共计 4273 个字符，预计需要花费 11 分钟才能阅读完成。
//TODO
Q：给定图片，如何辨认车道线？
能够从色彩、形态、方向、图像中的地位 几个角度来确定车道线。
色彩：
利用色彩来判断车道线（图中的车道线是红色的）
RGB 图片有三个色彩通道 R、G、B，每个通道中的每一个像素都是 0 到 255 范畴内的值。
其中 0 是最暗值，255 是最亮值。
因而 RGB 图像中，纯白色是 255,255,255
尝试过滤红色外的其余色彩：
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
print('start')
# 读取图片，展现原图
image=mpimg.imread('test.jpg')
plt.imshow(image)
plt.show()
# 备份图片，不批改原图
cp_image=np.copy(image)
# 定义筛选阈值，红色是 255,255,255，因而咱们选比 255 稍小的值即可，这里抉择 200
r_threshold=200
g_threshold=200
b_threshold=200
rgb_thresholds=[r_threshold,g_threshold,b_threshold]
# 筛选器，筛选出低于阈值的像素
thresholds=(image[:,:,0]<rgb_thresholds[0]) | (image[:,:,1]<rgb_thresholds[1]) | (image[:,:,2]<rgb_thresholds[2])
# 将不满足条件的值设为 0,0,0，即彩色
cp_image[thresholds]=[0,0,0]
# 展现图片
plt.imshow(cp_image)
plt.show()
# 保留图片
mpimg.imsave('after_color.jpg',cp_image)执行后果：
区域：
发现只靠色彩无奈精确检测出车道线，因为其余物体也有红色。
当初咱们假如车道线肯定是在车辆前端的固定区域内：
思考只对该区域进行色彩解决。
首先咱们要可能选出一个三角形区域：
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
print('start')
# 读取图片，展现
image=mpimg.imread('test.jpg')
plt.imshow(image)
plt.show()
# 显示图片大小
print(image.shape) # 后果：(540,960,3)
# 备份图片，不批改原图
cp_image=np.copy(image)
# 指定区域点，这里是三角形区域，结构三角形的三个点
# 须要留神的是，x 轴是在下面的，y 轴是从上往下的，和平时的坐标轴不太一样
p_left=[0,550]
p_right=[900,550]
p_mid=[400,200]
# 结构三角形的三条边
# np.polyfit 仿佛是给定一组点，拟合出一个多项式的函数
# 咱们这里用来结构直线方程
# 开端的参数 1 示意结构一次方程
line_left=np.polyfit((p_left[0],p_mid[0]),(p_left[1],p_mid[1]),1)
line_right=np.polyfit((p_mid[0],p_right[0]),(p_mid[1],p_right[1]),1)
line_bottom=np.polyfit((p_left[0],p_right[0]),(p_left[1],p_right[1]),1)
# 筛选器，用于筛选区域内的像素
# 首先要结构地位矩阵
# np.meshgrid 传入 X 可选值域和 Y 值域，返回所有可选的坐标
# np.arange(0,xsize,step)是结构 [0,xsize) 中步长为 step 的等差数列，默认步长为 1
# np.arange()和 np.linespace()的区别在于，arange 传入的是步长，linespace 传入的是个数
ysize=cp_image.shape[0] # 留神：行是 y
xsize=cp_image.shape[1] # 留神：列是 x
X,Y=np.meshgrid(np.arange(0,xsize),np.arange(0,ysize))
region_threshold=((X*line_left[0]+line_left[1])<Y) \
& ((X*line_right[0]+line_right[1])<Y) \
& ((X*line_bottom[0]+line_bottom[1])>Y)
# 绘制区域，将区域内的局部涂成红色
cp_image[region_threshold]=[255,0,0]
# 展现区域
plt.imshow(cp_image)
plt.show()
运行后果：
联合色彩和区域：
只在特定区域内进行色彩解决：
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import numpy as np
print('start')
image = mpimg.imread('test.jpg')
plt.imshow(image)
plt.show()
# 结构色彩筛选器
r_threshold=200
g_threshold=200
b_threshold=200
rgb_thresholds=[r_threshold,g_threshold,b_threshold]
color_thresholds=(image[:,:,0]<rgb_thresholds[0]) \
| (image[:,:,1]<rgb_thresholds[1]) \
| (image[:,:,2]<rgb_thresholds[2])
# 结构区域筛选器
p_left=[0,540]
p_right=[900,540]
p_mid=[500,300]
line_left=np.polyfit((p_left[0],p_mid[0]),(p_left[1],p_mid[1]),1)
line_right=np.polyfit((p_mid[0],p_right[0]),(p_mid[1],p_right[1]),1)
line_bottom=np.polyfit((p_left[0],p_right[0]),(p_left[1],p_right[1]),1)
ysize=image.shape[0] # 留神：行是 y
xsize=image.shape[1] # 留神：列是 x
X,Y=np.meshgrid(np.arange(0,xsize),np.arange(0,ysize))
region_threshold=((X*line_left[0]+line_left[1])<Y) \
& ((X*line_right[0]+line_right[1])<Y) \
& ((X*line_bottom[0]+line_bottom[1])>Y)
# 显示区域
# plt.ploy()是画直线用的
# plt.ploy()的第三个参数中，b 示意色彩 blue，-- 示意虚线，b-- 即蓝色虚线
cp_image=np.copy(image)
x=[p_left[0],p_mid[0],p_right[0],p_left[0]]
y=[p_left[1],p_mid[1],p_right[1],p_left[1]]
plt.plot(x,y,'b--',lw=5)
plt.imshow(cp_image)
plt.show()
# 对区域内进行色彩解决
# cp_image[~region_threshold]=[0,0,0]
cp_image[region_threshold&~color_thresholds]=[255,0,0]
plt.imshow(cp_image)
plt.show()执行后果：
这样就实现了仅在特定区域内筛选色彩
其余色彩的车道线怎么办：canny 边缘检测算法
然而，车道线不仅仅都是红色，有可能呈现其余色彩。
咱们甚至无奈事后晓得车道线的色彩，这时候怎么办呢？
有没有方法可能解决任何色彩的线条？
图像是 x – y 的数学函数，因而也能够对他进行数学运算，例如求导。
图像是二维的，因而对于 x 和 y 同时求导是有意义的，这称为梯度。
咱们测量像素点在每个地位上的变动水平，以及哪个方向变动最快，
通过梯度计算，可能取得较粗的边缘线，
利用 canny 算法，咱们通过仅保留梯度最大的像素点，将边缘细化，
而后，再通过蕴含一些梯度强度更低一些的像素点，再次扩大高强度边缘的宽度。
梯度强度低的像素点阈值是咱们调用 canny 函数时能够本人定的。
利用 canny 算法检测边缘线：
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import cv2
image = mpimg.imread('exit-ramp.jpg')
plt.imshow(image)
plt.show()
# 转化为灰度图片，灰度的目标 '应该' 是更好的检测梯度变动，防止色彩烦扰
gray_image=cv2.cvtColor(image,cv2.COLOR_RGB2GRAY)
plt.imshow(gray_image,cmap='gray')
plt.show()
# 先进行高斯含糊，高斯含糊实质上是克制噪声和伪梯度均匀的一种办法
# 实际上 cv2.Canny()外部自带高斯平滑，但再做一次能够进一步平滑
kernel_size=5 # 能够抉择任意奇数，越大越平滑
blur_gray_image=cv2.GaussianBlur(gray_image,(kernel_size,kernel_size),0)
# 算法首先会检测出 >high_threshold 的强像素，并回绝 <low_threshold 的强像素
# 接着，在 low_threshold 和 high_threshold 之间的像素，和强像素联通的保留
# 输入的 edges 在边缘地位是红色的，非边缘地位是彩色的
# 参数取值：因为像素值是 256 的，因而阈值能够选成十上百
# 官网倡议 low 与 high 的比值为 1:2 或 1:3
low_threshold=50
high_threshold=150
edges=cv2.Canny(blur_gray_image,low_threshold,high_threshold)
plt.imshow(edges,cmap='Greys_r')
plt.show()
运行后果：
正文完
