野外环境下图像中坑区域的提取方法.docVIP

野外环境下图像中坑区域的提取方法 摘要：在野外环境中有很多坑区域，这对野外工作机器人的移动带来了困难，因此引入视觉方法来实现对坑的检测。首先根据工程要求去除掉一部分不满足大小的疑似区域，再利用坑区域边缘梯度去除掉一部分疑似区域，之后计算与椭圆相似度来确定灰度分割阈值，并通过分析坑与椭圆相似度曲线来确定相似度阈值，以从疑似区域中分离出坑区域。经过使用200幅不同角度、场景和坑数量的图像进行测试，结果表明该方法能够在复杂野外环境下很好地提取出坑区域，对坑轮廓的规整度不敏感，能够适应复杂的环境，是一种有效的方法。 关键词：坑区域；阈值分割；直方图；梯度；椭圆相似度 中图分类号：TP751.1 文献标志码：A 0引言 野外环境中经常有很多坑区域，这对野外工作的机器设备的移动带来很大的不便。通常用到的红外、激光扫描方法对平整地面和凸起物有较好的检测效果，但对地面凹陷区域尤其是坑的检测效果很不理想，所以引入视觉方法来实现对坑的检测。野外环境通常非常复杂，坑的特征很难提取，考虑到野外自然坑通常与圆形很接近，边缘梯度变化也有一定规律，所以本文利用这一特性进行深入分析来实现坑区域的提取。 图像分割方法主要分为三类[1]：阈值分割、区域分割和边缘分割。由于区域分割通常涉及到区域生长算法、边缘分割涉及到边缘提取算法，所以区域分割和边缘分割在运行时间上要长于阈值分割并且算法复杂[2]，因此本文所使用的算法是基于阈值分割的。经典的阈值分割算法有大津法和最大熵阈值分割法等。大津法[3-5]又叫Otsu算法[4-5]、最大类间方差法，由日本学者大津于1979年提出，的基本原理是用最佳阈值将图像的灰度直方图分割成两部分，使两部分的方差取得最大值。熵是信息论中事件出现不确定性的量度，能有效地反映事件包含的信息，熵大的地方，图像灰度相对均匀，熵小的地方，灰度离散型较大，所以最大熵分割法[6]利用熵的原理，根据图像的最大化熵把灰度相对均匀的目标分割出来。 然而上述这些方法都是建立在使待分割的两部分灰度差异最大的思路上进行的，并不是针对某一特征物，比如本文的特征物是指近似椭圆形的坑区域，所以对具有这种特征的区域物体的分割效果并不理想。野外环境下的自然坑近似于圆，通常对图像中圆的确定算法有霍夫变换法和几何特征提取法等[7-8]，但这些方法对圆边缘规整性要求较高，野外环境坑的边缘很难达到这样的高规整性。为此，本文提出一种计算椭圆相似度的方法，该方法对圆边缘规整性要求不敏感，并通过计算椭圆相似度的方法来确定图像最后的分割阈值，这便将阈值分割和图像中椭圆形特征物联系了起来，再结合工程要求、坑边缘梯度变化规律和进一步研究椭圆相似性曲线来排除掉非坑区域。 1图像预处理 由摄像机捕获到的图像是彩色图像，如果直接使用会使计算量成倍增加，所以前期应作一些处理。首先要把彩色图像变为灰度图；其次因为野外环境中细小物很多，会产生很多图像干扰，基于中值滤波对颗粒干扰的良好滤波特性，使用中值滤波来进行过滤；最后对图像进行闭运算，主要是填充闭合区域中中空的部分。部分原始图像和预处理后的图像如图1所示。本文所有程序均在Matlab软件上实现，图像分辨率为280×220。 4实验结果 一幅图片各步骤进行的结果如图10所示。 对100幅含有坑图像进行实际测试，使用软件Matlab，图像的分辨率为280×220，使用图像情况如表2所示。检测结果：图像检测成功率为91%，完全检测成功率为80%。检测成功率表示图像中坑虽然可以被检测出来，但是存在着如果图像中有多个坑时仍会有部分坑不能被检测出来的情况；完全检测成功率表示图像中所有坑区域均可以被检测出来。20幅成功提取出坑区域图像的实景测试结果如图11所示，并给出20幅图像的具体测试数据如表3；给出两幅提取失败的结果，如图12所示。 另使用100幅不含有坑的野外环境图像对算法进行测试，得到虚警率为14%。 从实验结果可知，图11中最后一幅图中会存在另一个坑没有检测出来的情况（图中用圆角型框标注），主要是因为阳光射进了坑内，破坏了坑的完整性，所以无法正确检测出来，坑检测丢失的原因也多来源于此。这种情况的单幅图像坑的识别很难完成，因为单幅图像中原始坑的像素完全被破坏掉了，坑特征完全丧失，坑因此也变成了背景，这种情况还需要后序双目视觉才能加以解决。图像的检测率与虚警率是一对矛盾关系，都与相似度阈值的取值有关（本文取值为10），此值来源于对大量图片处理的数据经验，相似度阈值取得高，则虚警率会降低，但是坑的检测率会也会降低；反之，二者都会提高，具体应如何调整此阈值还要根据具体的要求来确定。 综合考虑本文算法，在去除极端情况下的单个坑情况，在多个坑、拍摄角度较高、拍摄角度较低、沙土地、草地、树木较多的情况下都有很好的检测效果，说明了这种方法的可行性。 5结语 本文提出一种