馮志斌，劉延飛，楊愛濤

(火箭軍工程大學(xué)，陜西 西安710025)

1 引言

基于視覺主導(dǎo)的無(wú)人機(jī)降落方法由于其不受到復(fù)雜電磁信號(hào)干擾，近年來(lái)被廣泛研究[1-2]。但是視覺的準(zhǔn)確度容易受到周圍環(huán)境的影響，其中光照因素是最重要的因素之一[3]。

為解決光照因素對(duì)圖像識(shí)別造成的影響，現(xiàn)有的方法可以分為兩類：一是光照歸一化的方法，二是提取與光照無(wú)關(guān)圖像的方法。光照歸一化的方法對(duì)于圖像整體受光照影響時(shí)效果較好，但對(duì)于局部的強(qiáng)光干擾效果一般。而提取與光照無(wú)關(guān)圖像的方法雖然能夠有效的減少局部光照的影響。其中如蔡道清等[4]人基于小波變換的方法通過(guò)獲取圖像的多尺度反射模型，成功提取了圖像中不隨光照變化的特征。常華耀等[5]人使用最小熵值法求得圖像光照無(wú)關(guān)角，使得圖像中每個(gè)像素都投影到光照無(wú)關(guān)灰度圖上，從而解決光照的影響等。但也存在算法復(fù)雜度普遍較高，難以運(yùn)用到小型無(wú)人機(jī)為代表的嵌入式系統(tǒng)上的問(wèn)題。

因此，為在嵌入式系統(tǒng)條件下，同樣獲得較好的消除局部光照影響的圖像提取效果，本文結(jié)合光照無(wú)關(guān)圖與閾值分割的思路提出一種新的消除局部光照影響的圖像提取算法。基于Sobel算法實(shí)現(xiàn)提取光照無(wú)關(guān)圖的效果，并運(yùn)用閾值分割算法對(duì)跑道的特征信息進(jìn)行區(qū)分提取，保證了在低算法復(fù)雜度的條件下，能夠提取出較好的跑道特征效果。

2 算法思想概述

根據(jù)Land[6]等人提出的色彩恒常的色彩計(jì)算理論可知，任意圖像I(x，y)均是由其反射分量R(x，y)和其光照分量L(x，y)進(jìn)行乘積而得，如式(1)所示。

I(x，y)=R(x，y)L(x，y)

(1)

因此想要去除光照因素對(duì)圖像的影響，可以考慮去除圖像中亮度分量。對(duì)于這一方面的研究，現(xiàn)在已經(jīng)有了一些較為成熟的方法如單尺度Retinex算法、多尺度Retinex算法等[7]。這些算法的思路是利用對(duì)數(shù)變換和高斯卷積變換等方法，使得R(x，y)與I(x，y)這兩種分量分離，然后去掉其中光照分量I(x，y)，然而無(wú)論是對(duì)數(shù)變換還是高斯卷積變換，其復(fù)雜度均較高。因此本文從另外一個(gè)角度，即利用光照分量變化較慢的特性[8]，使用圖像銳化的方法對(duì)圖像紋理特征進(jìn)行增強(qiáng)，然后將增強(qiáng)后的圖像與原圖像對(duì)應(yīng)像素相除，這樣近似的除去光照分量并一定程度上突出了跑道的邊緣特征，取得較好的跑道特征提取效果。

邊緣檢測(cè)算子由于其簡(jiǎn)單、提取效果穩(wěn)定，被廣泛使用[9]。常見的邊緣檢測(cè)算子[10]有：Roberts 算子[11]、Sobel 算子[12]和Canny算子[13]等。通過(guò)對(duì)比，Sobel算子具有邊緣提取效果較好，且計(jì)算量明顯小于Canny算子等優(yōu)點(diǎn)[14]，因此本文使用Sobel算子作為圖像銳化的方法。

最后從跑道與背景的顏色反差這一特點(diǎn)入手，引入傳統(tǒng)閾值分割的方法[15]，使得在紋理復(fù)雜的條件下，也能夠區(qū)分跑道與其他的背景紋理。

圖1 算法實(shí)現(xiàn)過(guò)程圖

具體實(shí)現(xiàn)過(guò)程如圖1所示。首先是利用Sobel邊緣檢測(cè)算子得到梯度圖像，然后將梯度圖像與原圖像對(duì)應(yīng)像素相除，得到近似消除光照影響的圖像，進(jìn)一步運(yùn)用閾值分割的方法，對(duì)跑道的特征信息進(jìn)行區(qū)分提取，從而得到能夠消除局部強(qiáng)光帶來(lái)不良影響的圖像特征信息。

3 Sobel-除法算法

3.1 Sobel邊緣檢測(cè)算子

圖2 任一像素點(diǎn)的鄰近像素點(diǎn)標(biāo)記與Sobel算子卷積模板

Sobel算子是一種經(jīng)典的邊緣檢測(cè)算子，其基本方法[15]是首先借助如圖2所示的卷積模板，計(jì)算圖像中每個(gè)像素點(diǎn)垂直方向的偏導(dǎo)數(shù)Gx，以及垂直方向上的偏導(dǎo)數(shù)Gy，然后帶入式(2)中，求出每一個(gè)像素點(diǎn)的梯度大小G。

(2)

其具體實(shí)現(xiàn)過(guò)程如下：

首先，如式(3)和式(4)所示求出每一個(gè)像素點(diǎn)在垂直和水平兩個(gè)方向上的偏導(dǎo)數(shù)。

Gx(x，y)=f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)

-f(x-1，y-1)-2f(x，y-1)-f(x+1，y-1)

(3)

Gy(x，y)=f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)

-f(x-1，y-1)-2f(x，y-1)-f(x+1，y-1)

(4)

在以上的兩個(gè)式子中，f(x-1，y+1)、f(x，y+1)、f(x+1，y+1)、f(x-1，y-1)、f(x，y-1)、f(x+1，y-1)、f(x+1，y)、f(x-1，y)分別代表以(x，y)點(diǎn)為模板中心像素點(diǎn)時(shí)，九宮格內(nèi)的其它位置像素點(diǎn)的灰度值。Gx(x，y)代表水平方向梯度，Gy(x，y)代表垂直方向梯度。

然后，在計(jì)算總梯度的過(guò)程中，由于平方和平方根需要大量的計(jì)算開銷，將計(jì)算簡(jiǎn)化為如式(5)。

G=|Gx|+|Gy|

(5)

式中G為該像素點(diǎn)的總梯度。以此類推求得梯度圖像。

3.2 除法算法

將梯度圖像與原圖像，分別根據(jù)色彩計(jì)算理論展開，如式(6)和(7)所示。

G(x，y)=R′(x，y)L′(x，y)

(6)

I(x，y)=R(x，y)L(x，y)

(7)

其中，G(x，y)對(duì)應(yīng)于梯度圖像的每一個(gè)像素點(diǎn)的灰度值，R′(x，y)為梯度圖像的反射分量，L′(x，y)為梯度圖像的光照分量。I(x，y)對(duì)應(yīng)于原圖像的每一個(gè)像素點(diǎn)的灰度值，R(x，y)為原圖像的反射分量，L(x，y)為原圖像的光照分量。

將邊緣檢測(cè)算法處理后的圖像與原圖像對(duì)應(yīng)像素點(diǎn)相除[16]，結(jié)果如式(8)所示。

(8)

由于邊緣檢測(cè)算子僅對(duì)圖像的紋理特征進(jìn)行一定程度上的增強(qiáng)，而對(duì)于圖像的光照分量影響不大。因此，如式(9)所示，光照分量在相除的過(guò)程中被近似的除掉。

(9)

然而，當(dāng)局部陽(yáng)光過(guò)于強(qiáng)烈，與其它部分的反差過(guò)大時(shí)，會(huì)產(chǎn)生光影的偽邊緣。而在邊緣提取的過(guò)程中，這一部分的偽邊緣也同樣也被一定程度上的增強(qiáng)，使得利用除法運(yùn)算后不能夠完全去除。因此，本文結(jié)合二值化的方法，通過(guò)設(shè)定一個(gè)較為合適的閾值，對(duì)圖像進(jìn)行二值化處理，對(duì)產(chǎn)生的偽邊緣進(jìn)行一定程度上的去除。

結(jié)合上一部分的Sobel算子，Sobel-除法算法完整步驟為：

步驟一：根據(jù)式(3)和式(4)分別求出垂直方向梯度Gx(x，y)，垂直方向梯度Gy(x，y)。

步驟二：分別將兩個(gè)方向的梯度與原圖像相除，如式(10)和式(11)所示：

(11)

由上式可得，Gx′ 與Gy′ 為與光照近似無(wú)關(guān)的方向梯度圖像。

步驟三：根據(jù)式(5)，求得總的梯度圖像G′ ，如式(12)所示：

G′=|G′x|+|G′y|

(12)

步驟四：預(yù)設(shè)閾值TH1，對(duì)梯度圖像進(jìn)行二值化處理，如式(13)所示：

(13)

4 閾值分割算法

經(jīng)過(guò)Sobel-除法算法處理后的圖像，可以在局部強(qiáng)光干擾下，較為穩(wěn)定的提取出跑道的紋理圖像，然而在紋理特征較多的復(fù)雜環(huán)境下，難以分辨出具體跑道在圖像中的范圍以及跑道紋理的位置，不利于后續(xù)的路徑規(guī)劃算法的展開。

在實(shí)際運(yùn)用中，跑道與背景存在著明顯的顏色反差，因此，本文采用傳統(tǒng)的閾值分割的方法通過(guò)預(yù)設(shè)閾值的方法，對(duì)原始圖像進(jìn)行二值化處理，對(duì)原始圖像中跑道內(nèi)部與跑道外部做以大致的劃分，然后將由閾值分割算法處理過(guò)的圖像和由Sobel-除法算法處理過(guò)的梯度圖像對(duì)應(yīng)像素點(diǎn)疊加。最后，通過(guò)調(diào)節(jié)閾值，得到在不同情況下的最佳的實(shí)用效果。

具體步驟為：

步驟一：選定適當(dāng)閾值TH2，設(shè)定原圖像為I，閾值分割后的圖像為I′ ，如式(14)：

(14)

步驟二：將閾值分割后的圖像I′ 與梯度圖像G′ 疊加，得到最終處理圖像I″ ，如式(15)所示：

(15)

5 實(shí)驗(yàn)和分析

5.1 實(shí)驗(yàn)平臺(tái)的建立

本實(shí)驗(yàn)搭建如圖3所示的半物理仿真模型。由硬件和軟件兩部分組成。硬件部分負(fù)責(zé)構(gòu)建模擬的跑道并采集相應(yīng)的圖像信息，包括模擬跑道、模擬跑道背景，采集用的攝像頭，嵌入式系統(tǒng)以及計(jì)算機(jī)等，軟件部分包括IAR Embedded Workbench For ARM IDE集成開發(fā)環(huán)境、MATLAB 2019a軟件以及輔助用的上位機(jī)軟件。一般的機(jī)場(chǎng)跑道寬度60m左右[17]，本文按130：1比例縮比搭建模擬跑道，寬度為45cm。降落高度預(yù)設(shè)在1-50m之間，本文搭建的攝像頭高度為20cm，模擬實(shí)際在26m處的情況。在現(xiàn)實(shí)情況中的跑道往往采用淺色跑道與深色的綠植背景作為搭配，因此在模擬裝置中也采用淺色的PVC塑膠板模擬跑道，深色的幕布模擬跑道背景。本文選用的嵌入式系統(tǒng)為恩智浦公司的MK60FX512VLQ15單片機(jī)，主頻為150M，采集用的攝像頭型號(hào)為MT9V032，圖像分辨率為188*120。

圖3 仿真實(shí)驗(yàn)裝置設(shè)計(jì)圖

實(shí)驗(yàn)過(guò)程首先將跑道放置于局部被太陽(yáng)光直射的位置，模擬跑道局部受到強(qiáng)烈太陽(yáng)光干擾的情況。然后利用攝像頭采集圖像，在嵌入式系統(tǒng)上運(yùn)行本文算法。嵌入式系統(tǒng)處理結(jié)束后通過(guò)藍(lán)牙與電腦通信，將處理前以及處理后的圖像傳回電腦進(jìn)行進(jìn)一步分析。

5.2 實(shí)驗(yàn)結(jié)果和分析

在不同的光照條件下，利用本文算法對(duì)圖像進(jìn)行處理，并且在計(jì)算細(xì)節(jié)中，保證在不影響跑道內(nèi)部的前提下，盡量的增加閾值的大小，以取得最佳的跑道特征提取效果。結(jié)果如圖4～圖6所示。其中，第一列為原圖，第二列為僅利用Sobel-除法算法處理后的圖像，第三列為僅利用閾值分割的方法處理的圖像，第四列為最終疊加后的圖像。

圖4 光照條件一下算法的效果圖(TH1=2.2，TH2=120)

如圖4為在第一種光照條件下，本文算法的效果圖，這種光照條件表現(xiàn)為近處受到強(qiáng)烈的局部強(qiáng)光干擾，遠(yuǎn)段正常。從圖(b)中可以看到，Sobel-除法算法對(duì)近處的局部強(qiáng)光有著較好的抑制作用，近端的跑道邊緣被很好的提取出來(lái)，而遠(yuǎn)端的跑道邊緣由于梯度整體較小的原因，沒有被很好的提取出來(lái)。在圖4(c)中，可以發(fā)現(xiàn)，在受到局部強(qiáng)光的圖像部分，跑道邊緣均沒有很好的提取出來(lái)。最終在如圖4(d)的疊加圖像中，均彌補(bǔ)了單個(gè)算法存在的缺陷，跑道邊緣特征被很好的提取出來(lái)。

圖5 光照條件二下算法的效果圖(TH1=1.0，TH2=120)

如圖5為遠(yuǎn)端受到局部強(qiáng)光干擾，近端正常的情況。在該種情況下，Sobel-除法算法基本能夠較好的提取出來(lái)跑道邊緣的信息，然而在遠(yuǎn)端光照特別強(qiáng)烈的部分還是存在了一些斷裂點(diǎn)，如圖5(b)所示。而此時(shí)的閾值分割的方法對(duì)于遠(yuǎn)端的強(qiáng)光部分完全失去了提取跑道信息的能力，如圖5(c)所示。在最后的疊加圖像中，也是存在著遠(yuǎn)端跑道部分?jǐn)嗔训那闆r。

圖6 光照條件三下算法的效果圖(TH1=0.5，TH2=120)

如圖6為近端和遠(yuǎn)端均受到局部強(qiáng)光干擾的情況。圖6(b)中顯示，Sobel-除法算法仍然對(duì)于近端的跑道圖像有較好的提取作用，而遠(yuǎn)端存在的某些斷裂點(diǎn)。圖6(c)中的圖像顯示出對(duì)于強(qiáng)烈局部強(qiáng)光部分難以提取出跑道邊緣信息。在最終的疊加圖像中也表現(xiàn)出對(duì)于整體的跑道邊緣信息有著較好的提取效果，然而對(duì)于部分遠(yuǎn)端的跑道邊緣信息，存在著某些部分?jǐn)嗔训那闆r。

經(jīng)過(guò)以上的實(shí)驗(yàn)，可以得出，本文算法對(duì)于局部強(qiáng)光影響的跑道圖像有著較好的特征提取效果，并且在最終的疊加效果圖中也往往能夠兼顧跑道前景與背景的顏色反差特征，將整個(gè)跑道信息完整的體現(xiàn)出來(lái)。然而在圖5(d)與圖6(d)中也存在了部分跑道邊緣斷裂的情況，造成這樣結(jié)果可能是由于所采集圖像的分辨率較低以及跑道反光，分辨率低導(dǎo)致對(duì)于遠(yuǎn)處的跑道邊緣信息采集的像素點(diǎn)過(guò)少，關(guān)鍵的邊緣信息難以被提取出來(lái)，跑道反光的問(wèn)題使得局部跑道信息完全被反射出的強(qiáng)光遮蓋，從而使得在計(jì)算圖像梯度的過(guò)程中梯度變化不大，很難將邊緣的信息提取出來(lái)。解決上述這種問(wèn)題可以在硬件的角度做一些調(diào)整，如適當(dāng)提高攝像頭的分辨率，調(diào)低攝像頭的曝光時(shí)間或者在鏡頭上加裝偏振片等等。

最后探討本文算法的復(fù)雜度。本文選用同樣應(yīng)用色彩計(jì)算理論的單尺度Retinex算法[7]與本文算法做以對(duì)比。兩種算法均在MATLAB平臺(tái)上運(yùn)行，如圖7為算法實(shí)現(xiàn)結(jié)果。

圖7 不同算法實(shí)現(xiàn)結(jié)果對(duì)比圖

如圖7(b)和圖7(c)所示，為本文算法與單尺度Retinex算法實(shí)現(xiàn)的結(jié)果，為直觀的驗(yàn)證這兩種方法對(duì)于跑道特征提取的能力，本文選用了合適的閾值，將圖7(c)中圖像進(jìn)行二值化處理，如圖7(d)所示。與圖7(b)對(duì)比，兩種算法對(duì)于抑制光照影響提取跑道特征上都有著一定的效果。接著在MATALB平臺(tái)上，對(duì)于三種不同光照條件以及圖7(a)中的圖像運(yùn)用兩種算法進(jìn)行1000次運(yùn)算處理，對(duì)比它們的總運(yùn)行時(shí)間，如表1所示。

表1 不同算法運(yùn)行時(shí)間對(duì)比

從表1中可以看得出本文算法的運(yùn)行時(shí)間上相對(duì)于單尺度Retinex提高了40%左右，同時(shí)在抑制光照影響的效果上也取得了單尺度Retinex算法類似的效果，因此，相比較而言本文算法的運(yùn)行效率更高，更加適合應(yīng)用在實(shí)時(shí)性要求較高并且處理器算力有限的小型無(wú)人機(jī)上。

6 結(jié)束語(yǔ)

本文針對(duì)消除局部強(qiáng)光干擾的圖像提取問(wèn)題進(jìn)行了研究分析，結(jié)合光照無(wú)關(guān)圖與閾值分割的思路提出一種新的消除局部光照影響的圖像提取算法。實(shí)驗(yàn)結(jié)果表明，本文算法可以在一定程度上抑制局部強(qiáng)光對(duì)跑道圖像的影響，同時(shí)算法效率與效果類似的單尺度Retinex算法相比，提高近40%，因此更適合應(yīng)用在小型嵌入式系統(tǒng)中。本文研究為解決強(qiáng)光影響下的圖像提取方法，同時(shí)嵌入式系統(tǒng)應(yīng)用方面提供一定參考價(jià)值，具有廣闊的應(yīng)用場(chǎng)景。