CN111833367A - 一种图像处理方法、装置、车辆及存储介质 - Google Patents
一种图像处理方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN111833367A CN111833367A CN202010592539.6A CN202010592539A CN111833367A CN 111833367 A CN111833367 A CN 111833367A CN 202010592539 A CN202010592539 A CN 202010592539A CN 111833367 A CN111833367 A CN 111833367A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- vehicle
- carrying
- edge detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000003708 edge detection Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 abstract description 15
- 230000002829 reductive effect Effects 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 9
- 206010039203 Road traffic accident Diseases 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/14—Picture signal circuitry for video frequency region
- H04N5/21—Circuitry for suppressing or minimising disturbance, e.g. moiré or halo
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例公开了一种图像处理方法、装置、车辆及存储介质,该方法包括:获取车辆前视摄像头采集的原始图像;对所述原始图像进行噪声处理,获得中间待处理图像;基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像;通过对原始图像进行噪声处理,避免了摄像头本身对采集图片的噪声影响,提高了图像检测的准确度;通过对中间待处理图像进行底帽变换可以降低光照不均匀对图片的影响,解决了由于光照不均匀导致的摄像头拍摄的图像无法准确识别目标的问题,提高了边缘检测的准确性,为自动驾驶提供更加精准的目标图像,减少交通事故的发生。
Description
技术领域
本发明实施例涉及车辆采集图像的处理技术领域,尤其涉及一种图像处理方法、装置、车辆及存储介质。
背景技术
自动驾驶汽车通过多传感器协同作用来全方位的环境感知,超声波雷达、毫米波雷达和前视摄像头等传感器都扮演着重要角色。其中,前视摄像头在结构和功能方面与人眼最为接近,因此也成为了自动驾驶技术的不可或缺元素,发挥着至关重要的作用。伴随自动驾驶的演进,前视摄像头技术也在不断进化。目前,常用的摄像头包括:单目前视摄像头和双目前视摄像头。未来,随自动驾驶技术的演进,前视摄像头技术也会不断进化,为汽车的自动驾驶提供更强大的功能。
在前视摄像头目标识别中,图像的边缘信息是前方目标最基本的特征之一,携带着一副图像的大量信息。图像边缘是目标图像和图像背景之间的边界和重叠对象之间的边界。边缘检测是图像分割的一部分,图像分割的目的是识别出图像中的区域。边缘检测是定位边缘像素的过程,而边缘增强是增加边缘和背景之间的对比度以便能够更清楚地看清边缘的过程。图像边缘检测一是为了产生更适合人眼观察的目标识别图像;二是为了通过摄像头的处理器自动识别前方目标。因此对于自动驾驶汽车来说,研究前视摄像头图像边缘检测问题尤为重要。
通常情况下由于受到摄像头本身电子元器,电子线路等影响,会使采集的图片带有噪声,影响检测与识别的结果;并且在前视摄像头采集各种各样的道路场景的图像时,由于环境光照条件多变等因素,会导致前方目标的光照不均匀,影响前视摄像头的识别效果和应用价值,严重时还可能引发交通事故。
发明内容
本发明提供一种图像处理方法、装置、车辆及存储介质,以实现图像边缘的准确检测。
第一方面,本发明实施例提供了一种图像处理方法,所述图像处理方法包括:
获取车辆前视摄像头采集的原始图像;
对所述原始图像进行噪声处理,获得中间待处理图像;
基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
第二方面,本发明实施例还提供了一种图像处理装置,该图像处理装置包括:
原始图像确定模块,用于获取车辆前视摄像头采集的原始图像;
待处理图像确定模块,用于对所述原始图像进行噪声处理,获得中间待处理图像;
目标图像确定模块,用于基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
第三方面,本发明实施例还提供了一种设备,该设备包括:
一个或多个前视摄像头,用于采集原始图像;
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的一种图像处理方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例中任一所述的一种图像处理方法。
本发明实施例提供了一种图像处理方法、装置、车辆及存储介质,通过获取车辆前视摄像头采集的原始图像;对所述原始图像进行噪声处理,获得中间待处理图像;基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像;通过对原始图像进行噪声处理,避免了摄像头本身对采集图片的噪声影响,提高了图像检测的准确度;通过对中间待处理图像进行底帽变换可以降低光照不均匀对图片的影响,解决了由于光照不均匀导致的摄像头拍摄的图像无法准确识别目标的问题,提高了边缘检测的准确性,为自动驾驶提供更加精准的目标图像,减少交通事故的发生。
附图说明
图1是本发明实施例一中的一种图像处理方法的流程图;
图2是本发明实施例二中的一种图像处理方法的流程图;
图3是本发明实施例三中的一种图像处理装置的结构图;
图4是本发明实施例四中的一种车辆的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像处理方法的流程图,本实施例可适用于处理图像的情况,该方法可以由图像处理装置来执行,具体包括如下步骤:
步骤110、获取车辆前视摄像头采集的原始图像。
其中,前视摄像头具体可以理解为装在车前方的车载摄像头,可以装在前车牌架下方或者车牌架上用车牌上两颗螺丝固定起来;或者装在车前右侧一边,可以看得到右边的盲区;或者装在左后视镜下方和右后视镜下方,可以看前方的盲区;原始图像具体可以理解为前视摄像头拍摄的车辆周围环境的图像。
具体的,车辆前视摄像头拍摄车辆周围环境的图像,车辆的处理器或者整车控制器通过通信传输的方式获取原始图像,以便进行后续的图像处理。车辆前视摄像头采集原始图像可以是根据预设的时间间隔进行采集。
步骤120、对所述原始图像进行噪声处理,获得中间待处理图像。
其中,中间待处理图像具体可以理解为对原始图像进行去除噪声处理后得到的图像。
具体的,车辆前视摄像头在采集原始图像时,由于受到摄像头本身电子元器,电子线路等影响,会使采集的图片带有噪声,影响检测与识别的结果,所以需要对原始图像进行噪声处理,去除掉原始图像中的噪声,降低对边缘识别结果的影响。对原始图像进行噪声处理的方式可以是小波阈值算法、高斯滤波算法、平滑卷积算法等。
步骤130、基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
其中,底帽变换(BOTTOM-HAT)是用一个结构元素通过闭运算从一副图像中删除物体,差操作得到一副仅保留已删除分量的图像。底帽变换用于亮背景上的暗物。BOTTOM-HAT是原始图像与其闭运算之间的一种差值运算。为了提取出新的目标,选取合适的结构元素进行灰度闭运算,可以通过如下方法: BTH(f)=δ(f)-f,其中,δ(f)为闭运算,其与开运算正好相反,是像元在某窗口内先生长后侵蚀运算得到的,底帽变换后的值也总是大于0或等于0的。边缘检测可以理解为通过预先设置好的边缘检测算法对中间待处理图像进行处理,获取中间待处理图像的边缘,边缘检测的目的是标识数字图像中亮度变化明显的点,图像进行边缘检测大幅度地减少了数据量,并且剔除了可以认为不相关的信息,保留了图像重要的结构属性,边缘检测算法包括:索贝尔(Sobel)算法、罗伯茨(Roberts)算法、Canny算法、Prewitt算法等。目标图像具体可以理解为原始图像经过算法处理后的最终图像。
具体的,对中间待处理图像进行底帽变换得到去除光照不均匀影响的图像,完成底帽变换后进行边缘检测,通过边缘检测算法对底帽变换后的中间待处理图像进行处理,得到标记出图像边缘信息的目标图像。
本发明实施例通过获取车辆前视摄像头采集的原始图像;对所述原始图像进行噪声处理,获得中间待处理图像;基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像;通过对原始图像进行噪声处理,避免了摄像头本身对采集图片的噪声影响,提高了图像检测的准确度;通过对中间待处理图像进行底帽变换可以降低光照不均匀对图片的影响,解决了由于光照不均匀导致的摄像头拍摄的图像无法准确识别目标的问题,提高了边缘检测的准确性,为自动驾驶提供更加精准的目标图像,减少交通事故的发生。
进一步地,对所述原始图像进行噪声处理,获得中间待处理图像的方式可以具体化为:采用小波阈值算法对所述原始图像进行噪声处理,获得所述中间待处理图像。
小波阈值算法在进行阈值去噪时,阈值函数包括硬阈值函数、软阈值函数和半软阈值函数。本申请实施例采用小波硬阈值函数对原始图像进行去除噪声处理,减小原始图像上的噪声信息,小波硬阈值去噪原理如下:小波应满足以下不等式:
其中,ψ(ω)为小波母函数,只有符合式子上述公式(1)的约束条件,同时是与时间相关的单值函数才可称之为小波。
设信号如下:
f(k)=s(k)+n(k) (2)
f(k)表示含噪的信号;s(k)表示原始信号;n(k)表示高斯白噪声,并且服从N(0,δ2)分布。因为小波变换为线性变换,故对信号f(k)=s(k)+n(k)作小波变换会得到由两部分组成的小波系数Wj,k。其中真实信号s(k)对应小波系数为Uj,k,噪声信号n(k)对应小波系数为Vj,k。
小波变换可以在小波定义域内将能量集中在某些较大的小波系数上,同时使噪声布满整个小波域。这样通过小波处理后的小波系数的幅值会大于噪声的幅值。寻找一个适当的数λ作为阈值,当Wj,k<λ时,Wj,k由噪声引起;Wj,k>λ时, Wj,k由信号引起。这样就可与通过设定阈值的方法对信号进行去噪。硬阈值公式如下:
通过小波阈值算法对采集的原始图像进行滤波,对滤波后的三个分量进行重组生成新的R、G、B分量,较大程度地保留了原始图像信息,同时达到了噪声滤除的效果。
实施例二
图2为本发明实施例二提供的一种图像处理方法的流程图。本实施例的技术方案在上述技术方案的基础上进一步细化,具体主要包括如下步骤:
步骤210、获取车辆前视摄像头采集的原始图像。
步骤220、对所述原始图像进行噪声处理,获得中间待处理图像。
步骤230、对所述中间待处理图像进行灰度化处理,获得相应的灰度图像。
车辆前视摄像头采集的原始图像一般为彩色图像,但是彩色图片信息量大,如果对彩色图片直接处理,特征量,计算量成指数倍数增加,所以需要将去噪后的中间待处理图像进行灰度化处理,获得相应的灰度图像,在后续进行边缘检测的图像处理时可以降低维度,提高运算速度。
进一步地,对所述中间待处理图像进行灰度化处理,获得相应的灰度图像的方式可以具体化为:基于预设加权平均算法公式对所述中间待处理图像各像素点的分量进行加权平均计算;根据计算结果确定灰度图像。
其中,预设加权平均算法具体可以理解为预先选择的加权平均算法,用来对彩色图像中的单个像素点进行加权平均计算,进而得到每个像素点的灰度值。
图像由像素点组成,示例性的,中间待处理图像由m×n个像素点组成,各像素点由R(红色)、G(绿色)和B(蓝色)三个分量组成,通过对像素点的R、 G和B分量分别进行加权,得到加权后的R、G和B的值,各像素点加权后的R、 G和B分量值可以确定像素点的新的灰度值。各像素点的分量都通过预设加权平均算法进行处理,得到每个像素点的三个分量的新的分量值,根据各像素点的新的分量值得到灰度图像。
进一步地,预设加权平均算法公式为:
g(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j);
其中,g(i,j)为第i行第j列的像素点的灰度值;R(i,j)为第i行第j列的像素点的红色值;G(i,j)为第i行第j列的像素点的绿色值;B(i,j)为第i行第j列的像素点的蓝色值。
步骤240、对所述灰度图像通过底帽变换算法进行背景图像均匀处理,获得背景均匀图像。
其中,背景均匀图像具体可以理解为去除了光照影响的图像。
具体的,原始图像经过去噪、灰度化得到灰度图像,但是由于光照不均匀的影响,此时的图片中背景亮度有亮有暗,如果直接进行边缘检测得到的目标图像会出错,使检测结果不准确,所以通过底帽变换对灰度图像进行处理,删除大部分非均匀背景,最后进行边缘检测得到的目标图像准确性更高。
步骤250、对所述背景均匀图像通过边缘检测算法进行边缘检测,获得标记出图像边缘信息的目标图像。
进一步地,边缘检测算法为索贝尔算法(Sobel)。
Sobel算子是由两个卷积核g1(x,y)和g2(x,y)对原图像f(x,y)进行卷积运算而得到的。其数学表达式为:
通过定义可以利用两个方向模板与图像进行邻域卷积来完成的算子的边缘检测。这两个方向模板一个检验水平边缘,一个检验垂直边缘。
算法的基本原理:适当选取阈值M,作如下判断:若S(i,j))>M,则(i,j) 为边缘点。{S(i,j)}为边缘图像,由于数据溢出的关系,这种边缘图像通常不直接使用,而使用的则是由边缘点与背景点构成的图像,故它为二值图像。
SOBEL算法也可用模板表示。模板中的元素表示算式中相应像素的加权因子。水平和垂直梯度模板分别为:
SOBEL算法就是对当前行或列对应的值加权后,再进行平均和差分,也称为加权平均差分。其锐化的边缘信息较强,且在检测边缘点的同时具有抑制噪声的能力,检测出的边缘宽度至少为二像素。
通过索贝尔算法对背景均匀图像进行边缘检测,得到标记出图像边缘信息的目标图像,此时得到的目标图像因为进行了去噪、底帽变换,所以准确度较高。
步骤260、根据所述目标图像确定车辆控制指令,以通过所述控制指令控制车辆行驶。
其中,车辆控制指令具体可以理解为控制车辆或者提醒驾驶人员的计算机指令,可以直接控制车辆行驶,或者转化为语音等提醒声音提醒驾驶人员。
具体的,根据目标图像可以确定车辆周围道路环境,确认是否有障碍物、是否需要避让等,在确定出目标图像后,结合车辆自身信息确定车辆下一步执行的动作。例如,在自动驾驶模式下,确定车辆与障碍物位置关系,车辆当前行驶轨迹,如果车辆按照当前行驶轨迹行驶会发生与目标图像中物体碰撞的危险,重新规划轨迹,并根据重新规划的行驶轨迹生成相应的车辆控制指令(例如,左转),控制车辆行驶。或者在驾驶员驾驶时,生成语音信息通知驾驶员避让。
本发明实施例通过获取车辆前视摄像头采集的原始图像;对所述原始图像进行噪声处理,获得中间待处理图像;基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像;通过对原始图像进行噪声处理,避免了摄像头本身对采集图片的噪声影响,提高了图像检测的准确度;通过对中间待处理图像进行底帽变换可以降低光照不均匀对图片的影响,解决了由于光照不均匀导致的摄像头拍摄的图像无法准确识别目标的问题,提高了使用索贝尔算法进行边缘检测时的准确性,提供更加精准的目标图像,便于自动驾驶或驾驶员驾驶时进行准确避让,减少危险的发生,提高车辆驾驶安全性。
实施例三
图3为本发明实施例三提供的一种图像处理装置的结构图,该装置包括:原始图像确定模块31、待处理图像确定模块32和目标图像确定模块33。
其中,原始图像确定模块31,用于获取车辆前视摄像头采集的原始图像;待处理图像确定模块32,用于对所述原始图像进行噪声处理,获得中间待处理图像;目标图像确定模块33,用于基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
本发明实施例通过获取车辆前视摄像头采集的原始图像;对所述原始图像进行噪声处理,获得中间待处理图像;基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像;通过对原始图像进行噪声处理,避免了摄像头本身对采集图片的噪声影响,提高了图像检测的准确度;通过对中间待处理图像进行底帽变换可以降低光照不均匀对图片的影响,解决了由于光照不均匀导致的摄像头拍摄的图像无法准确识别目标的问题,提高了边缘检测的准确性,为自动驾驶提供更加精准的目标图像,减少交通事故的发生。
进一步地,目标图像确定模块33,包括:
灰度图像获取单元,用于对所述中间待处理图像进行灰度化处理,获得相应的灰度图像。
背景均匀图像获取单元,用于对所述灰度图像通过底帽变换算法进行背景图像均匀处理,获得背景均匀图像。
目标图像获取单元,用于对所述背景均匀图像通过边缘检测算法进行边缘检测,获得标记出图像边缘信息的目标图像。
进一步地,灰度图像获取单元,具体用于基于预设加权平均算法公式对所述中间待处理图像各像素点的分量进行加权平均计算;根据计算结果确定灰度图像。
进一步地,所述预设加权平均算法公式为:
g(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j);
其中,g(i,j)为第i行第j列的像素点的灰度值;R(i,j)为第i行第j列的像素点的红色值;G(i,j)为第i行第j列的像素点的绿色值;B(i,j)为第i行第j列的像素点的蓝色值。
进一步地,待处理图像确定模块32,具体用于采用小波阈值算法对所述原始图像进行噪声处理,获得所述中间待处理图像。
进一步地,所述边缘检测算法为索贝尔算法。
进一步地,该装置还包括:
指令确定模块,用于根据所述目标图像确定车辆控制指令,以通过所述控制指令控制车辆行驶。
本发明实施例所提供的图像处理装置可执行本发明任意实施例所提供的图像处理方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种车辆的结构示意图,如图4所示,该车辆包括处理器40、存储器41、输入装置42、输出装置43和前视摄像头44;车辆中处理器40和前视摄像头44的数量可以是一个或多个,图4中以一个处理器40和一个前视摄像头44为例;车辆中的处理器40、存储器41、输入装置 42、输出装置43和前视摄像头44可以通过总线或其他方式连接,图4中以通过总线连接为例。
前视摄像头44,用于采集原始图像存储器41作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的图像处理方法对应的程序指令/模块(例如,图像处理装置中的原始图像确定模块31、待处理图像确定模块32和目标图像确定模块33)。处理器40通过运行存储在存储器41中的软件程序、指令以及模块,从而执行车辆的各种功能应用以及数据处理,即实现上述的图像处理方法。
存储器41可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器41可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器41可进一步包括相对于处理器40远程设置的存储器,这些远程存储器可以通过网络连接至车辆。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收输入的数字或字符信息,以及产生与车辆的用户设置以及功能控制有关的键信号输入。输出装置43可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种图像处理方法,该方法包括:
获取车辆前视摄像头采集的原始图像;
对所述原始图像进行噪声处理,获得中间待处理图像;
基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的图像处理方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器 (Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述图像处理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种图像处理方法,其特征在于,包括:
获取车辆前视摄像头采集的原始图像;
对所述原始图像进行噪声处理,获得中间待处理图像;
基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
2.根据权利要求1所述的方法,其特征在于,所述基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像,包括:
对所述中间待处理图像进行灰度化处理,获得相应的灰度图像;
对所述灰度图像通过底帽变换算法进行背景图像均匀处理,获得背景均匀图像;
对所述背景均匀图像通过边缘检测算法进行边缘检测,获得标记出图像边缘信息的目标图像。
3.根据权利要求2所述的方法,其特征在于,所述对所述中间待处理图像进行灰度化处理,获得相应的灰度图像,包括:
基于预设加权平均算法公式对所述中间待处理图像各像素点的分量进行加权平均计算;
根据计算结果确定灰度图像。
4.根据权利要求3所述的方法,其特征在于,所述预设加权平均算法公式为:
g(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j);
其中,g(i,j)为第i行第j列的像素点的灰度值;R(i,j)为第i行第j列的像素点的红色值;G(i,j)为第i行第j列的像素点的绿色值;B(i,j)为第i行第j列的像素点的蓝色值。
5.根据权利要求1所述的方法,其特征在于,所述对所述原始图像进行噪声处理,获得中间待处理图像,包括:
采用小波阈值算法对所述原始图像进行噪声处理,获得所述中间待处理图像。
6.根据权利要求2所述的方法,其特征在于,所述边缘检测算法为索贝尔算法。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
根据所述目标图像确定车辆控制指令,以通过所述控制指令控制车辆行驶。
8.一种图像处理装置,其特征在于,包括:
原始图像确定模块,用于获取车辆前视摄像头采集的原始图像;
待处理图像确定模块,用于对所述原始图像进行噪声处理,获得中间待处理图像;
目标图像确定模块,用于基于所述中间待处理图像通过底帽变换以及边缘检测,获得标记出图像边缘信息的目标图像。
9.一种车辆,其特征在于,所述车辆包括:
一个或多个前视摄像头,用于采集原始图像;
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像处理方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592539.6A CN111833367A (zh) | 2020-06-24 | 2020-06-24 | 一种图像处理方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010592539.6A CN111833367A (zh) | 2020-06-24 | 2020-06-24 | 一种图像处理方法、装置、车辆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111833367A true CN111833367A (zh) | 2020-10-27 |
Family
ID=72898889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010592539.6A Pending CN111833367A (zh) | 2020-06-24 | 2020-06-24 | 一种图像处理方法、装置、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833367A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113310662A (zh) * | 2021-04-30 | 2021-08-27 | 北京海纳川汽车部件股份有限公司 | 汽车车灯的测试方法、平台和存储介质 |
CN114627653A (zh) * | 2022-05-12 | 2022-06-14 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理系统 |
CN115830567A (zh) * | 2023-02-16 | 2023-03-21 | 北京理工大学前沿技术研究院 | 一种弱光条件下道路目标融合感知方法及系统 |
-
2020
- 2020-06-24 CN CN202010592539.6A patent/CN111833367A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113310662A (zh) * | 2021-04-30 | 2021-08-27 | 北京海纳川汽车部件股份有限公司 | 汽车车灯的测试方法、平台和存储介质 |
CN114627653A (zh) * | 2022-05-12 | 2022-06-14 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理系统 |
CN114627653B (zh) * | 2022-05-12 | 2022-08-02 | 浙江电马云车科技有限公司 | 基于双目识别的5g智能道闸管理系统 |
CN115830567A (zh) * | 2023-02-16 | 2023-03-21 | 北京理工大学前沿技术研究院 | 一种弱光条件下道路目标融合感知方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI607901B (zh) | 影像修補系統及其方法 | |
US10592754B2 (en) | Shadow removing method for color image and application | |
CN111833367A (zh) | 一种图像处理方法、装置、车辆及存储介质 | |
Negru et al. | Exponential contrast restoration in fog conditions for driving assistance | |
WO2016206087A1 (zh) | 一种低照度图像处理方法和装置 | |
CN109145798B (zh) | 一种驾驶场景目标识别与可行驶区域分割集成方法 | |
EP3798975B1 (en) | Method and apparatus for detecting subject, electronic device, and computer readable storage medium | |
TWI808406B (zh) | 圖像去霧方法和使用圖像去霧方法的圖像去霧設備 | |
DE102013114996A1 (de) | Bildsuperauflösung für dynamischen Rückspiegel | |
KR101684990B1 (ko) | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 | |
WO2020038065A1 (zh) | 一种图像处理方法、终端及计算机存储介质 | |
Yahiaoui et al. | Optimization of ISP parameters for object detection algorithms | |
John et al. | Enhancement of weather degraded video sequences using wavelet fusion | |
CN113628202B (zh) | 一种确定方法、清洁机器人和计算机存储介质 | |
WO2019085929A1 (zh) | 图像处理方法及其装置、安全驾驶方法 | |
CN116310598B (zh) | 一种用于恶劣天气下的障碍物检测方法及装置 | |
Jin et al. | Single image de-haze based on a new dark channel estimation method | |
US20210001773A1 (en) | Automated Creation of a Freeform Mask for Automotive Cameras | |
KR101535630B1 (ko) | 밝기변환 모델을 이용한 야간 영상의 밝기 개선 장치 | |
CN112330544A (zh) | 图像拖影的处理方法、装置、设备及介质 | |
TW201824864A (zh) | 動態影像特徵加強方法與系統 | |
CN112949423A (zh) | 物体识别方法、物体识别装置及机器人 | |
Chaudhry et al. | Model-assisted content adaptive detail enhancement and quadtree decomposition for image visibility enhancement | |
Park et al. | Variational image dehazing using a fuzzy membership function | |
US20240177316A1 (en) | Method for segmenting roads in images, electronic device, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |