梯度：

之前前言裡的邊界檢測能檢測到很多邊界，不僅是道路線的還包括了各種景物，車，路標等干擾因素。

但是我們知道我們要找的道路線應該是相對比較垂直於路面的，所以我們可以把找到的線和圖片的x軸和y軸再計算梯度。

索貝爾運算元（Sobel Operator）：

　　兩個大於等於3並且大小為奇數的方形矩陣，用和影象的乘積來判斷在矩陣範圍內，影象的顏色在x軸和y軸方向上的變化大小。

　　如果結果矩陣各數值之和為0說明影象顏色在該軸上沒有變化。

　　預設的運算元矩陣大小（kernel size）是3，如果加大的話可以平滑一些無用的強烈梯度。

有用的函式：

　　gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)

　　注：如果是用mpimg.imread()讀的圖片那麼用cv2.COLOR_RGB2GRAY，如果用cv2.imread()讀的圖片那麼用cv2.COLOR_BGR2GRAY。

　　在x和y方向上的梯度：

　　　　sobelx = cv2.Sobel(gray, cv2.CV_64F, 1, 0, ksize=sobel_kernel)

　　　　sobely = cv2.Sobel(gray, cv2.CV_64F, 0, 1, ksize=sobel_kernel)

　　abs_sobelx = np.absolute(sobelx)

　　scaled_sobel = np.uint8(255*abs_sobelx/np.max(abs_sobelx)) （注：這雖然不是必須的但是統一規格有助於以後統一閾值）

　　thresh_min = 20

　　thresh_max = 100

　　sbinary = np.zeros_like(scaled_sobel)

　　sbinary[(scaled_sobel >= thresh_min) & (scaled_sobel <= thresh_max)] = 1

　　plt.imshow(sxbinary, cmap='gray')

由實驗可知，道路線會在x軸梯度上更明顯，但是y軸梯度上也能看到。

梯度的大小（絕對值）可通過梯度的平方開根號得到。如果是計算兩軸的梯度大小，那麼就是梯度平方和開根號。

梯度的方向就是arctan(sobely/sobelx)，理論上計算結果的範圍在+/−π之間，但是由於sobelx會被取絕對值所以結果會在+/−π/2之間。

程式碼中用np.arctan2().

將梯度大小，兩軸梯度大小和方向的閾值結合，調整引數至可以檢測出道路線

顏色空間：

前面我們將圖片轉化為灰度圖之後損失了顏色資訊，有時候這可能會讓我們更難分辨出道路線（如黃色的線變成灰度之後顏色會和灰色的道路很接近），所以我們需要顏色空間為我們提供更多的資訊。

除了RGB之外，還有HSV (hue色相, saturation飽和度, value明度) 和HLS (hue色相, lightness亮度, saturation飽和度) 顏色空間。

色相指的是和亮度無關的顏色，也就是說往該顏色上加黑色或者白色，將顏色變得更深或者更淺，對色相是沒有影響的。

明度和亮度都是用來表示顏色的明暗或者深淺。

飽和度指的是顏色的鮮豔程度，比如和白色更接近的顏色飽和度更低，和亮紅，亮黃，亮藍接近的顏色飽和度高。

這些顏色的表達方法是通過人類視覺感知或者是為了電視視訊/電腦影象的顯示而被開發出來的。

有用的函式：

　　hls = cv2.cvtColor(im, cv2.COLOR_RGB2HLS) （這裡順便會把RGB值轉化為0-1之間的值）


也可以使用純數學的方法完成轉換，要知道的是RGB值，算出其中最大的值（Vmax = max(R,G,B)）和最小的值（Vmin = min(R,G,B)）之後進行一系列運算。

通過比較用顏色值的閾值（分0,1）提取R，G，B，灰度圖，H，L，S圖中的道路線，會發現S圖出的效果最好，而且穩定性也好（不會因為光線影響結果）。

但是R圖在白線的處理上可能比S圖的結果還好，所以可以考慮結合各種影象的閾值得到一個穩定的結果。