智能汽车竞赛摄像头处理(3)——动态阈值二值化(大津法)

前言

(1)在上一节中,我们学习了对图像的固定二值化处理,可以将原始图像处理成二值化的黑白图像,这里面的本质就是将原来的二维数组进行了处理,处理后的二维数组里的元素都是0和255两个值。

(2)固定阈值二值化的使用是比赛过程中,每一处地方的二值化阈值都是同一个值,而赛道的不同地方以同一个阈值二值化出来的图像可能不合适,甚至不能正常循迹。

(3)为了适应赛道上的不同环境,很多同学会采用动态二值化,即对于采集到的不同图像,通过算法计算出合适的阈值来进行二值化处理,最后的二值化效果可能会比固定阈值化好一些(因为也有不少同学在比赛中采用固定阈值二值化处理,最后拿到了国奖,所以哪个方法更好,还真不好说,主要根据实际情况看自己的作品)。

(4)毋庸置疑,大津法会增加算法处理,处理时间肯定比固定阈值二值化长。

概念

对于图像处理入门,建议大家可以去看这篇文章

详解-OTUS(大津法-最大类间方差)原理及C语言代码实现-CSDN博客

但是,你不想看也没关系,请继续看我后面的内容,你只需要理解到一个点:大津法就是一个对二维数组处理后会得到一个值的算法,而这个值就是我们二值化要的阈值。想要搞清楚大津法原理,请移步上面的文章进行学习,我这里只进行简要介绍。

大津法

        大津法阈值采用最大类间方差的原理,适合于图像灰度分布整体呈现“双峰”的情况。大津法会自动找出一个阈值,使得分割后的两部分类间方差最大。

        最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出,是一种确定图像二值化分割阈值的算法。算法假设图像像素能够根据全局阈值,被分成背景[background]和目标[objects]两部分。然后,计算该最佳阈值来区分这两类像素,使得两类像素区分度最大。

大津法阈值采用最大类间方差的原理,适合于图像灰度分布整体呈现“双峰”的情况。大津法会自动找出一个阈值,使得分割后的两部分类间方差最大。

特性:

  1. 大津法对噪音十分敏感,在处理之前应对图片进行去噪处理。如果图像有存在局部噪声,则会影响大津法的判断
  2. 当目标与背景的面积比例悬殊的时候,类间方差函数可能呈现双峰或者多峰,这个时候 大津法的效果不好

(1)双峰图像,目标和背景面积差距不大,可以很好的判断,如下:

智能汽车竞赛摄像头处理(3)——动态阈值二值化(大津法)_第1张图片

(2)当图像中的目标与背景的面积相差很大时,灰度直方图没有明显的双峰,或者两个峰的大小相差很大,分割效果不佳:

智能汽车竞赛摄像头处理(3)——动态阈值二值化(大津法)_第2张图片

代码实现

一般大津法代码如下:

(你只需要将我的代码复制粘贴到images.c文件中,把这个函数在cpu1.c中调用即可)

images.c

#include "zf_common_headfile.h"

uint8  mt9v03x_image_BandW[MT9V03X_H][MT9V03X_W];

/*begin  大津法比赛   begin*/
//快速大津法二值化 pixelSum = width * height/4;
//-------------------------------------------------------------------------------------------------------------------
//  @brief      快速大津
//  @return     uint8
//  @since      v1.1
//  Sample usage:   OTSU_Threshold = otsuThreshold(mt9v03x_image_dvp[0]);//大津法阈值
//-------------------------------------------------------------------------------------------------------------------
uint8 otsuThreshold_fast(uint8 *image)   //注意计算阈值的一定要是原图像
{
#define GrayScale 256
    int Pixel_Max=0;
    int Pixel_Min=255;
    uint16 width = MT9V03X_W;   //宽100
    uint16 height = MT9V03X_H;  //高80
    int pixelCount[GrayScale];  //各像素GrayScale的个数pixelCount 一维数组
    float pixelPro[GrayScale];  //各像素GrayScale所占百分比pixelPro 一维数组
    int i, j, pixelSum = width * height/4;  //pixelSum是获取总的图像像素个数的1/4,相应下面轮询时高和宽都是以2为单位自增
    uint8 threshold = 0;
//    uint8 last_threshold = 0;
    uint8* data = image;  //指向像素数据的指针

    //清零
    for (i = 0; i < GrayScale; i++)
    {
        pixelCount[i] = 0;
        pixelPro[i] = 0;
    }

    uint32 gray_sum=0;  //每次执行到这会将gray_sum清零
    //统计灰度级中每个像素在整幅图像中的个数
    for (i = 0; i < height; i+=2)   //高
    {
        for (j = 0; j < width; j+=2)    //宽
        {
            pixelCount[(int)data[i * width + j]]++;  //将当前的点的像素值作为计数数组的下标
            gray_sum+=(int)data[i * width + j];       //灰度值总和
            if(data[i * width + j]>Pixel_Max)   Pixel_Max=data[i * width + j];
            if(data[i * width + j] deltaMax)
        {
            deltaMax = deltaTmp;
            threshold = (uint8)j;
        }
        if (deltaTmp < deltaMax)
        {
            break;
        }

    }

    return threshold;
}
/*end  大津法比赛   end*/

/*begin  大津法学习   begin*/
//------------------摄像头参数--------------//
uint8 image_threshold = 46;  //图像阈值 0~255
uint8 dis_image[60][80];

uint8 otsuThreshold(uint8 *image, uint16 width, uint16 height)
{
    #define GrayScale 256
    int pixelCount[GrayScale] = {0};//每个灰度值所占像素个数
    float pixelPro[GrayScale] = {0};//每个灰度值所占总像素比例
    int i,j;
    int Sumpix = width * height;   //总像素点
    uint8 threshold = 0;
    uint8* data = image;  //指向像素数据的指针


    //统计灰度级中每个像素在整幅图像中的个数
    for (i = 0; i < height; i++)
    {
        for (j = 0; j < width; j++)
        {
            pixelCount[(int)data[i * width + j]]++;  //将像素值作为计数数组的下标
          //   pixelCount[(int)image[i][j]]++;    若不用指针用这个
        }
    }
    float u = 0;
    for (i = 0; i < GrayScale; i++)
    {
        pixelPro[i] = (float)pixelCount[i] / Sumpix;   //计算每个像素在整幅图像中的比例
        u += i * pixelPro[i];  //总平均灰度
    }


    float maxVariance=0.0;  //最大类间方差
    float w0 = 0, avgValue  = 0;  //w0 前景比例 ,avgValue 前景平均灰度
    for(i = 0; i < 256; i++)     //每一次循环都是一次完整类间方差计算 (两个for叠加为1个)
    {
        w0 += pixelPro[i];  //假设当前灰度i为阈值, 0~i 灰度像素所占整幅图像的比例即前景比例
        avgValue  += i * pixelPro[i];

        float variance = pow((avgValue/w0 - u), 2) * w0 /(1 - w0);    //类间方差
        if(variance > maxVariance)
        {
            maxVariance = variance;
            threshold = (uint8)i;
        }
    }
    return threshold;
}

/*end  大津法学习   end*/

//图像二值化
//0 - 255
//黑 - 白
void Set_image_towvalues(uint8 value)
{
    uint8 temp_valude;//暂存灰度值
    for(uint8 i = 0;i < MT9V03X_H;i++)//高
    {
      for(uint8 j = 0;j < MT9V03X_W;j++)//宽
      {
          temp_valude = mt9v03x_image[i][j];
          if(temp_valude < value)
          {
              mt9v03x_image_BandW[i][j] = 0;//黑
          }
          else
          {
              mt9v03x_image_BandW[i][j] = 255;//白
          }
      }

    }
}

images.h

#ifndef CODE_IMAGES_H_
#define CODE_IMAGES_H_

extern uint8  mt9v03x_image_BandW[MT9V03X_H][MT9V03X_W];


void Set_image_towvalues(uint8 value);
uint8 otsuThreshold(uint8 *image, uint16 width, uint16 height);
uint8 otsuThreshold_fast(uint8 *image);
#endif /* CODE_IMAGES_H_ */

但是不优化大津法的代码,图像处理时间较长,所以大家又将“大津法”优化成了“快速大津法”,代码也在上面公布了,照我如下调用即可。

cpu1.c

void core1_main(void)
{
    disable_Watchdog();                     // 关闭看门狗
    interrupt_global_enable(0);             // 打开全局中断
    // 此处编写用户代码 例如外设初始化代码等
    mt9v03x_init();//初始化摄像头

    // 此处编写用户代码 例如外设初始化代码等
    cpu_wait_event_ready();                 // 等待所有核心初始化完毕
    while (TRUE)
    {
        // 此处编写需要循环执行的代码
        TFT180_SHOW();
        if(mt9v03x_finish_flag)     //一幅图像完全采集完毕后,再进行图像的显示判断和显示
        {
            //Set_image_towvalues(150); //固定阈值二值化
            BandW_threshold = otsuThreshold_fast(mt9v03x_image[0]);//大津法得到动态阈值BandW_threshold
            Set_image_towvalues(BandW_threshold); //动态阈值二值化得到二维数组mt9v03x_image_BandW


                tft180_displayimage03x(mt9v03x_image_BandW[0],MT9V03X_W,MT9V03X_H);//显示二值化后的图像

            mt9v03x_finish_flag = 0;//图像显示完成后才对标志位清零
        }

        // 此处编写需要循环执行的代码
    }
}

通过调用大津法处理函数,将原始图像进行动态阈值二值化处理,也是会在显示屏上得到黑白图像,固定阈值二值化和动态阈值二值化处理哪个效果好,还得看实际情况。

你可能感兴趣的:(智能车竞赛摄像头,汽车,计算机视觉,算法)