wordpress默认字体大小,免费网站分析seo报告是坑吗,小程序开发报价表,建设网站哪家专业实验内容#xff1a;针对给定的视频#xff0c;利用图像处理基本方法实现道路路沿的检测#xff1b; 提示#xff1a;可利用Hough变换进行线检测#xff0c;融合路沿的结构信息实现路沿边界定位#xff08;图中红色的点位置#xff09;。 处理视频文件
处理视频文件的主… 实验内容针对给定的视频利用图像处理基本方法实现道路路沿的检测 提示可利用Hough变换进行线检测融合路沿的结构信息实现路沿边界定位图中红色的点位置。 处理视频文件
处理视频文件的主要流程如下
读取视频→逐帧提取→路沿检测→逐帧保存→输出视频
用python的OpenCV实现视频文件的处理用videoCapture打开视频文件读取每一帧进行处理然后用videoWriter保存成视频。 路沿检测
路沿检测的流程如下
图像预处理→边缘检测→Hough变换
图像预处理
灰度化
从视频中取出的每一帧是彩色图像我们可以先将它变成灰度图像即将图像中的每个像素的RGB值红、绿、蓝转换为一个单一的灰度值。
image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
灰度图像只包含亮度信息如图1所示而不包含颜色信息。这样可以简化图像提高处理速度突出图像的结构减少噪声干扰。 图1
均衡化
我们再将图像均衡化python代码如下。
image cv2.equalizeHist(image)
图像均衡化可以提高图像的对比度如图2所示突出图像的细节轮廓与边缘。 图2
二值化
将灰度图转换为只有黑白两种颜色的图像python代码如下。
image cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
图像二值化可以简化图像信息突出物体的轮廓如图3所示。 图3 边缘检测
Canny边缘检测
Canny 边缘检测算法是John F.Canny于1986年开发出来的一个多级边缘检测算法也被很多人认为是边缘检测的最优算法, 最优边缘检测的三个主要评价标准是:
低错误率: 标识出尽可能多的实际边缘同时尽可能的减少噪声产生的误报。
高定位性: 标识出的边缘要与图像中的实际边缘尽可能接近。
最小响应: 图像中的边缘只能标识一次。
Canny边缘检测算法步骤如下
高斯滤波去噪→计算梯度幅值和方向→非极大值抑制→双阈值处理
高斯滤波器去除噪声
使用高斯滤波器对图像进行平滑处理以减少噪声的影响。
计算梯度幅值和方向
按照Sobel算子运用一对卷积阵列 (分别作用于 x 和 y 方向): 使用下列公式计算梯度幅值和方向: 梯度方向近似到四个可能角度之一(一般 0, 45, 90, 135)。
非极大值抑制
沿边缘垂直方向寻找梯度最大值排除非边缘像素 仅仅保留了一些细线条(候选边缘)。
双阈值处理
如果某一像素位置的幅值超过高阈值, 该像素被保留为边缘像素。
如果某一像素位置的幅值小于低阈值, 该像素被排除。
如果某一像素位置的幅值在两个阈值之间,该像素仅仅在连接到一个高于高阈值的像素时被保留。
在python中使用canny对图像进行边缘检测高阈值为175低阈值为75。
image cv2.Canny(image, 75, 175)
效果如图4所示可见canny算法可以有效的提取图像的边缘信息。 图4
但是canny检测出来的边缘中噪声比较多我们再使用高斯滤波器模糊一下图像在python中使用5×5的高斯滤波器模糊图像。
image cv2.GaussianBlur(image, (5, 5), 0)
效果如图5所示可见高斯滤波器模糊成功地去掉了一些噪声。 图5 Hough变换
Hough变换是一种用于检测图像中几何形状的技术将图像由图像空间变换为参数空间。它最初是由保罗·霍夫Paul Hough在1962年提出的用于在图像中检测直线。后来这个方法被扩展到检测其他几何形状如圆和椭圆。
一条直线在图像二维空间可由两个变量表示在笛卡尔坐标系中直线可由参数斜率k和截距b表示ykxb在极坐标系中可由参数极径r和极角θ表示。 对于霍夫变换, 我们将用极坐标系来表示直线因此直线的表达式可为 图像空间中的一条线对应Hough空间中的一个点。 图像空间中的一个点对应Hough空间中的一条线。 Hough变换的基本思想是将图像中的像素点映射到参数空间中并通过在参数空间中寻找峰值来检测几何形状。对于直线检测参数空间通常是极坐标空间其中每个像素点在参数空间中对应一条直线。通过遍历图像中的像素点可以累加参数空间中相应的位置从而构建一个累加器数组。然后在累加器数组中找到峰值这些峰值对应于图像中存在的直线。
Hough变换步骤
离散化θθ-45,0,45,90度。 按照点的坐标xy和每个角度θ求极半径r 统计rθ出现的次数 最大次数3出现在20°和390°则对应的图像空间的线为x2和y3。 Hough变换的优点是它对于噪声和图像变形具有一定的鲁棒性。它可以检测到不完整的、部分可见的或被噪声干扰的几何形状。因此Hough变换在计算机视觉领域中广泛应用于图像分析、目标检测和特征提取等任务。 标准霍夫线变换
提供一组参数对 (θ, rθ) 的集合来表示检测到的直线在OpenCV 中通过函数 HoughLines来实现。
lines cv2.HoughLines(edge, 1, np.pi / 180, 220)
统计概率霍夫线变换
这是执行起来效率更高的霍夫线变换. 它输出检测到的直线的端点 (x0, y0, x1, y1)。在OpenCV 中它通过函数 HoughLinesP来实现。
lines cv2.HoughLinesP(edge, 1, np.pi / 180, 100, minLineLength50, maxLineGap1)
Hough线变换应用路沿检测
本次我们采用标准Hough线变换来检测路沿经过多次测试和调参我们最后采用高斯模糊进行图像预处理然后使用canny进行边缘提取最后使用Hough线变换绘制直线。
def detect(image):gauss cv2.GaussianBlur(image, (5, 5), 0)edge cv2.Canny(gauss, 75, 175)# 进行Hough直线变换lines cv2.HoughLines(edge, 1, np.pi / 180, 220)
视频检测效果
第一个视频是一个静止不动的路沿检测效果如图6所示。 图6
第二个视频中路沿开始变化起来检测效果如图7所示。 第三个视频中出现了转弯检测效果如图8所示因为我们只做了线变化因此对于路沿弯曲的部分只能画出直线部分。 图8
代码
import cv2
import numpy as npdef detect(image):gauss cv2.GaussianBlur(image, (5, 5), 0)edge cv2.Canny(gauss, 75, 175)# 进行Hough直线变换lines cv2.HoughLines(edge, 1, np.pi / 180, 220)# 绘制检测到的直线if lines is not None:for rho, theta in lines[:, 0, :]:if theta 2:continuea np.cos(theta)b np.sin(theta)x0 a * rhoy0 b * rhox1 int(x0 - 350 * (-b))y1 int(y0 - 350 * a)x2 int(x0 - 700 * (-b))y2 int(y0 - 700 * a)cv2.line(image, (x1, y1), (x2, y2), (0, 255, 0), 4)return imagevideo cv2.VideoCapture(Task2/03.avi) # 打开视频文件
# 获取视频的宽度和高度以及帧率信息
width int(video.get(cv2.CAP_PROP_FRAME_WIDTH))
height int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps video.get(cv2.CAP_PROP_FPS)
# 创建VideoWriter对象用于保存处理后的视频
videoWriter cv2.VideoWriter(Task2/video3.mp4, cv2.VideoWriter_fourcc(*mp4v), fps, (width, height))
while True:have, frame video.read() # 读取当前帧if have:frame detect(frame) # 在这里对每一帧进行处理videoWriter.write(frame) # 将处理后的帧写入输出视频文件else:break
video.release() # 释放资源
videoWriter.release()
