【无人机车载自动起降控制模块中的视频图像处理方法分析7200字】

无人机车载自动起降控制模块中的视频图像处理方法分析四旋翼无人机车载自动起降控制模块的主要工作原理为四旋翼无人机在降落过程中当进入到车载自动起降控制模块的摄像机视场中，控制系统启动目标检测，计算无人机控制位置，同时向无人机发出实时控制信息，引导无人机自动安全着陆。因此视频图像的处理是四旋翼无人机车载自动起降控制系统进行无人机目标检测的基础，视频图像处理的质量将决定系统控制的准确性。1.1图像获取图像获取是视频图像处理的前提，在视频图像处理系统中，摄像机是最为常用的图像获取设备和关键核心部件。早期的摄像机多采用CCD图像传感器，另一种CMOS图像感应传感器于80年代发明以来随着工艺制造水平的不断提高应用也逐渐广泛。在应用层面，CCD的突出优点是成像质量高，由于制造工艺复杂，而成本较高；CMOS相对CCD主要的优势在于低功耗，但夜视效果较差。无论选择哪种类型的图像传感器，系统在图像获取时都应关注和分析图像传感器的如下物理特性：（1）分辨率图像分辨率是图像清晰度的直接表现，常用水平像素数×垂直像素数表示。因此在获取图像的时候，图像分辨率对图像质量有较大的影响。在对体积一定的目标成像时，获取的图像像素数目愈多，对发现目标物体的具体细节展现愈清楚、愈容易辨别。在相同的图像传感器芯片尺寸下，像元面积尺寸越小，像素越多，也就是分辨率越高，因此能获得的图像细节也就越多。但随着单个像元的感光面积尺寸的减小，图像传感器的灵敏度随之下降，因而在维持像元有效尺寸的时候，也可通过加大芯片面积，而使像素数目增多，不过图像传感器的成本也会随之增加。因此，在选择芯片时，关键就是寻求像元尺寸、分辨率和成本之间平衡点。（2）速度图像传感器的速度称为帧频，即每秒钟最多处理图像的帧数，也可以理解为图像传感器每秒钟能够刷新几次，通常用fps(Framespersecond）表示。速度是图像传感器的重要参数，特别是在实际应用中往往需要对运动物体成像，因此图像传感器的速度需要满足一定要求，才能清晰准确地对物体成像。为了确保视频图像流畅性，选择图像传感器的帧频应不小于25fps。（3）灵敏度在应用层面表现为图像传感器的夜视能力，具体指图像传感器在同样的输出电子信号的幅度下，需要照射的光强度的大小。图像传感器灵敏度越高，在输出相同幅度视频信号的情况下，所需要输入的光功率（即照度）就越小；或者可以说在同样照度的环境下，能够输出的视频信号幅度更大。其有两种物理意义:一是图像传感器的光电转换能力，即在一定光谱范围内，单位曝光量的输出信号电流（电压），单位为纳安/勒克斯（nA/Lux）或伏/流明（V/lm）；另一种指图像传感的最低感受反应照度，单位为勒克斯（Lux）。低照度图像传感器在应用中可分为暗光级（0.1Lux）、月光级（0.01Lux）、星光级（0.001Lux）。（4）坏点数图像传感器在实际制造过程中由于受到材料和制造工艺的限制，对于有上百万像素点的图像传感器而言，要求所有像元都是完好的情况是不合实际的，坏点数是指芯片中不能有效成像的像元数量，图像传感器坏点数应越少越好。（5）光谱响应光谱响指图像传感器针对不相同波长光线的反应水平。与人体肉眼对比，其光谱反应作用范围要宽许多，除可见光线外，针对红外、紫外更有甚者X-ray光子同时还可以反应[16]。在工程设计应用中是可根据具体技术的需求来确定光谱响应参数，例如需要在黄昏、阴雨、雾霾等光线较弱的情况下成像时，可以选择近红外谱段的图像传感器。（6）信噪比能够定量反映图像传感器成像时的抗外界干扰水平；具体分析来看就指的是放大设备的自动输出信号的功率和与此同时自动输出的噪音额定功率的比，用分贝数（dB）代表。可以说图像传感器信噪比越高，成像质量越高。经典数值为45～55dB，如果为50dB，自动成像综合质量好，图像会有少数噪音；如果为60dB，自动成像综合质量良好，图像几乎无噪声[15]。1.2图像滤波数字图像一般可通过模拟图像数字化得到，本文采用数字化图像获取设备无需进行模拟图像数字化工作。数字图像可理解为以像素为基本元素，可以用计算机处理的图像，是将图像信号进行采样和量化后的结果，常用矩阵来表示，如下：（1.1）就表示了一幅M行N列的数字图像，矩阵中每个元素称为一个像素。根据获取的图像特性不同数据图像可以划分为彩色图像、实际有效灰度图像、二数值图像等，如果一幅图像每一个图像像素有级不相同的颜色，这个图像称之为k比特图像。图像传感器的物理特性确定了在系统采集的图像信息中含有各种各样的噪声，如外部环境光强度不平均导致的图像实际有效灰度过分全面集中或图像感应设备获取的图像通过A/D交换、连接线路自动传送形成的噪音污染等，上述矛盾问题无法阻止地影响图像的清楚度，减少图像综合质量。因此，在对图像展开研究分析全面处理以前，需要针对图像展开预先处理，进而完善图像综合质量。为了能够更好精确地对图像数据信息展开综合处理研究，降低图像噪音的影响作用，第一选择模式就是经过图像自动滤波[18]去掉图像里的噪音。图像自动滤波同时也是去掉图像噪音最直接高效的模式。自动滤波的定义源于数据信号频次全面处理的傅立叶（Fourier）转换，截至当前，图像自动滤波划分为空间分布域、分布频域、小波域。在本文中，笔者根据数据图像的特征，把获得的彩色图像转换为实际有效灰度图像之后，对其展开空间分布域自动滤波。普遍常用的图像空间分布域自动滤波模式具体如下所示：（1）均值滤波均值滤波，又称领域平均法，是图像空间域平滑处理中最基本的方法之一，其基本原理是以某一像素为中心，在这类图像像素的四周选用一临近分布域，把临近分布域内每一个点的平均数值来替代原来图像像素数值，本质上是通过降低噪声点与周围像素点的差值以去除原噪声点。输入图像，经均值滤波处理后，得到输出图像，如式生（1.2）所示：（1.2）其中，S是点临近分布域核心点的分布坐标数学集合，主要包含：点，M是S内分布坐标点的总数量。平均数值自动滤波属于数学线性平滑自动滤波，可代表为分布卷积功能模板计算，经典的平均数值功能模板里每一个参数都取相同数值，也就是应用的自动滤波功能模板，功能模板应用从上到下、从左到右的顺序对图像像素数据信息展开综合处理研究，过程具体如下所示：（1.3）为自动输入图像实际有效灰度数值，为自动滤波后最终结果，是功能模板参数，一帧大小的图像由，分别全面处理完图像每一个图像像素。平均数值自动滤波事实上同时也是一个低通滤波控制器设备，若邻域内有噪声存在，经过均值滤波后噪声的会大幅度降低，但像素点与像素点之间的灰度差值会变小，直观上会造成图像模糊。自动滤波功能模板的实际大小会确定了去掉噪音与不相干具体细节的水平，也会造成不相同的模糊作用程度，通常应用或者的自动滤波功能模板。功能模板愈大，相对应的运算量愈大，图像模糊化也愈强烈突出，在本文中，笔者应用的自动滤波功能模板。参考依据功能模板里各自动滤波参数不相同，能够展开加权平均数值自动滤波，功能模板里的自动滤波参数确定了去除噪音水平与图像模糊作用程度，平均数值自动滤波功能模板如下示意图1.1所示。x-1xx+1y-1a1a2a3ya4a5a6y+1a7a8a91111/91111111211/16242121（a）模板系数（b）平均数值自动滤波功能模板（c）加权平均数值功能模板图1.1数学线性自动滤波功能模板图1.1（a）为参考标准的平均数值自动滤波功能模板，如果把功能模板里各参数转变可知图1.1（c）的加权平均数值功能模板，功能模板核心具体位置图像像素的参数最高，离核心具体位置有效实际距离愈远的图像像素参数愈小，参数与最好为可加开提速计算速率。在本文中，笔者应用图1.1（c）的自动滤波功能模板对实际有效灰度图像展开平均数值自动滤波，可以高效降低图像里代入的高斯噪音，与此同时，也去掉组成部分非发现目标物品的不相干具体细节，但是平均数值自动滤波容易导致图像转变得模糊，自动滤波仿真模拟最终结果如下示意图1.2所示，（a）为由彩色图像变换得到的灰度图像，（b）为加入，的高斯噪声后的图像，（c）为采用图1.2（c）所示的线性加权均值滤波模板滤波后的结果。..（a）灰度图像（b）加入高斯噪声（c）均值滤波结果图1.2均值滤波结果（2）中值滤波上节所述的均值滤波虽对噪声有抑制作用，但会使图像变得模糊，而且当图像里产生非线性关联或者非高斯统计分析特征的噪音的时候，数学线性滤波控制器设备无法去掉，特别不可以去掉冲激噪音。所以，要求综合系统设计非线性关联平滑滤波控制器设备。中数值自动滤波是一类非线性关联的统计分析排布序列平滑滤波控制器设备[16]，其理论是针对自动输入图像地区内部的图像像素数值展开排布序列，根根据最新的统计数据排布序列最终结果来明确这个地区核心图像像素数值。举例一有效数值数学集合，经计算把这个数学集合由小至大展开排布序列获取一个全新的有效数值，选取为排布序列后数学集合中间具体位置的数值为原数学集合的中数值，也就是原数学集合里有一大半有效数值低于中数值，一大半高于中数值。对自动输入图像展开中数值自动滤波，就是分别对图像里各图像像素用中数值自动滤波的运算最终结果数值替代这个图像像素的初始数值，使这个图像像素的数值和其临近分布域图像像素的数值更靠近，以去除那些和四周图像像素相差过大的实际有效灰度数值。以一个的中数值自动滤波为实践案例，运算过程如下示意图1.3所示。图1.3中值滤波过程如下示意图1.3应用功能模板对图像某地区展开中数值自动滤波，把核心图像像素及其四周临近分布域的八个图像像素的实际有效灰度数值按照升序排布序列，排布序列里第五个数值就是中数值自动滤波的最终结果，根据示意图能够得知通过自动滤波，一个实际有效灰度数值为10的噪音被去掉了，而第3列和第四列相互之间实际有效灰度数值相差比较多的特征被保存下来。中数值自动滤波能高效地去掉信号脉冲噪音，与此同时，良好地保存了物品的分布边缘，由于中数值自动滤波仅仅针对地区低于的完全孤立噪音点高效，对更大的地区影响较低。中数值自动滤波比平均数值自动滤波更可以高效地去除信号脉冲噪音，中数值自动滤波与平均数值自动滤波去掉信号脉冲噪音的发展过程如下示意图1.4所示。（a）数据信号里带有信号脉冲噪音（b）中数值自动滤波最终结果（c）平均数值自动滤波最终结果图1.4去掉信号脉冲噪音示意图从图中可以看出，中值滤波很好地去除了脉冲噪声，而均值滤波去噪效果不理想，同时减小了信号间的区分度，会使使图像变模糊。对中值滤波的进行仿真，仿真结果如图1.5所示，（a）为加入0.06系数椒盐噪音图像，（b）为应用功能模板展开中数值自动滤波的最终结果，（c）为应用图1.4（c）的数学线性加权平均数值自动滤波功能模板自动滤波后的最终结果，能够得知（b）的最终结果优先于（c），但由于处理器在进行排序运算是非常消耗运算资源，因此中数值自动滤波所需要时间通常为平均数值自动滤波的数倍。（a）添加信号脉冲噪音（b）中数值自动滤波最终结果（c）平均数值自动滤波最终结果图1.5中数值自动滤波最终结果1.3求取灰度图与图像二值化数字图像在计算机上通常用位图（bitmap）的形式保存，位图是一个矩形点阵，每一点称为像素，像素是数字图像中的基本单位。针对黑白图像，一个储存字节数据信息能够代表一个图像像素点；但是在彩色图像里，每一个图像像素点要用3个储存字节数据信息来代表，可进一步分成红（Red）、绿（Green）、蓝（Blue）三个单色图像。每种颜色有256（）种亮度级别，这样三种颜色合在一起可以产生1670（）多万种样式，从理论上能够还原自然界中存在的任何色彩[17]。对彩色图像进行图像处理需要巨大计算资源，因此系统如果不需要处理色彩信息可将彩色图像转换为灰度图像。灰度化一般是用像素点的亮度值来表示其像素数值。一般区别为0～255共28个等级，0代表全黑，255号代表全白。经过很多的测试实验数据信息说明，红色比例权重参数0.3、绿色比例权重参数0.59、蓝色比例权重参数0.11，经过加权混合处理之后能够获取较为吻合人类视觉图像处理的实际有效灰度数值，也就是例如运算公式（1.4）所示：Vgray=0.3R+0.59G+0.11B（1.4）通过实际有效灰度化之后，图像数据信息里一个储存字节可代表一个图像像素点。根据公式1.4对彩色图像（图1.6）进行灰度化仿真，仿真结果如图1.7所示。图1.6图1.7图像二值化可采用图像极限值分割法，设立某一极限值把实际有效灰度图像的图像像素划分成为高于极限值的图像像素群与低于极限值的图像像素群两大组成部分即把灰度图像分割成前景色和背景色两个区域。图像的二值化计算全面处理就是把图像像素点的实际有效灰度归置成0或者255，即使整个图像表现出非黑也就是白作用效果，即将立刻256个亮度级别的实际有效灰度图像经过某一极限值(threshold)选用而获取依然能够表现图像总体与局部特点的二值化计算图像。比如输人灰度图像函数为，输出二值图像函数为，则(1.5)阈值是把前景色和背景色两个区域（目标和历史背景地区）分开独立的标尺。在经济实用的图像全面处理里，二数值图像占据有十分关键的地位，许多图像全面处理完成是以二数值图像组成的。将实际有效灰度图像二值化计算，获取二值化计算图像，有助于对图像做逐渐全面处理的时候，由于图像的分布集合性质只和图像像素的数值为0或者255的点的具体位置相关，不再波及影响到图像像素的多级数值，使全面处理转变得简易，并且数据信息的全面处理与压缩处理量小，可以方便地对图像进行布尔逻辑运算，从而还可以进一步对图像处理，获得该图像的一些几何特征。极限值选用的根本原则就是不仅需要尽量储存图像数据信息，还需要尽量减少降低历史背景与噪音的影响干扰。根据公式（1.5）对灰度图像进行二值化仿真分析，取不同的阈值获得的二值化图像如图1.8所示。a(Threshold=64)b(Threshold=110)c（Threshold=127）d（Threshold=140）图1.8阈值仿真对比图1.4形态学处理与连通分量分析二数值图像是仅有2个实际有效灰度级的图像，也就是0数值为黑色图像像素点，1数值为白色图像像素点。在实际有效灰度图像经控制阀数值裁决后获取的二数值图像里，存在很多的完全孤立噪音点、链接中断与区域孔洞，为了去掉以上影响干扰，更加良好地获取前景发现目标物体具体形状，还需要针对二数值图像展开存在形态学全面处理[18]。存在形态学图像全面处理（简称之为存在形态学）是以数学集合论为重要基础，其核心思想理论是用一种特殊的结构元来提取或测量输入图像中相应的形状和特征，以便精心图像分析或目标图像识别。具体全面处理模式是用有一定存在形态的组成构造基本元素B去度量与选取二数值图像数学集合A里与之对应的具体形状，优化提高图像里物品具体形状组成结构，去掉不相干组成结构的影响干扰。二数值图像的分布集合是二维平面整数分布空间的基本元素，数学集合的每一个基本元素都是一个二维平面分布向量，代表这个图像像素在图像里的分布坐标。二数值图像的基本存在形态学有4类基本计算依次是：膨胀、腐蚀变质、开与闭。膨胀计算就是图像中的目标“变粗”的操作，经过把发现目标四周图像像素并联到发现目标作用范围来扩张物品界限、链接中断发现目标以及填充发现目标内部孔洞等，对里的图像数学集合A与组成结构基本元素B，A被B膨胀，代表为A⊕B，膨胀定义具体如下所示：（1.6）在这其中，为组成结构基本元素B的反射，也就是B相比较于分布坐标原点的映像，为的平行移动，也就是数学集合平行移动分布向量[19]。腐蚀运算是膨胀运算的反操作，是将图像中的目标进行“细化”的操作，具体是经过去除发现目标界限图像像素来收缩作用发现目标体界限、中断连通发现目标以及去除没关系具体细节等，针对里的图像数学集合A与组成结构基本元素B，A被B腐蚀变质，代表为AΘB，腐蚀变质定义具体如下所示：（1.7）在这其中，为组成结构基本元素B按照分布向量的平行移动。开计算能够切断较窄的狭颈、去除细小的突出显著，主要目的在于使发现目标轮廓光滑，对里的数学集合A与组成结构基本元素B，运用B对数学集合A展开开计算定义具体如下所示：（1.8）所以，运用组成结构基本元素B对A展开开计算过程是首先用B对数学集合A展开腐蚀变质运算，然后再用B对腐蚀后的结果进行膨胀运算[20]。闭运算也可以平滑目标轮廓，与开运算相反，主要是弥和较窄的间断和细长的沟壑、填充消除细小孔洞，对中的集合A和结构元素B，使用B对集合A进行闭运算定义如下：（1.9）因次，运用组成结构基本元素B对A展开闭计算的发展过程是首先用B对数学集合A展开膨胀计算，之后再使用B对膨胀后的最终结果展开腐蚀变质计算[21]。及其以上4类基本存在形态学运计算出数学几何意义如下示意图1.9所示。图1.9（a）做出发现目标多边形数学集合A，圆