//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 pltimport matplotlib.image as mpimgimport numpy as npprint('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200r_threshold=200g_threshold=200b_threshold=200rgb_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 pltimport matplotlib.image as mpimgimport numpy as npprint('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yxsize=cp_image.shape[1] # 留神：列是xX,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 pltimport matplotlib.image as mpimgimport numpy as npprint('start')image = mpimg.imread('test.jpg')plt.imshow(image)plt.show()# 结构色彩筛选器r_threshold=200g_threshold=200b_threshold=200rgb_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yxsize=image.shape[1] # 留神：列是xX,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 pltimport matplotlib.image as mpimgimport cv2image = 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1:3low_threshold=50high_threshold=150edges=cv2.Canny(blur_gray_image,low_threshold,high_threshold)plt.imshow(edges,cmap='Greys_r')plt.show()

运行后果：