弯道要素特征表达方法研究本科生毕业论文(编辑修改稿)

弯道要素特征表达方法研究本科生毕业论文(编辑修改稿)内容摘要：

的傅里叶变换本身存在一定的缺点，因而基于傅立叶变换得到了小波变换。 小波变换克服了傅立叶变换必须采集时域中全部的信号才能模拟一个信 13 号语特性的缺点。 小波边缘检测算子在大的尺度下能够抑制噪声，可靠地识别边缘，在尺度小的空间能够准确的定位，然后由粗到细的进行边缘聚焦，获得的边缘检测结果真实准确。 小波边缘检测算子的步骤如下： (1) 进行多尺度小波变换。 (2) 计算每个尺度下的梯度方向与梯度矢量模。 (3) 提取和链化每个尺度下的边缘。 (4) 设置队则 (5) 对多尺度下的边缘进行匹配。 (6) 按照规则复合进行多尺度边缘链。 (7) 输出图像的边缘模型。 边缘连接 由于噪声的干扰、图像中的景物和目标灰度具有很小的对比度或是图像里内复杂的内容等干扰因素造成边缘检测到的结果不连续，很难得到的轮廓是封闭的。 然而边缘检测结果不理想最突出的原因是边缘检测过程中 阈值的不恰当处理，选择正确的阈值会确保边缘轮廓大部分都被检测出来却不是全部的边缘。 本论文内图像分割的目的就是按照图像灰度特征将其变成不同的区域，图像的边缘就是划分区域的轮廓。 所以可以连接检测出的边缘，保证大多数划分的区域拥有封闭轮廓，来实现检测出图像边缘。 通常采用的边缘检测方法有 Hough 变换法， Canny 边缘检测中的双阈值法、局部连接的方法、图像搜索法等。 Hough 变换法是通过把直线上的点的坐标变换成通过这点的直线系数域，运用的是共线和直线相交的关系，优点是受到直线间噪声影响很小，但缺点是采用直线 或者是曲线来进行边缘连接时会造成边缘图像个别边缘点独立。 Canny 边缘检测消除假边缘的方法是使用双阈值法，在消除假边缘之前还要使用高斯滤波器将图像变成多尺度图像，尽管这种检测方法产生的边缘并不是完全封闭的，但是这种方法极大减少了边缘的不连续性。 局部连接边缘检测法一般情况下用来连接小缝隙的边缘，同时会避免图像孤立边缘点的产生。 14 图像搜索法非常难以运算，本论文并不采用。 折线分裂与概率连接法 折线分裂与概率连接法实质上就是运用几何与数学的原理来规定边缘连接的准则，该方法步骤是：跟踪标记检测出来的 边缘，记录边缘的长度、序号、曲率等边缘的属性值，同时去除部分不需要的边缘路段，这样做的理由是弯道拥有平滑的线条，但是曲率非常大的线条不符合弯道曲率具有上限的基本准则。 边缘跟踪不仅要跟踪到主要的候选道路段，同时还要计算出边缘线段的属性值，以便对候选道路段进行编组。 折线分裂法方法步骤如下： (1)找到起点和终止点，当目标区域是封闭的区域时，可以将距离最远的两个点当做起点和终止点。 (2)检查是不是满足最大垂直距离小于给定的阈值，不满足的话，从当前拟合直线最远的的点把拟合直线分成两个部分，然后计算， 当满足要求的话就终止计算。 为了更好的连接线段，对边缘线段进行了拆分，这样会避免锯齿现象的产生，同时使线段变得光滑。 连接概率模型是通过灰度特性形成的约束条件将相似的度量参数表示出来，进而生成函数表达相似性的度量参数。 描述编组约束条件方法为：两线段相邻，两线段的共线，还有就是这两线段不可以重叠许多同时这两线段的对比度比较相近。 伴随着这些约束条件，提出两条线段所具有的相似性度量参数：端点距离，重叠度，共线方向差值，共线侧向距离与灰度相似性度量参数这五个参数。 随后进行的是编组道路段，这部分包含两个 步骤：首先是每两个线段之间进行预编组；然后就是编组多条线段。 每个线段都被编组后，两条线段间的连接概率值要被计算出来，这两条线段间的概率值要通过图标的方式记录表达，找到道路段中连接的概率最大且满足连接要求的线段，在对他进行编组，根据编组生成的图表生成共线链，一直这样操作直到共线链统一没有另外的共线链。 完成编组后不一定产生的链全部都是正确的道路边缘，这时需要消除一些不正确的链，例如 :一些比较短而曲率非常大的线段，较短同时平行长的道路段的线段，孤立的短线段，长的道路段部分方向上有突变的道路段等等。 通过这些方 法 15 的处理，基本就完成了弯道线形的提取，这种方法却不可避免产生道路错误连接，非真实道路等情况的发生，如果弯道转弯太大也并不适合采用此方法提取弯道线形。 Canny 算子进行边缘连接 有些时候图像的阈值不容易确定，为了解决这个问题，提出了利用 Canny 算子使用双域值得方法进行边缘检测。 这种方法的实质是基于图像像素的梯度，将模值大的定义为高频信息，边缘检测这样就属于提取高频信息，所以用一个高阈值进行边缘检测，这时有用的信息就是高阈值检测出来的图像边缘。 根据高阈值将低阈值对图像进行第二次阈值化，正常 情况下，高阈值是低阈值的。 所以Canny 算子中非常重要的一步就是确定高阈值，通常认定整幅图像中大概 3/10的信息都是需要的，这个基础上就可以确定低阈值点。 Canny 算法拥有开创性双阈值选取的巨大有点，然而也伴随着双阈值边缘检测时，错误连接边缘的缺点。 小结 这章介绍了弯道线形提取的几个方法步骤，也介绍了一些常用的算法，对弯道线形提取至关重要的就是边缘检测和边缘连接。 经此提取出弯道线形后，利用Matlab 处理线形得到弯道的要素特征，之后与真实弯道要素特征进行比较。 所以弯道线形提取时 弯道要素特征表达方法研究中非常重要的一部分。 第 3 章 弯道边缘检测识别 小波去噪处理图像 进行边缘检测前，我们先对图像进行滤波去噪处理。 噪声的分布特性以及噪声与图像信号之间的关系是由产生噪声的原因决定的。 噪声被分为的两种形式就是根据噪声与信号的关系确定的。 两种形式分别为： 加性噪声：如果将初始图像的信号设为 f(x,y),图像内含有噪声的信号设为g(x,y),这两种信号的关系就可以用 g(x,y)=f(x,y)+n(x,y)表示。 式子中 n(x,y)表示的噪声是由信道噪声和扫描图像过程中产生的 ，输入信号并不影响这种噪声。 乘性噪声：与加性噪声不同，输入信号影响乘性噪声，影响此类噪声的情况分 16 为两种：其中一种是只有该像素点的图像信号影响该像素点的噪声；另外一种是该像素点以及其领域的图像信号都影响该像素点噪声。 在这种情况下，可以用公式 g(x,y)=f(x,y)+n(x,y)f(x,y)表示输入信号 f(x,y)与输出信号 g(x,y)之间的关系。 另外，噪声根据其服从的分布被分为高斯噪声、泊松噪声、颗粒噪声等几类 ]9[。 在本论文中采用小波去噪手段对图像进行去噪。 小波去噪 从数学角度来看， 本质 就 是函数逼近 这样一个方法 ， 也就是解决 由小波母函数伸缩和平移版本所展成的函数空间中，根据提出的衡量准则，寻找对原信号的最佳逼近，以完成原信号和噪声信号的区分。 也就是寻找从实际信号空间到小波函数空间的最佳映射，以便得到原信号的最佳恢复。 从信号学的角度看，小波去噪是一个信号滤波的问题，而且尽管在很大程度上小波去噪可以看成是低通滤波，但是由于在去噪后还能成功地保留信号特征，所以在这一点上又优于传统的低通滤波器 ]10[。 由此可见，小波去噪实际上是特征提取和低通滤波功能的综合，其流程框图如图所示。 图 下面就是利用 Matlab 中 wpdencmp 函数对图像进行小波去噪处理的程序代码： r=imread(39。 C:\Users\lenove\Desktop\图片 \39。 )。 %输入彩色图像 I = rgb2gray(r)。 %将彩色图像处理成灰色图像 figure,imshow(I),axis on。 subplot(1,2,2)。 B2=imresize(I,39。 nearest39。 )。 %调整图像尺寸 imshow(B2)。 B2=im2double(B2)。 subplot(2,2,1)。 imshow(B2)。 title(39。 原图 39。 )。 J=imnoise(B2,39。 gaussian39。 ,0,)。 %含噪图形 subplot(2,2,2)。 imshow(J)。 17 title(39。 含噪图像 39。 )。 %设定函数 wpdencmp 的参数 thr=。 sorh=39。 s39。 crit=39。 shannon39。 keepapp=0。 %去噪处理 J1=wpdencmp(J,sorh,3,39。 sym439。 ,crit,thr,keepapp)。 subplot(2,2,3)。 imshow(J1)。 title(39。 全局阈值去噪图像 39。 )。 %对图像进行平滑处理 J2=medfilt2(J1)。 subplot(2,2,4)。 imshow(J2)。 title(39。 第二次去噪图像 39。 )。 程序运行结果如图所示： 图 从上图可以看出，经过小波去噪后，图像降低噪声的同时，图像细节信息并未受到损失，且得到的图像较清晰。 18 运用 Canny 算子进行弯道边缘检测 在对图像去噪之后，接下来是对图像进行增强。 第二章已经展示采用直方图均衡化对图像进行增强的效果，这里不再阐述。 直方图均衡化后 就是对图像进行边缘检测。 这里我们采用 Canny 算子对图像进行边缘检测，检测出弯道的边缘线形。 本论文采用的 Canny 算子边缘检测虽然由于将所有像素点都进行了计算，就是无论边缘点还是非边缘点都计算了，因此造成该算子本身具有运算速度慢，效率低的缺点，但由于 Canny 算子具有边缘检测准确，很少有边缘漏检，检测错误情况的发生，同时检测的信息较多，因此 Canny 算子还是目前被广泛应用于边缘检测。 Canny 认为好的边缘具有三个主要特点，分别是：很少情况下有错误标记非边缘点以及漏标真正的边缘点；边缘点被检测出来后发现 几乎全在真实的边缘点中心附近；边缘相应是单值的。 在使用 Canny 算子进行边缘检测的同时，还采用 Sobel 算子、 Robert 算子、Prewitt 算子以及 log 算子对图像进行了边缘检测，以便进行比较分析。 下面是采用这几种算子对图像进行边缘检测的 Matlab 程序代码： r=imread(39。 C:\Users\lenove\Desktop\图片 \39。 )。 q=rgb2gray(r)。 figure,imshow(q),axis on。 In imuitools\private\initSize at 73 In imshow at 262 subplot(1,2,2)。 I=imresize(q,39。 nearest39。 )。 imshow(q)。 imshow(I)。 BW1=edge(I,39。 sobel39。 )。 19 BW2=edge(I,39。 roberts39。 )。 BW3=edge(I,39。 prewitt39。 )。 BW4=edge(I,39。 log39。 )。 BW5=edge(I,39。 canny39。 )。 h=fspecial(39。 gaussian39。 ,5)。 BW6=edge(I,39。 canny39。 )。 subplot(2,3,1),imshow(BW1)。 title(39。 sobel 边缘检测 39。 )。 subplot(2,3,2),imshow(BW1)。 title(39。 roberts 边缘检测 39。 )。 subplot(2,3,2),imshow(BW2)。 title(39。 roberts 边缘检测 39。 )。 subplot(2,3,3),imshow(BW3) title(39。 prewitt 边缘检测 39。 ) subplot(2,3,4),imshow(BW4)。 title(39。 log 边缘检测 39。 )。 subplot(2,3,5),imshow(BW5)。 title(39。 canny 边缘检测 39。 )。 subplot(2,3,6),imshow(BW6)。 title(39。 gaussianamp。 canny 边缘检测 39。 )。 程序运行结果如图所示： 20 图 从图像中可以看出， Canny 算子进行边缘检测后的效果更好，勾画出的边缘连续性很好。 Canny 边缘检测算子使用的是高斯函数的一阶微分，这是因为它能够在噪声抑制和边缘检测之间寻找出良好的平衡，下面是该算法的计算步骤： (1) 使用高斯滤波器对图像进行滤波 ，目的是消除图像中的干扰噪声。 (2) 为了得到图像中每个像素的梯度信息，使用高斯函数中的一阶微分滤波处理图像。 (3) 得到梯度信息后，对图像梯度进行“非极大抑制”处理，定义梯度方向为属于四个区中的一个，为了决定局部的最大值，使用不一样的接近的像素来对图像各个区进行比较。 下图为这四个区和它们对应的比较方向： 4 3 2 1 x 1 2 3 4 图 四个区及对应的比较方向 2。