智能车–图像预处理–canny算子
前言
刚刚结束了第十六届智能车，我参加的是AI视觉组由于运气好获得国一，成绩还行，现准备开源部分代码，之所以不全部开源是因为代码写得很乱，再加上校内有其他实验室竞争。 本篇文章主要讲的是在sobol基础上得canny算子，单片机使用的是主频超高的RT1064，用sobol时跑完一遍耗时不到3ms，用canny时耗时为14ms，对于很多单片机来说，可能没法使用，实用性不大，但是的到的图像效果与sobol相比好上很多，我写的很臃肿，因为在实际比赛中，我也并没有全部采用该算法，只是用了其中的一些思路，各位可以针对自己的实际情况，去修改优化。一、canny算子的四个步骤
结合canny算子和智能车的实际应用，我采用了4个步骤，分别是 高斯滤波，sobol边缘检测，非极大值抑制，双阈值算法检测和连接边缘 。其中的某些步骤可能和传统的canny算子有些许不同，是我针对智能车的赛道做的一些优化，如有错误，望大家留言指出！
二、具体步骤
1.高斯滤波：
这一步目的是为了滤掉噪点，使图像更加平滑，但是总钻风采集的图像噪点很少，单片机算力不够也可不用该方法，我才用的原因是因为我们自己的赛道比较脏，有很多小黑点，所以想给它滤掉，效果也还行，我采集的图像为188 * 120 ，对于边界的图像，我是直接舍去，不处理。代码如下（示例）：
//高斯滤波--对于边界像素舍去不处理
for (j = 1; j < 119; j++)
{
for(i = 1; i < 187; i++)
temp2_img[j][i] = (1*((int16) temp1_img[j - 1][i - 1]) + 2*((int16)temp1_img[j - 1][i]) + 1*((int16)temp1_img[j - 1][i + 1])
+ 2*((int16)temp1_img[j][i - 1]) + 4*((int16)temp1_img[j][i]) + 2*((int16)temp1_img[j][i + 1])
+ 1*((int16)temp1_img[j + 1][i - 1]) +2*((int16)temp1_img[j + 1][i]) + 1*((int16)temp1_img[j + 1][i + 1])) / 16;
}
2.sobol边缘检测
sobol算子中，需计算出梯度方向以及梯度幅值，代码如下（示例）：
for (i = 1; i < 187; i++)//179
{
for (j = 1; j < 119; j++)//119
{
tempx = (-(int16)(temp2_img[j-1][i-1])) +
(-2*(int16)(temp2_img[j][i-1])) +
(-(int16)(temp2_img[j+1][i-1])) +
((int16)(temp2_img[j-1][i+1])) +
(2*(int16)(temp2_img[j][i+1])) +
((int16)(temp2_img[j+1][i+1]));
tempy = (-(int16)(temp2_img[j-1][i-1])) +
(-2*(int16)(temp2_img[j-1][i])) +
(-(int16)(temp2_img[j-1][i+1])) +
((int16)(temp2_img[j+1][i-1])) +
(2*(int16)(temp2_img[j+1][i])) +
((int16)(temp2_img[j+1][i+1]));
//梯度方向
Theta[j][i] = atan(tempy/tempx);
tempx = abs(tempx);
tempy = abs(tempy);
//梯度幅值
temp3_img[j][i] = (tempx + tempy);
3.非极大值抑制
在这一步骤，目的是为了瘦边，在斑马线和二维码附近的效果特别好。我将梯度方向-PI/2 到 PI/2 分为了四个区域，分别和水平左右，竖直，+45°， -45° 的两个相邻像素点比较。也可以采用线性插值的方法去比较，但是我为了简单，就没有采用。而且在比较时，被比较那个值必须比比较那个值小20以上，才去抑制，如果不这样，会有很多边界会被抑制掉。将代码如下（示例）：
//非极大值抑制
for (i = 0; i < img_W; i++)//179
{
for (j = 0; j < img_H; j++)//119
{
if(Theta[j][i] >= -PI/8 && Theta[j][i] < PI/8)//0
{
if((int16)(temp3_img[j][i]+20) > temp3_img[j][i-1] && (int16)(temp3_img[j][i]+20) > temp3_img[j][i+1])
temp2_img[j][i] = temp3_img[j][i];
else
temp2_img[j][i] = 0;
}
if(Theta[j][i] >= PI/8 && Theta[j][i] < 3*PI/8)//45
{
if((int16)(temp3_img[j][i]+20) > temp3_img[j+1][i+1] && (int16)(temp3_img[j][i]+20) > temp3_img[j-1][i-1])
temp2_img[j][i] = temp3_img[j][i];
else
temp2_img[j][i] = 0;
}
if((Theta[j][i] >= 3*PI/8 && Theta[j][i] < PI/2) || (Theta[j][i] < -3*PI/8 && Theta[j][i] >= -PI/2))//90
{
if((int16)(temp3_img[j][i]+20) > temp3_img[j+1][i] && (int16)(temp3_img[j][i]+20) > temp3_img[j-1][i])
temp2_img[j][i] = temp3_img[j][i];
else
temp2_img[j][i] = 0;
}
if(Theta[j][i] >= -3*PI/8 && Theta[j][i] < -PI/8)//-45
{
if((int16)(temp3_img[j][i]+20) > temp3_img[j+1][i-1] && (int16)(temp3_img[j][i]+20) > temp3_img[j-1][i+1])
temp2_img[j][i] = temp3_img[j][i];
else
temp2_img[j][i] = 0;
}
}
}
4.双阈值二值化
在这一步骤，也可排除很多噪点的干扰，我将图像120 * 188 转化为了110 * 180阈值我采用的固定阈值，高阈值为90，低阈值为30。去代码如下（示例）：
//双阈值二值化 //数据最外一圈像素未用120*188->110*180
for(j = 2; j<= img_H+1; j++)
{
for(i = 2; i<= img_W+1; i++)
{
if(temp2_img[j][i] >= 90)
my_img[j-2][i-2] = 255;
else if(temp2_img[j][i] <= 30)
my_img[j-2][i-2] = 0;
else
{
if(j>=2 && j<img_H - 2 && i>=2 && i < img_W-2 && my_img[j][i] > 0 && my_img[j][i] < 255)
{
if((my_img[j-1][i-1]) == 255 || (my_img[j-1][i]) == 255 || (my_img[j-1][i+1]) == 255 ||
(my_img[j][i-1]) == 255 || (my_img[j][i+1]) == 255 ||
(my_img[j+1][i-1]) == 255 || (my_img[j+1][i]) == 255 || (my_img[j+1][i+1]) == 255)
{
my_img[j][i] = 255;
}
else
{
my_img[j][i] = 0;
}
}
}
}
}
示例
由于没有保存上位机的图片，只有两张当时手机直接拍的照片，大家随便看看。
sobol
canny:
