灰度圖像
每副圖像的每個像素對應二維空間中一個特定的位置，並且有一個或者多個與那個點相關的采樣值組成數值。
灰度圖像,也稱為灰階圖像,圖像中每個像素可以由0(黑)到255(白)的亮度值(Intensity)表示。0-255之間表示不同的灰度級。
灰度圖像二值化
二值化：以一個值（閾值）為基准，大於（等於）這個值的數全部變為是1（或者0），小於等於這個數的就全部將他們變為0（或1）。
二值化算法處理飛思卡爾賽道思路：設定一個閾值valve，對於圖像矩陣中的每一行，從左至右比較各像素值和閾值的大小，若像素值大於或等於閾值，則判定該像素對應的是白色賽道；反之，則判定對應的是黑色的目標引導線。
記下第一次和最后一次出現像素值小於閾值時的像素點的列號，算出兩者的平均值，以此作為該行上目標引導線的位置。
攝像頭的二值化的代碼：
Void image_binaryzation() { for(int i=0;i { for(int j=0;j { if(Image[i][j] >= Threshold) Image_new[i][j]=1; else Image_new[i][j]=0; } } }
Row是對應采集到的行數，Col是列數，Image[i][j]是攝像頭采集未二值化的數據存放的數組，Img[i][j]是新建的存放二值化后的數組。
合適的閾值
在閾值二值化中，最主要的是選取合適的閾值，這也是二值化的難點所在。常用的二值化閾值選取方法有雙峰法、p參數法、大律法（Otsu法）、最大熵閾值法、迭代法等。
大律法（Otsu法）
Otsu方法又名最大類間差方法，通過統計整個圖像的直方圖特性來實現全局閾值T的自動選取，其算法步驟為： 1) 先計算圖像的直方圖，即將圖像所有的像素點按照0~255共256個bin，統計落在每個bin的像素點數量 2) 歸一化直方圖，也即將每個bin中像素點數量除以總的像素點 3) i表示分類的閾值，也即一個灰度級，從0開始迭代 4) 通過歸一化的直方圖，統計0~i 灰度級的像素(假設像素值在此范圍的像素叫做前景像素) 所占整幅圖像的比例w0，並統計前景像素的平均灰度u0；統計i~255灰度級的像素(假設像素值在此范圍的像素叫做背景像素) 所占整幅圖像的比例w1，並統計背景像素的平均灰度u1； 5) 計算前景像素和背景像素的方差 g = w0*w1*(u0-u1) (u0-u1) 6) i++；轉到4)，直到i為256時結束迭代 7）將最大g相應的i值作為圖像的全局閾值 缺陷:OSTU算法在處理光照不均勻的圖像的時候，效果會明顯不好，因為利用的是全局像素信息。 解決光照不均勻：https://blog.csdn.net/kk55guang2/article/details/78475414 https://blog.csdn.net/kk55guang2/article/details/78490069 https://wenku.baidu.com/view/84e5eb271a37f111f0855b2d.html ***************************************************************/ int GetOSTU(uint8_t tmImage[Use_ROWS][Use_Line]) { /** * @brief 未優化過的大津法 * * @param 運算時間比較長 * * @return 實測120*160的圖像 * * @note K66 220MHz需要9ms * * @example * * @date 2019/4/16 星期二 */ // int width = Use_ROWS; // int height = Use_Line; // int x = 0, y = 0; // int pixelCount[256]; // float pixelPro[256]; // int i, j, pixelSum = width * height, threshold = 0; // // // //初始化 // for (i = 0; i < 256; i++) // { // pixelCount[i] = 0; // pixelPro[i] = 0; // } // // //統計灰度級中每個像素在整幅圖像中的個數 // for (i = y; i < height; i++) // { // for (j = x; j <width; j++) // { // pixelCount[tmImage[i][j]]++; // } // } // // //計算每個像素在整幅圖像中的比例 // for (i = 0; i < 256; i++) // { // pixelPro[i] = (float)(pixelCount[i]) / (float)(pixelSum); // } // // //經典ostu算法,得到前景和背景的分割 // //遍歷灰度級[0,255],計算出方差最大的灰度值,為最佳閾值 // float w0, w1, u0tmp, u1tmp, u0, u1, u, deltaTmp, deltaMax = 0; // for (i = 0; i < 256; i++) // { // w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0; // // for (j = 0; j < 256; j++) // { // if (j <= i) //背景部分 // { // //以i為閾值分類，第一類總的概率 // w0 += pixelPro[j]; // u0tmp += j * pixelPro[j]; // } // else //前景部分 // { // //以i為閾值分類，第二類總的概率 // w1 += pixelPro[j]; // u1tmp += j * pixelPro[j]; // } // } // // u0 = u0tmp / w0; //第一類的平均灰度 // u1 = u1tmp / w1; //第二類的平均灰度 // u = u0tmp + u1tmp; //整幅圖像的平均灰度 // //計算類間方差 // deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u); // //找出最大類間方差以及對應的閾值 // if (deltaTmp > deltaMax) // { // deltaMax = deltaTmp; // threshold = i; // } // } // //返回最佳閾值; // return threshold; /** * @brief 優化過的大津法 * * @param 大大減少運算時間 * * @return 實測K66 220MHz 120*160的圖像 * * @note 只需要1.5ms * * @example 未優化的大津法需要9ms * * @date 2019/4/16 星期二 */ int16_t i,j; uint32_t Amount = 0; uint32_t PixelBack = 0; uint32_t PixelIntegralBack = 0; uint32_t PixelIntegral = 0; int32_t PixelIntegralFore = 0; int32_t PixelFore = 0; float OmegaBack, OmegaFore, MicroBack, MicroFore, SigmaB, Sigma; // 類間方差; int16_t MinValue, MaxValue; uint8_t Threshold = 0; uint8_t HistoGram[256]; // for (j = 0; j < 256; j++) HistoGram[j] = 0; //初始化灰度直方圖 for (j = 0; j < Use_ROWS; j++) { for (i = 0; i < Use_Line; i++) { HistoGram[tmImage[j][i]]++; //統計灰度級中每個像素在整幅圖像中的個數 } } for (MinValue = 0; MinValue < 256 && HistoGram[MinValue] == 0; MinValue++) ; //獲取最小灰度的值 for (MaxValue = 255; MaxValue > MinValue && HistoGram[MinValue] == 0; MaxValue--) ; //獲取最大灰度的值 if (MaxValue == MinValue) return MaxValue; // 圖像中只有一個顏色 if (MinValue + 1 == MaxValue) return MinValue; // 圖像中只有二個顏色 for (j = MinValue; j <= MaxValue; j++) Amount += HistoGram[j]; // 像素總數 PixelIntegral = 0; for (j = MinValue; j <= MaxValue; j++) { PixelIntegral += HistoGram[j] * j;//灰度值總數 } SigmaB = -1; for (j = MinValue; j < MaxValue; j++) { PixelBack = PixelBack + HistoGram[j]; //前景像素點數 PixelFore = Amount - PixelBack; //背景像素點數 OmegaBack = (float)PixelBack / Amount;//前景像素百分比 OmegaFore = (float)PixelFore / Amount;//背景像素百分比 PixelIntegralBack += HistoGram[j] * j; //前景灰度值 PixelIntegralFore = PixelIntegral - PixelIntegralBack;//背景灰度值 MicroBack = (float)PixelIntegralBack / PixelBack; //前景灰度百分比 MicroFore = (float)PixelIntegralFore / PixelFore; //背景灰度百分比 Sigma = OmegaBack * OmegaFore * (MicroBack - MicroFore) * (MicroBack - MicroFore);//計算類間方差 if (Sigma > SigmaB) //遍歷最大的類間方差g //找出最大類間方差以及對應的閾值 { SigmaB = Sigma; Threshold = j; } } return Threshold; //返回最佳閾值; }
可以參考文獻
https://wenku.baidu.com/view/acc24dcf680203d8ce2f2469.html
https://wenku.baidu.com/view/bb6e38f7c8d376eeaeaa3163.html
二值化圖像去噪
對於二值化圖像而言，去除噪聲是很重要的一步。
思路：對任意像素點判斷是否為0，取得該像素點周圍8個或者四個像素點相加，總和等於255 * 8或者 255 *4，則說明該像素點為噪聲，置為255。
注意：領域的計算方法是沒有邊界的，所以通常不計算圖像四邊。
int bai; for(int i = 1; i < Use_ROWS-1; i++) { for(int j =1; j < Use_Line-1; j++) { if(Image_Use[i-1][j] == 255) continue; bai = Image_Use[i-1][j] + Image_Use[i-1][j-1] + Image_Use[i-1][j+1] +Image_Use[i][j+1] +Image_Use[i][j-1] +Image_Use[i+1][j] +Image_Use[i+1][j-1] +Image_Use[i+1][j+1] ; if(bai == 2040) Image_Use[i][j] = 255; } }