智能车辆在夜晚城市道路上的视觉导航方法研究(3)
其中 为 点处的灰度值。
图3 3×3均值滤波的结果
从图3可以看出，均值滤波的平滑效果比中值滤波更好，但是相比于中值滤波，均值滤波使图像变得平滑的同时，行道线与路面的边缘会变得模糊，不利于行道线检测，特别不利于边缘检测，因此没有采用均值滤波来进行图像预处理。
2．2．2 高斯滤波
除了均值滤波之外，还有一种非常常用的滤波方法——高斯滤波。
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素点灰度值经过加权平均后得到。
高斯滤波的具体操作是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
我们分别尝试了3×3，5×5，7×7模板的高斯滤波，其模板参数分别如下：
， ，
大量实验结果表明：高斯滤波模板越大，生成的结果图像平滑度越好，但是图像中行道线的边缘也变得越模糊，运算花费也越大。
图4 3×3高斯滤波的结果 图5 5×5高斯滤波的结果
图6 7×7高斯滤波的结果
从上面三张图的对比可以得出：模板越大，对于噪声的去除效果越好，图像会变得越平滑，但是同时，图像的有效信息会变得模糊，如行道线会变宽，行道线与背景的分辨度明显降低。
经过分析可以得到，均值滤波和高斯滤波在一定程度上是相似的，可以通过多次使用均值滤波来趋近高斯滤波的效果。本文不采用高斯滤波的原因与均值滤波相同，这两种滤波方法都会使图像中的行道线边缘变得模糊，与路面的区分度变得不明显，因此，这两种方法没有被采用。
2．2．3 中值滤波
本文采用的是3×3的中值滤波。
中值滤波原理如下： （2）
其中 为 点处的灰度值。
如式（2）所示，用3×3的模板遍历整副图像，对于每个像素点，其灰度值等于以其为中心点的模板的中值。
图7 中值滤波后的图像
从图7可以明显看出，3×3中值滤波之后，图像明显变得平滑了，噪声点明显减少，同时，行道线与道路的边缘的清晰度仍然很高，没有被模糊掉，较好得保留行道线边缘信息。因此，中值滤波满足我们所预期的预处理要求。
2．2．4 模糊增强
图像增强的目的是改善图像视觉外观，或者使图像更适合于人或机器进行分析处理。它是边提取、图像分割和识别等图像处理技术应用之前的重要步骤。
模糊增强算法能够起到提高图像分辨度的效果，即，使亮的像素点更亮，暗的像素点更暗，图像中的有效信息更加清晰可辨。
模糊增强算法的原理为：
(3)
其中 为图像中所有像素点的最大灰度值， 为 处的灰度值。
经过此算法处理之后，图像中较亮的部分会得到更好的突出，如果对于一次运算的效果不满意，可以进行多次模糊增强。
本文不采用模糊增强算法的原因在于，图像中较靠近路边的行道线相比于道路中间来说很暗，其灰度值不到最大灰度值的一般，使用模糊增强反而使其亮度减弱。
图8 模糊增强的结果
从图8可以看出，图像经过模糊增强之后，原来较暗的路面变得更暗，靠近路中间较亮部分的行道线得到增强，但是靠近路边的行道线本来灰度值相对车道中部来说很低，所以经过模糊增强之后，变得更暗了，因此这个算法不能起到增强各个位置行道线的作用。