如何减少图像中的噪声,以免影响从服务器传递到客户端的值

时间:2012-09-26 15:19:35

标签: python nxt

使用连接到相机的服务器来检测球和机器人的位置。当客户请求球和机器人的坐标时,由于图像的噪声,传递的坐标值在+ 2 / -2变化。无论如何要解决它,因为我想要一个绝对值,因为我会根据更改的值调用一个方法,并且如果每次运行时它会导致程序中的错误值继续变化

client_socket = socket.socket(socket.AF_INET, socket.SOCK_STREAM)
client_socket.connect(('59.191.193.42',5555))

def updateBallx(valueList):
# updates red ball x-axis position
ballx = int(valueList[8])
return ballx

def updateBally(valueList):
    # updates red ball y-axis position
    bally = int(valueList[9])
    return bally

def updateRobotx(valueList):
    # updates robot x-axis position
    robotx = int(valueList[12])
    return robotx

def updateRoboty(valueList):
    # updates robot x-axis position
    roboty = int(valueList[13])
    return roboty

def updateRobota(valueList):
    # updates robot angle position
    robota = int(valueList[14])
    return robota

def activate():

new_x = 413 #updateBallx(valueList)
print new_x
new_y = 351 #updateBally(valueList)
print new_y
old_x = 309 #updateRobotx(valueList)
print old_x 
old_y = 261 #updateRoboty(valueList)
print old_y
angle = 360 #updateRobota(valueList)
print angle

turn_to(brick,new_x, new_y, old_x, old_y, angle)
move_to(brick,new_x, new_y, old_x, old_y)

screenw = 0
screenh = 0
old_valueList = []
while 1:
    client_socket.send("loc\n")
    data = client_socket.recv(8192)
    valueList = data.split()

    if (not(valueList[-1] == "eom" and valueList[0] == "start")):
        #print "continuing.."
            continue

        if(screenw != int(valueList[2])):
            screenw = int(valueList[2])
            screenh = int(valueList[3])
    if valueList != old_valueList:
        activate(valueList)
    old_valueList = valueList[:]

1 个答案:

答案 0 :(得分:0)

所以重新解释一下你的问题:你有一个动态系统,你只有嘈杂的观测值,你想在使用状态信息进行进一步处理之前,从嘈杂的观测中推断出系统的真实状态?我理解你了吗?

如果我这样做,那么你想要的是某种时间过滤。您可以在服务器端或客户端上执行此操作。

最简单的方法是在多个连续帧中运行移动平均值(如果不采样等距帧,则为一些短时间窗口)。但是,只有当您进行平均的时间窗口比系统的动态(例如机器人和球的运动速度)短得多时,这才有效。如果没有,你会模糊一些实际的动作,这可能是一个坏主意。

你可以尝试的更复杂的是卡尔曼滤波器。如果你谷歌,你可以找到很多教程。 Scipy为它提供了库http://www.scipy.org/Cookbook/KalmanFiltering

更复杂的是粒子滤波器。考虑到你的简单2D问题我不建议使用它,因为它只有太多的参数来调整。