本文介绍了一种用于自主导航系统的天空区域识别算法，并对该算法进行了改进。改进后的算法能更准确地识别出天空区域，尤其在弱纹理区域表现更好。
本文主介绍了一下一种天空区域识别的算法，参考论文：Sky Region Detection in a Single Image for Autonomous Ground Robot Navigation
顺便贴出对论文中算法稍加改进后，图片天空区域的识别效果图。具体怎么改进的见下面描述。
本文分为四个部分，依次是
一 天空识别的重要性
二 参考论文中的方法描述
三 自己的改进
四 实现效果对比
五 算法仍存在的问题
废话不多说，直接进入主题。
一 为什么天空区域识别很重要？
目前，智能机器人，自动驾驶汽车以及智能无人机等等逐渐走入人们的生活。这些智能设备都需要自主导航，而导航就离不开对周围环境的感知。
感知周围环境的距离是感知周围环境的重要一环，所以说感知周围环境距离很重要。人们常用传感器进行测距，在自主导航领域常见测距传感器有两类：第一类是主动式传感器，比如雷达，激光传感器，这类传感器比较精确，但缺点是比较贵；第二类是被动式传感器，比如视觉传感器。这类传感器成本较低，主要依赖于算法，但有些场景精度不好。但随着技术的发展，这些精度问题都可以得到解决。
我们今天所讲的天空区域识别是属于视觉传感器的一类中的算法。常见的视觉传感器，比如双目传感器，由于匹配测距原理的缺陷，对弱纹理区域无法准确识别。在室外，天空区域正是弱纹理区域的典型代表。因而，识别出天空在我们自主导航中的作用不言而喻。
二 参考论文中的方法描述
首先，算法假设：
<1>，真实的地面区域的平均亮度要比天空的平均亮度暗。
<2>，天空区域在图像上侧，地面区域在图像下侧。
<3>，天空区域比较平滑。
所以此算法还是有局限性的。
此算法的整体思想是：每一列图像上方往下扫描，通过不断的调整梯度阈值，得到不同的边界。然后，通过计算所有边界的能量函数来得到最优边界，最后再做优化。
step1，每给梯度设一个阈值，整幅图从按列从上往下扫描，得到一个边界。
step2，定义一个能量函数，每次得到一个边界后，图像上的区域可以被分成天空S和地面G区域。
当能量函数最大时，此时天空集合内和地面集合内的像素相似度最高。此时的边界被称为临时最优边界。
step3，如果临时最优边界跳变过大，就认为天空区域误检，需要把天空区域的像素用K-means分成两类，此时图片中有三个集合:两类天空(s1,s2)和地面G。根据两类天空(s1,s2)分别与地面G的马氏距离，把马氏距离大的认为是真实天空区域。（比如这里s1是真实天空）
step4，把S里的每一个像素分别与s1和G计算马氏距离，
若与s1距离近，则认为是天空像素，
若与G距离近，则认为是地面像素。
step5 ， 以S的每一列为扫描单位，当这一列中天空像素不到一半，就认为这一列是误检，属于最终地面。当天空像素大于一半时，则认为这一列都是天空，属于最终天空。
三 自己对上述方法的改进
step1，每给梯度设一个阈值，整幅图从按列从上往下扫描，得到一个边界。
step2，定义一个能量函数，每次得到一个边界后，图像上的区域可以被分成天空S和地面G区域。
当能量函数最大时，此时天空集合内和地面集合内的像素相似度最高。
step3，由于每次扫描时，边界是由一个梯度阈值分割的，这肯定是不合理的，所以天空区域必定包含杂志（地面区域像素），所以对天空区域聚类，聚成两类，称为s1，s2，此时图片中有三个集合:两类天空(s1,s2)和地面G。
step4，判别s1与s2哪个是真实天空区域：论文中直接根据两类天空(s1,s2)分别与地面G的马氏距离，把马氏距离大的认为是真实天空区域（Strue），剩余的是地面区域。比如这里s1和地面G马氏距离比较大，则s1是真实天空区域，s2和G是地面区域。
step5，识别其他区域的天空：由于上述方法只能识别图片最上面的天空,即Strue，即如果图片中，天空被一道横着的电线挡住，则电线下面的天空就识别不出，所以对论文算法加以改进。改进的方法是：首先我们对图片其他区域（step4处理后的s2和G）的每个像素进行扫描，如果其他区域的像素满足以下两个条件则认为也是天空：
<1> 弱纹理区域
<2> 像素值和Strue区域的平均像素值 相差很小。
四 实现效果对比
每组图片有三幅图，依次是step3输出的聚类结果（s1和s2）、论文中方法的效果、改进后的效果
第一组：
第二组：
第三组：
第四组：
五 算法仍存在的问题
1 天空区域不在图片正上方不能识别。
2 图片从第一行开始有大量灰度值比天空还大的区域时容易误识别，因为分不清谁是天空。
3 算法在硬件上不宜实施。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
