灰度图像
每副图像的每个像素对应二维空间中一个特定的位置，并且有一个或者多个与那个点相关的采样值组成数值。
灰度图像,也称为灰阶图像,图像中每个像素可以由0(黑)到255(白)的亮度值(Intensity)表示。0-255之间表示不同的灰度级。
灰度图像二值化
二值化：以一个值（阈值）为基准，大于（等于）这个值的数全部变为是1（或者0），小于等于这个数的就全部将他们变为0（或1）。
二值化算法处理飞思卡尔赛道思路：设定一个阈值valve，对于图像矩阵中的每一行，从左至右比较各像素值和阈值的大小，若像素值大于或等于阈值，则判定该像素对应的是白色赛道；反之，则判定对应的是黑色的目标引导线。
记下第一次和最后一次出现像素值小于阈值时的像素点的列号，算出两者的平均值，以此作为该行上目标引导线的位置。
摄像头的二值化的代码：
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是对应采集到的行数，Col是列数，Image[i][j]是摄像头采集未二值化的数据存放的数组，Img[i][j]是新建的存放二值化后的数组。
合适的阈值
在阈值二值化中，最主要的是选取合适的阈值，这也是二值化的难点所在。常用的二值化阈值选取方法有双峰法、p参数法、大律法（Otsu法）、最大熵阈值法、迭代法等。
大律法（Otsu法）
Otsu方法又名最大类间差方法，通过统计整个图像的直方图特性来实现全局阈值T的自动选取，其算法步骤为： 1) 先计算图像的直方图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量 2) 归一化直方图，也即将每个bin中像素点数量除以总的像素点 3) i表示分类的阈值，也即一个灰度级，从0开始迭代 4) 通过归一化的直方图，统计0~i 灰度级的像素(假设像素值在此范围的像素叫做前景像素) 所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素) 所占整幅图像的比例w1，并统计背景像素的平均灰度u1； 5) 计算前景像素和背景像素的方差 g = w0*w1*(u0-u1) (u0-u1) 6) i++；转到4)，直到i为256时结束迭代 7）将最大g相应的i值作为图像的全局阈值 缺陷:OSTU算法在处理光照不均匀的图像的时候，效果会明显不好，因为利用的是全局像素信息。 解决光照不均匀：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 未优化过的大津法 * * @param 运算时间比较长 * * @return 实测120*160的图像 * * @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; // } // // //统计灰度级中每个像素在整幅图像中的个数 // for (i = y; i < height; i++) // { // for (j = x; j <width; j++) // { // pixelCount[tmImage[i][j]]++; // } // } // // //计算每个像素在整幅图像中的比例 // for (i = 0; i < 256; i++) // { // pixelPro[i] = (float)(pixelCount[i]) / (float)(pixelSum); // } // // //经典ostu算法,得到前景和背景的分割 // //遍历灰度级[0,255],计算出方差最大的灰度值,为最佳阈值 // 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为阈值分类，第一类总的概率 // w0 += pixelPro[j]; // u0tmp += j * pixelPro[j]; // } // else //前景部分 // { // //以i为阈值分类，第二类总的概率 // w1 += pixelPro[j]; // u1tmp += j * pixelPro[j]; // } // } // // u0 = u0tmp / w0; //第一类的平均灰度 // u1 = u1tmp / w1; //第二类的平均灰度 // u = u0tmp + u1tmp; //整幅图像的平均灰度 // //计算类间方差 // deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u); // //找出最大类间方差以及对应的阈值 // if (deltaTmp > deltaMax) // { // deltaMax = deltaTmp; // threshold = i; // } // } // //返回最佳阈值; // return threshold; /** * @brief 优化过的大津法 * * @param 大大减少运算时间 * * @return 实测K66 220MHz 120*160的图像 * * @note 只需要1.5ms * * @example 未优化的大津法需要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; // 类间方差; int16_t MinValue, MaxValue; uint8_t Threshold = 0; uint8_t HistoGram[256]; // for (j = 0; j < 256; j++) HistoGram[j] = 0; //初始化灰度直方图 for (j = 0; j < Use_ROWS; j++) { for (i = 0; i < Use_Line; i++) { HistoGram[tmImage[j][i]]++; //统计灰度级中每个像素在整幅图像中的个数 } } for (MinValue = 0; MinValue < 256 && HistoGram[MinValue] == 0; MinValue++) ; //获取最小灰度的值 for (MaxValue = 255; MaxValue > MinValue && HistoGram[MinValue] == 0; MaxValue--) ; //获取最大灰度的值 if (MaxValue == MinValue) return MaxValue; // 图像中只有一个颜色 if (MinValue + 1 == MaxValue) return MinValue; // 图像中只有二个颜色 for (j = MinValue; j <= MaxValue; j++) Amount += HistoGram[j]; // 像素总数 PixelIntegral = 0; for (j = MinValue; j <= MaxValue; j++) { PixelIntegral += HistoGram[j] * j;//灰度值总数 } SigmaB = -1; for (j = MinValue; j < MaxValue; j++) { PixelBack = PixelBack + HistoGram[j]; //前景像素点数 PixelFore = Amount - PixelBack; //背景像素点数 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);//计算类间方差 if (Sigma > SigmaB) //遍历最大的类间方差g //找出最大类间方差以及对应的阈值 { SigmaB = Sigma; Threshold = j; } } return Threshold; //返回最佳阈值; }
可以参考文献
https://wenku.baidu.com/view/acc24dcf680203d8ce2f2469.html
https://wenku.baidu.com/view/bb6e38f7c8d376eeaeaa3163.html
二值化图像去噪
对于二值化图像而言，去除噪声是很重要的一步。
思路：对任意像素点判断是否为0，取得该像素点周围8个或者四个像素点相加，总和等于255 * 8或者 255 *4，则说明该像素点为噪声，置为255。
注意：领域的计算方法是没有边界的，所以通常不计算图像四边。
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; } }