第四章 图像处理
4.1图像信息的压缩
在路径检测模块中，图像传感器所获得的原始信息是一个286*720的数字化矩阵，量数据量比较大。而对于该赛车的应用，完全不用这么细致的图像，如果不进行图像的压缩，不仅浪费空间，而且还浪费处理时间。因此选择了通过FIFO将图像压缩为18*90的数字化矩阵，它是赛道图像的亮度值信息，大小为0~255。该功能的实现可以通过设计外围硬件电路分别对图像的行列信号进行分频来实现，这样可以减少单片机的处理时间，同时还简化了程序的设计。
4.2图像处理方法
由于赛道的路线是全黑的宽线，而拍取图像的目的就是为了获取黑线的信息，其余的信息对该小车系统都是无用的。因此只要将图像信息准确地转换成二值化后的图像即可，用0’表示白色的底板，而用‘1’表示黑线。
图像二值化是数字图像处理技术中的一项基本技术，也是许多图像处理技术的预处理技术，其关键在于如何选取阈值。根据其对像素的处理方式，主要分为三类：
(1) 全局阈值法：是指整个图像采用单一阈值(全局阈值) T 进行图像二值化。一般由图像的直方图或灰度的空间分布确定一个全局阈值T， 将图像的每个像素的灰度值与T进行比较。若大于T，则取为前景色；否则，取为背景色；典型的全局阈值法有Ostu法、最大熵方法等。
(2) 局部阈值法：由当前像素灰度值与该像素周围点局部灰度特征来确定像素的阈值。通过定义考察点的邻域， 并由邻域计算模板实现考察点灰度与邻域点的比较。典型的局部阈值法有Bernsen法、Nilblack法等。
(3) 动态阈值法：当光照不均匀、或者背景灰度变化较大等情况时，必须根据像素的坐标位置关系自动确定不同阈值,实施动态的阈值确定。该法的阈值选择不仅取决于该像素及周围像素的灰度值，而且还与该像素的坐标位置有关。邻域均值法是较为常见的一种动态阈值确定技术。
通常来说，全局阈值法对直方图为双峰、质量较好的图像有效，而局部阈值法则能够适应较为复杂的情况，比全局阈值法有更为广泛的应用。
通过以上三种常用方法的比较，我们可以看到由于赛道现场光线是比较均匀，而且赛道底下也是白色物体铺着的，没有过多的干扰，所以采用全局阈值法可达到算法简单，执行效率高的效果。
4.3阀值的确定方法
全局阈值法只要程序在初始化时确定一个正确的阈值即可，可以通过直方图统计法实现。
在赛道环境的分析中，我们可以发现黑线部分的亮度是相对比较固定的，其波动的范围非常小，小于30（最大幅值为255），而白色底板的亮度值变化相对较大一些，但仍能保证其与黑线的亮度值有较大的梯度。
因此，可以采用直方图统计法来对其阀值进行自动设定，具体方法如下：
因此，可以采用直方图统计法来对其阀值进行自动设定，具体方法如下：
首先存储一幅原始图像的所有数据，然后对整幅图像的第一像素点进行统计，最终把第个亮度值所对应的像素点个数统计出来，结果将出现一个双波峰形图（示意图如图4-1），这将能较直接地比较出亮度值集中的区域，以两个波峰的中心位置所在的中点值作为该赛道的二值化阀值。
图4-1 直方图统计示意图
该算法计算的精度较高，能够找到理想的一个阀值点，虽然它执行的时间较长，但是这只是在赛车未起跑前进行的初始化运算，对赛车起跑后的速度完全没有影响，因此该方案是可以采用的。
4.4噪声处理方法
在该系统设计中，图像处理的目的是准确地找到黑线的中心位置。在原始图像经过二值化之后，图像并不会出现太大的噪声，即使是在车体跑动起来摄像头有轻微抖动的情况下，图像仍然可以保持较高的准确性，只是在局部出现了一小部分的椒盐噪声，只要将其消除便能达到目的了。
在对大量图像进行分析后发现，出现的噪声在图像中占用的列数是比较少的，在18*90的图像中，其列数几乎都是小于2的，极少数才会出现3的。而赛道的黑线宽度较大，即使是在最远处的黑线会变窄，但其列数都是大于等于4的，因此可以通过这种特征进行去除噪声，具体方法如下：
从第一行的起始数据点开始判断，遇到黑点则记录该点的位置，如果连续出现黑点的个数小于等于3，那么可以断定此处出现的黑点属于噪声，可以把它们的值覆盖为‘0’；否则认为出现的黑点属于黑线部分，同时用重心法求出这连续几个黑点的中心值，其具体的计算公式如式4-1，其中i代表图像矩阵的第i行，j代表第j列。
89 89
yi=∑ yij*aij / ∑ aij （式4-1）
j=0 j=0
用该方法求出的中心坐标值同时还能减少小部分离散的黑色像素点对求取中心坐标值的影响，是个较理想的方法。
求出该行的黑线中心坐标后，便结束该行的操作，接着循环对图像的每一行进行相同的操作。该方法可以有效地去除噪声点，算法也较也简单，不会占用太多的执行时间。
