基于DSP的道路圖像分割方法

郭志超，李一冰，李斌斌 Guo Zhichao，Li Yibing，Li Binbin

?

基于DSP的道路圖像分割方法

郭志超，李一冰，李斌斌 Guo Zhichao，Li Yibing，Li Binbin

（長安大學 汽車學院，陜西 西安 710064）

在眾多灰度閾值分割方法中，大津法運算最快，效果也比較理想。為滿足車道線提取的實時性要求，選擇大津法作為閾值分割的基礎，但大津法一般適用于對灰度直方圖為雙峰的圖像進行閾值分割，且對噪聲信號十分敏感，對灰度直方圖呈現三峰以上的圖像會產生錯誤的分割。因此首先采用均值濾波的方法消除道路圖像中的噪聲，為降低DSP的運算量，只選取圖像中的下半部分作為閾值分割對象，同時，為了盡量避免圖像灰度直方圖出現三峰或者三峰以上的灰度直方圖，通過大量試驗，白天時將閾值范圍設定為100～200，在此灰度等級范圍內，道路圖像的灰度直方圖基本為雙峰狀態，分割效果比較理想。

DSP；閾值分割；均值濾波；大津法；灰度直方圖

0 引 言

自動駕駛絕對是當今汽車領域最為火熱的技術之一，不管是傳統的汽車制造企業，還是最新入局的互聯網企業，紛紛加大投資，希望研究出一種高效、可靠、安全的自動駕駛技術。其中以機器視覺為基礎的車道偏離系統是自動駕駛技術中的重要環節，該系統最為核心的算法之一就是車道線的提取，為了確保車道線提取的準確性，首先對攝像頭拍攝到的路面進行預處理，預處理包括彩色圖像的灰度轉化、噪聲平滑、閾值分割和二值化等，經過預處理后的道路圖像是一副只有黑白兩種顏色的圖像，其中車道線呈白色，車道呈黑色；接著建立合適的數學模型模擬車道線，最后通過相應的算法判斷車道線在圖像顯示設備上的相對位置，判斷出車輛是否偏移車道。

研究內容在于獲得理想的預處理后的黑白圖像，同時兼顧DSP（Digital Signal Processing，數字信號處理）的能力，保證車道偏離系統決策的實時性，其中重點是選擇一種合適的灰度閾值分割方法。目前，比較常用的灰度閾值分割方法有最小誤差閾值法、最大類間方差閾值法（大律法）、最佳閾值法和差別分析法等，其中大津法的處理速度最快，效果比較理想，但是全局的大律法對噪聲敏感，對灰度直方圖為三峰及以上的圖像可能產生效果很不理想的閾值分割，文中在基本的大津法的基礎上，進行系列改進，達到較為理想的分割效果。

1 方法及原理

1.1 目標平臺

選用的目標平臺為某公司生產的TMS320DM 6437，為DSP芯片ICETEK-DM6437 -B評估版，這種嵌入式設備相比傳統的PC平臺，具有體積小、專業性強、運算速度快和實時性強的特點，其中核心芯片TMS320DM6437為第一批支持達芬奇技術的DSP產品，32位的定點DSP，處理速度高達600 MHz[1]。TMS320DM6437具有強大的視頻處理子系統模塊，同時，它為用戶提供了大量的外部接口，可供用戶進行相關的開發拓展。

將攝像頭固定在車內后視鏡附近，調整好攝像頭角度，使得路面圖像大概占顯示設備的一半左右，且處于屏幕的下半部分，為降低DSP的數據處理量，只對圖像的下半部分進行處理，這樣就排除了天空對閾值分割的影響，降低了圖像的灰度直方圖出現三峰或三峰以上的可能性。

1.2 預處理流程

預處理方法的流程如圖1所示，包括圖像灰度轉化，均值濾波，灰度直方圖分析，確定灰度等級分割范圍，大津法確定閾值，二值分割。

1.3 均值濾波[2]

隨著使用年限的增加，路面會產生一些不可預料的損壞，如車道線漆面的破漆和路面的點蝕等，同時，路面不是絕對平整的，因此攝像頭拍攝的道路圖像會存在噪聲，而大津法對噪聲很敏感，所以在進行圖像分割前要進行濾波去噪。目前主要的去噪方法有均值濾波、中值濾波、維納濾波和圖像小波域濾波等，其中均值濾波算法簡單，勻速速度較快?？紤]到實時性的要求，采用均值濾波方法對道路圖像進行濾波處理。

均值濾波的原理是用噪聲像素點一定鄰域內像素的平均值代替噪聲點的灰度值。設處理前像素點（，）的灰度值用（，）表示，處理后用（，）表示，則有

1.4 改進的大津法

大津法[3]又稱為最大類間方差法或otsu法，大津法所確定的閾值使得前景與背景這兩類之間的方差達到最大。某個灰度等級出現的概率為

粒子個數的選擇根據具體問題有所差別，粒子個數過少，優化效果和速度難于保證；粒子個數過多，計算量大以及相應的運算時間加長。因此，對于不太復雜的問題，粒子個數可以在20～40范圍內進行選擇。本文粒子個數設為30，慣性權重ω從0.9隨迭代次數線性遞減到0.5，a1=2.7，a2=1.3。

式中，為圖像中像素的總數；n為灰度值為的像素個數；為圖像中所有可能的灰度級，值為256。假設閾值已經選定，1是一組灰度級為0，1，2，…，的像素，2是一組灰度級為+1，…，-1的像素。首先，假設閾值為，根據式（3）求得此閾值下前景和背景之間的最大類間方差，最大類間方差為

()=1()[1()-]2+2()[2()-]2（3）

式中，1()是集合1發生的概率

如果設置=0，那么擁有值的任何像素1集合的概率為0，類似地，集合2發生的概率

2()=1-1() （5）

1()和2()分別為集合1和2中像素的平均灰度。是全局均值

（7）

（8）

將式（5）代入式（3），可以把類間方差寫成

求出閾值下前景和背景之間的方差，讓取0～255之間的整數值，求得256個類間方差值，選擇其中最大值作為最終閾值。

2 試驗結果與分析

2.1 均值濾波與未經濾波的結果對比

如圖2所示，（a）為原始圖像，（b）為經7×7模板均值濾波后的圖像，（c）為未經濾波后的二值化圖像，（d）為經7×7模板均值濾波并二值化后的圖像。

由于原圖中道路質量一般，路面存在點蝕以及樹陰的情況，如果不經過濾波處理，得到的二值化圖存在許多白斑點，不利于后續車道線的識別與車道偏離系統的決策。而從圖2（b）可以看出，圖像經7×7模板均值濾波處理后變得模糊，但經過二值化后，并不阻礙DSP對車道線的識別，對比圖2（c）、（d），可明顯發現白斑變少甚至消失，二值化后的車道線是清晰的。

（a）原圖????（b）經過7×7模板均值濾波處理后的灰度圖

（c）未經濾波處理的二值化圖像??（d）經7×7模板均值濾波處理后的二值化圖像

圖2 濾波效果對比

2.2 改進后的大津法與原方法對比

為了說明改進后的大津法的優化效果，通過Matlab對一張存在高架橋陰影的圖像進行試驗分析，結果如圖3所示，其中（a）為原始圖像，（b）為使用大津法直接進行圖像分割后的效果圖，（c）為應用改進后的大津法進行圖像分割后的效果圖，（d）為原圖像的灰度直方圖。試驗數據見表1。

表1 兩個分割方法試驗數據對比

分割方法閾值范圍最終閾值分割效果 大津法（0，255）80很差 改進的大津法（100，200）173良好

（a）原圖??????（b）大津法處理的結果

（c）改進后的大津法處理結果??（d）灰度直方圖

圖3 改進后的大津法與原方法對比

原圖3（a）中由于高架橋以及路邊樹陰的存在，使得圖像大致形成了3塊灰度聚集區，即樹陰和高架橋陰影造成的低灰度值區域，路面形成的中等灰度值區域和車道線形成的高灰度值區域，這在灰度直方圖3（d）上能夠體現出來，灰度直方圖大致形成了低、中、高3個波峰。大津法對灰度直方圖呈三峰或者以上的圖像處理效果不是很理想。

由圖3（b）看出，直接由大津法進行閾值分割，車道線幾乎無法看到，從表1可知，此時的閾值為80，通過圖3（d）可知路面和車道線的灰度值均大于80，因此路面和車道線都被分在同一類，二值化后都變成白色。而改進后的大津法將閾值限定在100～200之間，在此灰度等級范圍內，圖像大概形成2個波峰，改進后的大津法將閾值確定為173，由改進后的大津法處理效果圖3（c）可以看出，除了圖像上半部分有些模糊，車道線幾乎清晰可見，可以進行車道偏離系統的決策。

3 結 論

針對不同路面環境要求的路面圖像分割閾值不同，提出了一種基于DSP的道路圖像分割法，能夠針對圖像自身的特點進行自適應閾值選擇和圖像分割，從而提取出車道線，同時兼顧車道偏離預警系統所要求的實時性。為減少DSP的運算量，同時排除天空對路面閾值選擇的影響，通過擺放好攝像頭的位置，使得地面圖像位于整個圖像的下半部分，使整個預處理過程只針對圖像的下半部分；隨后將圖像轉化為灰度圖像，進行均值濾波處理，平滑圖像中的噪聲，通過大量試驗，確定白天情況下閾值的選擇范圍為100～200之間，減少圖像的灰度直方圖中形成三峰的幾率，提高閾值選擇的合理性；最后，在所設定的閾值范圍內采用大津法，選擇合適的閾值對圖像進行分割。核心算法包括均值濾波，閾值選擇范圍的確定，以及最終閾值的選取。

[1]TMS320DM6437 Digital Media Processor. Texas Instruments Incorporated, 2006.

[2]馬曉路，劉倩，胡開云，等. Matlab圖像處理從入門到精通[M]. 北京：中國鐵道出版社，2013：96-99.

[3]Rafael C, Gonzalez Richard E, Woods Steven L. 數字圖像處理的Matlab實現[M]. 阮秋琦，譯. 北京：清華大學出版社，2013：388-391.

2016-11-25

1002-4581（2017）02-0039-04

U491.2+22：TP274

A

10.14175/j.issn.1002-4581.2017.02.010