(huì)變向的，即都是直線傳播的，這種幾何關(guān)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(gè)盒子一側(cè)扎一個(gè)小孔，另一側(cè)改成一塊半透明板。如果將針孔對(duì)準(zhǔn)點(diǎn)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(shè)小孔是一個(gè)點(diǎn)，那么只有唯一的一條光線穿過三個(gè)點(diǎn)：成像板平面上的一個(gè)點(diǎn)、小針孔以及場景中的某個(gè)點(diǎn)。 坐標(biāo)系 機(jī)器人的自主定位，到底是怎樣定位？所以這就需要機(jī)器人有自己的世界坐標(biāo)系。拍到的圖像就是圖像坐標(biāo)系，機(jī)器人攝像機(jī)的位姿就是攝像機(jī)的坐標(biāo) 系。 如圖 所示，在圖像上定義二維直角坐標(biāo)系 、 ，每一個(gè)像素的坐標(biāo)分別是該像素在圖像中的列和行。攝像機(jī)坐標(biāo)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(jī)可以放置在任何位置，所以我們需要建立一個(gè)基準(zhǔn)坐標(biāo)系來描述攝像機(jī)的位置，并用它描述環(huán)境中任何物體的位置，該坐標(biāo)系稱為世界坐標(biāo)系，用 x、 y、 z 來表示。 圖像平面被相對(duì)于 x y 平面反折過來，因?yàn)?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(biāo)系中 P 點(diǎn)的坐標(biāo)，設(shè) l 等于針孔到圖像平面的 距離。 圖 小孔成像模型 建立機(jī)器人測距模型 由于攝像機(jī)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(shí)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(dāng)作這一過程的逆過程。機(jī)器人測量可以認(rèn)為是利用圖像空間 T=｛ u， v｝中的數(shù)據(jù)，在一定的先驗(yàn)條件下計(jì)算現(xiàn)實(shí)空間 K={x， y， z)中的一個(gè)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(duì)場景圖像的假設(shè)性描述，如圖 5． 2 所示。包括攝像機(jī)的位置，由在三維現(xiàn)實(shí)空間中的坐標(biāo) l， d， h 表示；視圖方向由攝像機(jī)中心軸與標(biāo)準(zhǔn)軸的夾角 r 和 o 來表示；攝像機(jī)的孔徑張角為 2a；攝像機(jī)的清晰度為 m xn。以上參數(shù)均可通過測量或攝像機(jī)本身參數(shù)獲得。 圖 現(xiàn)實(shí)坐標(biāo)與圖像坐標(biāo) 如圖 所示，可以通過攝像機(jī)的視覺盲距來計(jì)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(jī)屏幕的尺寸一樣是對(duì)角線的長度，通過單位轉(zhuǎn)換得到 CCD 對(duì)角線是 。又因?yàn)橹?CCD 的比例是 4：3，根據(jù)勾股定理可以知道長：寬：對(duì)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(shí)際圖像中分割出來的物件的坐標(biāo)算出角度 ，也就可以算出 物件的實(shí)際距離 L。由圖 可以看出公式（ ） () 當(dāng)鏡頭與水平有夾角時(shí)，且夾角為α。距離就是公式（ ） （ ） 圖 攝像機(jī)測距模型 圖像分割出來的物件的坐標(biāo)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(yīng)該求出物件在機(jī)器人的什么方向，就是與機(jī)器人正前方的夾角γ，如圖 所示。其實(shí)將物件在圖像坐標(biāo)系中的 X 坐標(biāo)就可以求出夾角γ了。 圖 物件方向圖 6 MATLAB 試驗(yàn)程序?qū)崿F(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(yàn)程序 程序界面如圖 ，試驗(yàn)過程圖 ，圖 ，圖 所示。 圖 程序初始化 圖 程序界面 圖 的實(shí)驗(yàn)數(shù)據(jù)如表 所示 物件 實(shí)際距離 實(shí)驗(yàn)數(shù)據(jù) 角度 誤差 % 處理時(shí)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(shí)驗(yàn)數(shù)據(jù) 圖 實(shí)驗(yàn)過程圖 圖 的實(shí)驗(yàn)數(shù)據(jù)如表 所示 物件 實(shí)際距離 實(shí)驗(yàn)數(shù)據(jù) 角度 誤差 % 處理時(shí)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(shí)驗(yàn)數(shù)據(jù) 圖 試驗(yàn)過程圖 圖 的實(shí)驗(yàn)數(shù)據(jù)如表 所示 物件 實(shí)際距離 實(shí)驗(yàn)數(shù)據(jù) 角度 誤差 % 處理時(shí)間 架子 194 左 度 凳子 95 90 左 度 桌子 95 右 度 表 圖 的實(shí)驗(yàn)數(shù)據(jù) 試驗(yàn)分析與結(jié)論 由上面試驗(yàn)數(shù)據(jù)的誤差一項(xiàng) 可以看出本研究算法的距離精確度還是不錯(cuò)的。試驗(yàn)時(shí)候，由于圖 與圖 的時(shí)候是只有移動(dòng)過凳子跟皮箱，所以由角度的對(duì)比也可以看出本研究算法的角度精準(zhǔn)度也是不錯(cuò)的。 而且處理時(shí)間都只是 秒，這可能是圖像的大小有關(guān)系，如果圖像再取小一點(diǎn)，可能速度更快。 結(jié)論，實(shí)驗(yàn)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(zhǔn)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(jié)論與建議 結(jié)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(jī)器人自定位技術(shù)。充分利 用機(jī)器人自身的幾何特性，對(duì)捕獲的圖像選擇恰當(dāng)?shù)念A(yù)處理、圖像分割、模式識(shí)別技術(shù)，并利用單目透視變換理論建立測距模型，通過 MA