时隔一年，对全国大学生智能车竞赛做段总结（三）

图像的黑白二值化处理

OK，前文说到哪儿了？对，说到摄像头已经采集好原始的图像数据了。那么采集到的数据我们要做什么用呢？分析数据，提取赛道元素。是直线，就一一定速度继续前行，是弯道，就给电机两边输出不同脉冲宽度的PWM波，实现差速转向。

对我们采集到的图像进行黑白处理。灰度图像的灰度级0~255，共256个灰度级。0为最黑，255为最白。再看看赛道，它有三个sai，蓝色，黑色，以及白色。蓝色的是赛道之外的区域，黑色的是赛道边缘贴着的黑色胶带，白色则是赛道区域。对于我们采集到的188*120个像素点来说，赛道区域的灰度级绝对是最高的。而我们二值化的目的呢，让采集到的图像中，赛道区域全白，非赛道区域全黑。当然，这只是其中一种处理方式，至少我还知道另一种：边沿提取——赛道边沿全白，其他地方全黑。

对于二值化有几种简单的实现方式，最简单的一种是什么呢？是对所有像素点的灰度值做个累加，遍历二维数组中的每一个像素点，将像素点的灰度值求和再取平均数。然后，接着遍历一遍数组，灰度值大于这个平均值的就是白，小于这个平均值的就是黑。这里的这个平均值呢，我们称之为阈值。（yu第四声）

不过这种手法实在是过于粗糙了，虽然没试过，但基本上想必很难拿出手。不过无所谓了，作为一名高级的CV工程师，你应该懂得搬迁和借鉴。

下面给出一段大津法的代码：

/************************************************************************
函数名：获取阈值
返回值：阈值
功能：大津法确定阈值
************************************************************************/
uint8 otsuThreshold(uint8 *image, uint16 col, uint16 row)
{
    #define GrayScaleMAX 170//110
    #define GrayScaleMIN 100  //50
    uint16 width = col;
    uint16 height = row;
    int pixelCount[GrayScaleMAX];
    float pixelPro[GrayScaleMAX];
    int i, j, pixelSum = width * height/8;
    uint8 threshold = 0;
    uint8* data = image;  //指向像素数据的指针
    for (i =GrayScaleMIN; i < GrayScaleMAX; i++)
    {
        pixelCount[i] = 0;
        pixelPro[i] = 0;
    }
    
    uint32 gray_sum=0;
    //统计灰度级中每个像素在整幅图像中的个数  
    for (i = 0; i < height; i+=2)
    {
        for (j = 0; j < width; j+=4)
        {
          if(data[i * width + j]>=GrayScaleMAX) data[i * width + j]=GrayScaleMAX;
          else if(data[i * width + j]<=GrayScaleMIN) data[i * width + j]=GrayScaleMIN; 
          
            pixelCount[(int)data[i * width + j]]++;  //将当前的点的像素值作为计数数组的下标
            gray_sum+=(int)data[i * width + j];       //灰度值总和
        }
    }
                      
    //计算每个像素值的点在整幅图像中的比例  
  
    for (i = GrayScaleMIN; i < GrayScaleMAX; i++)
    {
        pixelPro[i] = (float)pixelCount[i] / pixelSum;
        
    }

    //遍历灰度级[0,255]  
    float w0, w1, u0tmp, u1tmp, u0, u1, u, deltaTmp, deltaMax = 0;
    
     
        w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;
        for (j = GrayScaleMIN; j < GrayScaleMAX; j++)         
        {
            
                w0 += pixelPro[j];  //背景部分每个灰度值的像素点所占比例之和   即背景部分的比例
                u0tmp += j * pixelPro[j];  //背景部分 每个灰度值的点的比例 *灰度值 
           
               w1=1-w0;
               u1tmp=gray_sum/pixelSum-u0tmp;
        
                u0 = u0tmp / w0;              //背景平均灰度
                u1 = u1tmp / w1;              //前景平均灰度
                u = u0tmp + u1tmp;            //全局平均灰度
                deltaTmp = w0 * pow((u0 - u), 2) + w1 * pow((u1 - u), 2);
                if (deltaTmp > deltaMax)
                {
                    deltaMax = deltaTmp;
                    threshold = j;
                }
                if (deltaTmp < deltaMax)
                {
                break;
                }
          
         }

    return threshold;
}

这个算法如果记得没错的话，好像是一个日本人提出来的，不过无所*谓，该用用，有更好的并且是你使得出来的，那你就大可以换掉它。另外，这种灰度图像求阈值的算法，无论是在matlab还是opencv里都有很多现成的算法。opencv那边我没找到底层的代码，而matlab这边的两三个算法我试着改写成c语言代码。改是改了，编译一下也是0error,0warnning，但是跑出来放在显示屏上，它就是依托答辩。现在想来大抵是卷积计算那里出了点问题，因为matlab可以直接调用卷积这边的函数，而我C语言代码中的卷积运算是自己凑的。想想当时复变函数学得也是依托答辩，那卷积运算的代码多半食油点大饼，导致最后算出的那个阈值，大于图像每一个像素点的灰度值。所以，结果就是全黑图像。

图像二值化

宏定义

宏定义黑和白，这样做没有别的目的，单纯就是看起来，无论是自己阅读还是别人阅读都舒服点。不然整个代码中全是255和0这样的数字，看起来多不爽啊。当然，爽不爽还是写代码的人说的算，但在我写着的时候，我是觉得不爽的，因为这个255和0出现的频率太高了，什么时候代指颜色，什么时候代指其他的，并不确定。当然，另一方面代指白sai的不一定要255，只要是1~255之间的数字就行。

#define  black  0 //定义黑sai
#define  white  255  //宏定义白sai，单纯就是为了看起来舒服，其实不顶啥用

既然黑白分清楚了，阈值有了，那就是将图像二值化，这部分可以自己单独封装成一个函数，到时候再放进主函数中使用。

还得定义个存储二值化图像的数组

uint8 image[120][188];

示例：

void 二值化函数名(void) //毕竟不需要返回值嘛
{
    //先放大津法得到阈值
    uint16 Threshold=otsuThreshold(mt9v03x_image[0],MT9V03X_W,MT9V03X_H);
    //遍历二维数组图像
    uint16 i,j;
    for(i=0;i<120;i++)
    {
        for(j=0;j<188;j++)
        {
            if(原图像数组（i,j）这个点的灰度值大于阈值)
                定义存储二值化图像的数组这个位置的点就是白点
            else
                定义存储二值化图像的数组这个位置的点就是黑点
        }
    }
}

后续就是分析处理过的图像，提取我们需要的信息了。