不均匀光照条件下二值化图像处理的研究

申倬栋，王泽举

（闽江学院，福建 福州 350108）

0 引言

本文的研究是基于全国大学生智能汽车竞赛中图像识别的相关研究，在体育馆等环境下，太阳光照透过窗户在地面上形成不同大小的光斑，光斑对于摄像头对赛道的识别有很大的影响，表现在将非赛道部分识别成赛道，导致车辆偏离正确的行使路径，因此对于不均元光照条件下图像的正确处理至关重要[1-3]。

1 二值化图像分割

在计算机对图像进行处理的过程中，首先要做的就是进行图像分割，常用的图像分割方法有基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于神经网络的分割方法等。全国大学生智能汽车竞赛中所面临的图像具有明显的颜色变化特征，基于阈值的分割方法是不错的选择，即二值化图像分割，顾名思义，二值化图像分割就是选取一个阈值[4]，图像中大于该阈值的像素点为255（全白），小于该阈值的像素点为0（全黑），因此阈值的选取是二值化图像分割的关键。

2 OTSU最大类间方差二值化

最大类间方差法是由日本学者大津提出的一种自适应阈值确定的方法，又称大津法，简称OTSU。

最大类间方差法首先要计算图像的直方图，直方图体现的是图像灰度的整体分布情况，横坐标是灰度值mk，纵坐标是该灰度值的概率Pk。

根据直方图的统计信息，求出像素类的概率P以及像素类的平均灰度m。

遍历0-255之间的每个像素值，寻找能得到最大类间方差的像素值，由此得到的像素值就认为是合适的阈值。根据该阈值对图像进行二值化分割，得到二值化图像。

最大类间方差二值化方法运用的是全局阈值，在对于不均匀光照条件下，在对赛道图像处理时，出现明显的偏差，难以显示正确的路径。

3 Bernsen算法二值化

针对太阳光照透过窗户照射进来在地面上形成的光斑，采取局部阈值的方法对图像进行二值化分割，局部阈值法即针对不同区域像素采用不同的阈值进行二值化分割，是一种自适应的动态阈值分割方法。Bernsen算法是一种典型的局部阈值法。Bernsen算法的中心思路是先设定两个值S与TT(Bernsen最初设定S为15，TT设为128)，计算以像素P为中心的大小为（2w+1）*(2w+1)窗口内所有像素的最大值M与最小值N，以及两者的均值T[5]。

如果M-N＞S，则当前像素P的阈值为T；如果M-N＜S，则说明该像素P所在的区域灰度级差别较小，整个窗口区域位于同一个目标区或者同一个背景区，若T＞TT，则该像素点灰度值为255，若T＜TT，则该像素点灰度值为0。

Bernsen算法中S与TT的值可以根据实际情况调整，首先采用Bernsen最初的设定[6-8]，得到如下二值化图像：

经过多次的实际测试，设定不同的S与TT值，Bernsen算法得到的二值化图像有明显改善，但Bernsen算法要求遍历每一个像素点所在的区域来确定局部阈值，计算量较大，对于性能有限的嵌入式芯片而言，过大的计算量会导致系统运行出现时迟滞，在Bernsen算法的基础上降低计算量是非常重要的。

4 针对赛道图像改进的二值化算法

全国大学生智能汽车竞赛的比赛场地主要集中在没有做遮光处理的室内体育场，阳光透过体育场馆顶部照射在地面上的光斑呈现出较大块的亮斑，很少会出现琐碎的光斑，针对这种情况，把图像分割成较大的不同区域，既不会像最大类间方差法那样直接求出全局阈值，也不会像Bernsen算法那样对每一个像素点都取不同的阈值，减少了计算量，因此如何对图像进行区域分割成为至关重要的一步[9]。

在实际的实验过程中，摄像头拍摄到的图像尺寸为120*188，赛道部分主要集中在图像的中间区域，赛道采用白色的材质，光照对其几乎没有影响。非赛道部分采用蓝色的材质，当有强光照射在上面时，会提高其表面亮度，在摄像头采集到的图像中表现为较亮的一块区域，采用全局阈值的方法会直接将其分割为赛道部分。

其中5区域大多处于赛道的白色的部分，光照对其几乎没有影响，经过多次实验，对其直接采取固定的阈值110，这样将会进一步减少计算量；对于1、2、3、4、6区域，存在赛道和非赛道部分的过度，由于复杂光线的影响，其成像效果参差不齐，采取最大类间方差法求阈值进行二值化[10]，在减少计算量的同时能够有效缓解光照不均匀照成的影响。

5 结论

综上所述，通过对不同的二值化算法进行比较，二值化图像分割时阈值的取值至关重要，当面对不均匀光照条件下，在最大类间方差法和Bernsen算法的基础上，对现有二值化算法做改进，能够有效减少光照不均匀对成像效果的影响。本文提出思路有一定的局限性，通过适当的改进也可用在其它领域。