基于以上普通模糊增强算法的缺点，我们将普通的模糊增强算法改进为一种分块自适应的模糊增强算法。
由于图像中灰度值分布不均匀，中间较亮的部分和两边较暗的部分相差很大，一个阈值不能适用于整幅图像，需要针对图像的不同区域选取不一样的参数值。
将图像分成很多块，得到每一块的所有像素点的平均值作为中间值，大于这个中间值的则放大，小于这个中间值的则缩小。
算法原理如下：            (4)
其中 是某一块区域中所有像素点的均值。
图9 分块模糊增强
如图9所示，行道线得到了明显的增强，和背景的区分度变得明显。但是，由于路面部分灰度值分布均匀，均得到了增强，另外分块也会使图像产生大量的干扰，使图像信息变得复杂，因此未采用此方法。
3  夜间行道线检测系统
经过预处理之后的灰度图，噪声干扰大为减少。本文采用的是一种基于中间两侧差的行道线检测方法，将行道线上的有效点检测出来后，生成二值图，使用Hilditch细化算法进行细化，最后使用基于Hough变换的直线提取方法，返回极坐标下直线的参数。
3．1  行道线检测算法
对于行道线检测，存在很多不同的方法，有基于顶帽变换的检测方法，也有基于Prewitt算子的行道线边缘检测方法，经过多种方法的实验对比，本文选用的是一种基于中间两侧差的直接行道线有效点检测方法。
3．1．1  基于高帽变换的行道线检测算法
数学形态学是一种高效的处理图像的数学工具，膨胀，腐蚀、开和闭是数学形态学的四个基本算子，基于这四个算子可以组合出无限个图像处理算法。
下面给出这四个基本算子的定义：
                                （5）
其中 为图像中每一个像素点，D为像素单位， ， ， ， 分别为对图像进行膨胀，腐蚀，开和闭运算。开算子是对图像先腐蚀后膨胀，可以移除比结构元素小的亮特征，所以原始图像减去开运算得到的图像，能够提取原始图像中的亮特征，称为白高帽算子。相反，闭算子是对图像先膨胀后腐蚀，可以移除比结构元素小的暗特征，所以闭运算得到的图像减去原始图像，能够提取原始图像中的暗特征，称为黑高帽算子。原始图像加上白高帽可以增强图像的亮特征，再减去黑高帽可以增强图像的暗特征，从而增加图像的对比度。
这里使用的是白高帽算子，即对图像先腐蚀后膨胀，移除较亮的行道线信息，然后用原始图像减去开运算得到的图像，就能够提取出行道线信息。
     图10 9×9最小值滤波                          图11 5×5最大值滤波
    图12 两倍原图像减去开运算              图13 用基于中间两侧差的方法检测行道线
如上图10所示，先对图像进行9×9的最小值滤波，原图中的行道线被完全腐蚀。然后对腐蚀后的图像进行5×5的最大值滤波，如图11所示，恢复了原图像的亮度，但是行道线没有被恢复。用两倍的原图像减去开运算的结果，即原图像加上白高帽的结果，得到图12。如图12所示，原图的背景即路面被减弱，行道线得到了加强。
在查看图像各处灰度值之后，原来图像中较亮的行道线与背景的分离度增强了，行道线更易识别。但是同时也增加了本没有的干扰信息，这一点可以从图13中看出。图13为对图12进行行道线有效点检测的结果。图像显示，识别出行道线有效点的同时，产生了很多的噪声点，对直线提取有很大的干扰。与直接使用基于中间两侧差的行道线检测方法相比，该算法干扰更大，运算开销更大，因此未采用。 智能车辆在夜晚城市道路上的视觉导航方法研究(4):http://www.youerw.com/jisuanji/lunwen_6132.html