基于無人機影像的車輛邊緣檢測方法探究

劉劍

（中電建冀交高速公路投資發展有限公司，河北 石家莊 050000）

邊緣是圖像最基本特征之一，邊緣檢測是圖像分析和識別等后續處理工作的基礎，直接影響圖像信息提取結果精度。本文以數字圖像處理中的邊緣檢測與圖像分割方法為理論基礎，基于無人機影像提取車輛邊緣信息，比較分析各種方法的檢測結果，為影像邊緣檢測算子選擇提供參考依據。

一、無人機影像的采集與預處理

（一）影像采集

此次研究采用地面分辨率0.05m無人機影像作為實驗圖像，盡量獲取晴朗無云、無風、自然光照條件好的觀測環境條件下的航拍片，無人機的飛行高度保持在50m～70m，以盡量獲取分辨率高、噪聲小的影像。

（二）影像預處理

無人機影像在獲取過程中，因傳感器、地球本身等方面原因，致使原始圖像上各地物品幾何位置、形狀等特征，與參照系統中表達要求不一致時會產生幾何畸變，為了后續處理獲取高精度結果，無人機影像預處理過程必須校正相機幾何。

獲取相機的各項檢校參數是校正畸變的前提，此參數可由依托建設工程項目部提供，也可以通過建立檢校場標定獲取。獲取參數之后可以根據校正模型校正，具體流程如圖1所示。

二、車輛邊緣檢測

（一）LOG 邊緣檢測算法

圖像邊緣是指像素灰度值發生突變的像元集合，圖像邊緣檢測實質是利用一階梯度算子找出目標與背景分界線，界線包圍的圖形是目標區域。在數字圖像處理理論下，Prewitt、Sobel、Roberts等算子均可用于邊緣檢測，其中LOG算子首先用高斯函數進行濾波，然后用Laplacian算子檢測邊緣。下文以LOG算子為例，結合MATLAB下的源程序介紹數字圖像邊緣檢測的主要步驟。

圖1 畸變校正流程

圖2 LOG算子

（二）數學形態學方法

數學形態學是語言集合論，其基本運算包括腐蝕、膨脹、開啟、閉合運算等。腐蝕屬于數學形態學的基本運算之一，可用于縮小物體邊界范圍。用公式（1）定義區域A被區域B的腐蝕：

膨脹為腐蝕對偶運算，定義為結構元素B中心平移至a得到Ba,若Ba擊中A，記下點a，以上結果則為A被B膨脹所得，可表示為。

開啟是使用一個結構元素先腐蝕圖像，然后利用該結構元素對腐蝕結果進行膨脹。A用B開啟記作，用定義。與開啟相反，閉合是先對圖像進行膨脹運算，然后腐蝕其結果。A用B閉合記作定義。

數學形態學方法提取車輛邊緣信息的基本思想是，讀入待處理的圖像后，首先將其轉換為灰度圖像，然后通過腐蝕、膨脹、去噪、取反等運算得到邊緣檢測結果。以下對主要程序代碼作出解釋為：

%膨脹運算C=imdilate(B,sa);

%腐蝕運算G=imerode(F,sc);

%圖像相減H=imsubtract(F,G);

%圖像取反J=imcomplement(I)。

（三）基于多尺度形態學梯度的邊緣檢測

形態學邊緣檢測利用梯度算子尋找圖像邊緣，結合腐蝕、膨脹算法提取圖像輪廓信息。近年來，研究學者在單尺度形態學理論基礎上，提出多尺度形態學梯度算子，即創建多個不同大小結構元素分別提取圖像邊緣，大尺度較小尺度結構元素去除噪聲能力稍強，但檢測到邊緣較粗，小尺度可以更好地檢測到邊緣。然后對不同結構元素的提取結果求平均值，該方法可以有效地提取出邊緣，且優于經典的邊緣檢測算子。多尺度形態學梯度定義為：

式中Bi為結構元素，大小為(2i+1)*(2i+1)的正方形。

采用灰度形態學膨脹和腐蝕，對圖像進行多尺度形態學邊緣檢測的部分MATLAB源程序，如圖3所示。

圖3 部分MATLAB源程序

式中：s=strel(‘shape’,n)函數創建有指定形狀shape對應的結構元素，其中shape的種類有正方形(square)、直線(line)等，n一般控制se的大小。

（四）基于閾值的圖像分割

基于閾值圖像分割方法是獲取目標與背景區域在灰度上的差異，通過一個或是幾個閾值將圖像分割成不同集合，其中包括目標區域。如果對整幅圖像所有像元均使用一個閾值，則稱該方法為全局閾值法；如果是按分割的局域性不同而選擇相對應的閾值，該方法稱為局部閾值法。

1.全局閾值法

（1）基于灰度直方圖的閾值分割。求取圖像分割最佳閾值方法較多，依據直方圖性質便是常用的確定給定圖像最佳閾值方法之一。圖像分割前先求出其直方圖，然后選擇適當閾值，對灰度值在閾值范圍內的像元，其修正后灰度值賦1，其他像元的灰度值賦0，根據分割后的結果反復調整閾值直至獲得最佳分割圖像。核心源程序如圖4所示，

圖4 基于灰度直方圖的分割法

如圖4所示，是通過設定閾值范圍分割，還有一種是利用單閾值進行圖像分割，即根據圖像直方圖性質合理選擇初始閾值，灰度值小于或大于閾值像元，其修正后灰度值賦1，其他像元灰度值賦0，同樣需要根據分割結果反復調整閾值，直到得出最佳邊緣檢測效果為止。

圖5 基于灰度值方圖閾值分割程序

基于灰度直方圖閾值分割原理較簡單，只需要把閾值范圍內像元灰度值設置為1，其余像元灰度值設置為0，得到的結果便是分割后的圖像。

（2）迭代閾值分割。迭代閾值分割首先選擇介于整幅圖像灰度范圍之內的一個數作為初始閾值，然后根據圖像的分割效果不斷改進，直到效果最佳為止。具體步驟如下：

第一步，選擇待處理圖像的灰度中值作為初始域值。

第二步，利用選定的閾值將圖像分為兩個部分，并根據式（2）分別計算兩部分的灰度均值。

圖6 迭代閾值分割程序

相較于灰度直方圖閾值分割法，迭代閾值分割通過逐步逼近，得到最佳閾值，分割后的車輛輪廓更為明顯，且噪聲更小。

（3）最大類間方差閾值分割法。最大類間方差閾值分割以最小二乘法為理論基礎，是一種自適應的閾值確定方法，同樣是以某一介于整幅圖像灰度值之間的值作為閾值，將圖像分成兩部分并分別計算兩部分方差，使用此方法反復實驗，兩組方差越大，說明兩部分差別越大，錯分概率越小，當方差為最大時，選擇該閾值分割圖像。整個運算過程中有以下兩個主要步驟如圖7所示。

圖7 最大類間方差閾值分割程序

2.局部閾值法

當圖像中含有陰影或各處的光照強度不同等情況時，只使用一個閾值分割圖像會因為難以兼顧圖像的各個部分導致圖像分割效果較差，此時可根據圖像各部分特點，即局部特性分別選擇閾值進行圖像處理，該法稱為局部閾值法。該法優點為檢測結果完整，缺點是空間復雜度較大。局部閾值法提取邊緣主要環節是進行均值濾波與中值濾波：

圖8 均值濾波和中值濾波程序

三、實驗結果與討論

在實驗中，采用畸變校正后的圖像，利用上述方法進行車輛邊緣提取后可以看出數學形態學方法的檢測結果存在偽邊緣，圖像邊緣的間斷點較多，定位精度較低；LOG邊緣檢測算法采用高斯函數平滑處理圖像，對噪聲有抑制作用，但同時平滑了高頻部分，導致邊緣不連續。

基于多尺度形態學梯度邊緣檢測方法的提取結果具有蠟質感，圖像較為模糊，在增大信息檢測量的同時卻引入了大量的無關信息；局部閾值法邊緣檢測結果的定位比較準確，但是對噪聲的抑制作用較弱，存在很多假邊緣。

基于區域的全局閾值方法對灰度較為敏感，難以準確把握灰度值范圍，由于陰影對車輛的遮蔽作用導致車輛亮度較低，可能會把車輛誤分入背景區域；基于點的全局閾值方法分割效果明顯優于前者，可以清晰地將車輛與背景分開，但是仍帶有其他邊緣。迭代閾值分割與最大類間方差閾值分割的結果非常接近，與前幾種方法相比效果更佳，可以將車輛的詳細邊緣信息較完整的顯示在處理后圖像中，但是不可避免地帶有陰影等信息。此外，選擇不同的閾值其處理結果也不同，增大或減小閾值得到更完整車輛輪廓信息的同時，也會引入更多的噪聲，使得邊緣完整性與噪聲量難以兼顧，因此在實際操作中應該根據圖像信息，合理選擇相應的邊緣提取方法并恰當設置閾值，以求獲得最佳的車輛邊緣檢測效果。

四、結語

圖像邊緣提取在圖像處理中有著舉足輕重的作用。本文基于數學形態學方法、圖像分割等理論檢測車輛邊緣，有效地提取出圖像的邊緣信息，定位準確，具有較好的實時性。但是引起圖像噪聲的因素多種多樣，本文所使用的除噪方法僅考慮了最主要的產生原因，因此處理后的圖像還帶有背景部分的邊緣信息，產生偽邊緣，降低了檢測定位精度。在今后的研究中，可以將幾種方法結合起來，或者引入新的理論方法，利用多重條件限制提取車輛邊緣信息，以獲取信息完整、噪聲小的邊緣檢測圖像。