基于形态学处理的交通标志检测分割算法matlab仿真

目录

一、理论基础

二、核心程序

三、仿真测试结果

---

作者ID  ：fpga和matlab
CSDN主页：https://blog.csdn.net/ccsss22?type=blog
擅长技术：
1.无线基带,无线图传,编解码 
2.机器视觉,图像处理,三维重建 
3.人工智能,深度学习 
4.智能控制,智能优化
5.其他

一、理论基础

算法的基本流程如下所示：

步骤一：消除明显细小的连通域。

    这个我认为你没理解我的意思，200是一个非常小的值，而不是经验值，目的是为了删除各种噪点组成的连通域。起到滤波的作用。如果非要这里使用bwlabel来标记，没实际意义如果标记了，计算面积，然后将面积小的去掉，那么这个面积多少才算小？还是得设置门限。所以这里必须使用bwaeraopen这个函数。这里用lwlabel没实际意义。

 步骤二，取反。

    因为得到的连通域，有些交通标志是黑白反的，这样处理及其麻烦，所以取反，然后两路同时进行处理。

步骤三，根据判决规则消除不规则干扰连通域

下面介绍一下这个函数功能。这里，就需要用bwlabel这个标记函数了。

基本思路是标记连通域，将明显狭长的，以及明显非常大的这里，3,3,0.3，这种参数，不算是什么经验值，明显的情况，就是设置一个较大值即可。不管什么图片，这个值也不影响。

每一步处理之后，都需要做一次滤波。

这个是需要人工设置的参数2。

同样也是滤波，就是将处理之后的小的连通域去除，上面的200是去掉你处理后得到的小的噪点，

这里设置1000，就是去掉一些稍大一些的连通域，这个也不是什么经验值，同样如果这种地方用你说的标记，通过面积来判断，反而麻烦。希望不要老想用bwlabel这个函数，滤波还是得用bwareaopen这个函数。

步骤四：去除不规则连通域。

其内部程序如下所示：

这个步骤实际上是步骤二的补充，即，将面积的连通域进行消除。

腐蚀，

这里对两个通道的连通域进行腐蚀，腐蚀的主要目的是，由于交通标志处理后，往往会存在两个标志之间存在一定的粘连，所以通过腐蚀来分开这种情况。

上面两个腐蚀参数7和10，可以认为是测试参数。3

步骤五

这个是空心区域的填充，作为腐蚀后的补充处理，即将交通标志内部的空心区域进行填充。

步骤六：

得到和交通标志相似的所有的连通域，这里会包括真实的交通标志和类似交通标志的区域。

上面两个膨胀参数，可以认为是测试参数。4

首先进行膨胀。对交通标志内部进行膨胀，主要针对部分交通标志中间会有裂缝被迫变为2个区域，膨胀之后，变为一个。

这个是对通过腐蚀和膨胀之后的区域进行不规则去除。

这个是和前面的200相对应，即将 一个很大的区域删除，设置为8000.

这个是需要人工设置的参数5。

最后步骤，

从最后剩下的区域中，分析最终的交通标志区域。

合并之前，选择连通域个数较多的一个通道作为参考通道进行处理。

去除图像四个边缘区域的连通域。只保留中间区域。

对合并和的图像进行腐蚀。

计算合并后的图像中的各个连通域的面积。

对排序后的面积的最小的几个区域删除。

二、核心程序

clc;  
clear;
close all;
warning off;
addpath 'func\'
addpath 'func2\'

 

Image_Name = 7;

Name1      = ['image0\',num2str(Image_Name),'.jpg'];
Name2      = ['image0\R',num2str(Image_Name),'.mat'];

Pic = imread(Name1);
load(Name2);

%%
%步骤1
%先进行形态学滤波，消除细小的连通域    
BWa1  = bwareaopen(I3,200);
BWb1  = ones(size(BWa1))-BWa1;

figure;
subplot(121)
imshow(BWa1);
subplot(122)
imshow(BWb1);

%%
%快速去除容易辨识的干扰
BWa1 = func_catch1(BWa1); 
BWb1 = func_catch1(BWb1); 

figure;
subplot(121)
imshow(BWa1);
subplot(122)
imshow(BWb1);

%步骤2
%先进行形态学滤波，消除细小的连通域    
BWa2  = bwareaopen(BWa1,1000);
BWb2  = bwareaopen(BWb1,1000);

figure;
subplot(121)
imshow(BWa2);
subplot(122)
imshow(BWb2);


%快速去除容易辨识的干扰
BWa2 = func_catch2(BWa2,1); 
BWb2 = func_catch2(BWb2,0); 

figure;
subplot(121)
imshow(BWa2);
subplot(122)
imshow(BWb2);

%步骤3
%最终提取
BWa3 = imfill(BWa2,'holes');
BWb3 = imfill(BWb2,'holes');

figure;
subplot(121)
imshow(BWa3);
subplot(122)
imshow(BWb3);

 
 

BWa3 = func_catch3(BWa3,1); 
BWb3 = func_catch3(BWb3,0); 

figure;
subplot(121)
imshow(BWa3,[]);
subplot(122)
imshow(BWb3,[]);

%步骤4
%最终步骤，检测，分化，提取与合并
BW4 = func_catch4(BWa3,BWb3);

%最终判决得到输出的正确的区域





figure;
subplot(121)
imshow(I3);
subplot(122)
imshow(BW4,[]);
 







 

figure;
subplot(131);
imshow(Pic);
title('原始图像');

%小波去噪
R = func_wavelet_filter(Pic(:,:,1));
G = func_wavelet_filter(Pic(:,:,2));
B = func_wavelet_filter(Pic(:,:,3));

I2(:,:,1) = uint8(R);
I2(:,:,2) = uint8(G);
I2(:,:,3) = uint8(B);


subplot(132);
imshow(I2,[]);
title('小波滤波后图像');
 
I3 = imadjust(I2,[0.05 0.05 0.05; 0.8 0.8 0.8],[]);
R  = I3(:,:,1);
G  = I3(:,:,2);
B  = I3(:,:,3);

I4(:,:,1) = uint8(R);
I4(:,:,2) = uint8(G);
I4(:,:,3) = uint8(B);


subplot(133);
imshow(I4,[]);
title('增强图像');



[X3,X4,X5,X6] = func_getbz(BW4,I4);

figure;
subplot(221);imshow(X3); 
subplot(322);imshow(X4);
subplot(223);imshow(X5); 
subplot(224);imshow(X6);


save test_image.mat X3 X4 X5 X6

三、仿真测试结果

 

 A09-52