复现导师发我的一篇毕业论文的后半部分。其实是挺过时的东西了，不过貌似做的人很少，复现出来结果也不错，挺有想法的一篇文章。 论文题目：《基于航拍图像的目标检测系统设计与实现》 Github：传送门

系统总流程

大致流程是将红外图像预处理，包括灰度化、直方图均衡化、开闭运算、边缘提取。然后利用霍夫变换直线检测，根据直线的交点和相交角度来初步定位十字路口，其中用到了交点的聚类和mean-shift开窗迭代找重心。最后一步是十字路口的二次判定，也是文章的精华，利用改进的CCDC方法，统计矩形簇上的像素点，根据这些点的统计特征来判定。 实际复现时，对此程序做了些简化修改，效果更好。

图像预处理

读入图片、灰度化、直方图均衡化、二值化

原图：

import cv2 import numpy as np from scipy.cluster.hierarchy import dendrogram, linkage, fcluster from matplotlib import pyplot as plt img = cv2.imread("1.jpg", 1) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) dst = cv2.equalizeHist(gray) ret, img_thresh = cv2.threshold(dst, 203, 255, cv2.THRESH_BINARY ) #cv2.imwrite("img_thresh.jpg",img_thresh)

二值化图：

开操作-先腐蚀后膨胀

这里是为了去除航拍图像中间的光标，并使道路边缘更平滑。

Matrix = np.ones((3, 3), np.uint8) img_edge1 = cv2.erode(img_thresh, Matrix) #cv2.imshow('erode.jpg',img_edge1 ) Matrix2 = np.ones((7, 7), np.uint8) img_edge2 = cv2.dilate(img_edge1, Matrix2) #cv2.imwrite('dilate.jpg',img_edge2)

Hough变换

Canny边缘检测

edges = cv2.Canny(img_edge2,100,200,apertureSize = 7) #cv2.imwrite('edges.jpg',edges)

Hough直线检测

这里做了一些修改，原文中所做的检测是检测直线上的点，最后记录线段，然后再根据线段扩充成直线求交点。个人觉得这样是无意义的，故直接采用直线检测。

""" #作者的方法 lines = cv2.HoughLinesP(edges,1,np.pi/180,80,minLineLength=70,maxLineGap=80) lines1 = lines[:,0,:]#提取为二维 print(len(lines1)) for x1,y1,x2,y2 in lines1[:]: cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2) #cv2.line(edges,(x1,y1),(x2,y2),(0,255,0),2) cv2.imwrite('line1.jpg',img) #cv2.imshow('line2.jpg',edges) """ #复现的方法 lines = cv2.HoughLines(edges,1,np.pi/180,100) lines2 = lines[:,0,:]#提取为为二维 print(len(lines2)) lines1=[] for rho,theta in lines2[:]: a = np.cos(theta) b = np.sin(theta) x0 = a*rho y0 = b*rho x1 = int(x0 + 1000*(-b)) y1 = int(y0 + 1000*(a)) x2 = int(x0 - 1000*(-b)) y2 = int(y0 - 1000*(a)) lines1.append([x1,y1,x2,y2]) #cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2) #cv2.imwrite('line2.jpg',img)

检测的线段 检测直线：

求交点

简单的两直线相交求交点，并单独考虑了斜率不存在的情况。

def cross_point(line1, line2): # 计算交点函数 #是否存在交点 point_is_exist=False x=0 y=0 x1 = line1[0] # 取四点坐标 y1 = line1[1] x2 = line1[2] y2 = line1[3] x3 = line2[0] y3 = line2[1] x4 = line2[2] y4 = line2[3] if (x2 - x1) == 0: k1 = None else: k1 = (y2 - y1) * 1.0 / (x2 - x1) # 计算k1,由于点均为整数，需要进行浮点数转化 b1 = y1 * 1.0 - x1 * k1 * 1.0 # 整型转浮点型是关键 if (x4 - x3) == 0: # L2直线斜率不存在操作 k2 = None b2 = 0 else: k2 = (y4 - y3) * 1.0 / (x4 - x3) # 斜率存在操作 b2 = y3 * 1.0 - x3 * k2 * 1.0 if k1 is None: if not k2 is None: x = x1 y = k2 * x1 + b2 #point_is_exist=True elif k2 is None: x=x3 y=k1*x3+b1 elif not k2==k1: x = (b2 - b1) * 1.0 / (k1 - k2) y = k1 * x * 1.0 + b1 * 1.0 if (x>0)&(y>0) : point_is_exist=True return point_is_exist,[x, y] points=[] i=0 while i<len(lines1): a=lines1[i] #print(a) i=i+1 j=i while j<len(lines1): b=lines1[j] j=j+1 point_is_exist, [x, y]=cross_point(a,b) if point_is_exist: print([x,y]) points.append([x,y]) #cv2.circle(img,(int(x),int(y)),5,(255,0,0),2) print(len(points)) #cv2.imwrite('points.jpg', img)

交点聚类

原文中采用层次聚类，并利用均值漂移算法计算重心。实际使用时，重心常常陷入局部最优，找不到十字路口。故这里直接采用聚类后点的几何中心，效果明显优于文中。

def hierarchy_cluster(data,threshold, method='average'): '''层次聚类 Arguments: data [[0, float, ...], [float, 0, ...]] -- 文档 i 和文档 j 的距离 Keyword Arguments: method {str} -- [linkage的方式： single、complete、average、centroid、median、ward] (default: {'average'}) threshold {float} -- 聚类簇之间的距离 Return: cluster_number int -- 聚类个数 cluster [[idx1, idx2,..], [idx3]] -- 每一类下的索引 ''' data = np.array(data) Z = linkage(data, method='average') cluster_assignments = fcluster(Z, threshold, criterion='distance') #print type(cluster_assignments) num_clusters = cluster_assignments.max() indices = get_cluster_indices(cluster_assignments) return num_clusters, indices def get_cluster_indices(cluster_assignments): '''映射每一类至原数据索引 Arguments: cluster_assignments 层次聚类后的结果 Returns: [[idx1, idx2,..], [idx3]] -- 每一类下的索引 ''' n = cluster_assignments.max() indices = [] for cluster_number in range(1, n + 1): indices.append(np.where(cluster_assignments == cluster_number)[0]) return indices arr = np.array(points) num_clusters, indices = hierarchy_cluster(arr,30) print ("%d clusters" % num_clusters) ave=[] for k, ind in enumerate(indices): sumx=0 sumy=0 n=0 print ("cluster", k + 1, "is", ind) if len(ind)>2: for i in ind: print(points[i]) x,y=points[i] sumx=sumx+x sumy=sumy+y n=n+1 ave.append([sumx/n,sumy/n]) print ('center point is',ave)

形状判别

CCDC方法： （1） 计算所有离散点坐标,创建 CCDC（或读取已经保存的数据）； （2） 读取图形，确定的质心位置，计算图形的最大半径； （3） 将图形映射到 CCDC； （4） 利用特征函数提取单个圆环的弧特征； （5） 将所有圆环特征组成特征向量得到形状的 CCDC 特征。

这里使用的是矩形簇而非圆簇： 如图，聚类后，交点大致分为两簇，分别对两簇统计矩形簇。红色代表最内层、黄色最外层。 如图，与十字路口相交的记为形状弧段。显然每一圈上的形状弧段应为４且长度大致相等。于是可以统计四段形状弧段的圈数所占比例，以及弧段长度的方差来判定是不是十字路口。 最终效果： ＃　论文中的其他图片：

绿框是文中结果，紫框是复现结果。 完整代码下载：code