技术领域
[0001] 本
发明涉及计算机
图像分析与处理领域，特别是涉及一种基于Voronoi的车载灯具图像分割方法。
背景技术
[0002] 在车载灯具测量过程中，为了分析灯具发光
亮度的均匀性，
现有技术的常规做法是，先将车载灯具固定在某个被拍摄
位置；然后，通过光学相机拍摄车载灯具发光图像；再根据光学相机自带的
软件手动选取需要提取的亮度区域；最后，进行亮度均匀性分析。由于车载灯具测量是多次测量，而固
定位置也不能保证每次位置相同，且灯具形状的不规则性，人工选取区域过于繁琐，灯具发
光亮度均匀性的分析没有普遍性和科学性。
[0003] 因此，如何研究出一种针对车载灯具发光亮度均匀性分析的图像分割方法成了本技术领域人员亟待解决的技术问题。
发明内容
[0004] 有鉴于此，本发明提出一种基于Voronoi的车载灯具图像分割方法，能够在车载灯具在相机
视野范围内位置发生变化的情况下精准进行分割，且只分割车载灯具部分，对车载灯具发光均匀性分析提供了有
力的支持，具有方法简单、可操作性强和广泛光学测量适用性的优点。
[0005] 一方面，本发明提供了一种基于Voronoi的车载灯具图像分割方法，包括如下步骤：
[0006] S1、对输入的光学相机拍摄的待分割图像进行中值滤波，并采用自适应函数提取图像中需要分割的车载灯具部分；
[0007] S2、计算需要分割的车载灯具部分的
像素点数量，并对其进行布点；
[0008] S3、根据所述布点对需要分割的车载灯具部分进行基于Voronoi的图像分割，并将每个分割区域的点的像素数量存储起来；
[0009] S4、将所述每个分割区域与需要分割的车载灯具部分进行与运算，筛除分割区域中非车载灯具部分。
[0010] 进一步地，所述步骤S1具体通过如下步骤实现：
[0011] S11、将输入的光学相机拍摄的待分割图像进行中值滤波；
[0012] S12、将滤波后的图像进行灰度化，得到灰度图像；
[0013] S13、根据车载灯具亮度分析数据，对灰度图像进行一次亮点噪声筛除，得到新的灰度图像，其数学表达式为：
[0014]
[0015] 式中，i表示图像像素点的横坐标，j表示图像像素点的纵坐标，(i,j)表示图像的像素坐标，G'(i,j)表示新的灰度图像，G(i,j)表示灰度图像；
[0016] S14、对得到的新的灰度图像进行自适应
阈值处理；
[0017] S15、通过边缘搜索
算法提取图像中需要分割的车载灯具部分。
[0018] 进一步地，所述步骤S11中中值滤波通过将图像中某一像素点的像素值用该像素点的一个区域的各个像素点的像素值的中值代替实现，并采用3×3大小规格滤波，其数学表达式为：
[0019]
[0020] 式中，g(x,y)表示像素点处理完的像素值，f(x-1,y-1)表示被处理像素点左上
角图像像素点值，f(x,y-1)表示被处理像素点上方图像像素点值，f(x+1,y-1)表示被处理像素点右上角图像像素点值，f(x-1,y)表示被处理像素点左边图像像素点值，f(x,y)表示被处理像素值，f(x+1,y)表示被处理像素点右边图像像素点值，f(x-1,y+1)表示被处理像素点左下角图像像素点值，f(x,y+1)表示被处理像素点下方图像像素点值，f(x+1,y+1)表示被处理像素点右下角图像像素点值。
[0021] 进一步地，所述步骤S14自适应阈值处理具体通过以下步骤实现：
[0022] 对得到的新的灰度图像进行正向二值化，其数学表达式为：
[0023]
[0024] 式中，T(i,j)为阈值，dst(i,j)表示图像像素点值进行二值化后的像素点值，其中，阈值T(i,j)采用如下自适应函数计算：
[0025]
[0026] 式中，M为像素邻域的大小，C为加权平均数减去的常量，f(i,j)表示图像像素点值。
[0027] 进一步地，所述步骤S14与S15之间还包括如下步骤：
[0028] S140、对自适应阈值的二值化图像通过如下公式进行形态学
腐蚀：
[0029]
[0030] 式中，i'表示结构元素的横坐标，j'表示结构元素的纵坐标，element为结构元素，dst’(i,j)表示进行图像腐蚀后的图像像素点值，dst’(i+i',j+j')表示腐蚀前的图像像素点值；
[0031] S150、对经过形态学腐蚀的二值化图像再进行形态学膨胀，其数学表达式为：
[0032]
[0033] 式中，dst″(i,j)表示进行图像膨胀后的图像像素点值。
[0034] 进一步地，选取的结构元素element形状为椭圆，大小为7×7。
[0035] 进一步地，步骤S15具体表现为：
[0036] 将经过形态学膨胀后的二值化图像进行轮廓搜索，得到多个轮廓集，并对所有的轮廓进行排序，得到最大的轮廓，即为需要分割的车载灯具部分。
[0037] 进一步地，所述步骤S2具体实现方法为：
[0038] S21、通过逐行、逐列扫描算法，获取包围车载灯具的最小矩形；
[0039] S22、在所述最小矩形所在区域内进行布点。
[0040] 进一步地，所述步骤S3具体实现方法为：
[0041] S31、根据所述布点构建Delaunay三角网，并且存储每个三角形是由哪三个点所构成；
[0042] S32、存储每个三角形的外接圆圆心坐标；
[0043] S33、遍历所有三角形，筛选出与当前三角形三边共边的相邻的三个三角形；
[0044] S34、若当前三角形满足步骤S33条件，则将筛选出的与当前三角形三边共边的相邻的三个三角形的外心分别与当前三角形的外心连接，并存入于数据容器中。
[0045] S35、遍历结束，图像分割完成。
[0046] 本发明提供的图像分割方法，首先根据灯具在暗室中测试的特性，对光学相机拍摄出的图像进行中值滤波，并采用一种自适应算法对图像进行二值化处理；然后采用一种边缘搜索的算法提取出需要分割的车载灯具部分，并采用逐行和逐列的方法框选出包围该车载灯具部分的最小矩形，同时在该矩形区域内进行布点；最后根据所布点的坐标进行基于Voronoi的图像分割，且通过将每个分割区域与车载灯具部分进行与运算，对所有分割区域进行筛选。本发明的图像分割方法由于能够在车载灯具在相机视野范围内位置发生变化的情况下精准进行分割，且只分割车载灯具部分，对车载灯具发光均匀性分析提供了有力的支持；同时，该方法还解决了现有某些光学测量效率低下的问题，使得光学测量实现自动化，具有方法简单、可操作性强和广泛光学测量适用性的优点。
附图说明
[0047] 构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性
实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0048] 图1为本发明实施例一提供的基于Voronoi的车载灯具图像分割方法
流程图；
[0049] 图2为本发明实施例二提供的基于Voronoi的车载灯具图像分割方法流程图；
[0050] 图3为本发明实施例三提供的基于Voronoi的车载灯具图像分割方法流程图；
[0051] 图4为光学相机拍摄的车载灯具发光图像；
[0052] 图5为为获取的车载灯具需要进行亮度均匀性分析的图像；
[0053] 图6为基于Voronoi的分割区域的数据效果图；
[0054] 图7为本发明在车载灯具亮度分析领域的分割效果图。
具体实施方式
[0055] 需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0056] 需要说明的是，为更好地理解本发明，特对如下名词做出解释：
[0057] Voronoi(泰森多边形)，亦称Dirichlet，是由一组由连接两邻点直线的垂直平分线组成的连续多边形组成；N个在平面上有区别的点，按照最邻近原则划分平面，每个点与它的最近邻区域相关联。
[0058] Delaunay(三角剖分算法)，针对点集几何图形的一项预处理技术；Delaunay三角剖分有最大化最小角，“最接近于规则化的”三角网和唯一性(任意四点不能共圆)两个特点。
[0059] 本发明的图像分割方法主要针对现有车载灯具光学测量的局限性，现有开发软件无法做到对特定车载灯具或是普遍的车载灯具进行分割，以及车载灯具形状的不规则性，人工手动测量严重影响效率且测量结果的有力性不强的技术问题。
[0060] 实施例一
[0061] 参见图1，图1为本发明实施例一提供的基于Voronoi的车载灯具图像分割方法流程图。
[0062] 本发明提供一种基于Voronoi的车载灯具图像分割方法，所述方法包括如下步骤：
[0063] S1、对输入的光学相机拍摄的待分割图像进行中值滤波，并采用自适应函数提取图像中需要分割的车载灯具部分；
[0064] 图4即为光学相机拍摄的车载灯具发光图像，该图像数据具体为
传感器所获取的亮度信息图像；
[0065] S2、计算需要分割的车载灯具部分的像素点数量，并对其进行布点；
[0066] S3、根据所述布点对需要分割的车载灯具部分进行基于Voronoi的图像分割，并将每个分割区域的点的像素数量存储起来；
[0067] S4、将所述每个分割区域与需要分割的车载灯具部分进行与运算，筛除分割区域中非车载灯具部分。
[0068] 本实施例中，通过对车载灯具在暗室发光的特性分析，亮度在20数值以下的基本确认为噪点，故采用遍历整幅图像的方式进行去噪；同时，采用中值滤波对图像进一步去噪。
[0069] 在进一步的技术方案中，步骤S2具体通过如下方法实现：
[0070] S21、通过逐行、逐列扫描算法，获取包围车载灯具的最小矩形；
[0071] S22、在所述最小矩形所在区域内进行布点。
[0072] 本实施例中，根据对包围车载灯具最小矩形进行布点，这样可以在有效的范围内布点，可以提高分割方法的效率及可靠性。
[0073] 通过上述设置，本实施例提供的图像分割方法，首先对光学相机拍摄出的图像进行中值滤波，并采用自适应函数提取图像中需要分割的车载灯具部分；然后采用逐行和逐列的方法框选出包围该车载灯具部分的最小矩形，同时在该矩形区域内进行布点；最后根据所布点的坐标进行基于Voronoi的图像分割，且通过将每个分割区域与车载灯具部分进行与运算，对所有分割区域进行筛选，有效地剔除这些分割有误的区域，具有方法简单、可操作性强和广泛光学测量适用性的优点。
[0074] 参见图2，图2为本发明实施例二提供的基于Voronoi的车载灯具图像分割方法流程图。
[0075] 实施例二与实施例一的区别为：优选地，步骤S1具体包括如下步骤：
[0076] S11、将输入的光学相机拍摄的待分割图像进行中值滤波；
[0077] S12、将滤波后的图像进行灰度化，得到灰度图像；
[0078] S13、根据车载灯具亮度分析数据，对灰度图像进行一次亮点噪声筛除，得到新的灰度图像，其数学表达式为：
[0079]
[0080] 式中，i表示图像像素点的横坐标，j表示图像像素点的纵坐标，(i,j)表示图像的像素坐标，G'(i,j)表示新的灰度图像，G(i,j)表示灰度图像；
[0081] 图5即为获取的车载灯具需要进行亮度均匀性分析的图像；
[0082] S14、对得到的新的灰度图像进行自适应阈值处理；
[0083] S15、通过边缘搜索算法提取图像中需要分割的车载灯具部分。
[0084] 即本发明对光学相机拍摄出的图像进行中值滤波，并采用一种自适应算法对图像进行二值化处理，然后采用一种边缘搜索的算法提取出需要分割的车载灯具部分。
[0085] 需要说明的是，在步骤S11中，中值滤波是一种非线性的去除噪声的方法，可在去除图像噪声的同时，又能很好地保护图像的边缘。中值滤波的原理是将图像中某一像素点的像素值用该像素点的一个区域的各个像素点的像素值的中值代替，并采用3×3大小规格滤波，其数学表达式为：
[0086]
[0087] 式中，g(x,y)表示像素点处理完的像素值，f(x-1,y-1)表示被处理像素点左上角图像像素点值，f(x,y-1)表示被处理像素点上方图像像素点值，f(x+1,y-1)表示被处理像素点右上角图像像素点值，f(x-1,y)表示被处理像素点左边图像像素点值，f(x,y)表示被处理像素值，f(x+1,y)表示被处理像素点右边图像像素点值，f(x-1,y+1)表示被处理像素点左下角图像像素点值，f(x,y+1)表示被处理像素点下方图像像素点值，f(x+1,y+1)表示被处理像素点右下角图像像素点值。
[0088] 此外，值得提及的是，中值滤波的规格大小并不仅限于3×3，亦可为5×5，或其他，此处不再一一列举。
[0089] 优选地，步骤S14自适应阈值处理具体通过以下步骤实现：
[0090] 对得到的新的灰度图像进行正向二值化，其数学表达式为：
[0091]
[0092] 式中，T(i,j)为阈值，dst(i,j)表示图像像素点值进行二值化后的像素点值，其中，阈值T(i,j)采用如下自适应函数计算：
[0093]
[0094] 式中，M为像素邻域的大小，C为加权平均数减去的常量，f(i,j)表示图像像素点值。
[0095] 在进一步的方案中，所述步骤S3具体通过如下步骤实现：
[0096] S31、根据所述布点构建Delaunay三角网，并且存储每个三角形是由哪三个点所构成；
[0097] S32、存储每个三角形的外接圆圆心坐标；
[0098] S33、遍历所有三角形，筛选出与当前三角形三边共边的相邻的三个三角形；
[0099] S34、若当前三角形满足步骤S33条件，则将筛选出的与当前三角形三边共边的相邻的三个三角形的外心分别与当前三角形的外心连接，并存入于数据容器中。
[0100] S35、遍历结束，图像分割完成；
[0101] 图6即为基于Voronoi的分割区域的数据效果图。
[0102] 实施例三
[0103] 实施例三与实施例二相比的区别是，为精确地提取需要分割的车载灯具部分，步骤S14与S15之间还包括如下步骤：
[0104] S140、对自适应阈值的二值化图像通过如下公式进行形态学腐蚀：
[0105]
[0106] 式中，i'表示结构元素的横坐标，j'表示结构元素的纵坐标，element为结构元素，dst’(i,j)表示进行图像腐蚀后的图像像素点值，dst’(i+i',j+j')表示腐蚀前的图像像素点值；
[0107] S150、对经过形态学腐蚀的二值化图像再进行形态学膨胀，其数学表达式为：
[0108]
[0109] 式中，dst″(i,j)表示进行图像膨胀后的图像像素点值。
[0110] 本实施例中，通过形态学的方法去除图像中一些干扰边缘信息，可以更好、更容易地提取出车载灯具部分。
[0111] 优选地，上述结构元素element形状优选为椭圆，大小为7×7。
[0112] 需要说明的是，本实施例中步骤S15具体表现为：
[0113] 将经过形态学膨胀后的二值化图像进行轮廓搜索，得到多个轮廓集，并对所有的轮廓进行排序，得到最大的轮廓，即为需要分割的车载灯具部分。图7即为本发明在车载灯具亮度分析领域的分割效果图。
[0114] 以上对本发明所提供的一种基于Voronoi的车载灯具图像分割方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明
权利要求的保护范围内。
