本期核心：灰度图像怎么变成车能用的信息？二值化、噪声滤波、左右边线提取、跳跃触发识别、视觉偏航修正——一帧 120×188 的图像，如何驱动偏航控制。
1. 先想清楚：摄像头能给我们什么
摄像头在车上的角色是**“眼睛”——提供 GPS 给不了的局部、高精度**信息：
- GPS 精度是米级，赛道线是厘米级——循线必须靠视觉；
- 跳跃台阶的位置，也要靠视觉提前发现。
但摄像头给的是一帧灰度图像，不是"线在哪"。中间要经过一条完整的图像处理流水线：
原始灰度 → 二值化 → 噪声滤波 → 逐行边线扫描 → 中线提取 → 偏差→偏航修正这套流水线在main.c里由三个函数接力完成：
if(camera_driver_frame_ready()){constuint8_t*raw=camera_driver_get_image();image_binarize(image_bin,(constuint8_t(*)[188])raw,car.img_threshold);/* 二值化 */image_noise_filter(image_bin);/* 去噪 */track_detect_process(&car,image_bin);/* 提取边线 */camera_driver_clear_flag();}三个函数，一帧图，各干一件事。每帧图像只在主循环处理，不阻塞 1ms 控制中断——实时性由调度保证（第1期讲过）。
2. 第一步：二值化 —— 把灰度变成黑白
原始图像每个像素是 0~255 的灰度。循线场景下，我们只关心"是白还是黑"（白 = 赛道，黑 = 背景）。于是设定一个阈值：
voidimage_binarize(uint8_tout[120][188],constuint8_tin[120][188],intthreshold){for(inti=0;i<CAMERA_H;i++){for(intj=0;j<CAMERA_W;j++){out[i][j]=(in[i][j]>=threshold)?IMG_WHITE:IMG_BLACK;}}}就这么简单：>= 阈值 → 白，否则 → 黑。全图遍历一遍，O(H×W)。
阈值本身就是个可调参数（car.img_threshold），存进 Flash、可以在菜单里调、开机从 Flash 读回（第4期讲过）。
二值化的意义：把 256 级灰度的浮云变成"是/否"的布尔判断，后面所有算法瞬间变简单。
3. 第二步：噪声滤波 —— 3×3 邻域投票
摄像头画质不完美，图像里有椒盐噪声（孤立的黑白点）。用 3×3 邻域"投票"滤掉：
voidimage_noise_filter(uint8_timg[120][188]){for(inti=1;i<CAMERA_H-1;i++){for(intj=1;j<CAMERA_W-1;j++){/* 统计 8 邻域 + 自身的白色点数 */uint8_twc=0;wc+=(img[i-1][j-1]==IMG_WHITE);.../* 8 邻域 */wc+=(img[i][j]==IMG_WHITE);if(img[i][j]==IMG_WHITE&&wc<=2)img[i][j]=IMG_BLACK;/* 孤立白点→黑 */elseif(img[i][j]==IMG_BLACK&&wc>=6)img[i][j]=IMG_WHITE;/* 孤立黑点→白 */}}}思路：看邻居投票。一个白点周围全是黑的，说明它是噪声，翻成黑；反过来黑点周围一片白，翻成白。
这是最朴素的滤波：O(H×W×8)，简单可靠。真正复杂的场景才需要中值/均值/形态学，循线这种对比度高的图，投票法够了。
4. 第三步：逐行边线扫描 —— 从图像里"抠"出赛道边界
这是视觉模块的核心。思路是从下往上逐行扫描，每行在左右方向上找"黑白跳变点"：
intstart_x=CAMERA_W/2;for(inti=CAMERA_H-1;i>=0;i--){/* 从图像底部往上扫 */intraw_left=0,raw_right=CAMERA_W-1;if(img[i][start_x]==IMG_BLACK)start_x=CAMERA_W/2;for(intj=start_x;j>=0;j--)/* 向左找第一个黑点 */if(img[i][j]==IMG_BLACK){raw_left=j;break;}for(intj=start_x;j<CAMERA_W;j++)/* 向右找第一个黑点 */if(img[i][j]==IMG_BLACK){raw_right=j;break;}/* 宽度约束：上一行知道赛道多宽，这行偏差过大就矫正 */intpw=s->right_line[i+1]-s->left_line[i+1];if(rji>5&&lji<5)raw_right=raw_left+pw;/* 右边界缺失→按宽度补 */...s->left_line[i]=raw_left;s->right_line[i]=raw_right;s->center_line[i]=(raw_left+raw_right)/2;start_x=s->center_line[i];/* 下一行从本行中线附近开始搜 */}三个关键工程细节
- 从下往上：图像底部离车最近、最可靠，先扫出底部中线，作为上面行的起始搜索点；
- 宽度约束：如果这一行只找到一个边，就用上一行的赛道宽度补出另一边——防止断线导致边线突变；
- 逐行推进：每行用上一行的中线作为起点往左右找，"路径连续性"让扫描又快又稳。
这套"从底部往上、宽度约束、连续推进"的扫描策略，是所有循线算法的基础套路。你的项目可以照抄这套骨架，换成别的摄像头、别的赛道也一样。
5. 第四步：中线偏差 → 视觉偏航修正
拿到每行的左右边线，就能算中线。中线偏离图像中心多少，就是车"偏了"多少：
/* 取有效区段（剔除底部遮挡/顶部噪声） */for(inti=CAMERA_H-1-IGNORE_BOTTOM_ROWS;i>=30;i--){if((right_line[i]-left_line[i])>MIN_VALID_WIDTH){if(valid_bottom==-1)valid_bottom=i;valid_top=i;}}if(valid_bottom!=-1&&(valid_bottom-valid_top)>10){/* 取约 40% 高度处的中线做误差 */intlar=valid_top+(int)((valid_bottom-valid_top)*0.4f);floatavg=5行中线平均;/* 抗噪 */floaterror=avg-(CAMERA_W/2);/* 中线 vs 图像中心 *//* PD 修正量，叠加到目标偏航 */s->vision_yaw_correction=-(KP_YAW_VISION*error+KD_YAW_VISION*(error-last_err));last_err=error;}else{s->vision_yaw_correction=0.0f;/* 看不到线，修正归零 */}这里的精髓
- 只用 40% 高度、5 行平均：不用整幅图像，取"代表性的一行"做误差——用局部信息代表全局，省算力还抗噪；
- PD 修正：比例项快速跟线，微分项抑制左右摆；
- 看不线就归零：摄像头丢线时（进入跳跃/出界）修正量为 0，不会把车带偏。
6. 视觉和 GPS 怎么配合：修正量叠加
关键问题：视觉循线和 GPS 路径跟踪会不会打架？
答案在balance.c的目标偏航合成里——视觉修正量是叠加上去的：
floatcur_yaw=s->yaw+s->gps_yaw_bias;floattarget=normalize_deg(s->target_yaw+s->vision_yaw_correction);floatyaw_err=normalize_deg(cur_yaw-target);PID_Calc(&s->pid_yaw,yaw_err,0);最终目标偏航 = GPS路径的目标偏航 + 视觉偏航修正量设计思路：GPS 管"宏观方向"（走哪条路），视觉管"微观纠偏"（贴哪条线）。视觉修正量是一个小量，叠加在 GPS 目标上做局部微调，两者不冲突。
这就是多传感器融合最简单的形态：“主从叠加”。主源定方向，从源做修正。不用卡尔曼也能让两个传感器协同工作。
7. 视觉的另一个任务：跳跃触发识别
摄像头不只是循线，还负责在跳跃任务里识别台阶/障碍，触发跳跃（第3期讲过跳跃状态机）。
voidtrack_detect_process(CarState_t*s,constuint8_timg[120][188]){if(s->task_flag==1){if(s->jump_cnt==0||s->jump_cnt==2){/* 在图像中下方找"白块"（台阶/路障）底部 */for(inti=CAMERA_H-5;i>=0;i--){...统计中线附近白色像素数...if(wc>=MIN_STEP_WIDTH){step_bottom_y=i;break;}}}elseif(s->jump_cnt==1){/* 找黑块（跃过障碍后的路面） */...}/* 触发条件：台阶高度到达阈值行，或累计行驶距离到阈值 */if(s->jump_cnt==0&&step_bottom_y>=s->jump_trigger_row_1)s->jump_flag=1;elseif(s->jump_cnt==1&&s->all_distance>=s->jump_distance_1)s->jump_flag=1;elseif(s->jump_cnt==2&&s->all_distance>=s->jump_distance_2)s->jump_flag=1;}...}触发跳跃的组合判据：
- 视觉判据：台阶的"行位置"（越往下越近）到达
jump_trigger_row阈值； - 里程判据：累计行驶距离
all_distance到达jump_distance阈值（用于后续跳跃的等间距触发）。
视觉 + 里程双判据，互为冗余、互相兜底——一个判据丢失，另一个还能触发。这是"传感器冗余"的简单实践。
8. 完整视觉流水线回顾
原始灰度帧 │ 二值化（阈值可调） ▼ 黑白图像 │ 3×3 投票去噪 ▼ 干净二值图 │ 从底部向上逐行扫描（宽度约束） ▼ 左右边线 → 中线 │ ├──▶ 视觉偏航修正 ──叠加──▶ 目标偏航（贴线） └──▶ 台阶检测 ──▶ jump_flag（跳跃触发）每一步都是"图进图出/图进数出"的纯函数，可以单独调试、单独可视化。
9. 本期小结
- 二值化：阈值切分，灰度变黑白；
- 投票滤波：3×3 邻域去椒盐噪声；
- 边线扫描：从底部往上、宽度约束、连续推进；
- 中线偏差 → PD 修正：40% 高度 + 5 行平均，丢线归零；
- 视觉 + GPS 叠加：GPS 定方向，视觉做微调；
- 视觉 + 里程双判据：跳跃触发互为冗余。
10. 下期预告
算法闭环基本齐了，最后一期讲人机交互与调参经验：
LoRa 遥控的摇杆映射、按键/菜单系统怎么设计，以及整套系统在实车调试时踩过的坑和心得。
欢迎关注，持续连载中。
