python sobel滤波_【OpenCV】【python】车道线提取（HLS颜色空间）（sobel滤波）

课程目录

API使用流程

参考文章

完整代码

遇到的问题

效果展示

>>> 点击进入：OpenCV专栏<<<

API使用流程

颜色空间转换——》边缘检测——》颜色阈值—》合并并且使用L通道进行白的区域的抑制

参考文章

Python+opencv利用sobel进行边缘检测(细节讲解)

无人驾驶之车道线检测(一)

完整代码

# -*- coding:utf-8 -*-

'''

@Author: knocky

@Blog: https://blog.csdn.net/zzx188891020

@E-mail: 188891020@qq.com

@File: pipeline.py

@CreateTime: 2020/6/9 19:34

'''

import numpy as np

import cv2

import matplotlib.pyplot as plt

# 车道线提取

# 颜色空间转换——》边缘检测——》颜色阈值—》合并并且使用L通道进行白的区域的抑制

def pipeline(img, s_thresh=(170, 255), sx_thresh=(40, 200)):

# 复制原图像

img = np.copy(img)

# 颜色空间转换

# print(img.shape) # 如果能正确显示(720, 1280, 3)，说明读取成功，如果()说明路径错误

hls = cv2.cvtColor(img, cv2.COLOR_RGB2HLS).astype(np.float)

# hls = cv2.cvtColor(img, cv2.COLOR_BGR2HLS).astype(np.float)

h_channel = hls[:, :, 0]

l_channel = hls[:, :, 1]

s_channel = hls[:, :, 2]

# sobel边缘检测

# 利用Sobel方法可以进行sobel边缘检测

# img表示源图像，即进行边缘检测的图像

# cv2.CV_64F表示64位浮点数即64float。

# 这里不使用numpy.float64，因为可能会发生溢出现象。用cv的数据则会自动

# 第三和第四个参数分别是对X和Y方向的导数(即dx,dy)，对于图像来说就是差分，这里1表示对X求偏导(差分)，0表示不对Y求导(差分)。其中，X还可以求2次导。

# 注意：对X求导就是检测X方向上是否有边缘。

# 第五个参数ksize是指核的大小。

sobelx = cv2.Sobel(l_channel, cv2.CV_64F, 1, 0)

# print(sobelx.shape)# 这里是单通道 (720, 1280)

# 求绝对值

# 这里求出的梯度是有方向的，所以求绝对值以后，只要是有梯度就会高亮显示

abs_sobelx = np.absolute(sobelx)

cv2.imwrite('pipline_img/abs_sobelx.jpg',abs_sobelx)

# 将其转化为8bit的整数

scaled_sobel = np.uint8(255 * abs_sobelx / np.max(abs_sobelx))

# 对边缘提取结果进行二值化

sxbinary = np.zeros_like(scaled_sobel)

sxbinary[(scaled_sobel >= sx_thresh[0]) & (scaled_sobel <= sx_thresh[1])] = 1

cv2.imwrite('pipline_img/sxbinary.jpg', sxbinary*255)

plt.figure()

plt.imshow(sxbinary, cmap='gray')

plt.title("sobel")

plt.show()

# L通道阈值处理

l_binary = np.zeros_like(l_channel)

l_binary[(l_channel > 100)] = 1

cv2.imwrite('pipline_img/l_binary.jpg', l_binary * 255)

# s通道阈值处理

s_binary = np.zeros_like(s_channel)

s_binary[(s_channel >= s_thresh[0]) & (s_channel <= s_thresh[1])] = 1

cv2.imwrite('pipline_img/s_binary.jpg', s_binary*255)

plt.figure()

plt.imshow(s_binary, cmap='gray')

plt.title("schanel")

plt.show()

# 结合边缘提取结果和颜色的结果，

color_binary = np.zeros_like(sxbinary)

color_binary[((sxbinary == 1) | (s_binary == 1)) & (l_channel > 100)] = 1

cv2.imwrite('pipline_img/color_binary.jpg', color_binary*255)

return color_binary

if __name__ == '__main__':

img = cv2.imread('../test/test1_undistort.jpg')

binary_img = pipeline(img)

cv2.imshow('img',binary_img*255)

cv2.waitKey(0)

遇到的问题

无法安装moviepy,查各种博客，给出的建议就是无视

pip install moviepy --ignore-installed ，使用了这个命令，发现并没有那么有效果。

pip install moviepy --ignore-installed --user，感觉像是搞定了，至少Pycharm不报错了

通过打印图片shape，发现是路径错误导致了图片无法被识别

图片显示的是纯黑色，由于这里是阈值判断，得到的为0或1，但是opencv的值域范围是0-255

所以这里直接把图片乘以255，得到了最终的效果。这里是灰度图，所以只有一个通道。

imwrite不需要设置通道，会按照图片自带的通道，自动保存成对应的格式。

图下图，纯黑的，就不截图了。主要是0或1的亮度太低，误认为纯黑

为什么不在正前方增加mask

因为没有使用到深度学习，所以不会学习到背景信息

因为会转换为鸟瞰图，所以其他区域的位置将被剪裁掉

效果展示

原图像：

对梯度求绝对值

abs_sobelx.jpg

对图片abs_sobelx进行对边缘进行二值化处理，阈值范围 sx_thresh=(40, 200)

这里是阈值是对梯度大小大绝对值进行筛选，梯度过大或过小的，将被删除。

sxbinary[(scaled_sobel >= sx_thresh[0]) & (scaled_sobel <= sx_thresh[1])] = 1

可以看出很多浅色细节被删除，由于S通道几乎可以提取全部需要的信息，这里的边缘仅仅用来补充细节，让车道线白色像素更多

sxbinary.jpg

再对S通道s_channel阈值处理：s_thresh=(170, 255)

s_binary[(s_channel >= s_thresh[0]) & (s_channel <= s_thresh[1])] = 1

很清晰的得到了车道线，因为车道线的颜色鲜艳或者是纯白，导致饱和度很高。

s_binary.jpg

查看L通道的抑制效果 (l_channel > 100)

L通道是亮度通道，应该是用来填充缝隙的

l_binary.jpg

组合各个图片的效果

color_binary[((sxbinary == 1) | (s_binary == 1)) & (l_channel > 100)] = 1

color_binary.jpg

换另外一个图看看效果：

abs_sobelx.jpg

sobel算子提取x的效果，非常明显的边沿特征提取

sxbinary.jpg

梯度阈值筛选，发现噪点少了很多

s 通道阈值提取s_thresh=(170, 255)

几乎没有小的噪点

l通道阈值提取(l_channel > 100)

color_binary.jpg

组合输出的效果