最新环境感知技术(基于无人驾驶汽车技术)教程.ppt

最大类间方差图像分割效果图 原始图像 c. 最大熵法： 熵是信息能量的一种度量形式。对于图像而言，其熵值可 以体现灰度分布状态。最大熵图像分割方法主要是通过计算 包含灰度信息的最大熵值，标记所对应的灰度值，将之作为 图像分割的最佳全局阈值。对于给定的图像，设 T 为分割阈 值，则目标和背景的灰度分布概率为： 则目标区域和背景区域的一维熵分别可用下式定义： 整幅图像的一维熵定义为： 使得 最大时的 T 值 ，就是根据一维熵最大化原理求 取得到的全局分割阈值。基于熵最大化原理的图像分割算法 的根本出发点是使图像中目标和背景分布的信息量最大。采 用该方法不需要先验知识，对于非理想双峰直方图图像也可 以进行有效分割。 T 原始图像 最大熵图像分割效果图 d. Fisher准则法： 在模式识别理论中， Fisher 评价函数是类别分离程度的 良好判据，因此可以考虑将 Fisher 评价函数引入到图像分 割中。 Fisher 准则函数的基本数学表达式如下： 上式表述的基本含义是：对于两类物体，如果表征其物 理特征的参数均值差越大，但其各自的方差都很小时，所 定义的 Fisher 准则函数J(Y)有最大值 。对于图像分割而言，我们可以按照不同灰度等级人为将图像分割成目标和背景 两类子图像，分别计算子图像的灰度均值和方差，并进而 按上式求取准则函数值。当计算遍历了所规定的各灰度级后，使得该函数值最大的那个灰度级值即可作为最佳全局 分割阈值。具体计算公式如下： 原始图像 最大熵图像分割效果图 5. 形态学处理: 形态学用集合论方法定量描述几何结构，最基本的形态学 运算有：膨胀、腐蚀、开运算、闭运算。膨胀和腐蚀运算常 被应用于分割后图像的进一步处理，以便为下一步目标的特 征和识别创造更为有利的条件。 图像膨胀：膨胀运算就是将目标周 围背景点合并 到自身 中。如果两个目标物体之间距离比较近，那么膨胀可能会使 这两个物体连通在一起。膨胀对填补图像分割后边缘的不连 续和物体中的空穴有很好的效果。其具体运算过程为：假设 有一个图像结构元素 S 中共包括三个点，即S1(0,0)、S2(1,0)、S3 (0,1) ，如下图所示。对已有图像X作膨胀运算的实质是将 X中的每一个点扩大为S[x]。下图显示出 X 被 S1、S2和S3平 移结果 ，其中X[S1]和X重合 ，X[S2] 相当于X向右平移一个 单位，X[S3] 相当于X向上平移一个单位。将 X[S1] 、X[S2]、X[S3] “重叠合并” 在一起可得到一幅新的图像 ，该过程就是 X 被 S 膨胀的过程。 膨胀前图像 膨胀后图像 膨胀后图像中物体的轮廓和噪声被放大，有时影响目标识别定位，这时可进行形态学腐蚀处理。腐蚀可以把小于结构元素的物体去除，这样选取不同大小的结构元素，就可以去掉不同大小的物体。如果两个物体之间有细小的连通，那么当结构元素足够大时，腐蚀运算可以将两个物体分开。和膨胀运算相反，腐蚀可看作是将图像 X 中每一个与结构元素S全等的子集S[x]收缩为点x。 腐蚀前图像 腐蚀后图像 三、特征提取-Feature extraction 为了实现对视觉图像中的目标进行有效、准确识别，通常 需要对目标典型特征进行提取，以便为目标的识别提供必要 依据。就特征提取而言，首先是要确定目标具有何种典型图 像信息特征，这通常基于先验知识，另外就是采用何种方法 能够获取相应的典型特征。 1. 特征类别（Feature types） 各种物体间存在差异且能过被识别区分，主要是它们具有 各自不同的典型特征。对于智能车辆环境感知需要识别的物 体，通常形状、面积、体积、颜色、运动状态、对称性、表 面粗糙度、声光反射性、穿透性等常是被提取的典型特征。 (b) (b) 形状特征：物体的形状通常可由其边缘进行描绘。对于变形不大的两维图像，物体主体边缘可能具有线形、弧形、矩形、圆形、梯形、三角形等各种不同特征。 车道线直线特征 马路边缘直线特征 车辆后部边缘直线特征 车辆尾部矩形特征 汽车车牌矩形特征 石块矩形特征 弯道线曲线特征 土路边界曲线特征 土坑边界曲线特征 标示牌圆形特征 汽车尾灯圆形特征 人脸椭圆形特征 尾灯车牌对称性 车辆尾部边缘对称性 脸部器官对称性 对称特征：有些物体具有对称性特征，这种对称性可能表现形式不同，但可作为对目标进行识别的一种有效手段。 p pl pr