PotatoPie 4.0 实验教程(21) —— FPGA实现摄像头图像二值化（RGB2Gray2Bin）

ICMaker

7个月前更新

740

手机扫码

链接直达

https://item.taobao.com/item.htm?ft=t&id=776516984361

为什么要进行图像的二值化？

当我们处理图像时，常常需要将其转换为二值图像。这是因为在很多应用中，我们只对图像中的某些特定部分感兴趣，而不需要考虑所有像素的颜色信息。下面我会详细解释为什么要进行图像的二值化：

简化图像结构：彩色图像包含大量的像素，每个像素都有自己的颜色信息。这种复杂性使得图像处理变得复杂。将图像转换为二值图像可以大大简化图像结构，使得后续的处理更加高效。
突出目标特征：在很多应用中，我们只对图像中的某些目标感兴趣，而不关心其他部分。通过二值化，我们可以将目标与背景分离，突出目标的特征，便于进一步的分析和处理。
去除噪声：图像中常常包含各种噪声，如摄像头传感器的噪声、环境光线的影响等。这些噪声会干扰图像的分析和处理。通过二值化，我们可以将噪声过滤掉，只保留目标信息，提高图像的质量。
减少计算量：在一些图像处理算法中，需要对每个像素进行复杂的计算。如果图像的分辨率很高，计算量会非常大。将图像转换为二值图像可以大大减少计算量，提高算法的执行效率。
图像压缩：二值图像只包含黑白两种颜色，信息量较少。因此，可以通过二值化来压缩图像，减少存储空间和传输带宽。

总之，图像二值化是图像处理中的一项基础技术，它可以简化图像结构、突出目标特征、去除噪声、减少计算量以及实现图像压缩等多种目的。

图像二值化的常用算法

图像二值化是图像处理中的一项基础任务，有许多不同的算法可以实现。以下是几种常用的图像二值化算法：

全局阈值法（Global Thresholding）：全局阈值法是最简单和最常用的二值化方法之一。它通过设定一个全局阈值，将图像中的像素分为两类：大于阈值的像素设为白色，小于等于阈值的像素设为黑色。其中，Otsu 方法是全局阈值法中的一种优化方法，它能自动确定最佳的阈值，使得类间方差最大化。
局部阈值法（Local Thresholding）：局部阈值法考虑到图像中不同区域的灰度分布可能不同，因此采用不同的阈值来进行二值化。常见的局部阈值法包括自适应阈值法和基于统计的方法，如局部均值、局部中值等。
基于直方图的方法（Histogram-based Methods）：这些方法利用图像的灰度直方图来确定阈值。常见的方法包括基于双峰分析、直方图形态学等。
基于梯度的方法（Gradient-based Methods）：这些方法基于图像的梯度信息来确定阈值。常见的方法包括基于边缘检测算子的方法，如Sobel、Prewitt等。
基于聚类的方法（Clustering-based Methods）：这些方法将图像中的像素看作是一个样本集合，利用聚类算法将像素分成两个类别，然后根据类别信息进行二值化。常见的方法包括K均值聚类、自组织映射聚类等。

这些算法各有优缺点，适用于不同的图像处理任务和场景。在实际应用中，根据图像的特点和需求选择合适的二值化算法是非常重要的。我们本节实验主要采用Otsu 方法。

Otsu 方法是由日本学者大津展之（Nobuyuki Otsu）于1979年提出的图像二值化算法。这个方法旨在通过自适应地确定最佳阈值，将图像分为背景和前景两个类别，以最大化类间方差来实现图像的自动化处理。

在 Otsu 方法被提出之前，常用的图像二值化方法主要是基于手动设定阈值的全局阈值法。然而，手动选择阈值可能会因为主观性而不准确，尤其是对于不同的图像和应用场景，需要不断调整阈值才能得到满意的结果。Otsu 方法的提出填补了这一缺陷，使得图像二值化可以更加自动化和准确。

Otsu 方法的核心思想是通过最大化类间方差来确定最佳的阈值。在图像中，背景和前景之间的差异体现在它们的灰度分布上。通过寻找一个阈值，使得背景和前景之间的类间方差最大化，我们可以实现最佳的图像二值化。这种方法不仅能够自动地确定最佳阈值，而且在很多情况下能够产生高质量的二值化结果。

Otsu 方法的提出极大地促进了图像处理领域的发展，成为了图像二值化中的经典算法之一。它被广泛应用于数字图像处理、计算机视觉、图像分割等领域，为图像分析和识别提供了重要的基础。

Otsu 算法的详细步骤：

计算直方图：首先，计算图像的灰度直方图，统计每个灰度级别的像素数量。
归一化直方图：将直方图中每个灰度级别的像素数量除以图像的总像素数，得到每个灰度级别的归一化频率。
计算累积分布函数：计算归一化直方图的累积分布函数，即累积概率密度函数。这可以通过累加每个灰度级别的归一化频率来实现。
初始化类间方差和最佳阈值：初始化类间方差为 0，并将最佳阈值设为 0。
遍历阈值：对每个可能的阈值 t 进行遍历（从 0 到最大灰度级别）。
计算类间方差：对于每个阈值 t，计算两个类别的均值和方差，然后根据这些统计量计算类间方差。类间方差可通过下式计算得到：
选择最佳阈值：选择使类间方差最大的阈值作为最佳阈值，即找到能够最好地将图像分成两个类别，使得类别之间的差异最大化。
应用阈值：使用最佳阈值将图像进行二值化处理，将大于阈值的像素设为白色（255），小于等于阈值的像素设为黑色（0）。
通过这些步骤，Otsu 算法能够自动确定最佳的阈值，将图像转换为二值图像，并且在很多情况下能够产生高质量的二值化结果。

用python实现Otsu 算法对图像进行二值化处理

这个代码会读取名为 Lena.jpg 的彩色图片，然后将其转换为灰度图像，并使用 Otsu 算法进行图像二值化。然后显示原始彩色图像、灰度图像和二值化后的图像。

以下是代码的详细说明：

导入 OpenCV 库：

import cv2
获取当前脚本文件的路径：

current_file_path = __file__ current_file_dir = os.path.dirname(current_file_path)

这里使用了 __file__ 内置变量来获取当前脚本文件的路径，然后通过 os.path.dirname() 函数提取目录部分，并将结果存储在 current_file_dir 变量中。
读取图片：

img = cv2.imread(current_file_dir + '/Lena.jpg')

使用 cv2.imread() 函数读取名为 ‘Lena.jpg’ 的彩色图像文件，并将其存储在名为 img 的变量中。
转换为灰度图像：

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用 cv2.cvtColor() 函数将彩色图像 img 转换为灰度图像，并将结果存储在名为 gray_img 的变量中。
使用 Otsu 算法进行图像二值化：

_, binary_img = cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

使用 cv2.threshold() 函数将灰度图像 gray_img 进行二值化处理，并使用 Otsu 算法自动确定阈值。将阈值化后的图像存储在名为 binary_img 的变量中。
显示图像：

cv2.imshow('Original Image', img) cv2.imshow('Gray Image', gray_img) cv2.imshow('Binary Image (Otsu)', binary_img)

使用 cv2.imshow() 函数显示原始图像、灰度图像和二值化后的图像。第一个参数是窗口的标题，第二个参数是要显示的图像。
等待按下任意键继续并关闭窗口：

cv2.waitKey(0) cv2.destroyAllWindows()

使用 cv2.waitKey(0) 函数等待用户按下任意键，然后使用 cv2.destroyAllWindows() 函数关闭所有打开的窗口。

这段代码演示了如何使用 OpenCV 库对图像进行灰度化和二值化处理，并显示处理后的图像。

用如下的powershell指令运行python脚本，后面的教程中将不再举例说明如何运行python文件。

可以看到演示效果：

上面的代码是直接采用的opencv的otsu方法实现的，没有展示细节，我们下面提供的这段代码展示了otsu的方法细节。

这段代码使用了 OpenCV 库对一张彩色图像进行了灰度化和自适应阈值二值化处理，并显示了原始图像、灰度图像和二值化后的图像。以下是代码的详细说明：

导入必要的库：

import cv2 import os import numpy as np
- cv2：用于图像处理和显示。
- os：用于操作文件路径。
- numpy：用于数值计算。
获取当前文件的路径：

current_file_path = os.path.abspath(__file__) current_file_dir = os.path.dirname(current_file_path)

使用 os.path.abspath(__file__) 获取当前脚本文件的绝对路径，然后通过 os.path.dirname() 函数提取目录部分，并将结果存储在 current_file_dir 变量中。
读取图像：

img = cv2.imread(os.path.join(current_file_dir, 'Lena.jpg'))

使用 cv2.imread() 函数读取名为 ‘Lena.jpg’ 的彩色图像文件，并将其存储在名为 img 的变量中。
转换为灰度图像：

gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用 cv2.cvtColor() 函数将彩色图像 img 转换为灰度图像，并将结果存储在名为 gray_img 的变量中。
计算灰度直方图并归一化：

histogram = cv2.calcHist([gray_img], [0], None, [256], [0, 256]) histogram /= histogram.sum()

使用 cv2.calcHist() 函数计算灰度图像 gray_img 的直方图，并将结果存储在名为 histogram 的变量中。然后，将直方图归一化以便于后续计算。
初始化变量：

max_variance = 0 best_threshold = 0

初始化最大方差 max_variance 和最佳阈值 best_threshold。
遍历所有可能的阈值：

for threshold in range(256): ...

使用循环遍历所有可能的阈值，计算每个阈值对应的类别1和类别2的概率、均值和方差，并更新最大方差和最佳阈值。
使用最佳阈值进行二值化：

_, binary_img = cv2.threshold(gray_img, best_threshold, 255, cv2.THRESH_BINARY)

使用 cv2.threshold() 函数根据最佳阈值将灰度图像 gray_img 进行二值化处理，并将结果存储在名为 binary_img 的变量中。
显示图像：

cv2.imshow('Original Image', img) cv2.imshow('Gray Image', gray_img) cv2.imshow('Binary Image (Otsu)', binary_img)

使用 cv2.imshow() 函数显示原始图像、灰度图像和二值化后的图像。
等待按下任意键继续并关闭窗口：

cv2.waitKey(0) cv2.destroyAllWindows()

使用 cv2.waitKey(0) 函数等待用户按下任意键，然后使用 cv2.destroyAllWindows() 函数关闭所有打开的窗口。

这段代码演示了如何使用 OpenCV 对图像进行灰度化和自适应阈值二值化处理，并显示处理后的图像。

matlab版代码

这段 MATLAB 代码实现了以下功能：

读取名为 “Lena.jpg” 的彩色图像。
将彩色图像转换为灰度图像。
使用 Otsu 算法对灰度图像进行二值化处理，得到二值化图像。
在单个窗口中显示原始彩色图像、灰度图像和二值化图像，以便比较和分析图像处理的效果。

通过这段代码，可以轻松地了解图像处理中常用的 Otsu 二值化算法，并可视化其效果。

以下是代码的详细说明：

获取当前文件的路径：

current_file_path = mfilename('fullpath'); [current_file_dir, ~, ~] = fileparts(current_file_path); fprintf('current_file_dir: %s\n', current_file_dir);

使用 mfilename('fullpath') 函数获取当前脚本文件的完整路径，然后通过 fileparts() 函数提取目录部分，并将结果存储在 current_file_dir 变量中。
读取图片：

img = imread(fullfile(current_file_dir, 'Lena.jpg'));

使用 imread() 函数读取名为 ‘Lena.jpg’ 的彩色图像文件，并将其存储在名为 img 的变量中。fullfile() 函数用于生成文件的完整路径。
转换为灰度图像：

gray_img = rgb2gray(img);

使用 rgb2gray() 函数将彩色图像 img 转换为灰度图像，并将结果存储在名为 gray_img 的变量中。
使用 Otsu 算法进行图像二值化：

level = graythresh(gray_img); binary_img = imbinarize(gray_img, level);

使用 graythresh() 函数计算灰度图像 gray_img 的阈值，并将结果存储在名为 level 的变量中。然后，使用 imbinarize() 函数根据计算得到的阈值将灰度图像进行二值化处理，并将结果存储在名为 binary_img 的变量中。
显示图像：

subplot(1, 3, 1); imshow(img); title('Original Image'); subplot(1, 3, 2); imshow(gray_img); title('Gray Image');
subplot(1, 3, 3); imshow(binary_img); title('Binary Image (Otsu)');

使用 subplot() 函数将图像显示区域分为 1 行 3 列的子图区域，并分别在每个子图区域中使用 imshow() 函数显示原始图像、灰度图像和二值化后的图像。使用 title() 函数设置每个子图的标题。

FPGA工程分析

工程层次图

与demo18相比，只是多了一个img2rgb的模块，也就是下面这一段代码，在从SDRAM读出来之后，经它处理后再输出hdmi_tx模块。

img_rgb2gray2bin u_img_rgb2gray2bin
(
    .i_clk(clk_pixel),  
    .i_rst_n(sys_rst_n), 
    .i_hs(VGA_HS),     
    .i_vs(VGA_VS),     
    .i_de  (VGA_DE),         
    .i_vld(1'b1),
    .i_th(78), 
    .i_r(VGA_RGB[23:16]),
    .i_g(VGA_RGB[15:8] ),
    .i_b(VGA_RGB[7:0]  ),    
    .o_bin_hs(gray_hs),  
    .o_bin_vs(gray_vs),  
    .o_bin_de  (gray_de),
    .o_bin_data(gray_data)
);

模块代码分析

由于 Otsu 算法使用 Verilog 实现十分复杂，这些步骤在EG4上实现资源不太够，这里我们将直接指定阈值进行二值化。

模块的管脚定义注释比较清晰，如下

module img_rgb2gray2bin (
    input   wire                i_clk,      // 时钟信号
    input   wire                i_rst_n,    // 复位信号

    input   wire                i_vld,      // 有效信号
    input   wire    [7:0]       i_th,       // 阈值信号

    input   wire                i_hs,       // 水平同步信号
    input   wire                i_vs,       // 垂直同步信号
    input   wire    [7:0]       i_r,        // 红色通道信号
    input   wire    [7:0]       i_g,        // 绿色通道信号
    input   wire    [7:0]       i_b,        // 蓝色通道信号
    input   wire                i_de,       // 数据使能信号

    output  reg                 o_bin_hs,   // 二值化水平同步信号
    output  reg                 o_bin_vs,   // 二值化垂直同步信号
    output  reg                 o_bin_de,   // 二值化数据使能信号
    output  reg     [7:0]       o_bin_data  // 二值化图像数据信号
);

代码的流程比较简单先进行灰度转换

然后进行阈值比较