基于改進(jìn)圖像自適應(yīng)算法的車道線識(shí)別研究

包曉敏，陳家凡，吳 龍，呂文濤，楊曉城

(浙江理工大學(xué) 信息學(xué)院，浙江 杭州 310000)

?

基于改進(jìn)圖像自適應(yīng)算法的車道線識(shí)別研究

包曉敏，陳家凡，吳 龍，呂文濤，楊曉城

(浙江理工大學(xué) 信息學(xué)院，浙江 杭州 310000)

針對(duì)圖像自適應(yīng)閾值分割中最佳閾值的計(jì)算問(wèn)題，提出了一種根據(jù)圖像結(jié)構(gòu)相似度計(jì)算最佳分割閾值的方法。該方法分為模型建立和目標(biāo)圖像閾值計(jì)算兩部分。模型建立時(shí)，首先選取場(chǎng)景標(biāo)準(zhǔn)模板圖像，再計(jì)算訓(xùn)練圖像與標(biāo)準(zhǔn)模板圖像對(duì)比后的結(jié)構(gòu)相似度，并依據(jù)圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)判定最佳的閾值，建立特定場(chǎng)景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型；閾值計(jì)算時(shí)，首先計(jì)算目標(biāo)圖像與標(biāo)準(zhǔn)模板圖像對(duì)比后的結(jié)構(gòu)相似度，再根據(jù)關(guān)系模型，直接計(jì)算最佳分割閾值。為驗(yàn)證此方法，選用晴天高速公路場(chǎng)景下的圖像進(jìn)行測(cè)試。結(jié)果表明，所提算法的閾值分割效果優(yōu)于傳統(tǒng)自適應(yīng)閾值分割算法,并且具有更高的運(yùn)算效率。

數(shù)字圖像處理；圖像閾值分割；結(jié)構(gòu)對(duì)比度；最佳閾值

0 引言

圖像閾值分割在很多工程應(yīng)用的圖像預(yù)處理環(huán)節(jié)中廣泛應(yīng)用，工程師都期望圖像分割方法能針對(duì)各種圖像穩(wěn)定地得到圖像的最佳閾值，圖像分割閾值的選取可以通過(guò)人工的方式確定，但人工選取閾值，往往要經(jīng)過(guò)大量的實(shí)驗(yàn)來(lái)確定準(zhǔn)確的分割閾值，這樣就會(huì)導(dǎo)致效率低下。隨著現(xiàn)代圖像處理技術(shù)的發(fā)展，更加自動(dòng)化、智能化地對(duì)圖像進(jìn)行快速處理成為可能，從而達(dá)到真正意義上的自適應(yīng)效果。比如自適應(yīng)算法，典型的有：最大類間方差法(Otsu)、最大熵法(Kapur)以及最小誤差分割方法等。但這些圖像分割算法缺乏在特定的場(chǎng)景下，能夠直接快速得到圖像分割最佳閾值的能力。

Otsu[1]基本思想是通過(guò)某種準(zhǔn)則或模型建立圖像的特征描述，并選擇合適的灰度閾值將圖像分成目標(biāo)和背景，按照所采用的閾值個(gè)數(shù)可分為單閾值和多閾值2種方法。但這種算法對(duì)于每一灰度值都要反復(fù)計(jì)算其對(duì)應(yīng)方差，計(jì)算量非常大。而且其只考慮了圖像的灰度信息，沒(méi)有結(jié)合圖像的空間領(lǐng)域信息來(lái)分割圖像，對(duì)含有噪聲及光照不均的圖像難以獲得滿意的分割結(jié)果。因此按照傳統(tǒng)的方法計(jì)算最大類間方差已經(jīng)限制了這種算法的發(fā)展。

很多研究人員將一維Otsu擴(kuò)展到二維，例如范九倫等人[2-4]提出了二維 Otsu 曲線閾值法，采用了與主對(duì)角線垂直的斜線按灰度級(jí)與鄰域平均灰度級(jí)之和的大小進(jìn)行閾值分割。為了使低對(duì)比度和低信噪比圖像有較好的分割結(jié)果，景曉軍[5]等結(jié)合圖像的灰度、均值和中值信息提出了三維Otsu閾值分割法。但三維Otsu時(shí)間和空復(fù)雜度均較高，因此，徐青等人[6]提出了一種新的基于分解直方圖的三維Otsu分割算法，使得三維Otsu算法的執(zhí)行效率得到有效提高。范朝東等人[7]提出了基于空間界面投影的Otsu圖像分割算法。龔劬等人[8]提出了基于分解的三維 Otsu 圖像分割快速算法。但該算法計(jì)算復(fù)雜耗時(shí)，不適于對(duì)道路場(chǎng)景下車道線的提取。

近年來(lái)，針對(duì)不同場(chǎng)景而改進(jìn)的自適應(yīng)閾值分割算法層出不窮，朱代輝等人[9]針對(duì)醫(yī)學(xué)方面提出了醫(yī)學(xué)三維影像體數(shù)據(jù)閾值分割方法，在激光成像雷達(dá)方面，周鑫等人[10]提出的基于閾值分割方法的復(fù)雜場(chǎng)景激光圖像目標(biāo)提取算法研究。針對(duì)不同的場(chǎng)景需要不同的自適應(yīng)閾值分割算法，所以特別在道路線檢測(cè)的場(chǎng)景中，由于場(chǎng)景的復(fù)雜性，環(huán)境車輛的多變性，導(dǎo)致了其自適應(yīng)最佳閾值計(jì)算的難度大大增加。

在特定的場(chǎng)景中，能精準(zhǔn)地計(jì)算圖像的最佳閾值，從而應(yīng)用于圖像的閾值分割，達(dá)到自適應(yīng)的閾值分割效果，這是一個(gè)極具挑戰(zhàn)的課題。因此針對(duì)高速晴天場(chǎng)景下，提出了一種根據(jù)圖像結(jié)構(gòu)相似度[11]直接計(jì)算用于道路線檢測(cè)的最佳圖像分割閾值的方法。該方法能很好地通過(guò)結(jié)構(gòu)相似度計(jì)算圖像的最佳閾值應(yīng)對(duì)場(chǎng)景的復(fù)雜多變，從而進(jìn)行精準(zhǔn)的閾值分割，達(dá)到更好地呈現(xiàn)車道線信息，濾除其他不必要干擾信息的目的。

1 算法原理

最常用的閾值分割是一種利用圖像中要提取的目標(biāo)物與其背景在灰度特征性上的差異，把圖像視為具有不同灰度級(jí)的2類區(qū)域(目標(biāo)和背景)的組合，選取一個(gè)合適的閾值，以確定圖像中每個(gè)像素點(diǎn)應(yīng)該屬于目標(biāo)區(qū)域還是背景區(qū)域，從而產(chǎn)生對(duì)應(yīng)的二值圖像。在特定的場(chǎng)景中，標(biāo)準(zhǔn)模板圖像有其最佳閾值，基于圖像的結(jié)構(gòu)相似度公式，則標(biāo)準(zhǔn)模板圖像有其固定的亮度、對(duì)比度。現(xiàn)實(shí)條件中，由于光照不均勻，使得圖像中目標(biāo)物體和背景的亮度不均勻，進(jìn)而影響著圖像對(duì)比度。通過(guò)將測(cè)試圖像的亮度、對(duì)比度與標(biāo)準(zhǔn)模板圖像的亮度[12-13]和對(duì)比度進(jìn)行比較，比較結(jié)果越是接近于1，則測(cè)試圖像與標(biāo)準(zhǔn)模板圖像整體的圖像結(jié)構(gòu)信息較為接近，且結(jié)構(gòu)相似度依據(jù)選定圖像和標(biāo)準(zhǔn)模板圖像之間的亮度和對(duì)比度分布之間的差別，差別越小，表示兩圖之間的差別越小。而2幅測(cè)試圖像，如果具有相同的結(jié)構(gòu)相似度，表示這2幅圖之間的亮度和對(duì)比度分布具有可比性，差別更小，因此具有相同的最佳閾值。可以通過(guò)這一點(diǎn)，建立起結(jié)構(gòu)相似度與閾值之間的關(guān)系模型。

本文提出了一種根據(jù)圖像結(jié)構(gòu)相似度計(jì)算最佳分割閾值的方法。該方法分為模型建立和閾值計(jì)算兩部分。模型建立時(shí)，首先選取場(chǎng)景標(biāo)準(zhǔn)模板圖像，再計(jì)算訓(xùn)練圖像與標(biāo)準(zhǔn)模板圖像對(duì)比后的結(jié)構(gòu)相似度，并依據(jù)圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)判定最佳閾值，建立特定場(chǎng)景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型。閾值計(jì)算部分包括目標(biāo)圖像與標(biāo)準(zhǔn)模板圖像的結(jié)構(gòu)相似度計(jì)算，然后將計(jì)算得到的數(shù)據(jù)帶入到關(guān)系模型中，直接計(jì)算最佳分割閾值。該算法的流程圖如圖1所示。

圖1 算法流程圖

1.1 模型建立

1.1.1 選取標(biāo)準(zhǔn)模板圖

對(duì)于標(biāo)準(zhǔn)模板圖的選取是十分重要，標(biāo)準(zhǔn)模板圖的選取要注意：第一點(diǎn)，所關(guān)注的重要信息部分，即車道線的信息要完整，在圖中能夠清晰地呈現(xiàn)出來(lái)，無(wú)其他不必要的干擾因素，例如車道線的破損，行車道上車輛對(duì)車道線的完全覆蓋等因素；第二點(diǎn)，即亮度，從圖像質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)的角度去分析，亮度是圖像的重要特征，在標(biāo)準(zhǔn)模板圖中是起到了很重要的作用，如果圖像的亮度過(guò)低或者亮度平緩，此時(shí)圖像較模糊，可分辨率低，直接影響后續(xù)對(duì)于結(jié)構(gòu)相似度的計(jì)算。

1.1.2 圖像結(jié)構(gòu)相似度的計(jì)算

結(jié)構(gòu)相似度是一種用來(lái)評(píng)價(jià)圖像質(zhì)量的一種方法。人類視覺(jué)很容易從圖像中抽取出結(jié)構(gòu)信息,因此計(jì)算2幅圖像結(jié)構(gòu)信息的相似性可以用來(lái)作為一種檢測(cè)圖像質(zhì)量好壞的標(biāo)準(zhǔn)。

按照上述的標(biāo)準(zhǔn)模板圖的選取條件，進(jìn)行特定場(chǎng)景下的標(biāo)準(zhǔn)模板圖的選取，接著將測(cè)試圖像與選取的標(biāo)準(zhǔn)模板圖進(jìn)行對(duì)比，求出該圖像的結(jié)構(gòu)相似度。計(jì)算結(jié)構(gòu)相似度的框圖如圖2所示。

圖2 結(jié)構(gòu)相似度計(jì)算框圖

在相同位置處輸入2個(gè)信號(hào)標(biāo)準(zhǔn)圖像塊x和測(cè)試圖像塊y，它們的亮度比較函數(shù)、對(duì)比度比較函數(shù)、結(jié)構(gòu)比較函數(shù)[14]分別為：

(1)

式中，μx、μy為標(biāo)準(zhǔn)圖像與測(cè)試圖像的亮度均值，σx、σy為標(biāo)準(zhǔn)圖像與測(cè)試圖像的對(duì)比度方差，σxy為標(biāo)準(zhǔn)圖像與測(cè)試圖像的協(xié)方差。

C1、C2、C3均為很小的正數(shù)，結(jié)合這3種相似性準(zhǔn)則構(gòu)成了x和y的相似性測(cè)度為圖像的相似性：

SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ。

(2)

1.1.3 訓(xùn)練圖像的最佳閾值集

在閾值分割中，利用圖像中背景和目標(biāo)物體的灰度上的差異，把圖像視為具有不同灰度級(jí)的2類區(qū)域(目標(biāo)和背景)的組合，從而選取一個(gè)合適的閾值進(jìn)行分割。因此在計(jì)算單張圖像的最佳閾值需經(jīng)灰度化預(yù)處理后，進(jìn)行固定閾值分割處理，測(cè)得最佳閾值。

閾值分割的分割類型取決于門限的設(shè)置，本文所選用的是二值分割類型。二值分割中過(guò)門限的值置零，其他值設(shè)置為maxVal。

(3)

在進(jìn)行閾值分割操作的時(shí)候，需要設(shè)置其閾值分割的閾值，則對(duì)于最佳閾值的判定，其基本上是基于人的主觀判定和所需要保留的信息，所以需要對(duì)最佳閾值的選取要有一定的條件，則判斷該測(cè)試圖像的最佳閾值的條件：

① 經(jīng)閾值分割后的車道線的凸顯程度；

② 經(jīng)閾值分割后的車道上車輛的濾除程度；

③ 經(jīng)閾值分割后的車道外的無(wú)用信息濾除程度；

④ 經(jīng)閾值分割后圖像中央?yún)^(qū)域是否會(huì)出現(xiàn)大面積黑塊區(qū)域的面積。

1.1.4 特定場(chǎng)景下最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型建立

選取測(cè)試圖像集，經(jīng)結(jié)構(gòu)相似度和最佳閾值的計(jì)算，可得到測(cè)試圖像集的結(jié)構(gòu)相似度及其對(duì)應(yīng)的最佳閾值的數(shù)據(jù)集，根據(jù)其數(shù)據(jù)集，采用高斯逼近擬合類型進(jìn)行數(shù)據(jù)集的擬合，采用該擬合類型主要在于擬合后的曲線能很好地接近于數(shù)據(jù)集中的各個(gè)點(diǎn)，達(dá)到精確度較高的擬合效果，從而建立在特定場(chǎng)景下的最佳閾值與結(jié)構(gòu)相似度的關(guān)系模型。高斯逼近公式如下：

(4)

1.2 閾值計(jì)算

在根據(jù)圖像結(jié)構(gòu)相似度計(jì)算最佳分割閾值的方法中，模型建立部分得到了計(jì)算圖像分割最佳閾值的公式，即建立了結(jié)構(gòu)相似度與最佳閾值之間的關(guān)系模型。根據(jù)建立的關(guān)系模型，計(jì)算目標(biāo)圖像的圖像分割最佳閾值可以按照以下步驟進(jìn)行：

① 計(jì)算目標(biāo)圖像與標(biāo)準(zhǔn)模板圖像對(duì)比后的結(jié)構(gòu)相似度；

② 將目標(biāo)圖像的結(jié)構(gòu)相似度帶入到關(guān)系模型中，求得該目標(biāo)圖像的最佳閾值；

③ 按照得到的目標(biāo)圖像的最佳閾值對(duì)圖像進(jìn)行分割。

2 實(shí)驗(yàn)結(jié)果

本文為驗(yàn)證以上方法，選取晴天高速公路作為設(shè)定環(huán)境，以車道線提取作為目標(biāo)，進(jìn)行了圖像分割算法仿真。

① 選取標(biāo)準(zhǔn)模板圖

選取的晴天高速公路的標(biāo)準(zhǔn)模板圖，如圖3所示。

圖3 選取的標(biāo)準(zhǔn)模板圖

② 圖像分割的最佳閾值集

選取500幅圖像作為模型建立的訓(xùn)練圖像，在訓(xùn)練圖像的最佳閾值集中，依照判斷測(cè)試圖像的最佳閾值的條件，選取最佳閾值，進(jìn)行閾值分割后的效果圖，如圖4所示。

(a)訓(xùn)練圖像

(b)最佳閾值分割后的效果

③ 關(guān)系模型的建立

本文計(jì)算了每一幅訓(xùn)練圖像的結(jié)構(gòu)相似度和閾值數(shù)值，如圖5中的黑點(diǎn)所示?；隰敯粜院妥罴验撝涤?jì)算的精準(zhǔn)度，根據(jù)式，本文選擇i=4的Gaussian型逼近公式，其系數(shù)如表1所示。

表1 4階高斯行逼近公式系數(shù)

實(shí)驗(yàn)數(shù)據(jù)集及4階的Gaussian類型擬合如圖5所示。

圖5 實(shí)驗(yàn)數(shù)據(jù)集及4階的Gaussian類型擬合

對(duì)于該一系列的數(shù)據(jù)中，可以發(fā)現(xiàn)，隨著最佳閾值的下降，該閾值對(duì)應(yīng)的結(jié)構(gòu)相似度則在不斷的遞增，導(dǎo)致這種數(shù)據(jù)變化的原因是：在于測(cè)試圖像的結(jié)構(gòu)信息與標(biāo)準(zhǔn)模板圖像的結(jié)構(gòu)信息之間的差異；測(cè)試圖像的像素點(diǎn)的平均值和各個(gè)像素點(diǎn)的數(shù)值大小分布。

④ 目標(biāo)圖像閾值分割的最佳閾值計(jì)算

選取210幅不同的晴天高速公路場(chǎng)景進(jìn)行目標(biāo)圖像閾值分割的最佳閾值的計(jì)算。其中分割線劃分的中間的道路區(qū)域塊為本文所要提取的道路信息。

圖6所示為目標(biāo)圖像之一，經(jīng)灰度化預(yù)處理后，接著使用建立的模型計(jì)算的最佳閾值用于進(jìn)行閾值分割，分割后的效果圖提取其車道線信息如圖7(a)所示，以及使用Otsu方法進(jìn)行的自適應(yīng)閾值分割后，提取其車道線的信息如圖7(b)所示。

圖6 選取用于算法計(jì)算的測(cè)試圖

(a) 模型計(jì)算的車道線

(b) Otsu算法分割后的道路線

經(jīng)對(duì)比后發(fā)現(xiàn)，推導(dǎo)出的最佳閾值計(jì)算的公式計(jì)算出的最佳閾值用于閾值分割后，在車道線的凸顯程度和車道旁邊無(wú)用信息的濾除程度來(lái)看，都明顯優(yōu)于使用Otsu自適應(yīng)閾值分割方法。210幅目標(biāo)圖像顯示出相似效果。這說(shuō)明在特定場(chǎng)景下，經(jīng)過(guò)訓(xùn)練得到的最佳閾值模型可以有效地自適應(yīng)獲取目標(biāo)圖像用于閾值分割的最佳閾值，并且該方法的閾值計(jì)算采用SSIM來(lái)直接計(jì)算，計(jì)算簡(jiǎn)單，不需要方差的權(quán)重分配，節(jié)省了運(yùn)算開支。

3 結(jié)束語(yǔ)

針對(duì)特定場(chǎng)景下自適應(yīng)最佳閾值計(jì)算的公式推導(dǎo)，本文將該算法分為訓(xùn)練模塊和計(jì)算模塊。經(jīng)訓(xùn)練模塊后得到的自適應(yīng)計(jì)算最佳閾值的公式，在計(jì)算模塊中對(duì)公式進(jìn)行實(shí)驗(yàn)驗(yàn)證其效果?；隰敯粜院妥赃m應(yīng)閾值的精確度角度上，建立了用于特定場(chǎng)景下自適應(yīng)最佳閾值計(jì)算的關(guān)系模型，并對(duì)晴天高速公路場(chǎng)景下的目標(biāo)圖像進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明該方法能夠直接有效地獲取該場(chǎng)景下的目標(biāo)圖像閾值分割的最佳閾值，通過(guò)該閾值的設(shè)定，進(jìn)行閾值分割后，有效地呈現(xiàn)了車道線的信息，很大程度上濾除了路面上的車輛和樹木等干擾信息，從而達(dá)到自適應(yīng)得到圖像的最佳閾值的目的，且具有更高運(yùn)算效率，這說(shuō)明了該方法的魯棒性和可靠性。

[1] Otsu N.A Thresholds Selection Method form Grey-level Histograms[J].IEEE Transactions on Systems,Man,and Cybernetics,1979,9:62-66.

[2] 范九倫,趙鳳.灰度圖像的二維 Otsu 曲線閾值分割法[J].電子學(xué)報(bào),2007,35(4):751-755.

[3] 趙鳳,惠房臣,韓文超.基于過(guò)分割的多目標(biāo)閾值圖像分割算法[J].西安郵電大學(xué)學(xué)報(bào),2015,20(3): 60-64.

[4] 張新明,孫印杰,鄭延斌.二維直方圖準(zhǔn)分的 Otsu 圖像分割及其快速實(shí)現(xiàn)[J].電子學(xué)報(bào),2011,39(8):1778-1784.

[5] 景曉軍,李劍峰,劉郁林.一種基于三維最大類間方差的圖像分割算法[J].電子學(xué)報(bào),2003,31(9):1281-1285.

[6] 徐青,范九倫.新的基于分解直方圖的三維 Otsu 分割算法[J].傳感器與微系統(tǒng),2017,36(1):119-122.

[7] 范朝冬,歐陽(yáng)紅林,肖樂(lè)意.基于空間截面投影的 Otsu 圖像分割算法[J].通信學(xué)報(bào),2014,35(5):70-78.

[8] 龔劬,倪麟,唐萍峰,等.基于分解的三維 Otsu 圖像分割快速算法[J].計(jì)算機(jī)應(yīng)用,2012,32(6):1526-1528.

[9] 朱代輝,林時(shí)苗,楊育彬.醫(yī)學(xué)三維影像體數(shù)據(jù)閾值分割方法[J].計(jì)算機(jī)科學(xué),2013,40(1):269-272.

[10]周鑫,孫劍峰,姜鵬,等.基于閾值分割方法的復(fù)雜場(chǎng)景激光圖像目標(biāo)提取算法研究[J].光學(xué)學(xué)報(bào),2014,34(B12):149-157.

[11]靳鑫,蔣剛毅,陳芬,等.基于結(jié)構(gòu)相似度的自適應(yīng)圖像質(zhì)量評(píng)價(jià)[J].光電子.激光,2014,25(2):378-385.

[12]廖斌,劉利雄.小波域結(jié)構(gòu)相似度圖像質(zhì)量評(píng)價(jià)[J].北京理工大學(xué)學(xué)報(bào),2008,28(9):801-805.

[13]蔣剛毅,黃大江,王旭,等.圖像質(zhì)量評(píng)價(jià)方法研究進(jìn)展[J].電子與信息學(xué)報(bào),2010,32(1):219-226.

[14]張勇,馬東璽,閆鵬程,等.面向目標(biāo)探測(cè)視覺(jué)任務(wù)的灰度夜視融合圖像質(zhì)量客觀評(píng)價(jià)方法[J].光學(xué)學(xué)報(bào),2013 (B12):75-80.

《無(wú)線電通信技術(shù)》投稿要求

1. 文章正文雙欄排版，文章標(biāo)題20字以內(nèi)。

2. 稿件須附摘要(180字左右)和關(guān)鍵詞(3～8個(gè)，用“；”隔開)

3. 稿件必須包括(按順序)：標(biāo)題、作者姓名、作者單位、所在省市、郵編、摘要、關(guān)鍵詞、中圖分類號(hào)、正文、參考文獻(xiàn)。其中標(biāo)題、作者姓名、作者單位、摘要和關(guān)鍵詞，與中文對(duì)應(yīng)譯成英文。

4. 稿件須附作者簡(jiǎn)介，內(nèi)容包括：作者姓名、出生年、性別、學(xué)歷、職稱、主要研究方向，并在文章最后給出聯(lián)系方式(通信地址∕郵編∕電話∕電子郵箱)。

5. 稿件要論點(diǎn)明確，條理清晰，論證有力，文字通順、簡(jiǎn)練，數(shù)據(jù)可靠，量和單位的使用及數(shù)字用法要符合國(guó)家標(biāo)準(zhǔn)及有關(guān)規(guī)定。

6.文獻(xiàn)序號(hào)以文中引用的先后順序編排。

Study on Lane Extraction Based on Improved Image Adaptive Algorithm

BAO Xiao-min,CHEN Jia-fan,WU Long,LU Wen-tao,YANG Xiao-cheng

(School of Information Science and Technology,Zhejiang Sci-Tech University,Hangzhou Zhejiang 310000,China)

Aiming at the problem of optimal threshold calculation in adaptive image threshold segmentation,this paper puts forward a method of calculating the optimal segmentation threshold based on similarity of image structure. The method is divided into such two parts as model establishment and target image threshold calculation. In modeling,the standard scene template image is selected first,and then the structure similarity is calculated after comparing training image with standard template image. The optimal threshold is determined according to the image quality evaluation standard,and the relationship model of optimal threshold and structure similarity are established in specific scene. In threshold calculation,the structure similarity between target image and standard template image is calculated first,and then the optimal segmentation threshold is calculated directly according to the relation model. To verify this method,the image under the sunny highway scene is selected for test. The experimental results show that the threshold segmentation algorithm is better than the traditional adaptive threshold segmentation algorithm and has higher computational efficiency.

digital image processing; image threshold segmentation; structure contrast; optimal threshold value

2017-05-15

國(guó)家自然科學(xué)基金項(xiàng)目(61601410);浙江省自然科學(xué)基金項(xiàng)目(LY16F010018);浙江省自然科學(xué)基金項(xiàng)目(LQ15D060006);浙江省自然科學(xué)基金項(xiàng)目(LY16F010017)

包曉敏(1965—)，女，教授，碩士生導(dǎo)師，主要研究方向：圖像處理。陳家凡(1993—)，男，碩士研究生，主要研究方向：圖像處理。

10. 3969/j.issn. 1003-3114. 2017.05.19

包曉敏,陳家凡,吳龍,等. 基于改進(jìn)圖像自適應(yīng)算法的車道線識(shí)別研究[J].無(wú)線電通信技術(shù),2017,43(5):86-90.

[BAO Xiaomin,CHEN Jiafan,WU Long,et al. Study on Lane Extraction Based on Improved Image Adaptive Algorithm[J].Radio Communications Technology,2017,43(5):86-90.]

TN911.73

A

1003-3114(2017)05-86-5