无人机航拍路基线光点捕捉双阈值Radon识别方法技术

本发明专利技术公开了一种无人机航拍路基线光点捕捉双阈值Radon识别方法，为无人机的图像识别判断做良好准备，本发明专利技术采用变换对图像进行投影，得到在变换后的投影点位置，进行捕捉，避免了变换中对点筛选的要求苛刻，降低了干扰因素的要求严格，提高了正确率。且具有人性化的适应能力，可以有人为经过测试与根据电脑硬件要求，进行手动调节识别的要求，降低硬件要求，提高工作效率，对投影后的图像光点进行捕捉，得到图像中道路直线，使其无人机航拍公路图像的道边与中线识别中获得的定位比较准确，具有良好的检测精度。

Dual threshold Radon recognition method for UAV aerial track baseline light spot acquisition

The invention discloses a double threshold Radon recognition method for baseline light spot capture of UAV aerial photographic path, which is good preparation for image recognition and judgment of UAV. The method adopts transformation to project the image, obtains the projection point position after transformation, captures the projection point, avoids the strict requirement of point selection in transformation, and reduces the dryness. The requirements of disturbance factors are strict and the accuracy is improved. And has the humanized adaptability, can be tested and according to the computer hardware requirements, manual adjustment and recognition requirements, reduce hardware requirements, improve work efficiency, after projection of the image point of light to capture the road in the image straight line, so that UAV aerial photography of the road image edge and center line recognition The location obtained is accurate and has good detection accuracy.

【技术实现步骤摘要】
无人机航拍路基线光点捕捉双阈值Radon识别方法
本专利技术属于图像处理与图像识别
，具体涉及一种无人机航拍路基线光点捕捉双阈值Radon识别方法。
技术介绍
随着无人机产业研发的飞速发展，越来越多的人已经开始使用无人机来进行一系列的探查活动，如航拍与森林侦查，甚至很多军事领域对无人机航拍使用的更广泛，因此对无人机图像处理与识别的要求也会更为严格。无人机在空中对公路图像的道路边沿与中线识别意义重大。无人机在空中飞行时用于进行航线的自动判断，防止巡线偏移造成坠毁的其他事故，同时如果战时需要在公路跑道上临时降落，公路基线(包括道路边缘与道路中线)识别非常重要，决定了无人机安全降落的准确性。无人机空中飞行速度较高，要求识别时间少，这就决定无人机对道路边缘与中心线的识别精度与效率要很高。在这种背景环境下，无人机在空中对公路图像基线的识别目前为止没有妥善的办法。目前大多数领域采用的直线识别算法是Hough变换，但Hough有其本身的缺点，例如检测速度太慢，精度不够高，期望的信息检测不到反而做出错误判断，进而产生大量的冗余数据，同时进行直线识别时需占用大量内存空间，耗时久，效率低；现实中的图像一般都受到外界噪声的干扰，信噪比较低，此时常规Hough变换的性能将急剧下降。同时进行参数空间极大值的搜索时由于合适的阈值难以确定，往往出现"虚峰"和"漏检"的问题。Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点-线对偶性，把图像空间中的检测问题转换到参数空间。因此当图片中出现太多干扰因素时则会出现错误检测，当图片大小过大时检测时间过长。Radon变换可以用于直线检测，比Hough变换优越的地方在于：Radon变换可以针对非二值图像，Radon变换检测直线：当灰度值高的线段会在P空间中形成亮点，而低灰度值的直线会在P空间中形成暗点，而Hough变换需要针对二值图像进行，仅仅积攒非0点在某一个(P,θ)上的个数。Radon变换的积分运算环节抵消了噪声所引起的亮度起伏，从直线检测方面看，Radon变换P空间较源图像空间域的SNR高，因此更适合低SNR遥感图像线检测的原因。
技术实现思路
本专利技术的目的在于提供一种无人机航拍路基线光点捕捉双阈值Radon识别方法，以克服上述现有技术存在的缺陷，本专利技术使得无人机航拍公路图像的道边与中线识别中获得的定位比较准确，具有良好的检测精度。为达到上述目的，本专利技术采用如下技术方案：无人机航拍路基线光点捕捉双阈值Radon识别方法，包括以下步骤：步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；步骤3：步骤2中的得到的二值化图像进行边缘检测找到图像边缘；步骤4：对步骤3中得到的图像边缘关于幅角进行Radon变换得到投影后的图像，并对投影后的图像对应的矩阵数据中的最值点进行捕捉；步骤5：对要寻找的直线条数与双阈值进行初始参数进行设定，对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用方框进行标记；步骤8：将步骤7中所找到的最值点，即用方框标记的点对应的原图像中直线在无人机拍摄的图像上标出；步骤9：重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，则证明阈值设置过大，将两个阈值进行微调调小，如果识别直线过少，即没有正确识别出来的直线，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果，以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出道路基线；步骤10：在步骤9测试到最适合的阈值时，重复步骤1-8即识别结束。进一步地，步骤1中通过imread指令将道路图像的信息读入转化为表格数据。进一步地，步骤2中灰度二值化处理具体为：步骤2.1：设置初始化阈值T；步骤2.2：根据初始化阈值T将图像数据中的每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2，其中n表示行，m表示列；步骤2.3：计算G1的平均值得到m1，计算G2的平均值得到m2，则新的阈值T’＝(m1+m2)/2；步骤2.4：以新的阈值T’重复步骤2.2和步骤2.3，直至计算出的新阈值等于上一次的阈值。进一步地，步骤3中采用Canny算法对步骤2中得到的二值化图像进行边缘检测找到图像边缘。进一步地，步骤4中对投影后的图像中的最值点进行捕捉具体为：采用经过Radon变换后的投影图形所对应的数据矩阵，进行最大值的寻找，采用的具体方法为相互比较，如果前一个变量比后一个变量小则进行值互换，，如果前一个变量比后一个变量大，则不发生交换，然后继续比较直至扫描完所有的矩阵数据，找到最大值。进一步地，步骤5中区域行列数nhood默认值为max(3*ceil(size(r)/2)+1,1)，其中ceil是向离它最近的大整数圆整，用于快速求出素数；size为求出矩阵的行列数；max为括号内函数的最大值，r为无人机拍摄的道路图像对应的矩阵经过Radon变换后所得到的矩阵。与现有技术相比，本专利技术具有以下有益的技术效果：与传统的变换识别直线算法相比，本专利技术使用的是变换，输入值要求不高，可以省去二值化过程算法依然可以进行，但加入二值化，会使输出结果更加准确，而传统的直线识别算法，如Hough变换如果不进行二值化处理，无法执行程序算法，因为Hough只能接受0，1两种输入，而且减少工作时间，除此之外与传统的变换识别的基础上加入了光点捕捉功能，且引入了人性化人工调节阈值与直线识别数量的调节，可以达到针对干扰因素与内容不同的图片，调节到最适合的值，达到最适合的道路边缘与道路中线识别效果，同时在此代码基础之上，设计了双阈值变换识别，根据公路的两边边缘与道路中线的不同，采用双阈值识别将更难识别的道路中心虚线识别出来，此时仍然调节两个阈值的大小与识别直线的数量大小，此时将第一次识别得到的值固定，第二次识别结束后，将两次识别得到的数据一起显示在复原后的图像中。同时，因为输入值要求与变换不同，变换复原实现是根据峰值点分布的稠密成度来判断直线的方位，但是干扰因素与正确因素起着同等的作用，但是在变换投影的光点根据灰度值的不同，可以弱化干扰因素，使得直线识别效果达到最佳。附图说明图1为识别到的道路两旁基线，即图片中的1和2；图2为识别到的道路中心虚线，即图片中的3；图3为将识别到的道路中心虚线与道路两边基线共同显示在原图像中的结果；图4为无人机拍摄的道路原图像；图5为原图像转换的矩阵数据；图6为原图像经过二值化处理得到的灰度图像；图7为Canny算法检本文档来自技高网...

【技术保护点】
1.无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，包括以下步骤：步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；步骤3：步骤2中的得到的二值化图像进行边缘检测找到图像边缘；步骤4：对步骤3中得到的图像边缘关于幅角进行Radon变换得到投影后的图像，并对投影后的图像对应的矩阵数据中的最值点进行捕捉；步骤5：对要寻找的直线条数与双阈值进行初始参数进行设定，对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用方框进行标记；步骤8：将步骤7中所找到的最值点，即用方框标记的点对应的原图像中直线在无人机拍摄的图像上标出；步骤9：重复步骤1‑8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1‑8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，则证明阈值设置过大，将两个阈值进行微调调小，如果识别直线过少，即没有正确识别出来的直线，说明阈值设置过小，调节阈值后，重复步骤1‑8输出直线识别结果，以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出道路基线。...

【技术特征摘要】
1.无人机航拍路基线光点捕捉双阈值Radon识别方法，其特征在于，包括以下步骤：步骤1：获取无人机拍摄的道路图像，将图像转化为数据表格，并保存为图像数据；步骤2：读入步骤1得到的图像数据并进行灰度二值化处理；步骤3：步骤2中的得到的二值化图像进行边缘检测找到图像边缘；步骤4：对步骤3中得到的图像边缘关于幅角进行Radon变换得到投影后的图像，并对投影后的图像对应的矩阵数据中的最值点进行捕捉；步骤5：对要寻找的直线条数与双阈值进行初始参数进行设定，对以在步骤4中所找到最值点为中心的nhood×nhood区域进行清零，以排除重复，此区域的行数与列数即nhood均为奇数，以保证寻找到的最值点坐标在区域中心；步骤6：从步骤5中找到的最大值在区域中的位置，将找到的最大值的对应横坐标保存，并将找到的最大值的对应纵坐标保存，然后清除最值点数据，最后将以最值点为中心的nhood×nhood矩阵全部清零；步骤7：将步骤6中最终确定的最值点在步骤4中经过Radon变换的投影图像中用方框进行标记；步骤8：将步骤7中所找到的最值点，即用方框标记的点对应的原图像中直线在无人机拍摄的图像上标出；步骤9：重复步骤1-8，图像中道路基线包括道路两边实线与中心虚线，二者识别的阈值有所不同，分开寻找最适应的识别阈值，将两次识别的直线共同复原在原图像，同时经过步骤1-8的第一次识别过程，对识别结果进行预判断，判断阈值过大还是偏小，如果是识别直线过多但是其中的结果存在识别成功的直线，则证明阈值设置过大，将两个阈值进行微调调小，如果识别直线过少，即没有正确识别出来的直线，说明阈值设置过小，调节阈值后，重复步骤1-8输出直线识别结果，以此类推，不断对阈值进行微调，直到找到最适合的阈值，即识别出道路基线。2.根据权...

【专利技术属性】
技术研发人员：黄鹤，任思奇，赵昆，宋京，胡凯益，王会峰，李炜光，许哲，郭璐，黄莺，惠晓滨，崔博，李光泽，陆星宇，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西,61