金沛峰

(延鋒汽車飾件系統(tǒng)有限公司測試中心，上海 200233)

?

汽車近光燈光形圖像處理

金沛峰

(延鋒汽車飾件系統(tǒng)有限公司測試中心，上海 200233)

汽車近光燈光束投影的明暗截止線及其拐點是現(xiàn)行國標(biāo)汽車安全性能的必檢項目，由于圖像噪點和邊界模糊而難于直接確定。使用MATLAB數(shù)字圖像算法對汽車近光燈屏幕光型圖像進(jìn)行處理。采用中值濾波算法進(jìn)行平滑消噪，改善了圖像清晰度。比較灰度直方圖法和最大類間方差法，選擇最大類間方差法確定閾值，將圖像分割轉(zhuǎn)換成交界明顯的二值化黑白圖像。采用Canny算子進(jìn)行邊緣檢測，得到十分清晰的單像素明暗截止線；最后，采用最小二乘法對明暗截止線進(jìn)行擬合，準(zhǔn)確確定了拐點的位置。

近光燈；明暗截止線；汽車照明

1 近光燈光型要求

前照燈，是汽車在夜間或白天霧雨中行駛時，照明道路、辨認(rèn)前方障礙物的汽車燈具，一般具有近光和遠(yuǎn)光兩種照明功能。在使用近光時，不但應(yīng)保證司機(jī)能看清車前40米范圍障礙物，而且燈光不能讓前面道路的其他使用者(如對面來車司機(jī)或行人)眩目或不舒適，以確保汽車行駛安全。[1-4]

在前照燈近光光束設(shè)計中，一般通過改變配光(改變光束分布即光形)來避免燈光照射到迎面行人和車輛司機(jī)的眼睛，從而不產(chǎn)生眩目。

我國與歐洲一樣，采用的是非對稱式近光前照燈系統(tǒng)，其光形分布的特點是它在前方道路的右側(cè)形成一個延伸的視野(圖1)。

這種非對稱式近光前照燈系統(tǒng)的燈泡將近光燈絲布置在拋物面反光鏡焦點的前上方，燈絲的光經(jīng)反光鏡反射向軸側(cè)傾斜(圖2)。近光燈絲的下方配有一個遮光罩，不讓燈絲光線向下方照射到反光鏡上，以免向上反光，影響對方來車。

圖1 前照燈近光光形Fig.1 Car Low-beam light Shape

圖2 前照燈近光結(jié)構(gòu)Fig.2 Car Low-beam light structure

遮光罩的邊緣形狀可使光束照在路面上形成的一條明暗截止線(圖3)，左半部與燈光軸線成直角延伸，從而可以防止迎面車輛司機(jī)產(chǎn)生眩目；而在右半部分則向斜前方延伸，從而保證了己方道路照明。

圖3 近光光束在屏幕上形成的明暗截止線Fig.3 The cut-off line of low-beam light on the screen

GB 4599—2007 《汽車前照燈配光性能》中近光配光性能要求是在前照燈基準(zhǔn)端面前25m的鉛垂配光屏幕上，近光應(yīng)產(chǎn)生明顯的明暗截止線。其水平部分在v-v線的左側(cè)，右側(cè)為HVH2H3線或HVH1H2H4(圖4)，我國目前汽車前照燈生產(chǎn)廠家多數(shù)采用v-v 線右側(cè)HVH2H3標(biāo)準(zhǔn)。

圖4 近光光束明暗截止線示意圖Fig.4 Schematic diagram of cut-off line

根據(jù)國家標(biāo)準(zhǔn)，我們知道近光燈光形性能檢測的要點是光束明暗截止線拐點的位置，近光的拐點即明暗交界水平線與15°斜線的交點。其測量關(guān)鍵在于尋找水平線與15°斜線。

本文使用數(shù)碼影像設(shè)備采集屏幕光形的數(shù)碼照片，調(diào)用MATLAB的圖像處理工具箱(Image Processing Toolbox)[5][6]有關(guān)命令程序進(jìn)行圖像邊緣檢測和擬合，求出水平線與15度斜線的函數(shù)方程，最后用EXCEL求出兩條直線的交點即拐點的位置，并畫出截止線圖形。

2 圖像獲取及預(yù)處理

2.1 圖像的數(shù)字化和獲取

圖像的數(shù)字化包括兩個方面：采樣和量化。所謂采樣是指將圖像平面分割成離散點的集合，量化是指把亮度值劃分為2N個區(qū)間，然后用單個值來表示這一個區(qū)間內(nèi)的所有亮度值。

數(shù)字圖像是連續(xù)圖像的近似表示，由采樣點的函數(shù)值所組成的矩陣來表示。

每一個采樣點就是一個像素，把像素按照不同的方式進(jìn)行存儲，就得到不同的圖像格式，按照圖像格式把圖像數(shù)據(jù)以文件形式存儲就得到圖像文件。

近光燈光型圖像的獲取一般采用數(shù)字?jǐn)z像機(jī)拍攝，像素量超過500萬就可。本文采用CCD數(shù)碼相機(jī)采集近光光形圖像。

2.2 圖像預(yù)處理

圖像預(yù)處理的主要目的是消除圖像中無關(guān)的信息，恢復(fù)有用的真實信息，增強(qiáng)有關(guān)信息的可檢測性和最大限度地簡化數(shù)據(jù)，從而改進(jìn)特征抽取、圖像分割、匹配和識別的可靠性。本文圖像預(yù)處理將使用到圖像灰度化和圖像平滑處理。

2.2.1 圖像灰度化

數(shù)碼相機(jī)拍攝獲取的圖像一般是彩色圖像。彩色圖像包含著大量的顏色信息，增加了許多不必要的計算量，因此需要將彩色圖像轉(zhuǎn)換為灰度圖像。轉(zhuǎn)化后明暗分界線并不會消失，同時會使處理過程更加簡單和省時。

數(shù)碼相機(jī)采集的原始圖像是24位真彩色的，首先需要將彩色圖像轉(zhuǎn)換為灰度級為256的灰度圖像。由彩色圖像變換為灰度圖像的函數(shù)如下：

Y=R×0.2989+G×0.5870+B×0.1141

其中R、G、B分別是彩色圖像中紅綠藍(lán)三個分量，Y是該像素在灰度圖像中的灰度值。

在MATLAB中則是通過調(diào)用命令I(lǐng)=rgb2gray(‘彩色圖像文件名’)函數(shù)來實現(xiàn)。轉(zhuǎn)換后得到圖5。

圖5 近光燈光形灰度圖34.bmpFig.5 Low beam light gray image of 34.bmp

2.2.2 圖像平滑

圖像平滑是消除圖像中隨機(jī)噪聲的技術(shù)。對圖像平滑應(yīng)保證在消去噪聲的同時不使圖像輪廓或線條變得模糊不清。其原理是減弱或消除傅立葉頻域空間的高頻分量，但不影響低頻分量，達(dá)到去除太小的細(xì)節(jié)，消除噪聲的效果。常用的平滑方法有中值法、局部求平均法和k 近鄰平均法。局部區(qū)域大小可以是固定的，也可以是逐點隨灰度值大小變化的。此外，有時應(yīng)用空間頻率域帶通濾波方法。

中值濾波器是一種去除噪音的方法，由Tueky在1971年提出[7]，基本原理是把數(shù)字圖像或數(shù)字排列中一點的值用其鄰域中各點值的中值代替。中值濾波器的特點是在衰減噪聲的同時，不會使圖像的邊界模糊。中值濾波器的去噪效果依賴于2個要素，鄰域的空間范圍和計算中涉及的像素數(shù)量。小于中值濾波器面積一半的像素值會被濾掉，而超過中值濾波器面積一半的像素值會被保留下來，所以，應(yīng)根據(jù)圖像特點調(diào)整中值過濾模版的維數(shù)。為了加快計算速度，可以采用對角稀疏矩陣模版或十字稀疏矩陣模版。

例如，中值濾波前的原始灰度矩陣如下：

矩陣中數(shù)字為灰度值?？梢钥闯鲋虚g的6和周圍的灰度相差很大，是一個噪聲點。

經(jīng)過3×1窗口(即水平3個象素取中間值)的中值濾波，得到以下矩陣，噪聲點被去除了。

中值濾波可以調(diào)用MATLAB的F=medfilt2(E)命令實現(xiàn)，命令中E是濾波前的圖像，這里是34.bmp，F(xiàn)是濾波后的圖像。圖5經(jīng)中值濾波得到圖6。

圖6 中值濾波后近光燈光形灰度圖Fig.6 Median filtering Low beam lights form gray image

圖7 直接對灰度圖像進(jìn)行邊緣檢測的結(jié)果Fig.7 Result of directly edge detection on the gray image

圖6的光形圖像明暗邊界模糊。直接對圖6進(jìn)行邊緣檢測處理后，得到圖7?？梢钥吹剑玫降倪吘壘€既粗又不連續(xù)，無法提取明暗轉(zhuǎn)折線。

只有清晰的明暗邊界才能得到好的邊緣檢測效果。最理想的邊界是單像素邊界(即對應(yīng)于每一離散橫坐標(biāo)，只有一個離散縱坐標(biāo)對應(yīng)的像素灰度值不同于周圍像素)。為此，需要對圖6的灰度圖進(jìn)行圖像分割和邊緣提取。

3 圖像分割

圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，通過圖像分割，可以凸顯目標(biāo)信息，以便對目標(biāo)進(jìn)行特征提取和參數(shù)測量，使得更高層的圖像分析和理解成為可能。

圖像分割是將整個圖像區(qū)域分割成若干互不交疊的非空子區(qū)域的過程，每個子區(qū)域內(nèi)部連通，同一區(qū)域內(nèi)部具有相同或相似的特性，這里的特性可以是灰度、顏色、紋理等。

3.1 圖像分割方法

根據(jù)利用圖像信息的不同，分割方法主要分為：

(1)基于閾值的分割方法。利用圖像灰度統(tǒng)計信息，如灰度直方圖。

(2)基于區(qū)域的分割方法。包括區(qū)域分裂——合并法、區(qū)域生長法、紋理分割等，利用圖像空間區(qū)域信息。

(3)邊緣檢測方法。利用圖像中灰度變化最強(qiáng)烈的區(qū)域信息，確定邊緣。

MATLAB的圖像分割是把圖像空間劃分成若干個具有某些一致屬性的不重疊區(qū)域，并提取出目標(biāo)的技術(shù)。圖像分割分為全局分割、邊緣分割、區(qū)域分割。

本文采用二值化處理使明暗邊界清晰。二值化處理按圖像的灰度或亮度值分割圖像區(qū)域，屬閾值分割技術(shù)，形成只含灰度為0，1的區(qū)域的二值掩模。

3.2 圖像的閾值化分割方法

基于閾值的分割方法是圖像分割中十分古老而又簡單有效的常用方法。

閾值分割法實質(zhì)是利用圖像的灰度直方圖信息得到用于分割的閾值。閾值分割方法可以按照分割得到的結(jié)果分為二元閾值分割以及多元閾值分割。本文根據(jù)分割要求選擇二元閾值分割，分割的結(jié)果是明與暗。

確定閾值通常有兩種方法：利用灰度直方圖直接確定閾值、通過最大類間方差法確定閾值。

3.2.1 灰度直方圖確定閾值

閾值分割關(guān)鍵在于選取閾值，那么，應(yīng)該如何求取閾值呢？

首先看利用灰度直方圖特征確定灰度分割門限。其原理是：如果圖像所含的目標(biāo)區(qū)域和背景區(qū)域大小可比，而且目標(biāo)區(qū)域和背景區(qū)域在灰度上有所差別，那么其灰度直方圖會呈現(xiàn)雙峰一谷狀。其中一個峰值對應(yīng)于目標(biāo)中心灰度，另一個峰值對應(yīng)于背景的中心灰度。雙峰之間的谷點對應(yīng)邊界的灰度，可以將谷點的灰度作為分割圖像的閾值。

具體做法是：將圖像轉(zhuǎn)變?yōu)榛叶葓D像；計算直方圖；計算直方圖中谷底灰度值作為閾值。

MATLAB中做灰度直方圖的命令為 imhist()。具體程序為

I=imread(P);

imhist(I)

其中P是光型圖像，I是圖像數(shù)據(jù)矩陣，得到灰度直方圖如圖8所示。

圖8 34.bmp圖像的灰度直方圖Fig.8 34.bmp image gray histogram

圖8有2個較明顯峰位，但谷區(qū)過于平坦無法直接準(zhǔn)確讀出谷值。這時，一般通過二次曲線y=ax2+bx+c擬合2個峰位之間的部分，則x=-b/2a可以作為分割門限；也可以使用2個高斯函數(shù)來擬合直方圖的2個峰，求出2個高斯函數(shù)的交點作為分割門限，但都有較大的誤差。為比較起見，本文先根據(jù)灰度直方圖將閾值估計為200。

通過灰度直方圖求閾值雖然比較簡單快捷，但當(dāng)雙峰一谷的谷過于平坦時，取值難以準(zhǔn)確。并且在某些情況下，即使直方圖是典型的雙峰一谷特性，通過直方圖分割的結(jié)果也有可能是錯誤的。例如：黑白像點隨機(jī)分布的圖像或一邊黑一邊白的圖像就具有相同的直方圖，前者的直方圖就沒有意義。所以為了得到更準(zhǔn)確閾值，需要尋求另一種方法。

3.2.2 最大類間方差法確定閾值

最大類間方差法又叫大津法，簡稱OTSU，是一種自適應(yīng)的閾值確定方法，被視為二值化全局算法的最為杰出代表之一，由日本學(xué)者大津展之于1979年提出[8]。它是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)出來的，屬于統(tǒng)計判決方法。其基本思路是將圖像的直方圖以某一灰度為閾值將圖像分成兩組并計算兩組間的方差，當(dāng)方差最大時，就以這個灰度值為閾值分割圖像。其中方差是灰度分布均勻性的一種度量，方差越大，說明構(gòu)成圖像的兩部分差別越大。部分目標(biāo)錯分為背景或部分背景錯分為目標(biāo)都會導(dǎo)致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。該方法自適應(yīng)性強(qiáng)，在一定條件下不受圖像對比度與亮度變換的影響，因而在一些實時圖像處理系統(tǒng)中得到了很廣泛的應(yīng)用。

通過調(diào)用MATLAB基于最大類間方差法求取閾值比率的命令Th=graythresh(I)，我們得到Th為0.6667。由于灰度級數(shù)為255，所以實際灰度閾值為0.6667×255=170。圖9 為所得閾值在直方圖上的位置情況。

圖9 最大類間方差法閾值在直方圖上的位置Fig.9 The Otsu threshold value position on gray histogram

可以看到，雖然通過灰度直方圖無法直接得到準(zhǔn)確閾值，但通過最大類間方差法，我們得到了較為精確的灰度門限170。

4 明暗截止線及其轉(zhuǎn)折點的確定

4.1 明暗截止線的明晰化

明暗截止線明晰化是通過閾值來實現(xiàn)圖像二值化。

圖像的二值化處理就是將圖像上的點的灰度置為0或255，使整個圖像呈現(xiàn)為黑白兩色。所有灰度大于或等于閾值的像素被判定為屬于特定物體區(qū)域，其灰度值為255，否則這些像素點被排除在特定物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。

我們限定閾值170以上的點為亮區(qū)域，170以下為暗區(qū)域。

在MATLAB中，圖像二值化的命令語句為：

J=im2bw(I,Th)

運(yùn)行程序我們可得到二值化圖像J。

圖10為灰度直方圖的閾值分割圖像，圖11是最大類間方差法的閾值分割圖像。

圖10 灰度直方圖的二值圖像Fig.10 Binary image of gray histogram

圖11 最大類間方差法的二值圖像Fig.11 Binary image of Otsu

經(jīng)過二值化處理后，原本比較模糊的邊界清晰可見。通過比較我們可以看到，雖然兩種方法最終的二值化圖像很相似，但是在邊緣效果上，圖11更準(zhǔn)確。

4.2 通過邊緣檢測提取明暗截止線

邊緣檢測是利用物體和背景在圖像特性上的差異，采用某種算法提取出圖像中對象與背景的分界線。經(jīng)過二值化處理的近光燈光形圖像的明暗截止線就是黑白邊界線。

由于噪聲和模糊的存在，檢測到的邊界可能會變寬(如圖7所示)，或在某些點處發(fā)生間斷。因此，邊界檢測首先抽取出反映灰度變化的邊緣點，然后剔除某些邊界點或填補(bǔ)邊界間斷點，并將這些邊緣連接成完整的線。

邊緣檢測是建立在邊緣檢測算子的基礎(chǔ)上的，邊緣算子的種類很多，主要有：基于梯度的邊緣檢測算子、拉普拉斯算子、Log算子、Canny算子等。

1986年Canny從邊緣檢測算子應(yīng)該滿足的三個準(zhǔn)則出發(fā)，推導(dǎo)出了目前理論上相對最完善的一種邊緣檢測算法：Canny算子[9]。所以本文采用Canny算子作為邊緣檢測算子。

在MATLAB中實現(xiàn)邊緣提取的命令語句為：

I=edge(對象名, ‘算子名’)

由于這次使用的是Canny算子，實際程序段為：

BW=edge(J,‘canny’)；

其中BW是經(jīng)過邊緣檢測處理得到的圖像，如圖12所示。

可以看到利用Canny算子邊緣檢測圖11后得到了十分清晰的單像素明暗邊界截止線。

接下來則是采集邊界線上各點坐標(biāo)。由于檢測出來的圖像灰度值只有0與255，邊界線上各點灰度值為255，所以用MATLAB中max語句求取邊緣圖像中灰度最大點(即邊緣線上各點)的矩陣位置。由于矩陣的行是從上往下排序記數(shù)，所以得到的二維數(shù)組是以左上頂點為原點，像素為單位的坐標(biāo)平面上的灰度矩陣，需要轉(zhuǎn)換成以左下頂點為原點的灰度矩陣。提取及轉(zhuǎn)換程序為：

圖12 邊緣檢測后的圖像Fig.12 Edge detection image

c1=max(BW);

c=max(c1)

[m,n]=find(BW= =c);

b=576-m

Z=[b,n]

W=[n,b]

W即為以左下頂點為原點的坐標(biāo)平面上的灰度矩陣，其中邊緣線位置元素灰度值為255。將矩陣數(shù)據(jù)導(dǎo)入EXCEL，繪制后得到圖13。

圖13 用EXCEL繪制的明暗截止線Fig.13 Cut-off line drawn with EXCEL

4.3 擬合截止線直線方程確定拐點坐標(biāo)

圖像經(jīng)過平滑、圖像分割和邊緣提取后，明暗分界線清晰可見。下面就可以通過最小二乘法擬合兩條直線方程(水平與15°線)，其交點坐標(biāo)就是近光燈光形的拐點位置。

由于明暗截止線為一條水平線方程和一條15°斜線方程相交而成，所以用邊緣線左半部分?jǐn)?shù)據(jù)擬合水平線方程，右半部分?jǐn)M合15°斜線方程。擬合后的兩條直線交點即為近光燈光形的明暗截止線轉(zhuǎn)折點(即拐點)。

在MATLAB中直線擬合的調(diào)用語句為：

p1=polyfit(x,y,n)

其中x為擬合數(shù)據(jù)的橫坐標(biāo)，y為擬合數(shù)據(jù)的縱坐標(biāo)，n為多項式的最大階數(shù)。因為是直線擬合，所以最大階數(shù)為1。

程序運(yùn)行后，p1(1)變量為k值，p1(2)變量為b值，可直接提取顯示。

經(jīng)過直線擬合后的數(shù)據(jù)在MATLAB中得到顯示效果見圖14。

圖14 擬合直線在MATLAB中的顯示效果Fig.14 MATLAB image effect of the fitting straight lines

程序運(yùn)行后的結(jié)果為：

k1 =0.0274，b1=390.2160；k2 =0.3689，b2 =280.1740。

分別代入y=kx+b得到：

水平線方程：y1=0.0274x1+390.2160

15°斜線方程：y2=0.3689x2+280.1740

解出交點坐標(biāo)：x=322.231332，y=399.045139

該交點即是明暗截止線拐點。

將得到的兩個直線方程導(dǎo)入EXCEL得到函數(shù)圖像(圖15)。

圖15 EXCEL顯示的擬合直線Fig.15 The fitting straight lines shown in EXCEL

5 結(jié)論

本文采用MATLAB數(shù)字圖像處理算法對近光燈

屏幕光型圖像進(jìn)行處理，通過中值濾波進(jìn)行圖像平滑消噪，較好地消除了噪聲，改善了圖像清晰度；將彩色圖像轉(zhuǎn)換成的灰度圖像，從閾值精確度和閾值自動獲取要求出發(fā)，選擇最大類間方差法將圖像分割轉(zhuǎn)換成交界明顯的二值化黑白圖像；采用Canny算子進(jìn)行邊緣檢測，得到十分清晰的單像素明暗截止線；最后，將邊界坐標(biāo)輸入Excel，采用最小二乘法對明暗截止線進(jìn)行擬合，確定近光光束明暗截止線和轉(zhuǎn)折點的位置，取得了很好的效果，為檢測近光燈光形截止線和拐點提供了穩(wěn)定、準(zhǔn)確且簡便的方法。

[1] 中華人民共和國國家質(zhì)量監(jiān)管檢疫總局，中國國家標(biāo)準(zhǔn)委員會.GB 4785—2007汽車及掛車外部照明和光信號裝置的安裝規(guī)定[S].北京：中國標(biāo)準(zhǔn)出版社，2008.

[2] 中華人民共和國國家質(zhì)量監(jiān)管檢疫總局，中國國家標(biāo)準(zhǔn)管管委員會.GB 4599—2007汽車用燈絲燈泡前照燈[S]. 北京：中國標(biāo)準(zhǔn)出版社，2008.

[3] 凌銘, 張建文, 黃中榮. 汽車燈具的發(fā)展趨勢[J].照明工程學(xué)報,2013,24,(4):106-113.

[4] 文醉, 趙斌, 何云堂,等. 幾種典型汽車前照燈用光源的性能試驗研究[J].照明工程學(xué)報,2014, 25,(5): 116-120.

[5] 張倩.詳解MATLAB圖像函數(shù)及其應(yīng)用[M].第一版.北京:電子工業(yè)出版社,2011.

[6] 王軍, 朱繼紅, 馮醒，等. 基于CCD和MATLAB的等照度線繪制方法[J].照明工程學(xué)報,2013, 24,(4):40-44.

[7] Gonzalez R C, Woods R E. Digital Image Processing[M]. Second Edition.Beijing: Publishing House of Electronics Industry, 2002.

[8] Otsu N. A Threshold Selection Method from Gray-Level Histograms [J]. IEEE Trans: on Systems, Man and Cybernetics, 1979, 1: 62-66.

[9] Canny J. A Computational Approach To Edge Detection[J]. IEEE Trans: Pattern Analysis and Machine Intelligence, 1986, 8: 679-714.

Digital Image Processing on Car Low-beam Light Shape

Jing Peifeng

(TestingCenterofYanfengAutomotiveTrimSystemCo.Ltd.,Shanghai200233,China)

It is the necessary inspection items of existing vehicle safety performance GB, which is the cut-off line and its turning point of car passing beam light projection. Because of image noise and fuzzy boundaries, it is often difficult to directly determine them. This article uses MATLAB digital image algorithms to process the screen image of passing beam light. The image clarity is improved due to using the median filtering algorithm for smooth and denoising. For the purpose of automatically obtaining threshold value and ensuring accuracy, we compared gray histogram method and Otsu. Then we select Otsu to segment and convert the image into binary monochrome image with clear-cut boundaries. By using Canny edge detection operator, we get very clear single-pixel cut-off line. Finally, we make curve fitting of the cut-off line by the least squares method to identify the turning point accurately.

low-beam light；cut-off line；automobile lighting

TM 923

A

10.3969/j.issn.1004-440X.2015.02.025