實(shí)驗(yàn)內(nèi)容：針對(duì)給定的視頻，利用圖像處理基本方法實(shí)現(xiàn)道路路沿的檢測(cè)；

提示：可利用Hough變換進(jìn)行線檢測(cè)，融合路沿的結(jié)構(gòu)信息實(shí)現(xiàn)路沿邊界定位（圖中紅色的點(diǎn)位置）。

處理視頻文件

處理視頻文件的主要流程如下：

讀取視頻→逐幀提取→路沿檢測(cè)→逐幀保存→輸出視頻

用python的OpenCV實(shí)現(xiàn)視頻文件的處理，用videoCapture打開視頻文件，讀取每一幀進(jìn)行處理，然后用videoWriter保存成視頻。

路沿檢測(cè)

路沿檢測(cè)的流程如下：

圖像預(yù)處理→邊緣檢測(cè)→Hough變換

圖像預(yù)處理

灰度化

從視頻中取出的每一幀是彩色圖像，我們可以先將它變成灰度圖像，即將圖像中的每個(gè)像素的RGB值（紅、綠、藍(lán)）轉(zhuǎn)換為一個(gè)單一的灰度值。

image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

灰度圖像只包含亮度信息，如圖1所示，而不包含顏色信息。這樣可以簡(jiǎn)化圖像，提高處理速度，突出圖像的結(jié)構(gòu)，減少噪聲干擾。

圖1

均衡化

我們?cè)賹D像均衡化，python代碼如下。

image = cv2.equalizeHist(image)

圖像均衡化可以提高圖像的對(duì)比度，如圖2所示，突出圖像的細(xì)節(jié)輪廓與邊緣。

?

圖2

二值化

將灰度圖轉(zhuǎn)換為只有黑白兩種顏色的圖像，python代碼如下。

image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

圖像二值化可以簡(jiǎn)化圖像信息，突出物體的輪廓，如圖3所示。

圖3

邊緣檢測(cè)

Canny邊緣檢測(cè)

Canny 邊緣檢測(cè)算法是John F.Canny于1986年開發(fā)出來(lái)的一個(gè)多級(jí)邊緣檢測(cè)算法，也被很多人認(rèn)為是邊緣檢測(cè)的最優(yōu)算法, 最優(yōu)邊緣檢測(cè)的三個(gè)主要評(píng)價(jià)標(biāo)準(zhǔn)是:

低錯(cuò)誤率: 標(biāo)識(shí)出盡可能多的實(shí)際邊緣，同時(shí)盡可能的減少噪聲產(chǎn)生的誤報(bào)。

高定位性: 標(biāo)識(shí)出的邊緣要與圖像中的實(shí)際邊緣盡可能接近。

最小響應(yīng): 圖像中的邊緣只能標(biāo)識(shí)一次。

Canny邊緣檢測(cè)算法步驟如下：

高斯濾波去噪→計(jì)算梯度幅值和方向→非極大值抑制→雙閾值處理

高斯濾波器去除噪聲

使用高斯濾波器對(duì)圖像進(jìn)行平滑處理，以減少噪聲的影響。

計(jì)算梯度幅值和方向

按照Sobel算子，運(yùn)用一對(duì)卷積陣列 (分別作用于 x 和 y 方向):

使用下列公式計(jì)算梯度幅值和方向:

梯度方向近似到四個(gè)可能角度之一(一般 0, 45, 90, 135)。

非極大值抑制

沿邊緣垂直方向?qū)ふ姨荻茸畲笾?，排除非邊緣像素?僅僅保留了一些細(xì)線條(候選邊緣)。

雙閾值處理

如果某一像素位置的幅值超過(guò)高閾值, 該像素被保留為邊緣像素。

如果某一像素位置的幅值小于低閾值, 該像素被排除。

如果某一像素位置的幅值在兩個(gè)閾值之間,該像素僅僅在連接到一個(gè)高于高閾值的像素時(shí)被保留。

在python中使用canny對(duì)圖像進(jìn)行邊緣檢測(cè)，高閾值為175，低閾值為75。

image = cv2.Canny(image, 75, 175)

效果如圖4所示，可見(jiàn)canny算法可以有效的提取圖像的邊緣信息。

圖4

但是canny檢測(cè)出來(lái)的邊緣中噪聲比較多，我們?cè)偈褂酶咚篂V波器模糊一下圖像，在python中使用5×5的高斯濾波器模糊圖像。

image = cv2.GaussianBlur(image, (5, 5), 0)

效果如圖5所示，可見(jiàn)高斯濾波器模糊成功地去掉了一些噪聲。

圖5

Hough變換

Hough變換是一種用于檢測(cè)圖像中幾何形狀的技術(shù)，將圖像由圖像空間變換為參數(shù)空間。它最初是由保羅·霍夫（Paul Hough）在1962年提出的，用于在圖像中檢測(cè)直線。后來(lái)，這個(gè)方法被擴(kuò)展到檢測(cè)其他幾何形狀，如圓和橢圓。

一條直線在圖像二維空間可由兩個(gè)變量表示，在笛卡爾坐標(biāo)系中直線可由參數(shù)斜率k和截距b表示y=kx+b，在極坐標(biāo)系中可由參數(shù)極徑r和極角θ表示。

對(duì)于霍夫變換, 我們將用極坐標(biāo)系來(lái)表示直線，因此直線的表達(dá)式可為：

圖像空間中的一條線對(duì)應(yīng)Hough空間中的一個(gè)點(diǎn)。

圖像空間中的一個(gè)點(diǎn)對(duì)應(yīng)Hough空間中的一條線。

Hough變換的基本思想是將圖像中的像素點(diǎn)映射到參數(shù)空間中，并通過(guò)在參數(shù)空間中尋找峰值來(lái)檢測(cè)幾何形狀。對(duì)于直線檢測(cè)，參數(shù)空間通常是極坐標(biāo)空間，其中每個(gè)像素點(diǎn)在參數(shù)空間中對(duì)應(yīng)一條直線。通過(guò)遍歷圖像中的像素點(diǎn)，可以累加參數(shù)空間中相應(yīng)的位置，從而構(gòu)建一個(gè)累加器數(shù)組。然后，在累加器數(shù)組中找到峰值，這些峰值對(duì)應(yīng)于圖像中存在的直線。

Hough變換步驟：

離散化θ，θ=-45,0,45,90度。

按照點(diǎn)的坐標(biāo)（x，y）和每個(gè)角度θ求極半徑r：

統(tǒng)計(jì)（r，θ）出現(xiàn)的次數(shù)

最大次數(shù)3出現(xiàn)在（2，0°）和（3，90°），則對(duì)應(yīng)的圖像空間的線為x=2和y=3。

Hough變換的優(yōu)點(diǎn)是它對(duì)于噪聲和圖像變形具有一定的魯棒性。它可以檢測(cè)到不完整的、部分可見(jiàn)的或被噪聲干擾的幾何形狀。因此，Hough變換在計(jì)算機(jī)視覺(jué)領(lǐng)域中廣泛應(yīng)用于圖像分析、目標(biāo)檢測(cè)和特征提取等任務(wù)。

標(biāo)準(zhǔn)霍夫線變換

提供一組參數(shù)對(duì) (θ, rθ) 的集合來(lái)表示檢測(cè)到的直線，在OpenCV 中通過(guò)函數(shù) HoughLines來(lái)實(shí)現(xiàn)。

lines = cv2.HoughLines(edge, 1, np.pi / 180, 220)

統(tǒng)計(jì)概率霍夫線變換

這是執(zhí)行起來(lái)效率更高的霍夫線變換. 它輸出檢測(cè)到的直線的端點(diǎn) (x0, y0, x1, y1)。在OpenCV 中它通過(guò)函數(shù) HoughLinesP來(lái)實(shí)現(xiàn)。

lines = cv2.HoughLinesP(edge, 1, np.pi / 180, 100, minLineLength=50, maxLineGap=1)

Hough線變換應(yīng)用路沿檢測(cè)

本次我們采用標(biāo)準(zhǔn)Hough線變換來(lái)檢測(cè)路沿，經(jīng)過(guò)多次測(cè)試和調(diào)參，我們最后采用高斯模糊進(jìn)行圖像預(yù)處理，然后使用canny進(jìn)行邊緣提取，最后使用Hough線變換繪制直線。

def detect(image):

??? gauss = cv2.GaussianBlur(image, (5, 5), 0)

??? edge = cv2.Canny(gauss, 75, 175)

??? # 進(jìn)行Hough直線變換

??? lines = cv2.HoughLines(edge, 1, np.pi / 180, 220)

視頻檢測(cè)效果

第一個(gè)視頻是一個(gè)靜止不動(dòng)的路沿，檢測(cè)效果如圖6所示。

圖6

第二個(gè)視頻中，路沿開始變化起來(lái)，檢測(cè)效果如圖7所示。

第三個(gè)視頻中出現(xiàn)了轉(zhuǎn)彎，檢測(cè)效果如圖8所示，因?yàn)槲覀冎蛔隽司€變化，因此對(duì)于路沿彎曲的部分只能畫出直線部分。

圖8

代碼文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-753825.html

import cv2
import numpy as np


def detect(image):
    gauss = cv2.GaussianBlur(image, (5, 5), 0)
    edge = cv2.Canny(gauss, 75, 175)
    # 進(jìn)行Hough直線變換
    lines = cv2.HoughLines(edge, 1, np.pi / 180, 220)
    # 繪制檢測(cè)到的直線
    if lines is not None:
        for rho, theta in lines[:, 0, :]:
            if theta < 2:
                continue
            a = np.cos(theta)
            b = np.sin(theta)
            x0 = a * rho
            y0 = b * rho
            x1 = int(x0 - 350 * (-b))
            y1 = int(y0 - 350 * a)
            x2 = int(x0 - 700 * (-b))
            y2 = int(y0 - 700 * a)
            cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 4)
    return image


video = cv2.VideoCapture('Task2/03.avi')  # 打開視頻文件
# 獲取視頻的寬度和高度以及幀率信息
width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = video.get(cv2.CAP_PROP_FPS)
# 創(chuàng)建VideoWriter對(duì)象，用于保存處理后的視頻
videoWriter = cv2.VideoWriter('Task2/video3.mp4', cv2.VideoWriter_fourcc(*'mp4v'), fps, (width, height))
while True:
    have, frame = video.read()  # 讀取當(dāng)前幀
    if have:
        frame = detect(frame)  # 在這里對(duì)每一幀進(jìn)行處理
        videoWriter.write(frame)  # 將處理后的幀寫入輸出視頻文件
    else:
        break
video.release()  # 釋放資源
videoWriter.release()

到了這里，關(guān)于【計(jì)算機(jī)視覺(jué)】【圖像處理綜合應(yīng)用】路沿檢測(cè)的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！