CN102842039B - 一种基于Sobel算子的道路图像检测方法 - Google Patents

Abstract

本发明公开了一种基于Sobel算子的道路图像检测方法，首先找到属于直线上的一个点，将通过点的直线斜率定义为m；将设定的斜率区间等分为10个子区间，即每个子区间的宽度为设定斜率区间宽度的1/10；为每个子区间设置一个累加器n_j(1≤j≤10)；初始化每个累加器的值为0；从上到下、从左到右逐点扫描图像，遇到目标像素时，计算其与已知点p₀之间的斜率m，m值属于哪个子区间就将哪个子区间累加器的值加1。本发明算法简单可行，计算工作量小，在具有噪声条件下的图像检测过程中，检测边缘连续，定位准确，识别效果良好，且噪声的抑制能力具有较大幅度的提高。

Description

一种基于Sobel算子的道路图像检测方法

技术领域

本发明涉及一种道路图像的识别及处理方法，尤其是一种基于Sobel算子的道路图像检测方法，属于电子信息学科中的数字图像处理领域。

背景技术

图像最基本的特征是边缘，识别一个对象是从其边缘开始的，图像中不同部分的边缘往往是模式识别最重要的特征。相对于目标的纹理、色彩等其它图像特征，边缘信息能很好的反映物体的形状特征。图像边缘中蕴含了丰富的内在信息，是图像局部特性不连续性的反映，它标志着一个区域的终结和另一个区域的开始。在沿边缘走向的方向上像素变化平缓，垂直于边缘走向的方向上像素变化剧烈。在智能车辆的视觉导航***中，车辆当前行驶路径的方向和车辆与道路之间的位置关系是车辆控制***实现车辆导航的重要信息，这些信息都可以通过定位道路边界来确定。因此，图像的边缘检测在数字图像***的初级处理中具有关键作用。

边缘检测技术提取出边缘是将目标和背景区分开来的基础。图像边缘提取方法可以分为三大类：第一类是基于某种固定的局部运算方法，如微分法，拟合法等，它们属于经典的边缘提取方法；第二类则是以能量最小化为准则的全局提取方法，其特征是运用严格的数学方法对此问题进行分析，给出一维值代价函数作为最优提取依据，从全局最优的观点提取边缘，如松弛法，神经网络分析法等；第三类是以小波变换、数学形态学、分形理论等近年来发展起来的新技术为代表的图像边缘提取方法，在以上的边缘检测算法中，微分算子边缘检测的的工具最为有效。

Roberts算子、Prewitt算子都是以模板对图像作卷积进行边缘检测的；LOG算子对图像先进行平滑，再利用拉普拉斯算子对图像进行边缘检测；Canny算子先对图像进行高斯滤波，再对图像梯度作“非极大抑制”，最后通过阈值判断像素点是否为边缘。在计算量和计算复杂度上，LOG算子和Canny算子最为复杂，计算量也最大。

发明内容

发明目的：针对现有技术中存在的问题与不足，本发明提供基于Sobel算子的道路图像检测方法。

图像最基本的特征是边缘，相对于目标的纹理、色彩等其它图像特征，边缘信息能很好的反映物体的形状特征。图像边缘中蕴含了丰富的内在信息，是图像局部特性不连续性的反映，它标志着一个区域的终结和另一个区域的开始。

Sobel算子以模板对图像作卷积进行边缘检测；对经过预处理的图像进行边缘提取，然后对有用的道路边界信息进行特征提取，以得到***需要的道路识别结果。

技术方案：一种基于Sobel算子的道路图像检测方法，包括如下步骤：

第一，Sobel算子以模板对道路图像作卷积，进行边缘检测；

Sobel算子边缘检测器把图像f(x,y)在位置(x,y)的梯度定义为下列向量：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

从向量分析中知道，梯度向量(x,y)指向坐标的f最大变化率方向，设：

S(i,j)＝max(G_x,G_y)

边缘检测方法就是设定门限T，则S(i,j)＞T为边缘点，近似的梯度计算公式为：

G_x＝(z₇+2z₈+z₉)-(z₁+2z₂+z₃)

G_y＝(z₃+2z₆+z₉)-(z₁+2z₄+z₇)

该近似梯度算子用3×3的模板表示如下：

z1	z2	z3
			z4	z5	z6
z7	z8	z9

第二，基于Sobel算子识别道路图像；

（1）找到属于直线上的一个点p₀，将这个已知点的坐标定义为(x₀,y₀)，将通过p₀的直线斜率定义为m，则坐标和斜率的关系为(y-y₀)＝m(x-x₀)；

（2）将设定的斜率区间等分为10个子区间，即每个子区间的宽度为设定斜率区间宽度的1/10；

（3）为每个子区间设置一个累加器n_j(1≤j≤10)；

（4）初始化每个累加器的值为0；

（5）从上到下、从左到右逐点扫描图像，遇到目标像素时，由式m_i＝(y_i-y₀)/(x_i-x₀)及式计算其与已知点p₀之间的斜率m，m值属于哪个子区间就将哪个子区间累加器的值加1；

（6）当扫描完全部处理区域之后，将累加器的值为最大的子区间及其相邻的两个子区间（共3个子区间）作为下一次投标的斜率区间，重复上述（2）至（5）步，直到斜率区间的宽度小于设定斜率检测精度为止。

有益效果：与现有技术相比，本发明所提供的基于Sobel算子的道路图像检测方法，在对各种情况下道路图像边缘检测的效果方面，Sobel算子不仅计算量小，算法简单，而且对各种噪声条件下的图像检测效果都比较令人满意，受噪声影响比较小，检测结果的边缘比较连续，定位也比较准确，误判点较少。在智能车辆***的道路识别这一实时性要求较高的应用中，Sobel算子的实用价值较高，检测效果较好，可以满足***的使用要求。在特征曲线提取中，将采用Sobel算子对经过预处理的图像进行边缘提取，然后对有用的道路边界信息进行特征提取，以得到***需要的道路识别结果。

附图说明

图1为在道路图像没有受到污染的情况下的本发明实施例与其他算法的检测结果比较图；

图2为本发明实施例与其他算法的加入椒盐噪声道路边缘检测结果比较图；

图3为本发明实施例与其他算法的加入高斯白噪声道路边缘检测结果比较图；

图4为本发明实施例的过已知点的直线车道线检测结果图。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

Sobel算子边缘检测器是把重点放在接近于模板中心的像素点，通常用于水平和垂直边缘的简单算子。Sobel算子是一个梯度算子，一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f(x,y)在位置(x,y)的梯度定义为下列向量：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

从向量分析中知道，梯度向量(x,y)指向坐标的f最大变化率方向。设：

S(i,j)＝max(G_x,G_y)

基于梯度的边缘检测方法就是设定门限T，则S(i,j)＞T为边缘点，由于直接求图像的G_x，G_y非常困难，所以通常采用它的近似计算公式，z₅及其相邻像素，一种近似的梯度计算公式为：

G_x＝(z₇+2z₈+z₉)-(z₁+2z₂+z₃)

G_y＝(z₃+2z₆+z₉)-(z₁+2z₄+z₇)

该近似梯度算子用3×3的模板表示如下：

z1	z2	z3
			z4	z5	z6
z7	z8	z9

一，以过已知点直线检测为例，具体步骤如下：

基本思想是首先找到属于直线上的一个点p₀，将这个已知点的坐标定义为(x₀,y₀)，将通过p₀的直线斜率定义为m，则坐标和斜率的关系为(y-y₀)＝m(x-x₀)。

具体步骤：

（1）将设定的斜率区间等分为10个子区间，即每个子区间的宽度为设定斜率区间宽度的1/10。

（2）为每个子区间设置一个累加器n_j(1≤j≤10)。

（3）初始化每个累加器的值为0。

（4）从上到下、从左到右逐点扫描图像，遇到目标像素时，由式m_i＝(y_i-y₀)/(x_i-x₀)及式计算其与已知点p₀之间的斜率m，m值属于哪个子区间就将哪个子区间累加器的值加1。

（5）当扫描完全部处理区域之后，将累加器的值为最大的子区间及其相邻的两个子区间（共3个子区间）作为下一次投标的斜率区间，重复上述（1）至（4）步，直到斜率区间的宽度小于设定斜率检测精度为止。其结果如附图4所示。

二，Sobel算子边缘检测实验结果：

（1）无外加噪声道路边缘检测

在图像没有受到污染的情况下的检测结果如附图1所示，得到结论：几种算子对于最为明显的车道路白线检测结果都比较接近，均检测出白线的大致轮廓。Prewitt算子因其具有非各向同性而在检测接近45度的道路线方面具有一定的优势；Rebort算子和LOG算子得到的边缘连续并且清晰，但是没有真实地反映道路的实际特性；Canny算子虽然也能检测出边界轮廓，但图像轮廓对比度不高，不易识别，使得后续提取车道线比较困难；Sobel算子提取的道路边界连接完整，边缘线划分细致，具有很高的定位准确性。

（2）加入椒盐噪声道路边缘检测

在雨雪天气道路的采集和识别中，视觉***采集到的图像视野中加入大量的椒盐噪声，严重影响对道路图像中障碍物的边缘提取。原始道路图像添加入噪声密度为0.01的椒盐噪声，

然后对污染的道路图像的进行滤波和边缘检测，实验结果如附图2所示。

可得结论：椒盐噪声对几种微分算子的检测结果都产生了很大的影响。其中，Prewitt算子对道路左右边界白线的检测完整性有很大的影响，基本上检测不出道路的边界。Canny算子和Robert算子对图像道路边界的车道白线的检测效果较好，边缘较为完整，但是检测后的图像中由于抖动效果产生了大量的块状斑点；LOG算子的检测结果对道路完整白线的定位不准确，产生了大量的误判；Sobel算子检测结果中道路边界白线和左右边缘都得到了完整的检测和较为准确的定位，但是同时也提取了大量的无用信息。

（3）加入高斯白噪声道路边缘检测

在原始图像中加入均值为0，方差为0.005的高斯白噪声，检测结果如附图3所示，可得结论：Robert算子的检测结果由于高斯白噪声而产生断点和误判，道路图像相对有点受噪声污染。LOG算子本身具有平滑函数，对高斯白噪声的滤除能力较强，边缘细节的完整检测对最终的道路图像边缘检测效果影响不是太大。Canny算子和Prewitt算子受高斯白噪声影响严重，检测车道线非常的模糊，Sobe算子检测车道线比较清晰，受高斯白噪声影响较小。

综上所述，在道路图像检测中，Sobe算子具有检测效果、运算速度快、抗噪声能力强、边界定位准确的性能优势。

Claims (1)

1.一种基于Sobel算子的道路图像检测方法，其特征在于，包括如下步骤：

第一，Sobel算子以模板对道路图像作卷积，进行边缘检测；

Sobel算子边缘检测器把图像f(x,y)在位置(x,y)的梯度定义为下列向量：

$\▿f=\left[\begin{array}{c}{G}_x\\ G_y\end{array}\right]=\left[\begin{array}{c}\frac{\∂f}{\∂x}\\ \frac{\∂f}{\∂y}\end{array}\right]$

从向量分析中知道，梯度向量▽f指向坐标的f(x,y)最大变化率方向，设：

S(i,j)＝max(G_x,G_y)

边缘检测方法就是设定门限T，则S(i,j)＞T为边缘点，近似的梯度计算公式为：

G_x＝(z₇+2z₈+z₉)-(z₁+2z₂+z₃)

G_y＝(z₃+2z₆+z₉)-(z₁+2z₄+z₇)

该近似梯度算子用3×3的模板表示如下：

z₁ z₂ z₃ z₄ z₅ z₆ z₇ z₈ z₉

第二，基于Sobel算子识别道路图像；

(1)找到属于车道线直线上的一个点p₀，将这个已知点p₀的坐标定义为(x₀,y₀)，将通过点p₀的直线斜率定义为m，则坐标和斜率的关系为(y-y₀)＝m(x-x₀)；

(2)将设定的斜率区间等分为10个子区间，即每个子区间的宽度为设定斜率区间宽度的1/10；

(3)为每个子区间设置一个累加器n_j(1≤j≤10)；

(4)初始化每个累加器的值为0；

(5)从上到下、从左到右逐点扫描图像，遇到目标像素时，由式m_i＝(y_i-y₀)/(x_i-x₀)及式计算其与己知点p₀之间的斜率，斜率值属于哪个子区间就将哪个子区间累加器的值加1；

(6)当扫描完全部处理区域之后，将累加器的值为最大的子区间及其相邻的两个子区间作为下一次计算的斜率区间，重复上述(2)至(5)步，直到斜率区间的宽度小于设定斜率检测精度为止。