删除|图像数据的特征工程( 三 ) 自动驾驶汽车|Python

使用灰度或者RGB的通道选择，就需要考虑是否要从图像中删除了重要信息。但是对于本文中的轨道示例，轨道是橙色的，所以没有问题，轨迹的颜色有助于将其与图像的其他部分区分开来。这也是在实际应用是需要考虑的。
Intensity threshold
使用灰度化，每个像素的值将在0到255之间。我们可以通过将输入转换为二进制值来进一步简化输入。如果灰度值高于一个阈值，像素值为1 ，否则为0 。我们称之为强度阈值。
下面的函数用于应用该阈值。首先对图像进行灰度化(第5行) 。如果像素高于阈值，那么它将被设置成1000(第8行) 。如果像素值低于阈值将被设置为0(第9行) 。最后还将再次缩放所有像素，使它们的值为0或1(第11行) 。
自动驾驶汽车项目的一部分是为了避开障碍物。在图7中，可以看到如何应用强度阈值函数，我们可以将这个黑色的罐头障碍物从图像中分隔离出来。

这里的截断值可以看作是一个超参数。更大的截断意味着我们包含更少的背景噪声。但是缺点是我们捕获的范围更小。
Edge detection
如果想分离轨道，可以用更精细边缘检测方法。这是一种用于检测图像边缘的多级算法。
这里我们使用cv2.Canny()函数应用该算法。其中threshold1和threshold2为滞回过程参数。这是边缘检测算法的最后一个过程，用于确定哪些线是真正的边。
#Apply canny edge detection
edge_img = cv2.Canny(imgthreshold1 = 50 threshold2 = 80)
就像强度阈值一样，我们留下了一个二进制映射-白色表示边，黑色表示其他。这条轨迹现在更容易与图像的其他部分区分开来。但是可以看到背景中的边缘也被检测到了。

Colour filter
如果我们用像素颜色来隔离轨迹，可能会有更好的结果。使用下面的pixel_filter函数来做到这一点。 cv2.inRange()将图像转换为二进制映射(第10行) 。这个函数检查像素是否在lower(第5行)和upper(第6行)列表给出的范围内。具体来说，每个RGB通道必须在各自的范围内(例如134-t≤R≤194+t) 。
def pixel_filter(img t=0):

\"\"\"Filter pixels within range\"\"\"

lower = [134-t84-t55-t

upper = [192+t121+t101+t

img = np.array(img)
orange_thresh = 255 - cv2.inRange(img np.array(lower) np.array(upper))

return orange_thresh
简单来说，该函数确定像素颜色是否与轨道的橙色足够接近。可以在图9中看到结果。参数t引入了一些灵活性。使用更高的值可以捕获更多的轨道，但会保留更多的噪音。这是因为背景中的像素也会落在这个范围内。

我们从哪里得到下界和上界呢？也就是说我们怎么知道会落在[1348455
和[192121101
之间?如果你有兴趣，我们将在后面的文章中解释。
在图10中，可以看到正在运行的选择器。从多个图像中选择像素，并尝试在轨道上的不同位置选择它们。这样我们就能在不同的条件下得到完整的像素值。

我们一共选了60种颜色。可以在图11中看到所有这些。所有这些颜色的RGB通道存储在一个列表变量-“colours”中。

最后，我们为每个RGB通道取最小值和最大值。这就给出了下界和上界。
lower = [min(x[0
for x in colours)
min(x[1
for x in colours)
min(x[2
for x in colours)

upper = [max(x[0
for x in colours)
max(x[1