自动阈值分割-场景中直线个数的检测

问题：

在竞速机器人的比赛中，我们使用计算机视觉导航进行跑道路线的识别

目标：

在不同的情况下可以得到采集到的图片中直线的个数，以及直线的斜率，进而判断机器人的具体位置

不同的环境，包括：晴天，阴天，室内，室外，阴影区，和非阴影区，摄像头的曝光区，和非曝光区

具体图片：

该图像包含阴影区和反光区

先进行RGB到灰度图的转换

clear all;
close all;
clc

img = imread('1.jpg');
img = imresize(img,[240,320]);

%%
%先进行颜色空间的转换
[row col dim] = size(img);
T = zeros([row ,col]);
A = [0.299 0.587 0.114];
for i=1:row
    for j=1:col
        B = [img(i,j,1) img(i,j,2) img(i,j,3)]';
        T(i,j) = A*double(B);
    end
end
new_img = uint8(T);
figure ;imshow(new_img);title('自己转换的图片');

 

紧接着进行阈值分割点的查找

 

%%
%进行阈值分割
Grade_Level = zeros(1,256);
for x = 1:row
    for y = 1:col
        Grade_Level(new_img(x,y)+1) = Grade_Level(new_img(x,y)+1) + 1;
    end
end
figure;plot(1:256,Grade_Level);title('灰度直方图');

%%
%寻找分割点
num_bins=256;
counts = Grade_Level(:);
p = counts / sum(counts);
omega = cumsum(p);
mu = cumsum(p .* (1:num_bins)');
mu_t = mu(end);
sigma_b_squared = (mu_t * omega - mu).^2 ./ (omega .* (1 - omega));

% Find the location of the maximum value of sigma_b_squared.
% The maximum may extend over several bins, so average together the
% locations.  If maxval is NaN, meaning that sigma_b_squared is all NaN,
% then return 0.
maxval = max(sigma_b_squared);
isfinite_maxval = isfinite(maxval);
if isfinite_maxval
    idx = mean(find(sigma_b_squared == maxval));
    pos_threshold = (idx - 1) / (num_bins - 1);
else
    pos_threshold = 0.0;
end
pos_threshold = pos_threshold*(num_bins-1);

%%
pos_index = 1;
for i=1:row
    for j=1:col
        if new_img(i,j) > pos_threshold
            new_img(i,j) = 255;
        else
            new_img(i,j) = 0;
            Img_posX(pos_index) = i;
            Img_posY(pos_index) = j;
            pos_index = pos_index + 1;
        end
    end
end
figure ; imshow(new_img);

 

然后检测图片中的直线的条数

 

%%
%进行直线的分割
%利用扫描线算法确定直线的条数
%主要思路：找到一个点，然后直接在周围寻找点
%该点的四邻域内的点如果都是黑色的就把该点放进去
Point.x = -1;
Point.y = -1;
first_line(1) = Point;
iterator = 0;
max_Target_line = 0;
line_Cell = cell(3,1);
for i=2:row-1
    curRow = i;%表明现在做的任何处理都是针对当前行的处理
    num_line = 0;%一行扫描下来得到的目标线的个数
    isChanged = 0;%表示没有改变
    temp_flag = -1;
    for j=2:col-1
        
        num = new_img(i,j);
        
        if num == 255 && (num == new_img(i,j-1)...
                && num == new_img(i,j+1)...
                && num == new_img(i-1,j)...
                && num == new_img(i+1,j))
            
            if isChanged == 1
                temp_flag = temp_flag * -1;
                isChanged = 0;
                num_line = num_line + 1;
                %发现了一条直线，然后记录下直线的位置，作为该直线的大体位置
                
            end
        end
        
        %当前的点为目标点，且直线的四邻域的值也都为目标点
        if num == 0 && (num == new_img(i,j-1)...
                && num == new_img(i,j+1)...
                && num == new_img(i-1,j)...
                && num == new_img(i+1,j))
            
            if isChanged == 0
                isChanged = 1;
            end
            
            iterator = iterator + 1;
            Point.x = i;
            Point.y = j;
            first_line(iterator) = Point;
        end
        
    end
    
    if num_line > max_Target_line
        max_Target_line = num_line;
    end
    
end
max_Target_line

剩下的就是最下二乘法的拟合程序：

 

 

%%
%对直线点集进行最小二乘法拟合，求出直线的斜率
sum_x = 0;
sum_y = 0;
sum_mul = 0;
sum_squar = 0;
first_line = line_Cell{1};
N = length(first_line);

for i=1:N
    sum_x = sum_x + first_line(i).x;
    sum_y = sum_y + first_line(i).y;
    sum_mul = sum_mul + first_line(i).x*first_line(i).y;
    sum_squar = sum_squar + (first_line(i).x)^2;
end
mean_x = sum_x*1.0/n;
mean_y = sum_y*1.0/n;

sum_Xdelta = 0;
sum_Ydelta = 0;
for i=1:N
    sum_Xdelta = sum_Xdelta + (first_line(i).x-mean_x)^2;
    sum_Ydelta = sum_Ydelta + (first_line(i).y-mean_y)^2;
end

delta_x = (sum_Xdelta*1.0/n)^0.5;
delta_y = (sum_Ydelta*1.0/n)^0.5;
temp_sum = 0;
for i=1:N
    temp_sum = temp_sum + (first_line(i).x-mean_x)*(first_line(i).y-mean_y)/(delta_x*delta_y);
end

disp('直线的相关系数');
relative_line = temp_sum/n
disp('直线的斜率');
betha = (n*sum_mul-sum_x*sum_y)*1.0/(n*sum_squar-sum_x^2)

如果要检测图片中的真正直线的个数，可以采用huogh直线检测的算法来检测

 

 

%%
%Hough变换检测直线，使用（a，p）参数空间，a∈[0,180],p∈[0,2d]
a=180; %角度的值为0到180度
d=round(sqrt(m^2+n^2)); %图像对角线长度为p的最大值
s=zeros(a,2*d); %存储每个(a,p)个数
z=cell(a,2*d);  %用元胞存储每个被检测的点的坐标
for i=1:m
    for j=1:n %遍历图像每个点
        if(q(i,j)==1) %只检测图像边缘的白点，其余点不检测
            for k=1:a
                p = round(i*cos(pi*k/180)+j*sin(pi*k/180)); %对每个点从1到180度遍历一遍，取得经过该点的所有直线的p值（取整）
                if(p > 0)%若p大于0，则将点存储在（d，2d）空间
                    s(k,d+p)=s(k,d+p)+1; %（a，p）相应的累加器单元加一
                    z{k,d+p}=[z{k,d+p},[i,j]'];%存储点坐标
                else%相当于a为0到-180
                    ap=abs(p)+1;%若p小于0，则将点存储在（0，d）空间
                    s(k,ap)=s(k,ap)+1;%(a，p)相应的累加器单元加一
                    z{k,ap}=[z{k,ap},[i,j]'];%存储点坐标
                end
            end
        end
    end
end
angle_num=1;
for i=1:a
    for j=1:d*2 %检查每个累加器单元中存储数量
        if(s(i,j) >55) %将提取直线的阈值设为70
            angle(angle_num)=i;
            angle_num=angle_num+1;
            lp=z{i,j};%提取对应点坐标
            for k=1:s(i,j)%对满足阈值条件的累加器单元中(a，p)对应的所有点进行操作
                o(lp(1,k),lp(2,k),1)=255; %每个点R分量=255，G分量=0，B分量=0
                o(lp(1,k),lp(2,k),2)=0;
                o(lp(1,k),lp(2,k),3)=0;  %结果为在原图上对满足阈值要求的直线上的点赋红色
            end
        end
    end
end
figure,imshow(o);title('hough变换提取直线');