本发明属于图像处理
技术领域：
：，涉及一种自适应颜色阈值分割的标志增强处理方法，特别涉及一种采用基于直方图累积分布的近似最大最小值归一化方法来获取自适应阈值，从而对交通标志进行颜色分割的检测方法。
背景技术：
：随着城市化的进展以及汽车的普及，包括无人车技术的不断推进，交通拥挤加剧、交通事故频发、公路交通的安全等问题日益突出，智能交通系统的研究领域应运而生并受到广泛关注，而道路交通标志检测识别作为智能交通系统的研究热点，是汽车自动驾驶和辅助驾驶系统中道路环境感知技术的重要组成部分，可以给驾驶员提供实时的道路标志信息感知和预警，其技术的进步在很大程度上提高了驾驶的安全性，改善了道路交通环境。无论是基于先验知识的传统检测方法还是基于大量训练数据的深度学习方法，颜色信息是交通标志能够区别于背景的主要特征之一，具有大小和视角不变性，而且有较强的可分离性，对快速有效地找到感兴趣区域有很大帮助。目前基于颜色信息的检测方法一般都基于某种颜色空间进行单分量或者多分量阈值分割的方法提取标志roi，例如将图像由rgb颜色空间转换到其他的颜色空间，如his、hsv、ycbcr等，其主要目的是通过颜色阈值分割来过滤图像中的无效背景，从而凸显出交通标志的颜色特征使得整体算法能取得更好的检测效果。虽然大多数这类方法都达到了一定的检测率，但却很少考虑到不同场景图像中可能包含的不同自然条件干扰，即颜色分割阈值的自适应性，而这往往会严重降低整体的检测准确率。例如文献《detectionandclassificationofroadsignsinnaturalenvironments》【nguwi,y.y，a.z.kouzani】先是基于his颜色空间做阈值化预处理，然后以30*30像素大小的ycbcr图像块为特征训练出神经网络分类器，实现交通标志的检测；以及文献《trafficwarningsignsdetectionandrecognitionbasedonfuzzylogicandchaincodeanalysis》【wanitchai,p，s.phiphobmongkol】采用基于hsv颜色空间的hue通道的阈值化方法分割红色交通标志。上述算法在提取交通标志颜色特征上表现良好，但是仍存在以下问题：1、交通标志检测的场景复杂多变，尤其会受到不同的光照强度以及对比度等自然因素影响，而固定阈值的方法无法对这类样本进行有效区分，这将对更进一步的形状分析或者神经网络学习造成不必要的误检以及更多的计算开销。2、该类算法往往只对阈值分割后的源图像进行二值化，将所有像素点划分为0值与255值两类，而简单的二值化忽略了实际存在的图像噪声，很显然，将噪声作为标志的一部分带入检测环节，无疑会干扰检测结果。技术实现要素：本发明的目的就是针对上述问题，公开了一种自适应颜色阈值分割的标志增强处理方法。本发明方法采用基于直方图累积分布的近似最大最小值归一化方法来获取自适应阈值，从而对交通标志进行颜色分割的检测方法。本发明在待检测图像进行红蓝标准化以及对比度拉伸之后，对其作灰度概率直方图映射，找到前景目标颜色起始值所在的位置，通过对前景灰度值的提取与比对，找到目标区域的特定区间，选取综合分离效果最佳的参数进行颜色分割，并根据临界值对原像素值进行近似的最大最小值归一化，筛除大多数无效背景从而凸显前景颜色块，同时平滑处理了过亮区域从而减弱了对比度、亮度等环境因素对检测效果的影响。本发明方法的具体步骤如下：步骤(1).图像预处理：读取含有交通标志的待检测图像i作为输入，进行红蓝标准化，并使用伽马校正进行对比度拉伸，得到预处理结果图像i′；步骤(2).建立累积分布函数：将预处理结果图像i′作灰度概率直方图映射，找到前景目标颜色起始值所对应的位置；根据检测样本的灰度级分布概率密度，建立对应概率的累积分布函数；步骤(3).基于累积分布函数的自适应阈值选取：通过对前景灰度值的提取与比对，找到前景区域的特定区域，选取最佳参数进行目标分离；步骤(4).近似最大最小值归一化处理：根据自适应阈值对应的临界值对待检测图像中的原像素值进行近似的最大最小值归一化处理，筛除无效背景，增强目标颜色特征，从而凸显交通标志所在的区域块，得到归一化结果图像i″；步骤(5).形态学滤波并获取稳定的交通标志roi(regionofinterest，感兴趣区域)候选区域：对归一化结果图像i″作进一步的形态学滤波，使用顶帽变换和底帽变换两种形态滤波器进行处理；采用最大稳定极值区域mser(maximallystableextremalregions)方法获取稳定的交通标志roi的候选区域，得到最终检测结果图像i″′。进一步，步骤(2)建立累积分布函数的具体方法如下：步骤(2-1).将预处理结果图像i′投影到直方图中，以[0,255]为投影区间获取其灰度概率的映射，找到前景目标颜色起始值所对应的位置，记录对应的灰度值；步骤(2-2).假设检验样本rb(x)的灰度级分布概率密度函数为g(k)，得到其对应概率的累积分布函数(cdf，cumulativedistributionfunction)f(m)，其中，k为最小灰度值min到指定累积的图像灰度值m之间的灰度值变量。进一步，步骤(3)基于累积分布函数的自适应阈值选取的具体方法如下：根据步骤(2)得到的累积分布函数，对测试样本提取前景灰度值并进行比对，由于前景区域灰度值分布的具体区间靠近一固定比例，根据这一特点对前景区域进行提取，及求解如下问题：寻找m＝m1，使得选取综合分离效果最佳的参数β，并记录该参数所对应的像素值m1为临界值value_label。进一步，步骤(4)近似最大最小值归一化处理的具体方法如下：根据步骤(3)得到的临界值value_label，执行如下公式的近似最大最小值归一化过程，将原像素值用近似最大最小值归一化后的新像素值替代：其中，rb′(x)即为处理之后的图像像素值，而rb(x)为原图像中的各位置像素值，保存归一化结果图像i″。进一步，步骤(5)形态学滤波并获取稳定的交通标志roi的候选区域的具体方法如下：将步骤(4)中得到的归一化结果图像i″分别进行开运算、闭运算、膨胀以及腐蚀运算操作，分别得到io、ic、id、ie，然后采用如下公式进行顶帽变换和底帽变换：it＝i-io,io＝idοie；idοie表示执行先膨胀后腐蚀的操作；ib＝ic-i,ic＝ieοid；ieοid表示执行先腐蚀后膨胀的操作；得到滤波后效果图if＝i″+it-ib，it为顶帽变换后的结果图，ib为底帽变换的结果图；对滤波后效果图if调用mser函数接口，调整其灰度变化步长、组块面积范围以及最大变化率等参数，直到样本能在最大程度上保留前景区域，从而获取颜色分割阶段的最终结果，得到最终检测结果图像i″′。本发明的有益效果：1、本发明通过大量直方图映射的实验确定交通标志颜色在不同场景图像中的分布特点，根据前景目标颜色起始值在累积分布直方图中所对应的位置选取自适应阈值，对于不同曝光程度以及不同对比度的检测样本均有很好的颜色区分效果，尽可能地在筛除无效背景的同时保留了标志颜色区域。2、本发明在颜色分割阶段采用近似的最大最小值归一化方法来取代传统的颜色二值化，将自适应阈值对应的像素值作为归一化的临界值，由此可以得到新像素值在[0,255]区间上的重新划分，一方面增强了标志的颜色特征，另一方面也平滑处理了图像中存在的噪声，减弱了其对实验结果的影响。附图说明图1为本发明的流程图；图2为本发明进行交通标志检测的待检测图像示意图；图3为图像预处理后的预处理结果图像示意图；图4为近似的最大最小值归一化后的归一化结果图像示意图；图5为形态学滤波以及mser后的最终检测结果图像示意图。具体实施方式下面结合附图，对本发明的具体实施方案作进一步详细描述。参见图1，其具体步骤描述如下：步骤(1).图像预处理：输入含有交通标志的待检测图像i，待检测图像i参见图2。针对图像中的红色和蓝色信息，对比度拉伸采用如下公式的线性拉伸方法，并同时进行伽马校正，随后对图像中红、蓝两个通道的数值进行红蓝化处理，结果为rb，处理过程如以下公式所示，得到并输出预处理结果图像i′，预处理结果图像i′效果参见图3：r、g、b分别为待检测图像i中每个像素点在rgb三通道上的分量值。步骤(2).建立累积分布函数：将红蓝化图像作灰度概率直方图映射，找到前景目标颜色起始值所对应的位置；根据检测样本的灰度级分布概率密度，建立对应概率的累积分布函数。步骤(2-1).将预处理结果图像i′投影到直方图中，以[0,255]为投影区间获取其灰度概率的映射，找到前景目标颜色起始值所对应的位置，记录对应的灰度值；步骤(2-2).假设检验样本rb(x)的灰度级分布概率密度函数为g(k)，得到其对应概率的累积分布函数(cdf，cumulativedistributionfunction)f(m)，其中，k为最小灰度值min到指定累积的图像灰度值m之间的灰度值变量。根据实验数据均可以在累计分布直方图中找到前景目标颜色起始值所对应的位置。步骤(3).基于累积分布函数的自适应阈值选取：从检测样本的直方图出发，通过对前景灰度值的提取与比对，找到前景区域的特定区域，选取最佳参数进行目标分离。根据步骤(2)得到的累积分布函数，对测试样本提取前景灰度值并进行比对，由于前景区域灰度值分布的具体区间靠近一固定比例，根据这一特点对前景区域进行提取，及求解如下问题：寻找m＝m1，使得选取综合分离效果最佳的参数β，本实施例中选取综合分离效果最佳的参数β为90％，此时该参数所对应的像素值m1为临界值value_label。步骤(4).近似最大最小值归一化处理：根据自适应阈值对应的临界值对待检测图像中的原像素值进行近似的最大最小值归一化处理，筛除无效背景，增强目标颜色特征，从而凸显交通标志所在的区域块，得到归一化结果图像i″。根据步骤(3)得到的临界值value_label，执行如下公式的近似最大最小值归一化过程，将原像素值用近似最大最小值归一化后的新像素值替代：其中，rb′(x)即为处理之后的图像像素值，而rb(x)为原图像中的各位置像素值，保存归一化结果图像i″，归一化结果图像i″效果参见图4。步骤(5).形态学滤波并获取稳定的交通标志roi候选区域：对归一化结果图像i″作进一步的形态学滤波，使用顶帽变换和底帽变换两种形态滤波器进行处理；采用最大稳定极值区域mser方法获取稳定的交通标志roi的候选区域，得到最终检测结果图像i″′。将步骤(4)中得到的归一化结果图像i″分别进行开运算、闭运算、膨胀以及腐蚀运算操作，分别得到io、ic、id、ie，然后采用如下公式进行顶帽变换和底帽变换：it＝i-io,io＝idοie；idοie表示执行先膨胀后腐蚀的操作；ib＝ic-i,ic＝ieοid；ieοid表示执行先腐蚀后膨胀的操作；得到滤波后效果图if＝i″+it-ib，it为顶帽变换后的结果图，ib为底帽变换的结果图；对滤波后效果图if调用mser函数接口，调整其灰度变化步长、组块面积范围以及最大变化率等参数，直到样本能在最大程度上保留前景区域，从而获取颜色分割阶段的最终结果，得到最终检测结果图像i″′，最终检测结果图像i″′效果参见图5。当前第1页12当前第1页12