關(guān)鍵詞：車(chē)道線分割；二維Otsu;二維直方圖；二值圖像

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-5168（2025）08-0034-08

DOI：10.19968/j.cnki.hnkj.1003-5168.2025.08.006

Abstract：[Purposes] The traditional lane line image segmentation algorithm has low recognition accuracy and is susceptible to noise interference， which affcts the performance of the lane departure warning system.Based on this，an optimal oblique dividing line threshold algorithm based on θ - divisionisproposed.[Methods] Firstly，the image collcted bythe vehicle camera is preprocessed by region of interest extraction，grayscale，filtering and denoising to obtain the image that is conducive to lane line segmentation.Secondly，combined with the two-dimensional Otsu algorithm，the two-dimensional histogram is segmented by using a threshold segmentation line rotating around the threshold point ，so that the twodimensional histogram is divided into two parts：the targetand the background，and the inter-class variance between the target and the background is calculated during the rotation of the threshold segmentation line，and the optimal threshold segmentation line is determined when it reaches the maximum.In this way，the boundary and noise region information in the 2D histogram is included in the segmentation decision.[Findings] The experimental results show that the improved algorithm improves the accuracy of lane line segmentation by and the anti-noise performance by . Even in the face of complex road scenes，the algorithm still performs well in lane segmentation.[Conclusions] The proposed algorithm can provide more reliable lane segmentation image for the folow-up lane detection，which is of great significance for the realization of lane departure warning system.

Keywords： lane line segmentation; two-dimensional Otsu; two-dimensional histogram; binary image

0 引言

當(dāng)前，智能交通視頻監(jiān)控系統(tǒng)在交通管理、行政執(zhí)法、刑事偵查和運(yùn)輸安全等領(lǐng)域中發(fā)揮著越來(lái)越重要的作用。車(chē)道線檢測(cè)是智能交通視頻監(jiān)控系統(tǒng)的核心技術(shù)之一，是保障車(chē)輛安全行駛的重要技術(shù)。研究顯示，車(chē)道偏離是導(dǎo)致交通事故發(fā)生的主要原因之一[1]。因此，為了保護(hù)駕駛員的安全，提高安全監(jiān)管及行政執(zhí)法工作效率，提出車(chē)道偏離預(yù)警系統(tǒng)（LDWS）[2]。該系統(tǒng)能實(shí)時(shí)記錄并檢測(cè)車(chē)輛行駛過(guò)程中相對(duì)于車(chē)道線的位置，當(dāng)檢測(cè)到車(chē)輛即將偏離車(chē)道時(shí)，系統(tǒng)會(huì)向駕駛員發(fā)出警告，提醒其及時(shí)糾正行駛方向。為了判斷車(chē)輛是否即將偏離車(chē)道，系統(tǒng)需要精準(zhǔn)檢測(cè)出車(chē)道線的位置。因此，車(chē)道線檢測(cè)是該系統(tǒng)的關(guān)鍵組成部分，準(zhǔn)確的車(chē)道線檢測(cè)能幫助車(chē)道偏離預(yù)警系統(tǒng)實(shí)現(xiàn)更加可靠的預(yù)警。

在進(jìn)行車(chē)道線檢測(cè)時(shí)，車(chē)載攝像頭采集的圖像往往包含大量的路面信息。為了增強(qiáng)車(chē)道線的可見(jiàn)性，需要對(duì)車(chē)道圖像進(jìn)行閾值分割，從而實(shí)現(xiàn)圖像中的車(chē)道線與背景的分離[3]。最佳閾值的選取是閾值分割的關(guān)鍵，根據(jù)最佳閾值的選擇，可分為最大類(lèi)間方差法[4]、最小交叉熵法[5]、最大熵法[6]等分割方法。其中，由于最大類(lèi)間方差（Otsu）具有穩(wěn)定性好和高效性強(qiáng)的特點(diǎn)，得到了廣泛的應(yīng)用。實(shí)際上，傳統(tǒng)的Otsu算法在圖像灰度直方圖呈雙峰分布時(shí)具有較好的分割效果，但在車(chē)道檢測(cè)過(guò)程中，車(chē)道圖像的組成往往較為復(fù)雜，圖像的灰度直方圖具有多個(gè)峰值，導(dǎo)致傳統(tǒng)Otsu算法不能有效發(fā)揮作用。針對(duì)這個(gè)問(wèn)題，許多學(xué)者進(jìn)行了深入研究，胡勝等提出分兩次使用Otsu算法對(duì)車(chē)道線進(jìn)行分割，在第一次粗略分割后，對(duì)沒(méi)有分割正確的目標(biāo)進(jìn)一步細(xì)化區(qū)分，從而將車(chē)道線從復(fù)雜的道路環(huán)境中正確地分割出來(lái)，但二次分割過(guò)程中可能會(huì)導(dǎo)致一些有效信息的丟失。陳華等[8]將圖像分為不同的小塊，使用Otsu算法計(jì)算這些小塊的閾值，最終再將其整合到一起，但該算法忽略了塊與塊之間的關(guān)聯(lián)性，導(dǎo)致無(wú)法準(zhǔn)確反映整體圖像的特征。

上述方法都是在一維Otsu算法的基礎(chǔ)上進(jìn)行改進(jìn)的，雖取得了不錯(cuò)的分割結(jié)果，但是其性能仍然受一維Otsu算法的限制，易受不利因素的干擾。為此，二維Otsu算法被提出，通過(guò)將圖像像素點(diǎn)的灰度信息與鄰域內(nèi)的平均灰度信息相結(jié)合，能夠更加準(zhǔn)確地找到具有多個(gè)峰值分布圖像的最佳閾值，且具有更好的抗噪性能。但二維Otsu算法假設(shè)閾值點(diǎn)附近的像素對(duì)圖像分割的影響可以忽略，這與實(shí)際情況并不相符，導(dǎo)致其性能受到限制。為此，二維Otsu擬合線閾值分割方法°和二維直方圖區(qū)域斜分法被提出，雖然已經(jīng)盡可能地將所有像素點(diǎn)都包含在閾值計(jì)算過(guò)程中，但是對(duì)二維直方圖中的信息仍然沒(méi)有進(jìn)行充分的利用，導(dǎo)致分割的結(jié)果不夠精確。

基于上述問(wèn)題，本研究在二維Otsu算法的基礎(chǔ)上，提出一種0-劃分的最優(yōu)斜分線閾值算法。該算法的主要思想是使用一條可以轉(zhuǎn)動(dòng)的閾值線，代替?zhèn)鹘y(tǒng)二維Otsu算法中的閾值點(diǎn)來(lái)對(duì)圖像進(jìn)行分割，可以精準(zhǔn)有效地分割出車(chē)道圖像中的車(chē)道線，對(duì)實(shí)現(xiàn)車(chē)道線檢測(cè)具有重要意義。

1基本原理

1.1 圖像預(yù)處理

圖像預(yù)處理是車(chē)道線分割過(guò)程中十分關(guān)鍵的一步[12]，能有效提升車(chē)道線分割的準(zhǔn)確性和可靠性。通常車(chē)載攝像機(jī)放置在汽車(chē)的前擋風(fēng)玻璃處，此時(shí)拍攝的圖像中包含了天空、行駛車(chē)輛、路旁綠植等不利于車(chē)道線分割的因素。因此，需要提取圖像中的車(chē)道部分也就是我們感興趣的部分（ROI），避免不利因素對(duì)車(chē)道線分割產(chǎn)生影響。同時(shí)，還要進(jìn)行灰度化和濾波去噪操作。ROI區(qū)域提取如圖1所示。圖像預(yù)處理流程如圖2所示。

1.2一維Otsu算法

Otsu算法通過(guò)計(jì)算目標(biāo)和背景之間最大的類(lèi)間方差實(shí)現(xiàn)對(duì)圖像的分割。由于方差是灰度分布均勻性的一種度量，所以方差越大說(shuō)明兩類(lèi)之間的差別也越大。于是可以通過(guò)尋找最大類(lèi)間方差來(lái)確定最佳的分割閾值。

該方法將圖像分為 L 個(gè)灰度等級(jí)，用 來(lái)表示第 i 個(gè)灰度級(jí)中的像素?cái)?shù)，不同灰度級(jí)像素占整個(gè)圖像的比例 見(jiàn)式（1）。

同時(shí)，圖像被分為目標(biāo) 和背景 兩類(lèi)，分類(lèi)的依據(jù)為灰度級(jí)為 的閾值，且 ?；叶燃?jí)在 范圍內(nèi)的像素被劃分為目標(biāo)，灰度級(jí)在 范圍內(nèi)的像素被劃分為背景。目標(biāo)和背景的平均灰度 見(jiàn)式（2）。

整幅圖像的平均灰度 見(jiàn)式（3）。

背景與目標(biāo)的類(lèi)間方差 見(jiàn)式（4）。

當(dāng)類(lèi)間方差函數(shù) 達(dá)到最大時(shí)，對(duì)應(yīng)的 就是對(duì)應(yīng)的最佳閾值。

1.3二維Otsu算法

一維Otsu算法在對(duì)圖像進(jìn)行分割時(shí)，其周?chē)目臻g信息沒(méi)有被考慮，所以當(dāng)圖像中存在噪聲、偽影、對(duì)比度不足等不利因素時(shí)其性能受到巨大的影響。當(dāng)圖像灰度直方圖中存在多個(gè)峰值時(shí)，一維Otsu算法將不能有效地發(fā)揮作用，圖像的灰度直方圖如圖3所示。為此，二維Otsu算法被提出，其閾值點(diǎn)獲取方法如下。

假設(shè)一幅圖像的灰度等級(jí)有 L 級(jí)，其尺寸為M× N 。圖像中某一像素點(diǎn) Φ（ x ， y ） 的灰度值為 i ，該像素點(diǎn) 3 × 3 鄰域內(nèi)平均灰度值為 j ，則用一個(gè)二元組（ i ， j ） 來(lái)表示坐標(biāo)平面中的任意點(diǎn)。設(shè) 是二元組（ i ， j ） 出現(xiàn)的頻數(shù)，其表示整幅圖像中像素點(diǎn)的灰度值為 i ，其鄰域平均灰度值為 j 的像素點(diǎn)出現(xiàn)個(gè)數(shù)。二元組 （ i ， j ） 出現(xiàn)的頻率為 為總的像素點(diǎn)數(shù)。

二維直方圖及其平面投影如圖4所示。

由圖4（b）可知，假設(shè)通過(guò)閾值點(diǎn) （ s ， t ） 將整個(gè)二維直方圖分為4個(gè)部分，對(duì)角線 A 和 C 分別表示圖像的目標(biāo)和背景， B 和 D 代表圖像中的一些邊界和噪聲。目標(biāo)和背景出現(xiàn)的概率和對(duì)應(yīng)的均值矢量見(jiàn)式（5）至式（8）。

二維直方圖上的總均值矢量 見(jiàn)式（9）。

在二維 O t s u 算法中，認(rèn)為非對(duì)角象限的像素是可以忽略的，因此假設(shè) ， 。最終通過(guò)式（10）來(lái)得到目標(biāo)和背景兩類(lèi)的類(lèi)間方差。

類(lèi)間方差 取得最大時(shí)的 即為最佳分割閾值。

2改進(jìn)的二維Otsu算法

二維直方圖中的圖片像素分布情況如圖5所示。由圖5可知，圖像的像素分布在直方圖的對(duì)角線附近，原始二維Otsu算法假設(shè)非對(duì)角區(qū)域的像素可以不包含在最佳閾值的計(jì)算過(guò)程中，但是從圖中可以看到，對(duì)角線外的兩個(gè)象限也分布了相當(dāng)數(shù)量的像素，直接忽略這些邊界區(qū)域的像素顯然是不合理的，這會(huì)導(dǎo)致在一些環(huán)境中出現(xiàn)不理想的分割結(jié)果。

因此，傳統(tǒng)二維Otsu算法中關(guān)于二維直方圖中對(duì)角象限的概率近似為1的假設(shè)在理論上是不合理的。本研究改進(jìn)的思路是：首先使用原始的二維Otsu算法計(jì)算出閾值點(diǎn) ，其次用圍繞閾值點(diǎn)旋轉(zhuǎn)的直線作為閾值分割線，計(jì)算目標(biāo)和背景的類(lèi)間方差，當(dāng)類(lèi)間方差達(dá)到最大值時(shí)確定最佳閾值分割線。在這種分割方法中，非對(duì)角象限像素也能夠被考慮在內(nèi)，從而提升了閾值分割效果。本研究提出的θ-劃分的最優(yōu)斜分線閾值算法直方圖如圖6所示。

設(shè)計(jì)一條直線 來(lái)對(duì)二維直方圖進(jìn)行分割，其是一條繞閾值點(diǎn) 旋轉(zhuǎn)的直線。其中， θ 角為直線與灰度級(jí)坐標(biāo)軸正方向所成的夾角（ 。當(dāng) θ 為 時(shí)，閾值分割線為一條垂直于灰度級(jí)軸的直線，此時(shí)該直線的斜率不存在，為一種特殊情況。這條直線將二維直方圖分為 和 兩部分，二者分別表示目標(biāo)和背景。通過(guò)計(jì)算 和 兩部分的類(lèi)間方差來(lái)確定最佳的閾值分割線，具體的計(jì)算流程如下所示。

和 的概率和對(duì)應(yīng)的均值矢量見(jiàn)式（11）至式（13）。

顯然，此時(shí) 和 的概率總和為1，而不是近似為1?？偩凳噶? 見(jiàn)式（14）。

此時(shí)，目標(biāo)和背景之間的離散測(cè)度矩陣見(jiàn)式（15）。

該矩陣的跡見(jiàn)式（16）。

當(dāng)離散測(cè)度矩陣的跡取得最大值時(shí)，得到的閾值不再是一個(gè)點(diǎn)而是一條直線，根據(jù)這條直線對(duì)圖像進(jìn)行分割，此時(shí)的分割方式見(jiàn)式（17）。

式中 表示被閾值分割線分割后的結(jié)果圖像。本研究算法的整體流程如圖7所示。

3實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本研究所提算法的實(shí)際效果，選取車(chē)載攝像頭采集的圖片進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)的硬件配置為Win10，IntelCorei5-4570CPU 3 . 2 G H z ，8GBRAM，仿真軟件為MATLAB R2 0 1 7 a 。同時(shí)，從主觀視覺(jué)感受和客觀圖像質(zhì)量指標(biāo)兩方面來(lái)對(duì)本研究所提的算法進(jìn)行全面評(píng)價(jià)。

本研究選取車(chē)道線檢測(cè)中常用的Tusimple數(shù)據(jù)集[13作為實(shí)驗(yàn)對(duì)象，該數(shù)據(jù)集中的圖像包含了不同情況下的車(chē)道線場(chǎng)景。圖8中展示了本研究所提算法與其他算法的分割對(duì)比結(jié)果。從圖8中可以看到，本研究所提的算法對(duì)車(chē)道線的分割更加清晰準(zhǔn)確，在第一張車(chē)道圖像的分割結(jié)果中，其他三種算法均沒(méi)有分割出右上角的車(chē)道線，分割效果不佳。同時(shí)，對(duì)比第二張有陰影遮擋的車(chē)道圖像，本研究所提的方法將車(chē)道線準(zhǔn)確地分割出來(lái)，分割效果良好。而剩下的兩張車(chē)道圖像分割結(jié)果則進(jìn)一步地證明了本研究所提方法能夠?qū)④?chē)道線清晰準(zhǔn)確地進(jìn)行分割。為了更加清晰地比較不同算法的分割效果，展示了局部放大的對(duì)比結(jié)果如圖9所示。

本研究所提算法的閾值分割線在轉(zhuǎn)動(dòng)過(guò)程中目標(biāo)和背景之間類(lèi)間方差的變化如圖10所示。從圖10中可以看到，類(lèi)間方差會(huì)隨著斜分角度 θ 的改變而發(fā)生變化，并且當(dāng)類(lèi)間方差達(dá)到最大時(shí)，最佳的斜分角度也就隨之確定。因此，本研究所提的算法針對(duì)不同情況下的車(chē)道圖像仍然能夠得到最佳的分割結(jié)果。

主觀評(píng)價(jià)以直觀地判斷圖像分割的效果，然而通常情況下，結(jié)合定量評(píng)價(jià)可以更加全面地評(píng)估分割結(jié)果的優(yōu)劣。因此，為了進(jìn)一步對(duì)不同算法的分割性能進(jìn)行對(duì)比，采用峰值信噪比（PSNR）[14]和最大相關(guān)準(zhǔn)則（MCC）[15]來(lái)對(duì)加入高斯噪聲后的圖像進(jìn)行評(píng)價(jià)。PSNR可以用來(lái)衡量不同算法的抗噪性能，較高的PSNR值表明降噪效果良好；MCC則能夠?qū)Ψ指詈蟮膱D像進(jìn)行質(zhì)量評(píng)估。本研究所提算法和其他算法加噪圖像分割后PSNR對(duì)比見(jiàn)表1。由表1可知，本研究所提算法的PSNR隨著噪聲變大也隨之增大，而另外三種算法則相反，這證明了本研究所提算法的抗噪能力，同時(shí)與二維Otsu斜分算法相比抗噪性能提升了 2 . 1 % 。本研究所提算法與其他分割算法在最大相關(guān)準(zhǔn)則評(píng)價(jià)指標(biāo)中的定量評(píng)價(jià)見(jiàn)表2。從表2中可以看到，本研究所提算法取得了最優(yōu)的結(jié)果，與二維Otsu斜分算法相比對(duì)車(chē)道線分割的準(zhǔn)確性提高了 1 . 5 % ，這驗(yàn)證了本研究所提算法能夠準(zhǔn)確有效地將車(chē)道線進(jìn)行分割。

4結(jié)語(yǔ)

在對(duì)車(chē)道圖像進(jìn)行閾值分割時(shí)，復(fù)雜的環(huán)境因素和噪聲干擾，導(dǎo)致閾值分割算法無(wú)法有效地對(duì)圖像進(jìn)行分割。因此，本研究基于二維Otsu算法提出了0-劃分的最優(yōu)斜分線閾值算法，該算法使用一條可以轉(zhuǎn)動(dòng)的閥值線來(lái)代替原始的閥值點(diǎn)對(duì)圖像進(jìn)行分割。通過(guò)與其他分割算法的實(shí)驗(yàn)對(duì)比得出，本研究所提算法能夠清晰完整地分割出車(chē)道圖像中的車(chē)道線，可為后續(xù)車(chē)道線檢測(cè)提供更加可靠的車(chē)道線分割圖像，對(duì)車(chē)道偏離預(yù)警系統(tǒng)的實(shí)現(xiàn)具有重要意義。

參考文獻(xiàn)：

[1]STERNLUNDS，STRANDROTHJ，RIZZIM，etal. The effectiveness of lane departure warning systems：a reduction in real-world passenger car injury crashes[J].Traffic InjuryPrevention，2017，18（2）：225-229.

[2]PANDA L，MOHANTY B.Recent developments in lane departure warning system：an analysis[J].Ethics and Information Technology，2020.

[3]黃思育，柳培忠.一種自適應(yīng)的車(chē)道線檢測(cè)算法[J].東莞理工學(xué)院學(xué)報(bào)，2019，26（1）：45-49.

[4]OTSU N .A threshold selection method from graylevel histograms[J].IEEE Transactions on Systems Manamp; Cybernetics，2007，9（1）：62-66.

[5]吳一全，樊軍，周懷春.改進(jìn)的二維最小交叉熵閾值分割快速迭代算法[J].應(yīng)用科學(xué)學(xué)報(bào)，2011，29（5）：487-494.

[6]劉娜，宋偉東，趙泉華.形態(tài)學(xué)和最大熵圖像分割的城市路面裂縫檢測(cè)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，34（1）：57-61.

[7]胡勝，黃妙華，陳毅.基于二次閾值分割和車(chē)道寬度匹配的車(chē)道線檢測(cè)算法[J].汽車(chē)技術(shù)，2019（4）：1-6.

[8]陳華，章秋月，湯文，等.夜間環(huán)境下的道路圖像增強(qiáng)及車(chē)道線檢測(cè)[J].機(jī)械設(shè)計(jì)與制造，2023（10）：126-129，133.

[9]劉健莊，栗文青.灰度圖像的二維Otsu自動(dòng)閾值分割法[J].自動(dòng)化學(xué)報(bào)，1993，19（1）：101-105.

[10]梁義濤，孟亞敏，朱玲艷，等.二維Otsu擬合線閾值圖像分割方法[J].科學(xué)技術(shù)與工程，2021，21（9）：3689-3697.

[11]吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分閾值分割及快速遞推算法[J].通信學(xué)報(bào)，2008（4）：77-83，89.

[12]王文豪，高利.一種基于OpenCV的車(chē)道線檢測(cè)方法[J].激光雜志，2019，40（1）：44-47.

[13]YOOS，LEEH，MYEONGH，etal.End-to-end lanemarker detection via row-wise classification[C]//2020 IEEE/CVF Conference on Computer Vision and Pattern RecognitionWorkshops（CVPRW）.IEEE，2020.

[14]WANGZ，BOVIKAC，SHEIKHHR，etal.Imagequality assessment：from error visibility to structural similarity[J].IEEETransImageProcess，2004，13（4）：600-612.

[15陳修橋，胡以華，黃友銳.基于二維最大相關(guān)準(zhǔn)則的圖像閾值分割[J].紅外與毫米波學(xué)報(bào)，2005（5）：397-400.