本發明涉及領域，具體涉及一種sobel與閾值相融合的邊緣檢測方法。
背景技術：
sobel算法，計算機視覺領域的一種重要處理方法，主要用于獲取數字圖像的一階梯度。以將要處理像素為中心，對其的鄰域作為進行灰度分析，實現了對圖像邊緣的提取，并且具有所得的邊緣光滑、連續的優點。soble算子的缺點是處理速度慢，難以滿足快速行駛的智能車系統。閾值分割，特別是經過各種改進后的閾值分割在理想的直線賽道上可以得到很好的提取效果，但閾值分割在各種復雜賽道，像十字交叉路口、直角彎、回旋彎等賽道類型的處理中，往往會丟失賽道信息，造成賽道判決延時或出錯。
技術實現要素：
本發明要解決的技術問題是提供一種sobel與閾值相融合的邊緣檢測方法。
sobel與閾值相融合的邊緣檢測方法，包括以下步驟：
s1：在圖像的開始時用閾值分割，當在某行閾值找不到分割值時，如果連續三行都找不到分割點，則切換到sobel分割；
s2：然后再對sobel算子提取的邊緣進行判決，對邊緣求導，當其斜率大于一定值，認為已可以用閾值分割了，則切換回閾值分割，完整提取出道路邊緣。
進一步的，閾值分割的具體步驟如下：
1）設f(x,y)為圖像灰度函數，g(x,y)為黑白像素點判定函數，則：
設定一個閾值t，用t將黑白跑道圖像的灰度值分成兩部分：大于或等于t的像素標記為白色，小于t的像素標記為黑色；
2）融入濾波，則有：
3）設h(x,y)為邊緣函數，并且h(x,y)為1時代表左邊緣，為-1時代表右邊緣，則：
運用上式可得到提取出的道路邊緣。
本發明的有益效果是：
本發明提出的sobel算子與閾值分割相結合的邊緣提取算法，融合了前兩個算法了優點，彌補了各自的缺點，其不但處理時間快，而且能夠準確、完整地提取出道路邊緣，為速度控制方面提供了準確的依據，在智能車的運用上有著極大的優勢。
具體實施方式
以下具體實施例對本發明作進一步闡述，但不作為對本發明的限定。
sobel與閾值相融合的邊緣檢測方法，包括以下步驟：
s1：在圖像的開始時用閾值分割，當在某行閾值找不到分割值時，如果連續三行都找不到分割點，則切換到sobel分割；
s2：然后再對sobel算子提取的邊緣進行判決，對邊緣求導，當其斜率大于一定值，認為已可以用閾值分割了，則切換回閾值分割，完整提取出道路邊緣。
閾值分割的具體步驟如下：
1）設f(x,y)為圖像灰度函數，g(x,y)為黑白像素點判定函數，則：
設定一個閾值t，用t將黑白跑道圖像的灰度值分成兩部分：大于或等于t的像素標記為白色，小于t的像素標記為黑色；
2）融入濾波，則有：
3）設h(x,y)為邊緣函數，并且h(x,y)為1時代表左邊緣，為-1時代表右邊緣，則：
運用上式可得到提取出的道路邊緣。