一种基于图像FFT的能见度检测算法
来源:用户上传
作者:
摘要：由于雾霾天气导致能见度降低给人们出行带来了极大的不便，该文采用了一种基于FFT的能见度检测方法，采用高清摄像机对在不同天气状况下的同一定点参照物进行拍摄，得到同一定点参照物在不同天气状况下的圖像进行图像处理与快速傅里叶变换。通过分析图像的频谱特征训练建立特征与能见度之间的函数模型，最终利用模型与待测图像进行能见度拟合得到能见度值。结果表明，该文中的能见度检测方法准确率优于其他方法，、
关键词：能见度;快速傅里叶变换;频域;卷积神经网络
中图分类号：TP3
文献标识码：A
文章编号：1009-3044（2019）36-0187-02
1概述
针对在当前能见度检测技术中，高成本，不方便，不易操作，不准确，而基于图像处理的能见度检测往往需要先求出消光系数再求能见度值，存在误差较大，算法复杂运算速度慢，对于突然的天气变化根本无法精确测量当前能见度等一系列问题[1]。本文基于视觉感知要素的能见度模式测量方法，在图像处理时应用数字信号处理中的FFT算法取得雾霾图像的频谱图，根据图像在有雾和无雾状态频谱高低频率分量的变化，选用卷积神经网络在Caffe深度学习平台上进行分类模型训练构建特征与能见度之间的函数模型进行能见度拟合。
2基于FFT的能见度检测
本文采用高清摄像机对同一个定点参照物在不同天气状况下进行拍摄。为了测量更准确的能见度值建立不同宽度的黑白相间的黑底镂空的条形表，这种黑白相间的条形表通过雕刻技术制作[2]。需将观测目标设置在野外为了防止不良天气及其他生物对观测目标的损害和尽量减少光的损耗所以观测目标采用有机玻璃板材料。通过高清摄像机获取到的黑白相间的黑底镂空条形表的图片后对图片进行图像预处理和快速傅里叶变换，并分析图片在不同天气状况下的高低频变化。
2.1快速傅里叶变换
快速傅里叶变换在保留了傅里叶变换的奇偶性、虚实性等特性的基础上，在离散傅里叶变换算法的基础上加以改进得到的英文简称FFTc3]。快速傅里叶变换的出现大幅度的简化了傅里叶变换算法，并且运算结果和傅里叶变换算法一样精确，傅里叶变换的出现使人们解决了时域上不能解决的问题，而快速傅里叶变换的出现简化了傅里叶变换的算法使得运算更加快捷方便[4]。
算法的复杂程度决定计算机的运行速度，因此选用快速傅里叶变换对图像进行处理大大提高了工作的效率。
本文共分为三个部分，一是对收集来的图像进行预处理使图像满足后面工作的基本要求，二是对进行预处理后的图像进行FFT变换，三是根据频率分量的幅度特征，选用最佳监督学习方式，建立特征与能见度之间的函数模型，利用模型对待测量图像进行能见度拟合，从而得到能见度值。
2.2图像预处理
图像预处理包括图像的灰度化处理、图像二值化、直方图、阈值分割、降噪平滑和感兴趣区域提取等步骤，本文对图像的预处理主要有对图像的灰度化处理、阈值分割处理、降噪平滑处理[5]。
2.2.1图像灰度化
彩色图像也叫三通道图像。要对彩色图像进行特征提取通过对三个通道的每一个通道逐个进行处理耗费的时间就会非常长，为了更方便更快捷达到对图像预处理的目的，我们可以将彩色图像灰度化。
在目前的图像处理中，加权平均法是最为常用的方法。为了保证在对图像进行预处理时尽可能地保证图像数据的完整性所以本文采用加权平均化对图片进行灰度化。由于拍摄的图像是黑底镂空的条纹表，这种参照板与其所处的环境会有明显的差异，将这样的图像进行灰度化处理图像数据会更加完整，精确度也会更高。虽然处理后灰度化图像与原图像差异较小，但是不会影响最终的频谱测量，对能见度检测也无太大影响。
加权平均法综合了最大值法、单分量法、平均值法为了体现特征分量的重要性再将分量进行加权计算。
2.2.2图像特征提取
本文采用阈值分割进行特征提取。阈值分割需要注意目标区域与目标区域所处的环境要有明显的差异，并且目标区域与目标区域所处的环境的灰度比较单一，同时可以得到连通且封闭图像边界。本文的参照物和参照物所处的环境很好地满足了阈值分割的条件。
将采集的图像灰度化后将像素点进行分类，根据目标区域的灰度值与目标区域所处的环境之间的差异设置阈值来进行区分得到二值化图像。
设f（x，y）为收集的图像，设置阈值T，则大于T的像素点区域和小于T的像素点区域。具体公式如式（1）所示：
将图中像素值大于阈值的像素点值都取为l，反之为0.为了简化实验的处理时间，采用了手动的选择阈值方法。
2.2.3图像降噪平滑处理
为了改善图像中存在的噪声和随机出现的噪声孔以及图像在经过阈值分割处理后边界出现的不平滑现象。可以利用形态学中连续的开运算以及闭运算改善这种状况，提高图像质量方便后续处理。开运算和闭运算主要包括腐蚀和膨胀它们可以去除图像边界向外扩张，填充目标物内部的噪声孔。
3基于图像FFT的能见度检测
在空域中气象能见度是人眼感知的图像高对比度区域它会受到周围临近区域的影响，设F为灰度函数，则两个相邻的像素p，q的归一化对比度定义如式（2）所示：
max（F（p），F（q））（2）
在频域中反应的是图像灰度变化的剧烈程度，图像突变部分体现在高频分量上，图像的整体部分体现在低频分量上。
对于任意一个尺寸MxN的图像，其数据是二维离散的则这个图像一定会存在离散的傅里叶变换如式（3）：
其中
（x，y）代表空域中图像的灰度函数，F（u，v）代表频域中的图像谱。通常F（u，v）是两个实频率变量u和v的复值函数，频率u代表x，频率v代表y。 为了增加灰度级细节，通常在显示之前进行对数变换处理。
图像经快速傅里叶变换后的频谱特征分布在圖像的角落，为了分析图像更方便我们把频谱图的原点平移到图像中间如图l所示。
3.1图像感兴趣区域提取
为了简化整个工作的复杂度我们对图像进行感兴趣区域提取（ROI）。因为能见度不同影响图像的高低频率不同所以对图像的提取方式也就不一样。本文依据频率分段叠加的方式对图像进行特征的提取。
对于高频分量的特征按照相邻三个区域的分量进行叠加，记做T，低频分量的特征取周围一个区域的分量的值，记做R，高频分量与低频分量中间的值取相邻两个分量的值做叠加，记做S。因为能见度不用所以能量会出现渐变的现象。
4分类识别
本文采用深度学习中的卷积神经网络并在Caffe深度学习平台上进行分类模型的训练。采用训练集和验证数据集两个数据集根据经验采用8：2的比例进行分配。根据国家规定的能见度等级要求将能见度分为5类。
根据上文图像FFT变换分析高低频分量在不同能见度下的变换所测得的能见度做好标签。
通过对图像进行快速傅里叶变换得到的能见度值与采用的卷积神经网络所得到的能见度值如表l所示。
用软件Matlab进行整个基于图像FFT变换的能见度检测程序的编写和仿真，采用三层和五层的卷积神经网络在Caffe深度学习平台上进行分类模型的训练，通过训练建立特征与能见度之间的函数模型，最终利用模型对待测量图像进行能见度拟合得到能见度值。
5结束语
本文的能见度检测是基于视觉感知要素的能见度模式测量方法，相对于传统能见度的测量方式更加直观，更容易人手操作。通过利用卷积神经网络在Caffe深度学习平台上进行分类模型的训练，通过训练建立特征与能见度之间的函数模型，最终利用模型对待测量图像进行能见度拟合得到能见度值，能见度误差大大减小，准确率优于其他能见度检测算法。
参考文献：
[1]孙慧洁.能见度测量仪器综述[J].气象水文海洋仪器，1994（1）：32-40.
[2]陈钊正，陈启美.基于摄像机自标定的视频对比度能见度检测算法与实现[J].电子与信息学报，2010，32（12）：92-98.
[3]许茜，殷绪成，李岩，等.基于图像理解的能见度测量方法[J].模式识别与人工智能.2013（6）：543-551.
[4]周洁.基于交通图像的能见度检测算法研究[J].自动化技术与应用，2017，36（10）：100-103.
[5]宋洪军，陈阳舟，郜园园.基于车道线检测与图像拐点的道路能见度估计[J].计算机应用，2012，32（12）：3397-3403.
【通联编辑：代影】
收稿日期：2019-08-23
作者简介：赵晓东，男，河北科技大学副教授，博士，主要从事信号检测、自动控制与计算机技术研究工作;王慧赢（1992-），女（满族），
河北承德人，河北科技大学，硕士研究生，主要研究方向为电子与通信工程。
转载注明来源:https://www.xzbu.com/8/view-15123539.htm
