形态学处理在交通标志检测分割中的Matlab仿真实现

一、理论基础

算法的基本流程如下所示：

步骤一：消除明显细小的连通域。

这个我认为你没理解我的意思，200是一个非常小的值，而不是经验值，目的是为了删除各种噪点组成的连通域。起到滤波的作用。如果非要这里使用bwlabel来标记，没实际意义如果标记了，计算面积，然后将面积小的去掉，那么这个面积多少才算小？还是得设置门限。所以这里必须使用bwaeraopen这个函数。这里用lwlabel没实际意义。

步骤二，取反。

   因为得到的连通域，有些交通标志是黑白反的，这样处理及其麻烦，所以取反，然后两路同时进行处理。

步骤三，根据判决规则消除不规则干扰连通域

下面介绍一下这个函数功能。这里，就需要用bwlabel这个标记函数了。

基本思路是标记连通域，将明显狭长的

，以及明显非常大的

这里，3,3,0.3，这种参数，不算是什么经验值，明显的情况，就是设置一个较大值即可。不管什么图片，这个值也不影响。

每一步处理之后，都需要做一次滤波。

这个是需要人工设置的参数2。

同样也是滤波，就是将处理之后的小的连通域去除，上面的200是去掉你处理后得到的小的噪点，

这里设置1000，就是去掉一些稍大一些的连通域，这个也不是什么经验值，同样如果这种地方用你说的标记，通过面积来判断，反而麻烦。希望不要老想用bwlabel这个函数，滤波还是得用bwareaopen这个函数。

步骤四：去除不规则连通域。

其内部程序如下所示：

这个步骤实际上是步骤二的补充，即，将面积的连通域进行消除。

腐蚀，

这里对两个通道的连通域进行腐蚀，腐蚀的主要目的是，由于交通标志处理后，往往会存在两个标志之间存在一定的粘连，所以通过腐蚀来分开这种情况。

上面两个腐蚀参数7和10，可以认为是测试参数。3

步骤五

这个是空心区域的填充，作为腐蚀后的补充处理，即将交通标志内部的空心区域进行填充。

步骤六：

得到和交通标志相似的所有的连通域，这里会包括真实的交通标志和类似交通标志的区域。

上面两个膨胀参数，可以认为是测试参数。4

首先进行膨胀。对交通标志内部进行膨胀，主要针对部分交通标志中间会有裂缝被迫变为2个区域，膨胀之后，变为一个。

这个是对通过腐蚀和膨胀之后的区域进行不规则去除。

这个是和前面的200相对应，即将 一个很大的区域删除，设置为8000.

这个是需要人工设置的参数5。

最后步骤，

从最后剩下的区域中，分析最终的交通标志区域。

合并之前，选择连通域个数较多的一个通道作为参考通道进行处理。

去除图像四个边缘区域的连通域。只保留中间区域。

对合并和的图像进行腐蚀。

计算合并后的图像中的各个连通域的面积。

对排序后的面积的最小的几个区域删除。

二、核心程序

登录后复制

clc;  clear;close all;warning off;addpath 'func\'addpath 'func2\' Image_Name = 7;Name1      = ['image0\',num2str(Image_Name),'.jpg'];Name2      = ['image0\R',num2str(Image_Name),'.mat'];Pic = imread(Name1);load(Name2);%%%步骤1%先进行形态学滤波，消除细小的连通域    BWa1  = bwareaopen(I3,200);BWb1  = ones(size(BWa1))-BWa1;figure;subplot(121)imshow(BWa1);subplot(122)imshow(BWb1);%%%快速去除容易辨识的干扰BWa1 = func_catch1(BWa1); BWb1 = func_catch1(BWb1); figure;subplot(121)imshow(BWa1);subplot(122)imshow(BWb1);%步骤2%先进行形态学滤波，消除细小的连通域    BWa2  = bwareaopen(BWa1,1000);BWb2  = bwareaopen(BWb1,1000);figure;subplot(121)imshow(BWa2);subplot(122)imshow(BWb2);%快速去除容易辨识的干扰BWa2 = func_catch2(BWa2,1); BWb2 = func_catch2(BWb2,0); figure;subplot(121)imshow(BWa2);subplot(122)imshow(BWb2);%步骤3%最终提取BWa3 = imfill(BWa2,'holes');BWb3 = imfill(BWb2,'holes');figure;subplot(121)imshow(BWa3);subplot(122)imshow(BWb3);  BWa3 = func_catch3(BWa3,1); BWb3 = func_catch3(BWb3,0); figure;subplot(121)imshow(BWa3,[]);subplot(122)imshow(BWb3,[]);%步骤4%最终步骤，检测，分化，提取与合并BW4 = func_catch4(BWa3,BWb3);%最终判决得到输出的正确的区域figure;subplot(121)imshow(I3);subplot(122)imshow(BW4,[]);  figure;subplot(131);imshow(Pic);title('原始图像');%小波去噪R = func_wavelet_filter(Pic(:,:,1));G = func_wavelet_filter(Pic(:,:,2));B = func_wavelet_filter(Pic(:,:,3));I2(:,:,1) = uint8(R);I2(:,:,2) = uint8(G);I2(:,:,3) = uint8(B);subplot(132);imshow(I2,[]);title('小波滤波后图像'); I3 = imadjust(I2,[0.05 0.05 0.05; 0.8 0.8 0.8],[]);R  = I3(:,:,1);G  = I3(:,:,2);B  = I3(:,:,3);I4(:,:,1) = uint8(R);I4(:,:,2) = uint8(G);I4(:,:,3) = uint8(B);subplot(133);imshow(I4,[]);title('增强图像');[X3,X4,X5,X6] = func_getbz(BW4,I4);figure;subplot(221);imshow(X3); subplot(322);imshow(X4);subplot(223);imshow(X5); subplot(224);imshow(X6);save test_image.mat X3 X4 X5 X61.2.3.4.5.6.7.8.9.10.11.12.13.14.15.16.17.18.19.20.21.22.23.24.25.26.27.28.29.30.31.32.33.34.35.36.37.38.39.40.41.42.43.44.45.46.47.48.49.50.51.52.53.54.55.56.57.58.59.60.61.62.63.64.65.66.67.68.69.70.71.72.73.74.75.76.77.78.79.80.81.82.83.84.85.86.87.88.89.90.91.92.93.94.95.96.97.98.99.100.101.102.103.104.105.106.107.108.109.110.111.112.113.114.115.116.117.118.119.120.121.122.123.124.125.126.127.128.129.130.131.132.133.134.135.136.137.138.139.140.141.142.143.144.145.146.147.148.149.150.151.152.153.154.155.

三、仿真测试结果

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删