停车位检测的图像预处理方法及系统与流程
本发明涉及图像处理领域，特别是涉及停车位检测的图像预处理方法及系统。
背景技术：
停车场的环境比较复杂，尤其是地下停车场。在环视图像中，由于视角畸变等原因，如何准确地检测出停车位是极有难度的，采集图像的质量对基于视觉的车位检测有极大的影响。在停车场环境的图像中，影响车位检测的因素主要有以下点：
1)停车场因质地的不同，有的场地反光会比较严重，散射状的光条严重影响车位线条的提取。
2)有些停车场光线比较暗(如地下停车场)，车位不清晰。
3)摄像头上灰尘或摄像头本身噪声的影响，图像的噪点比较多，影响车位检测。
技术实现要素：
鉴于以上所述现有技术的缺点，本发明的目的在于提供停车位检测的图像预处理方法及系统，用于解决现有技术中的上述问题。
为实现上述目的及其他相关目的，本发明提供一种停车位检测的图像预处理方法，包括：获取停车位场景图像，所述停车位场景图像中显示有停车位场景的反光部分；利用去雾算法对所述停车位场景图像进行处理，从而突出所述停车位场景图像中各停车位的信息，并减轻所述反光部分对停车位检测的影响。
于本发明一实施例中，所述利用去雾算法对所述停车位场景图像进行处理，包括：获取所述停车位场景图像的环境光强度a；将所述停车位场景图像分割成若干个子图像区域；获取每个所述子图像区域的暗原色图；计算得到每个所述暗原色图中各个像素的透过率t(x)；按照公式
于本发明一实施例中，所述停车位场景图像为环视图像。
于本发明一实施例中，在利用去雾算法对所述停车位场景图像进行处理之前，所述方法还包括：去除所述环视图像的噪音。
于本发明一实施例中，所述停车位场景图像是由摄像头在地下停车场采集获得的。
为实现上述目的及其他相关目的，本发明提供一种停车位检测的图像预处理系统，包括：图像输入模块，用于获取停车位场景图像，所述停车位场景图像中显示有停车位场景的反光部分；图像处理模块，用于利用去雾算法对所述停车位场景图像进行处理，从而突出所述停车位场景图像中各停车位的信息，并减轻所述反光部分对停车位检测的影响。
于本发明一实施例中，所述图像处理模块利用去雾算法对所述停车位场景图像进行处理，是通过以下方式实现的：获取所述停车位场景图像的环境光强度a；将所述停车位场景图像分割成若干个子图像区域；获取每个所述子图像区域的暗原色图；计算得到每个所述暗原色图中各个像素的透过率t(x)；按照公式
于本发明一实施例中，所述停车位场景图像为环视图像。
于本发明一实施例中，所述图像处理模块在利用去雾算法对所述停车位场景图像进行处理之前，还用于去除所述环视图像的噪音。
于本发明一实施例中，所述停车位场景图像是由摄像头在地下停车场采集获得的。
如上所述，本发明的停车位检测的图像预处理方法及系统，有效解决了从图像中检测车位时由于场地反光而导致的车位线条难提取的问题、环境较暗导致的车位不清晰的问题、以及获取图像的摄像头有灰尘等导致的图像噪点较多等问题。通过本发明的方法对停车位场景图像进行预处理，能够有效提高在图像中对车位进行检测的效率和准确率。
附图说明
图1a显示为本发明一实施例中的停车位检测的图像预处理方法流程图。
图1b显示为本发明另一实施例中的停车位检测的图像预处理方法流程图。
图2显示为本发明一实施例中的停车位检测的图像预处理系统模块图。
元件标号说明
2停车位检测的图像预处理系统
201图像输入模块
202图像处理模块
s101～s102步骤
s1021～s1025
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明针对停车场的复杂检测环境提出在执行车位检测算法之前，利用去雾算法对图像进行预处理，从而有助于提高车位检测的效率和准确率。
请参阅图1a，本发明提供的停车位检测的图像预处理方法，主要包括以下步骤：
步骤s101：获取停车位场景图像i(x)，其中，所述停车位场景图像可以是在地下停车场中由普通摄像头采集的停车位平面图像，或由鱼眼摄像头采集并进一步拼接加工生成的环视图像、全景图像等；所述停车位场景图像采集了由于地下停车场质地而产生的反光部分，此外，由于采集的是地下停车场的图像，光线比较暗，车位可能不够清晰。
步骤s102：利用去雾算法对所述停车位场景图像进行处理，从而突出所述停车位场景图像中各停车位的信息，并减轻所述反光部分对停车位检测的影响。
现有的去雾算法有很多，例如：基于何凯明博士提出的暗通道去雾算法；基于中值滤波(也可使用高斯\均值\双边之类的)的去雾算法；基于均值滤波的实时去雾算法；基于多尺度retinex图像增强技术；基于自适应直方图均衡化算法；基于自适应对比度及色阶增强的图像算法等。在这些去雾算法中，有基于去雾物理模型的，也有基于普通图像的增强手段。本发明优选以何凯明博士的去雾算法为基础，并对其进行了进一步的简化，使得能够让步骤s102达到良好效果的同时，节省计算资源、提高处理效率。具体如图1b所示，主要包括以下步骤：
步骤s1021：获取所述停车位场景图像的环境光强度a；
步骤s1022：将所述停车位场景图像分割成若干个子图像区域；
步骤s1023：获取每个所述子图像区域的暗原色图；
步骤s1024：计算得到每个所述暗原色图中各个像素的透过率t(x)；
步骤s1025：按照公式
作为上述实施方式的进一步改进，在步骤s102利用去雾算法对所述停车位场景图像进行处理之前，所述方法还包括：去除所述停车位场景图像的噪音。
详细的：现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像去噪。噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式：(f(x,y)表示给定原始图象，g(x,y)表示图象信号，n(x,y)表示噪声。
1)加性噪声：此类噪声与输入图象信号无关，含噪图象可表示为f(x,y)＝g(x,y)+n(x,y)，信道噪声及光导摄像管的摄像机扫描图象时产生的噪声就属这类噪声。
2)乘性噪声：此类噪声与图象信号有关，含噪图象可表示为f(x,y)＝g(x,y)+n(x,y)g(x,y)，飞点扫描器扫描图象时的噪声，电视图象中的相关噪声,胶片中的颗粒噪声就属于此类噪声。
3)量化噪声：此类噪声与输入图象信号无关，是量化过程存在量化误差，再反映到接收端而产生。
通常图像去噪滤波器包括以下几种：
1、均值滤波器
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比。但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对"盐"噪声效果更好,但是不适用于"胡椒"噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声。但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声。以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
2、自适应维纳滤波器
它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2＝e[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好，对保留图像的边缘和其他高频部分很有用，不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。
3、中值滤波器
它是一种常用的非线性平滑滤波器。其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值。从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘。从而获得较满意的复原效果。而且，在实际运算过程中不需要图象的统计特性。这也带来不少方便,但对一些细节多。特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。
4、形态学噪声滤除器
将开启和闭合结合起来可用来滤除噪声,首先对有噪声图象进行开启操作，可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作，将图象上的噪声去掉。根据此方法的特点可以知道，此方法适用的图像类型是图象中的对象尺寸都比较大。且没有细小的细节,对这种类型的图像除噪的效果会比较好。
5、小波去噪
这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤：
(1)对图象信号进行小波分解；
(2)对经过层次分解后的高频系数进行阈值量化；
(3)利用二维小波重构图象信号。
请参阅图2，与上述方法实施例原理相似的是，本发明提供一种停车位检测的图像预处理系统2，包括：图像输入模块201、图像处理模块202。
图像输入模块201用于获取停车位场景图像i(x)，其中，所述停车位场景图像可以是在地下停车场中由普通摄像头采集的停车位平面图像，或由鱼眼摄像头采集并进一步拼接加工生成的环视图像、全景图像等；所述停车位场景图像采集了由于地下停车场质地而产生的反光部分，此外，由于采集的是地下停车场的图像，光线比较暗，车位可能不够清晰。
图像处理模块202利用去雾算法对所述停车位场景图像进行处理，从而突出所述停车位场景图像中各停车位的信息，并减轻所述反光部分对停车位检测的影响。具体包括：获取所述停车位场景图像的环境光强度a；将所述停车位场景图像分割成若干个子图像区域；获取每个所述子图像区域的暗原色图；计算得到每个所述暗原色图中各个像素的透过率t(x)；按照公式
作为上述实施方式的进一步改进，图像处理模块202在利用去雾算法对所述停车位场景图像进行处理之前，还用于去除所述停车位场景图像的噪音。
详细的：现实中的数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响，称为含噪图像或噪声图像。减少数字图像中噪声的过程称为图像去噪。噪声是图象干扰的重要原因。一幅图象在实际应用中可能存在各种各样的噪声，这些噪声可能在传输中产生，也可能在量化等处理中产生。根据噪声和信号的关系可将其分为三种形式：(f(x,y)表示给定原始图象，g(x,y)表示图象信号，n(x,y)表示噪声。
1)加性噪声：此类噪声与输入图象信号无关，含噪图象可表示为f(x,y)＝g(x,y)+n(x,y)，信道噪声及光导摄像管的摄像机扫描图象时产生的噪声就属这类噪声。
2)乘性噪声：此类噪声与图象信号有关，含噪图象可表示为f(x,y)＝g(x,y)+n(x,y)g(x,y)，飞点扫描器扫描图象时的噪声，电视图象中的相关噪声,胶片中的颗粒噪声就属于此类噪声。
3)量化噪声：此类噪声与输入图象信号无关，是量化过程存在量化误差，再反映到接收端而产生。
通常图像去噪滤波器包括以下几种：
1、均值滤波器
采用邻域平均法的均值滤波器非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声,同时也由于平均而引起了模糊现象,模糊程度与领域半径成正比。
几何均值滤波器所达到的平滑度可以与算术均值滤波器相比。但在滤波过程中会丢失更少的图象细节。谐波均值滤波器对"盐"噪声效果更好,但是不适用于"胡椒"噪声。它善于处理像高斯噪声那样的其他噪声。逆谐波均值滤波器更适合于处理脉冲噪声。但它有个缺点,就是必须要知道噪声是暗噪声还是亮噪声。以便于选择合适的滤波器阶数符号，如果阶数的符号选择错了可能会引起灾难性的后果。
2、自适应维纳滤波器
它能根据图象的局部方差来调整滤波器的输出,局部方差越大,滤波器的平滑作用越强。它的最终目标是使恢复图像f^(x,y)与原始图像f(x,y)的均方误差e2＝e[(f(x,y)-f^(x,y)2]最小。该方法的滤波效果比均值滤波器效果要好，对保留图像的边缘和其他高频部分很有用，不过计算量较大。维纳滤波器对具有白噪声的图象滤波效果最佳。
3、中值滤波器
它是一种常用的非线性平滑滤波器。其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值。从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。中值滤波器可以做到既去除噪声又能保护图像的边缘。从而获得较满意的复原效果。而且，在实际运算过程中不需要图象的统计特性。这也带来不少方便,但对一些细节多。特别是点、线、尖顶细节较多的图象不宜采用中值滤波的方法。
4、形态学噪声滤除器
将开启和闭合结合起来可用来滤除噪声,首先对有噪声图象进行开启操作，可选择结构要素矩阵比噪声的尺寸大,因而开启的结果是将背景上的噪声去除。最后是对前一步得到的图象进行闭合操作，将图象上的噪声去掉。根据此方法的特点可以知道，此方法适用的图像类型是图象中的对象尺寸都比较大。且没有细小的细节,对这种类型的图像除噪的效果会比较好。
5、小波去噪
这种方法保留了大部分包含信号的小波系数,因此可以较好地保持图象细节。小波分析进行图像去噪主要有3个步骤：
(1)对图象信号进行小波分解；
(2)对经过层次分解后的高频系数进行阈值量化；
(3)利用二维小波重构图象信号。
综上所述，本发明的停车位检测的图像预处理方法及系统，有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
- 还没有人留言评论。精彩留言会获得点赞！