基于无人机影像的车辆边缘检测方法探究

刘剑

（中电建冀交高速公路投资发展有限公司，河北 石家庄 050000）

边缘是图像最基本特征之一，边缘检测是图像分析和识别等后续处理工作的基础，直接影响图像信息提取结果精度。本文以数字图像处理中的边缘检测与图像分割方法为理论基础，基于无人机影像提取车辆边缘信息，比较分析各种方法的检测结果，为影像边缘检测算子选择提供参考依据。

一、无人机影像的采集与预处理

（一）影像采集

此次研究采用地面分辨率0.05m无人机影像作为实验图像，尽量获取晴朗无云、无风、自然光照条件好的观测环境条件下的航拍片，无人机的飞行高度保持在50m～70m，以尽量获取分辨率高、噪声小的影像。

（二）影像预处理

无人机影像在获取过程中，因传感器、地球本身等方面原因，致使原始图像上各地物品几何位置、形状等特征，与参照系统中表达要求不一致时会产生几何畸变，为了后续处理获取高精度结果，无人机影像预处理过程必须校正相机几何。

获取相机的各项检校参数是校正畸变的前提，此参数可由依托建设工程项目部提供，也可以通过建立检校场标定获取。获取参数之后可以根据校正模型校正，具体流程如图1所示。

二、车辆边缘检测

（一）LOG 边缘检测算法

图像边缘是指像素灰度值发生突变的像元集合，图像边缘检测实质是利用一阶梯度算子找出目标与背景分界线，界线包围的图形是目标区域。在数字图像处理理论下，Prewitt、Sobel、Roberts等算子均可用于边缘检测，其中LOG算子首先用高斯函数进行滤波，然后用Laplacian算子检测边缘。下文以LOG算子为例，结合MATLAB下的源程序介绍数字图像边缘检测的主要步骤。

图1 畸变校正流程

图2 LOG算子

（二）数学形态学方法

数学形态学是语言集合论，其基本运算包括腐蚀、膨胀、开启、闭合运算等。腐蚀属于数学形态学的基本运算之一，可用于缩小物体边界范围。用公式（1）定义区域A被区域B的腐蚀：

膨胀为腐蚀对偶运算，定义为结构元素B中心平移至a得到Ba,若Ba击中A，记下点a，以上结果则为A被B膨胀所得，可表示为。

开启是使用一个结构元素先腐蚀图像，然后利用该结构元素对腐蚀结果进行膨胀。A用B开启记作，用定义。与开启相反，闭合是先对图像进行膨胀运算，然后腐蚀其结果。A用B闭合记作定义。

数学形态学方法提取车辆边缘信息的基本思想是，读入待处理的图像后，首先将其转换为灰度图像，然后通过腐蚀、膨胀、去噪、取反等运算得到边缘检测结果。以下对主要程序代码作出解释为：

%膨胀运算C=imdilate(B,sa);

%腐蚀运算G=imerode(F,sc);

%图像相减H=imsubtract(F,G);

%图像取反J=imcomplement(I)。

（三）基于多尺度形态学梯度的边缘检测

形态学边缘检测利用梯度算子寻找图像边缘，结合腐蚀、膨胀算法提取图像轮廓信息。近年来，研究学者在单尺度形态学理论基础上，提出多尺度形态学梯度算子，即创建多个不同大小结构元素分别提取图像边缘，大尺度较小尺度结构元素去除噪声能力稍强，但检测到边缘较粗，小尺度可以更好地检测到边缘。然后对不同结构元素的提取结果求平均值，该方法可以有效地提取出边缘，且优于经典的边缘检测算子。多尺度形态学梯度定义为：

式中Bi为结构元素，大小为(2i+1)*(2i+1)的正方形。

采用灰度形态学膨胀和腐蚀，对图像进行多尺度形态学边缘检测的部分MATLAB源程序，如图3所示。

图3 部分MATLAB源程序

式中：s=strel(‘shape’,n)函数创建有指定形状shape对应的结构元素，其中shape的种类有正方形(square)、直线(line)等，n一般控制se的大小。

（四）基于阈值的图像分割

基于阈值图像分割方法是获取目标与背景区域在灰度上的差异，通过一个或是几个阈值将图像分割成不同集合，其中包括目标区域。如果对整幅图像所有像元均使用一个阈值，则称该方法为全局阈值法；如果是按分割的局域性不同而选择相对应的阈值，该方法称为局部阈值法。

1.全局阈值法

（1）基于灰度直方图的阈值分割。求取图像分割最佳阈值方法较多，依据直方图性质便是常用的确定给定图像最佳阈值方法之一。图像分割前先求出其直方图，然后选择适当阈值，对灰度值在阈值范围内的像元，其修正后灰度值赋1，其他像元的灰度值赋0，根据分割后的结果反复调整阈值直至获得最佳分割图像。核心源程序如图4所示，

图4 基于灰度直方图的分割法

如图4所示，是通过设定阈值范围分割，还有一种是利用单阈值进行图像分割，即根据图像直方图性质合理选择初始阈值，灰度值小于或大于阈值像元，其修正后灰度值赋1，其他像元灰度值赋0，同样需要根据分割结果反复调整阈值，直到得出最佳边缘检测效果为止。

图5 基于灰度值方图阈值分割程序

基于灰度直方图阈值分割原理较简单，只需要把阈值范围内像元灰度值设置为1，其余像元灰度值设置为0，得到的结果便是分割后的图像。

（2）迭代阈值分割。迭代阈值分割首先选择介于整幅图像灰度范围之内的一个数作为初始阈值，然后根据图像的分割效果不断改进，直到效果最佳为止。具体步骤如下：

第一步，选择待处理图像的灰度中值作为初始域值。

第二步，利用选定的阈值将图像分为两个部分，并根据式（2）分别计算两部分的灰度均值。

图6 迭代阈值分割程序

相较于灰度直方图阈值分割法，迭代阈值分割通过逐步逼近，得到最佳阈值，分割后的车辆轮廓更为明显，且噪声更小。

（3）最大类间方差阈值分割法。最大类间方差阈值分割以最小二乘法为理论基础，是一种自适应的阈值确定方法，同样是以某一介于整幅图像灰度值之间的值作为阈值，将图像分成两部分并分别计算两部分方差，使用此方法反复实验，两组方差越大，说明两部分差别越大，错分概率越小，当方差为最大时，选择该阈值分割图像。整个运算过程中有以下两个主要步骤如图7所示。

图7 最大类间方差阈值分割程序

2.局部阈值法

当图像中含有阴影或各处的光照强度不同等情况时，只使用一个阈值分割图像会因为难以兼顾图像的各个部分导致图像分割效果较差，此时可根据图像各部分特点，即局部特性分别选择阈值进行图像处理，该法称为局部阈值法。该法优点为检测结果完整，缺点是空间复杂度较大。局部阈值法提取边缘主要环节是进行均值滤波与中值滤波：

图8 均值滤波和中值滤波程序

三、实验结果与讨论

在实验中，采用畸变校正后的图像，利用上述方法进行车辆边缘提取后可以看出数学形态学方法的检测结果存在伪边缘，图像边缘的间断点较多，定位精度较低；LOG边缘检测算法采用高斯函数平滑处理图像，对噪声有抑制作用，但同时平滑了高频部分，导致边缘不连续。

基于多尺度形态学梯度边缘检测方法的提取结果具有蜡质感，图像较为模糊，在增大信息检测量的同时却引入了大量的无关信息；局部阈值法边缘检测结果的定位比较准确，但是对噪声的抑制作用较弱，存在很多假边缘。

基于区域的全局阈值方法对灰度较为敏感，难以准确把握灰度值范围，由于阴影对车辆的遮蔽作用导致车辆亮度较低，可能会把车辆误分入背景区域；基于点的全局阈值方法分割效果明显优于前者，可以清晰地将车辆与背景分开，但是仍带有其他边缘。迭代阈值分割与最大类间方差阈值分割的结果非常接近，与前几种方法相比效果更佳，可以将车辆的详细边缘信息较完整的显示在处理后图像中，但是不可避免地带有阴影等信息。此外，选择不同的阈值其处理结果也不同，增大或减小阈值得到更完整车辆轮廓信息的同时，也会引入更多的噪声，使得边缘完整性与噪声量难以兼顾，因此在实际操作中应该根据图像信息，合理选择相应的边缘提取方法并恰当设置阈值，以求获得最佳的车辆边缘检测效果。

四、结语

图像边缘提取在图像处理中有着举足轻重的作用。本文基于数学形态学方法、图像分割等理论检测车辆边缘，有效地提取出图像的边缘信息，定位准确，具有较好的实时性。但是引起图像噪声的因素多种多样，本文所使用的除噪方法仅考虑了最主要的产生原因，因此处理后的图像还带有背景部分的边缘信息，产生伪边缘，降低了检测定位精度。在今后的研究中，可以将几种方法结合起来，或者引入新的理论方法，利用多重条件限制提取车辆边缘信息，以获取信息完整、噪声小的边缘检测图像。