【《无人机自动起降控制模块中视频图像处理方法分析》6100字】

无人机自动起降控制模块中视频图像处理方法分析目录TOC\o"1-3"\h\u24777无人机自动起降控制模块中视频图像处理方法分析 1148331.1图像获取 157411.2图像滤波 3191471.3求取灰度图与图像二值化 628591.4形态学处理与连通分量分析 8四旋翼无人机车载自动起降控制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图像获取摄像机作为图像检测系统的核心部件，通过图像传感器来获取图像，在使用时需配备相应的光学镜头，将目标成像在图像传感器的光敏面上。目前图像传感器根据元件的不同，可分为CCD（ChargeCoupledDevice，电荷耦合元件）和CMOS（ComplementaryMetal-OxideSemiconductor，金属氧化物半导体元件）两大类[15]。CCD是1969年在美国贝尔试验室由WillardS.Boyle和GeorgeE.Smith发明，两位科学家也因发明于2009年获得诺贝尔物理学奖。CMOS图像传感器于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）分辨率和像元尺寸在采集图像时，图像中的像素数对图像质量有很大的影响。在对同样大的目标物体成像时，像素数量越多，对目标物体的细节展示越清晰、越容易辨识。在相同的图像传感器芯片尺寸下，像元尺寸越小，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。单个像元的感光面积减小，芯片的灵敏度随之下降。在保持像元尺寸的情况下，也可通过加大芯片面积，而使像素数目增多，但是芯片成本也会随之增加。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。为确保视频图像流畅，选择图像传感器的帧频应不小于25fps。（3）灵敏度指图像传感器在同样的输出电子信号的幅度下，需要输入的光强度的大小。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或响应不一致性大于参数允许范围的像元的数量。（5）光谱响应光谱响应是指图像传感器对于不同波长光线的响应能力。与人眼相比，其光谱响应范围要宽很多，除可见光外，对于红外、紫外甚至X-ray光子也能够响应[16]。在应用是可根据具体技术的需求确定光谱响应参数，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的抗干扰能力，反应在图像质量上就是画面是否干净有无噪点；具体来讲就是指放大器的输出型号的工艺与同时输出的噪声功率的比，用分贝数（dB）表示。可以说图像传感器信噪比越高，成像质量越高。典型值为45～55dB，若为50dB，成像质量好，图像会有少量噪声；若为60dB，成像质量优良，图像几乎无噪声。1.2图像滤波数字图像是由模拟图像数字化得到的、以像素为基本元素的、可以用计算机处理的图像，是将连续模拟图像信号进行采样和量化后的结果，常用一个矩阵来表示，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。根据采样数目机特性不同数字图像可分为彩色图像、灰度图像、二值图像等，若一幅图像每个像素有级不同的颜色，该图像称为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均匀造成的图像灰度过于集中或者图像传感器获得的图像经过A/D转换、线路传送产生的噪声污染等，这些问题不可避免地影响图像的清晰度，降低图像质量。因此，在对图像进行分析处理之前，必须对图像进行预处理，从而改善图像质量。为了更准确地对图像数据进行处理，减小图像噪声的影响，首选方法就是通过图像滤波[18]去除图像中的噪声。图像滤波也是去除图像噪声最直接有效的方法。滤波的概念源于信号频率处理的傅里叶（Fourier）变换，目前图像滤波分为空间域、频域、小波域。本文基于数字图像的特性，将获取的彩色图像变换为灰度图像后，对其进行空间域滤波。常用的图像空间域滤波方法如下：（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，在这一像素的周围选择一邻域，将邻域内所有点的均值来代替原来像素值，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是点邻域中心点的坐标集合，包括点，M是S内坐标点的总数。均值滤波属于线性平滑滤波，可表示为卷积模板运算，典型的均值模板中所有系数都取相同值，即采用的滤波模板，模板采用从上到下、从左到右的顺序对像素数据进行处理，过程如下：（1.2）为输入图像灰度值，为滤波后结果，是模板系数，一帧大小的图像由，依次处理完图像所有像素。均值滤波实际上也是一个低通滤波器，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，直观上会导致图像模糊。滤波模板的大小会决定了去除噪声和不相干细节的能力，也会导致不同的模糊程度，一般采用或的滤波模板。模板越大，相应的计算量越大，图像模糊化也越强烈，本文采用的滤波模板。根据模板中各滤波系数不同，可以进行加权均值滤波，模板中的滤波系数决定了去噪能力和图像模糊程度，均值滤波模板如图1.1所示。x-1xx+1y-1a1a2a3ya4a5a6y+1a7a8a91111/91111111211/16242121（a）模板系数（b）均值滤波模板（c）加权均值模板图1.1线性滤波模板图1.1（a）为标准的均值滤波模板，若将模板中各系数改变可得图1.1（c）的加权均值模板，模板中心位置像素的系数最大，离中心位置距离越远的像素系数越小，系数和最好为可加快运算速度。本文采用图1.1（c）的滤波模板对灰度图像进行均值滤波，能够有效减小图像中带入的高斯噪声，同时也去除部分非目标物体的不相干细节，但均值滤波会使图像变得模糊，滤波仿真结果如图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，并且当图像中出现非线性或非高斯统计特性的噪声时，线性滤波器很难去除，尤其不能去除冲激噪声。因此，需要设计非线性平滑滤波器。中值滤波是一种非线性的统计排序平滑滤波器[19]，其原理是对输入图像区域内的像素值进行排序，根据统计排序结果来确定该区域中心像素值。例如一数值集合，经运算将该集合从小到大进行排序得到一个新的数值，取排序后集合中间位置的值为原集合的中值，即原集合中有一半数值小于中值，一半大于中值。对输入图像进行中值滤波，就是依次对图像中各像素用中值滤波的计算结果值代替该像素的初始值，使该像素的值与其邻域像素的值更接近，以去掉那些与周围像素相差太大的灰度值。以一个的中值滤波为例，计算过程如图1.3所示。图1.3中值滤波过程如图1.3采用模板对图像某区域进行中值滤波，将中心像素及其周围邻域的8个像素的灰度值按升序排序，序列中第5个值就是中值滤波的结果，从图中可以看出经过滤波，一个灰度值为10的噪声被去除了，而第3列与第4列之间灰度值相差较大的特性被保留下来。中值滤波能有效地去除脉冲噪声，同时较好地保留了物体的边缘，因为中值滤波只对区域小于的孤立噪声点有效，对更大的区域影响较小。中值滤波比均值滤波更能有效地消除脉冲噪声，中值滤波和均值滤波去除脉冲噪声的过程如图1.4所示。（a）信号中带有脉冲噪声（b）中值滤波结果（c）均值滤波结果图1.4去除脉冲噪声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系数椒盐噪声图像，（b）为采用模板进行中值滤波的结果，（c）为采用图1.4（c）的线性加权均值滤波模板滤波后的结果，可以看出（b）的结果优于（c），但由于处理器在进行排序运算是非常消耗运算资源，所以中值滤波所需时间一般为均值滤波的数倍。（a）加入脉冲噪声（b）中值滤波结果（c）均值滤波结果图1.5中值滤波结果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[20]。对于黑白图像，一个字节数据可以表示一个像素点；而在彩色图像中，每个像素点要用三个字节数据来表示，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。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[21]。灰度化一般是用像素点的亮度值来表示其像素值。通常划分为0～255共256个级别，0表示全黑，255号表示全白。通过大量的实验数据表明，红色权重系数0.3、绿色权重系数0.59、蓝色权重系数0.11，通过加权混合后可以得到比较符合人类视觉的灰度值，即如式（1.3）所示：Vgray=0.3R+0.59G+0.11B（1.3）经过灰度化以后，图像数据中一个字节可代表一个图像像素点。根据公式1.3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阈值分割法，设定某一阈值将灰度图像的像素分成大于阈值的像素群和小于阈值的像素群两部分即把灰度图像分割成前景色和背景色两个区域。图像的二值化处理就是将图像像素点的灰度置为0或255，也就是使整个图像呈现出非黑即白效果，即将256个亮度等级的灰度图像通过某一阈值(threshold)选取而获得仍然可以反映图像整体和局部特征的二值化图像。比如输人灰度图像函数为，输出二值图像函数为，则(1.4)阈值是把前景色和背景色两个区域（目标和背景区域）分开的标尺。在实用的图像处理中，二值图像占有非常重要的地位，很多图像处理实现是以二值图像构成的。把灰度图像二值化，得到二值化图像，有利于对图像做进一步处理时，因为图像的集合性质只与像素的值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小，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。阈值选取的原则就是既要尽可能保存图像信息，又要尽可能减少背景和噪声的干扰。根据公式（1.4）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值图像是只有两个灰度级的图像，即0值为黑色像素点，1值为白色像素点。在灰度图像经阀值判决后得到的二值图像中，存在大量的孤立噪声点、连接间断和区域孔洞，为了去除上述干扰，更好地获得前景目标物体形状，还需对二值图像进行形态学处理[22]。形态学图像处理（简称形态学）是以集合论为基础，其基本思想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。具体处理方法是用有一定形态的结构元素B去度量和提取二值图像集合A中对应的形状，优化图像中物体形状结构，去除不相干结构的干扰。二值图像的集合是二维整数空间的元素，集合的每个元素都是一个二维向量，表示该像素在图像中的坐标。二值图像的基本形态学有4种基本运算分别是：膨胀、腐蚀、开和闭。膨胀运算就是是图像中的目标“变粗”的操作，通过将目标周围像素并入目标范围来扩充物体边界、连接间断目标以及填充目标内部孔洞等，对中的图像集合A和结构元素B，A被B膨胀，表示为A⊕B，膨胀定义如下：（1.5）其中为结构元素B的反射，即B相对于坐标原点的映像，为的平移，即集合平移向量。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，具体是通过消除目标边界像素来收缩目标体边界、间断连通目标以及消除不相关细节等，对于中的图像集合A和结构元素B，A被B腐蚀，表示为AΘB，腐蚀定义如下：（1.6）其中为结构元素B按向量的平移。开运算可以断开较窄的狭颈、消除细小的突出，目的是使目标轮廓光滑，对中的集合A和结构元素B，使用B对集合A进行开运算定义如下：（1.7）因此，使用结构元素B对A进行开运算过程是先用B对集合A进行腐蚀运算，然后再用B对腐蚀后的结果进行膨胀运算。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：（1.8）因次，使用结构元素B对A进行闭运算的过程是先用B对集合A进行膨胀运