【導(dǎo)讀】視覺信號具有信號探測范圍寬、獲取信息豐富等優(yōu)點。隨著近幾年圖像處。最近二十年來，基于視覺的室內(nèi)機器人導(dǎo)航和室外機器人導(dǎo)航均得。這樣，機器人在行走。過程中，要充分利用環(huán)境中的特征來識別航行區(qū)域和障礙物區(qū)域。通過對圖像處理的基本。測系統(tǒng)，包括環(huán)境視頻圖像的采集、處理、壓縮、存儲和實時回放。征的提取方法進行了比較，最終選取顏色特征作為機器人視覺導(dǎo)航的陸標(biāo)；在已有圖像分割算法的基礎(chǔ)上，對彩色圖像分割算法進行了一些研究，術(shù)編程實現(xiàn)了系統(tǒng)的功能。試驗結(jié)果說明本文系統(tǒng)能夠?qū)崟r檢測機器人室內(nèi)環(huán)。境中的障礙物，完成了視覺導(dǎo)航的中的避障任務(wù)。

　　

【正文】 識別、模型匹配、內(nèi)性解釋和理解等。在本文的室內(nèi)機器人視覺導(dǎo)航系統(tǒng)中，主要完成室內(nèi)障礙物的實時檢測，其中的圖像處理技術(shù)主要包括：圖像采集和預(yù)處理、特征分析、圖像分割、圖像存儲 這幾個部分。本章就從這幾個部分對圖像處理的算法進行介紹，從而找到適合本系統(tǒng)的最好算法。 圖像采集和預(yù)處理 圖像的采集 圖像采集是獲取數(shù)字圖像的過程，其設(shè)備包括圖像傳感器、圖像數(shù)字化設(shè)備。目前數(shù)碼相機中廣泛使用的 CCD 和 CMOS 兩種圖像傳感器。將圖像轉(zhuǎn)化為數(shù)字形式是數(shù)字圖像處理的一個先決條件。圖像數(shù)字化器就是具有這種功能的設(shè)備。在數(shù)字圖像處理發(fā)展的初始階段，數(shù)字化設(shè)備非常昂貴，只有很少的研究單位購買得起，導(dǎo)致數(shù)字圖像處理技術(shù)的研究受到限制。隨著科學(xué)技術(shù)的發(fā)展，數(shù)字化設(shè)備應(yīng)用已較普及，并日益 向高速度、高分辨率、多功能、智能化方向發(fā)展。 如何采集得到適合于移動機器人處理的圖像信息，是實現(xiàn)機器人視覺的前提條件。目前應(yīng)用于機器人視頻采集的技術(shù)主要有以下三種：基于 VFW(Video For Windows)技術(shù)的視頻采集技術(shù)；基于 DirectShow 技術(shù)的視頻采集技術(shù)；基于視頻采集卡廠商提供的 SDK 的視頻采集技術(shù) [26]。 本系統(tǒng)中利用帶有 USB 接口的 CMOS 攝像頭和 DirectX 中的 DirectShow 技 武漢理工大學(xué)碩士學(xué)位論文 19 術(shù)完成視頻圖像的采集和顯示。 圖像預(yù)處理 機器人視覺系統(tǒng)面向三維世界的景物，而實際大 部分還是針對二維圖像的處理。由光學(xué)成像系統(tǒng)生成的二維圖像，包含各種各樣的 隨機 噪聲和畸變。為了提高智能機器人的視覺功能，增強機器人的分析和識別能力，以便做出正確的行動規(guī)劃，需要對原始圖像中的噪聲、畸變給以去除和修正。這種突出有用信息、抑制無用信息和改善圖像質(zhì)量的處理技術(shù)，通常稱為圖像的預(yù)處理。 圖像處理技術(shù)主要是對圖像進行增強、改善或修改，為圖像分析做準(zhǔn)備。通常，在圖像處理過程中，并不把信息從圖像中提取出來，其重點是為了改進圖像質(zhì)量而去除那些錯誤的、沒有多大價值的信息，或者那些雖然重要但卻無用的信息。舉例來說 ，假設(shè)獲得了一個正在移動的物體的圖像，圖像可能不很清晰，這時希望在獲得物體的信息 (例如其特征、形狀、位置和方位等 )之前，減小或者去除圖像的模糊。再者，考慮一幅被反射光破壞了的圖像，或是由于光線不足而導(dǎo)致包含大量噪聲的圖像，在對圖像進行分析之前，希望對圖像的質(zhì)量進行改進。與此類似，假設(shè)有一幅城市的圖像，其中包含了足夠多的細(xì)節(jié)，例如街道、車輛和樹蔭。如果不消除那些無用的細(xì)節(jié)信息 (除了邊緣以外 )，也很難從中提取出有用的信息。 在預(yù)處理中，輸入和輸出都是圖像，只是經(jīng)過預(yù)處理后，輸出圖像的質(zhì)量得到一定程度的改善，可達 到改善圖像的視覺效果或者更便于計算機 (機器人 )對圖像分析、處理、理解和識別等處理的目的。我們這里所用到的圖像預(yù)處理技術(shù)主要包括圖像對比度的增強、隨機噪聲的去除等處理技術(shù)。所以這里重點介紹圖像平滑處理。 圖像平滑的目的是為了消除噪聲。圖像噪聲的來源有三個方面：一為光電、電磁轉(zhuǎn)換過程中引入的人為噪聲；二為 CCD 攝像機采集圖像的不穩(wěn)定性；三為自然起伏性噪聲，有物理量的不連續(xù)性或粒子性所引起，這類噪聲又可分成熱噪聲、散粒噪聲等。消除噪聲的方法可以分為空間域或頻率域，也可以分為全局處理或局部處理，也可按線性平滑、非線 性平滑和自適應(yīng)平滑來區(qū)別。本章中介紹常用的鄰域平均、中值濾波方法。 一、鄰域平均法 鄰域平均法是一種簡單的空域平滑技術(shù)。設(shè)有一幅 N N 的原始圖像 武漢理工大學(xué)碩士學(xué)位論文 20 ),( yxf ，經(jīng)過鄰域平均法處理后的圖像為 ),( yxg ，則 ??? Snm nmfMyxg ),( ),(1),( (31) 式中， M 為集合 S 內(nèi)的坐標(biāo)點的總數(shù)。鄰域的選取分為矩形鄰域和圓形鄰域，其計算公式如下： T 3＝??????????11111111191 Tc3＝??????????01011101051 3 3 模板的鄰域平均計算法 T 5＝????????????????1111111111111111111111111251 Tc5＝????????????????0111011111111111111101110211 5 5 模板的鄰域平均計算法 鄰域半徑可以隨意選取。但是，鄰域平均法在去除噪聲的同時，也使圖像的邊緣和細(xì)節(jié)模糊，特別是半徑增大，這種模糊效應(yīng)更大。 為了達到在消除圖像噪聲的同時保證邊界不變模糊的目的，根據(jù)局部區(qū)域內(nèi)圖像狀態(tài)的不同， 對其鄰近的像素進行選擇，然后進行局部均值化處理。 二、中值濾波法 一組按照大小順序排列的數(shù)組，中間位置上的數(shù)據(jù)稱之為中值。中值濾波是一種非線性處理技術(shù)，能抑制圖像中的噪聲。以一維中值濾波為例，說明中值濾波的工作原理。首先要設(shè)計一個含有奇數(shù)個像素的窗口作為中值濾波器。在進行中值濾波時，通過移動窗口，將窗口中心位置處的像素灰度值用窗口內(nèi)各像素灰度值的中值代替。例如窗口中像素的灰度值為 80， 91， 200， 110， 120，按從小到大 (或從大到小 )排序后，中值為 110。用 110 代替窗口中心位置處的像素 200。如果 200 是一個噪聲的尖峰，則將被濾掉。如果它是一個信號，則濾波后降低了分辨率。因此，中值濾波在某些情況下抑制噪聲的同時，也會抑制有 武漢理工大學(xué)碩士學(xué)位論文 21 用的信號。 中值濾波很容易擴展到二維情況。二維窗口的形式可以是正方形、近似圓形或十字形。一個二維的 M M 的中值濾波器比用 M 1 和 1 M 的兩個濾波器分別順序進行垂直和水平處理更能 抑制 噪聲，但同時也 抑制了有用的信號。 圖 31 是利用均值平均法和中值濾波法對隨機噪聲圖像和椒鹽噪聲圖像進行平滑處理的結(jié)果。其中均值平均法和中值濾波法都采用的是 3 3 矩形模板計算。中值濾波能夠在抑制隨機噪聲的同時， 不使邊緣模糊。但對于線、尖頂?shù)燃?xì)節(jié)多的圖像不宜采用中值濾波。 (a)隨機噪聲圖像 (b)椒鹽噪聲圖像 (c)隨機噪聲鄰域平均濾波 (d)椒鹽噪聲鄰域平均濾波 武漢理工大學(xué)碩士學(xué)位論文 22 (e)隨機噪聲中值濾波 (f)椒鹽噪聲中值濾波 圖 31 圖像的平滑處理 圖像分割 圖像分割屬于圖像分析中的一個內(nèi)容。圖像分析主要是對圖像中感興趣的目標(biāo)進行檢測、提取和測量，分析的結(jié)果能為用戶提供描述目標(biāo)特征的 根據(jù) 。圖像分析是機器人視覺中的一個重要的組成部分，它主要包括圖像分割、目標(biāo)的表達和描述等內(nèi)容。 從圖像中把景物提取出來的處理過程稱為圖像分割。圖像分割的目的是把圖像劃分成具有一定意義的區(qū)域，把人們對圖像中感興趣的部分或者目標(biāo)從圖像中提取出來作進一步的分析應(yīng)用。圖像分割的通用定義如下。 將一幅離散圖像信號 ),( nmf 進行分割就是將 f 劃分成若干相連的、非空的子區(qū)域 1f 、 2f 、 ? 、 pf ，并且滿足以下某種均一性原則： ① ffipi ??1? ； ② if 是互相連通的； ③ i? 均一性原則 ? ?ifE 都是滿足的； ④對任何兩個相鄰的 if 、 jf 的聯(lián)合體， ? ? ??ji ffE ? 。 圖像分 割出來的區(qū)域需要具有均一性與連通性的特征。均一性是指對某一分割出的區(qū)域內(nèi)的所有像素點都滿足基于灰度、紋理、色彩等特征的某種相似性準(zhǔn)則；連通性是指在該區(qū)域內(nèi)存在連續(xù)任意兩點的路徑，即所含的全部像素彼此鄰接。 圖像分割大致可分為兩類。一類是以區(qū)域為對象進行分割，它根據(jù)圖像的灰度、色彩、圖像的灰度值或色彩變換得到的特征的相似性來劃分圖像空間， 武漢理工大學(xué)碩士學(xué)位論文 23 通過把同一灰度級或相同組織結(jié)構(gòu)的像素通過聚集形成區(qū)域，這類方法將依賴于相似性準(zhǔn)則的選取。另一類是以物體邊界為對象進行分割，一般來說物體的邊界具有復(fù)雜的形狀，從圖像中灰度變化直 接找出物體的邊界比較困難。因此，這類方法首先通過檢測圖像中的局部不連續(xù)性得到圖像的邊緣，把邊界分解成一系列的局部邊緣，再按照一些策略把這些邊緣確定為一定的分割區(qū)域。往往以區(qū)域為對象的分割方法導(dǎo)致圖像的完全分割，而以邊緣為對象的分割導(dǎo)致圖像的不完全分割。不完全分割不能滿足上述定義的全部條件，即物體或者景物的邊界有間斷或者附加有多余的邊緣線，因此，基于邊緣的分割方法一般還需要后繼補償處理來得到圖像的完全分割，這種補償處理的一般方法是輪廓跟蹤、邊緣消除和曲線擬和等方法。這兩類方法從兩個側(cè)面實現(xiàn)對圖像的分割，在實際 應(yīng)用中，不同的圖像可能適用于不同的方法。為了得到更好的分割效果，還可以把二者有機結(jié)合起來，以滿足應(yīng)用需求。 邊緣檢測 邊緣檢測是所有基于邊界的分割方法的第一步。兩個具有不同灰度值的相鄰區(qū)域之間總存在邊緣。從本質(zhì)上來說，圖像邊緣是圖像局部特性小連續(xù)性 (灰度突變、顏色突變、紋理結(jié)構(gòu)突變等 )的反映，它標(biāo)志著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。這種不連續(xù)?？衫们髮?dǎo)數(shù)方便地檢測到，一般常用一階和二階導(dǎo)數(shù)來檢測邊緣。實際上數(shù)字圖像中求導(dǎo)數(shù)是利用差分近似微分來進行的。下面介紹幾種簡單的空域微分算子，它們不僅可 用于檢測 2 維邊緣，也可用于檢測 3 維邊緣。 一、梯度算子 梯度對應(yīng)一階導(dǎo)數(shù)，梯度算子是一階導(dǎo)數(shù)算子。對一個連續(xù)函數(shù) ),( yxf ，它在位置 ? ?yx, 的梯度可表示為一個矢量： ? ? xGyxf [, ?? TyG] ＝ ?????xf Tyf????? (32) 這個矢量的幅度 (也常直接簡稱為梯 度 )和方向角分別為： ? ? ? ? 2122 yx GGfma gf ????? ? ? ? ?xy GGy a r c t a n, ?? (33) 武漢理工大學(xué)碩士學(xué)位論文 24 式 (32)和式 (33)中的偏導(dǎo)數(shù)需對每個像素位置計算，在實際中常用小區(qū)域模板卷積運算進行來近似計算。對 xG 和 yG 各用 1 個模板，所以需要 2 個模板組合起來以構(gòu)成 1 個梯度算子。根據(jù)模板的大小，其中元素 (系數(shù) )值的不同，人們已提出了許多種不同的算子。最簡單的梯度算子是 Robert 交叉算子，它的 2 個 2 2 模板 見圖 32(a)。比較常用的還有 Prewitt 和 Sobel 算子，它們都用 2 個 3 3模板，分別見圖 32(b)和圖 32(c)。其中 Sobel 是效果比較好的一種。算子運算是采取類似卷積的方式，將模板在圖像上移動并在每個位置計算對應(yīng)中心像素的梯度值，所以對一幅灰度圖求梯度所得的結(jié)果是一幅梯度圖。在邊緣灰度值過渡比較尖銳且圖像種噪聲比較小時，梯度算子工作效果比較好。 (a) Roberts 算子 (b)Prewitt 算子 (c)Sobel 算子 圖 32 幾種常用梯度算子的模板 圖 33 是利用 Sobel 算子進行邊緣檢測的結(jié)果圖。其中圖 (a)是原始圖像，圖(b)是用圖 32(c)中水平模板得到的水平梯度圖，它對垂直邊緣有較強的響應(yīng)，圖(c)是用圖 32(c)中垂直模板得到的水平梯度圖，它對水平邊緣有較強的響應(yīng)。 (a) (b) (c) 圖 33 Sobel 算子梯度圖 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 1 1 1 1 2 2 1 1 1 1 1 1 武漢理工大學(xué)碩士學(xué)位論文 25 二、拉普拉斯算子 拉普 拉斯 (Laplacian)算子是一種二階導(dǎo)數(shù)算子，對一個連續(xù)函數(shù) ),( yxf ，它在位置 ),( yx 的拉普拉斯值定義如下： 22222y fx ff ??????? (34) 在數(shù)字圖像中，計算函數(shù)的拉普拉斯值也可借助各種模板實現(xiàn)。這里對模板的基本要求是 對應(yīng)中心像素的系數(shù)應(yīng)是正的，而對應(yīng)中心像素鄰近像素的系數(shù)應(yīng)該是負(fù)的，且它們的和應(yīng)該是零，其模板見圖 34(a)和 (b)。其邊緣檢測實驗結(jié)果 見圖 35，其原始圖像見圖 33(a)。 圖 34 拉普拉斯算子的模板 三、 Canny 邊緣檢測 1986 年 John Canny 提出了邊緣檢測的三條準(zhǔn)則，在此基礎(chǔ)上提出