一種基于圖像FFT的能見(jiàn)度檢測(cè)算法

趙曉東 王慧贏

摘要：由于霧霾天氣導(dǎo)致能見(jiàn)度降低給人們出行帶來(lái)了極大的不便，該文采用了一種基于FFT的能見(jiàn)度檢測(cè)方法，采用高清攝像機(jī)對(duì)在不同天氣狀況下的同一定點(diǎn)參照物進(jìn)行拍攝，得到同一定點(diǎn)參照物在不同天氣狀況下的圖像進(jìn)行圖像處理與快速傅里葉變換。通過(guò)分析圖像的頻譜特征訓(xùn)練建立特征與能見(jiàn)度之間的函數(shù)模型，最終利用模型與待測(cè)圖像進(jìn)行能見(jiàn)度擬合得到能見(jiàn)度值。結(jié)果表明，該文中的能見(jiàn)度檢測(cè)方法準(zhǔn)確率優(yōu)于其他方法，、

關(guān)鍵詞：能見(jiàn)度;快速傅里葉變換;頻域;卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）36-0187-02

1概述

針對(duì)在當(dāng)前能見(jiàn)度檢測(cè)技術(shù)中，高成本，不方便，不易操作，不準(zhǔn)確，而基于圖像處理的能見(jiàn)度檢測(cè)往往需要先求出消光系數(shù)再求能見(jiàn)度值，存在誤差較大，算法復(fù)雜運(yùn)算速度慢，對(duì)于突然的天氣變化根本無(wú)法精確測(cè)量當(dāng)前能見(jiàn)度等一系列問(wèn)題[1]。本文基于視覺(jué)感知要素的能見(jiàn)度模式測(cè)量方法，在圖像處理時(shí)應(yīng)用數(shù)字信號(hào)處理中的FFT算法取得霧霾圖像的頻譜圖，根據(jù)圖像在有霧和無(wú)霧狀態(tài)頻譜高低頻率分量的變化，選用卷積神經(jīng)網(wǎng)絡(luò)在Caffe深度學(xué)習(xí)平臺(tái)上進(jìn)行分類模型訓(xùn)練構(gòu)建特征與能見(jiàn)度之間的函數(shù)模型進(jìn)行能見(jiàn)度擬合。

2基于FFT的能見(jiàn)度檢測(cè)

本文采用高清攝像機(jī)對(duì)同一個(gè)定點(diǎn)參照物在不同天氣狀況下進(jìn)行拍攝。為了測(cè)量更準(zhǔn)確的能見(jiàn)度值建立不同寬度的黑白相間的黑底鏤空的條形表，這種黑白相間的條形表通過(guò)雕刻技術(shù)制作[2]。需將觀測(cè)目標(biāo)設(shè)置在野外為了防止不良天氣及其他生物對(duì)觀測(cè)目標(biāo)的損害和盡量減少光的損耗所以觀測(cè)目標(biāo)采用有機(jī)玻璃板材料。通過(guò)高清攝像機(jī)獲取到的黑白相間的黑底鏤空條形表的圖片后對(duì)圖片進(jìn)行圖像預(yù)處理和快速傅里葉變換，并分析圖片在不同天氣狀況下的高低頻變化。

2.1快速傅里葉變換

快速傅里葉變換在保留了傅里葉變換的奇偶性、虛實(shí)性等特性的基礎(chǔ)上，在離散傅里葉變換算法的基礎(chǔ)上加以改進(jìn)得到的英文簡(jiǎn)稱FFTc3]。快速傅里葉變換的出現(xiàn)大幅度的簡(jiǎn)化了傅里葉變換算法，并且運(yùn)算結(jié)果和傅里葉變換算法一樣精確，傅里葉變換的出現(xiàn)使人們解決了時(shí)域上不能解決的問(wèn)題，而快速傅里葉變換的出現(xiàn)簡(jiǎn)化了傅里葉變換的算法使得運(yùn)算更加快捷方便[4]。

算法的復(fù)雜程度決定計(jì)算機(jī)的運(yùn)行速度，因此選用快速傅里葉變換對(duì)圖像進(jìn)行處理大大提高了工作的效率。

本文共分為三個(gè)部分，一是對(duì)收集來(lái)的圖像進(jìn)行預(yù)處理使圖像滿足后面工作的基本要求，二是對(duì)進(jìn)行預(yù)處理后的圖像進(jìn)行FFT變換，三是根據(jù)頻率分量的幅度特征，選用最佳監(jiān)督學(xué)習(xí)方式，建立特征與能見(jiàn)度之間的函數(shù)模型，利用模型對(duì)待測(cè)量圖像進(jìn)行能見(jiàn)度擬合，從而得到能見(jiàn)度值。

2.2圖像預(yù)處理

圖像預(yù)處理包括圖像的灰度化處理、圖像二值化、直方圖、閾值分割、降噪平滑和感興趣區(qū)域提取等步驟，本文對(duì)圖像的預(yù)處理主要有對(duì)圖像的灰度化處理、閾值分割處理、降噪平滑處理[5]。

2.2.1圖像灰度化

彩色圖像也叫三通道圖像。要對(duì)彩色圖像進(jìn)行特征提取通過(guò)對(duì)三個(gè)通道的每一個(gè)通道逐個(gè)進(jìn)行處理耗費(fèi)的時(shí)間就會(huì)非常長(zhǎng)，為了更方便更快捷達(dá)到對(duì)圖像預(yù)處理的目的，我們可以將彩色圖像灰度化。

在目前的圖像處理中，加權(quán)平均法是最為常用的方法。為了保證在對(duì)圖像進(jìn)行預(yù)處理時(shí)盡可能地保證圖像數(shù)據(jù)的完整性所以本文采用加權(quán)平均化對(duì)圖片進(jìn)行灰度化。由于拍攝的圖像是黑底鏤空的條紋表，這種參照板與其所處的環(huán)境會(huì)有明顯的差異，將這樣的圖像進(jìn)行灰度化處理圖像數(shù)據(jù)會(huì)更加完整，精確度也會(huì)更高。雖然處理后灰度化圖像與原圖像差異較小，但是不會(huì)影響最終的頻譜測(cè)量，對(duì)能見(jiàn)度檢測(cè)也無(wú)太大影響。

加權(quán)平均法綜合了最大值法、單分量法、平均值法為了體現(xiàn)特征分量的重要性再將分量進(jìn)行加權(quán)計(jì)算。

2.2.2圖像特征提取

本文采用閾值分割進(jìn)行特征提取。閾值分割需要注意目標(biāo)區(qū)域與目標(biāo)區(qū)域所處的環(huán)境要有明顯的差異，并且目標(biāo)區(qū)域與目標(biāo)區(qū)域所處的環(huán)境的灰度比較單一，同時(shí)可以得到連通且封閉圖像邊界。本文的參照物和參照物所處的環(huán)境很好地滿足了閾值分割的條件。

將采集的圖像灰度化后將像素點(diǎn)進(jìn)行分類，根據(jù)目標(biāo)區(qū)域的灰度值與目標(biāo)區(qū)域所處的環(huán)境之間的差異設(shè)置閾值來(lái)進(jìn)行區(qū)分得到二值化圖像。

設(shè)f（x，y）為收集的圖像，設(shè)置閾值T，則大于T的像素點(diǎn)區(qū)域和小于T的像素點(diǎn)區(qū)域。具體公式如式（1）所示：

將圖中像素值大于閾值的像素點(diǎn)值都取為l，反之為0.為了簡(jiǎn)化實(shí)驗(yàn)的處理時(shí)間，采用了手動(dòng)的選擇閾值方法。

2.2.3圖像降噪平滑處理

為了改善圖像中存在的噪聲和隨機(jī)出現(xiàn)的噪聲孔以及圖像在經(jīng)過(guò)閾值分割處理后邊界出現(xiàn)的不平滑現(xiàn)象?？梢岳眯螒B(tài)學(xué)中連續(xù)的開(kāi)運(yùn)算以及閉運(yùn)算改善這種狀況，提高圖像質(zhì)量方便后續(xù)處理。開(kāi)運(yùn)算和閉運(yùn)算主要包括腐蝕和膨脹它們可以去除圖像邊界向外擴(kuò)張，填充目標(biāo)物內(nèi)部的噪聲孔。

3基于圖像FFT的能見(jiàn)度檢測(cè)

在空域中氣象能見(jiàn)度是人眼感知的圖像高對(duì)比度區(qū)域它會(huì)受到周圍臨近區(qū)域的影響，設(shè)F為灰度函數(shù)，則兩個(gè)相鄰的像素p，q的歸一化對(duì)比度定義如式（2）所示：

max（F（p），F(xiàn)（q））（2）

在頻域中反應(yīng)的是圖像灰度變化的劇烈程度，圖像突變部分體現(xiàn)在高頻分量上，圖像的整體部分體現(xiàn)在低頻分量上。

對(duì)于任意一個(gè)尺寸MxN的圖像，其數(shù)據(jù)是二維離散的則這個(gè)圖像一定會(huì)存在離散的傅里葉變換如式（3）：

其中

（x，y）代表空域中圖像的灰度函數(shù)，F(xiàn)（u，v）代表頻域中的圖像譜。通常F（u，v）是兩個(gè)實(shí)頻率變量u和v的復(fù)值函數(shù)，頻率u代表x，頻率v代表y。

為了增加灰度級(jí)細(xì)節(jié)，通常在顯示之前進(jìn)行對(duì)數(shù)變換處理。

圖像經(jīng)快速傅里葉變換后的頻譜特征分布在圖像的角落，為了分析圖像更方便我們把頻譜圖的原點(diǎn)平移到圖像中間如圖l所示。

3.1圖像感興趣區(qū)域提取

為了簡(jiǎn)化整個(gè)工作的復(fù)雜度我們對(duì)圖像進(jìn)行感興趣區(qū)域提?。≧OI）。因?yàn)槟芤?jiàn)度不同影響圖像的高低頻率不同所以對(duì)圖像的提取方式也就不一樣。本文依據(jù)頻率分段疊加的方式對(duì)圖像進(jìn)行特征的提取。

對(duì)于高頻分量的特征按照相鄰三個(gè)區(qū)域的分量進(jìn)行疊加，記做T，低頻分量的特征取周圍一個(gè)區(qū)域的分量的值，記做R，高頻分量與低頻分量中間的值取相鄰兩個(gè)分量的值做疊加，記做S。因?yàn)槟芤?jiàn)度不用所以能量會(huì)出現(xiàn)漸變的現(xiàn)象。

4分類識(shí)別

本文采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)并在Caffe深度學(xué)習(xí)平臺(tái)上進(jìn)行分類模型的訓(xùn)練。采用訓(xùn)練集和驗(yàn)證數(shù)據(jù)集兩個(gè)數(shù)據(jù)集根據(jù)經(jīng)驗(yàn)采用8：2的比例進(jìn)行分配。根據(jù)國(guó)家規(guī)定的能見(jiàn)度等級(jí)要求將能見(jiàn)度分為5類。

根據(jù)上文圖像FFT變換分析高低頻分量在不同能見(jiàn)度下的變換所測(cè)得的能見(jiàn)度做好標(biāo)簽。

通過(guò)對(duì)圖像進(jìn)行快速傅里葉變換得到的能見(jiàn)度值與采用的卷積神經(jīng)網(wǎng)絡(luò)所得到的能見(jiàn)度值如表l所示。

用軟件Matlab進(jìn)行整個(gè)基于圖像FFT變換的能見(jiàn)度檢測(cè)程序的編寫(xiě)和仿真，采用三層和五層的卷積神經(jīng)網(wǎng)絡(luò)在Caffe深度學(xué)習(xí)平臺(tái)上進(jìn)行分類模型的訓(xùn)練，通過(guò)訓(xùn)練建立特征與能見(jiàn)度之間的函數(shù)模型，最終利用模型對(duì)待測(cè)量圖像進(jìn)行能見(jiàn)度擬合得到能見(jiàn)度值。

5結(jié)束語(yǔ)

本文的能見(jiàn)度檢測(cè)是基于視覺(jué)感知要素的能見(jiàn)度模式測(cè)量方法，相對(duì)于傳統(tǒng)能見(jiàn)度的測(cè)量方式更加直觀，更容易人手操作。通過(guò)利用卷積神經(jīng)網(wǎng)絡(luò)在Caffe深度學(xué)習(xí)平臺(tái)上進(jìn)行分類模型的訓(xùn)練，通過(guò)訓(xùn)練建立特征與能見(jiàn)度之間的函數(shù)模型，最終利用模型對(duì)待測(cè)量圖像進(jìn)行能見(jiàn)度擬合得到能見(jiàn)度值，能見(jiàn)度誤差大大減小，準(zhǔn)確率優(yōu)于其他能見(jiàn)度檢測(cè)算法。

參考文獻(xiàn)：

[1]孫慧潔.能見(jiàn)度測(cè)量?jī)x器綜述[J].氣象水文海洋儀器，1994（1）：32-40.

[2]陳釗正，陳啟美.基于攝像機(jī)自標(biāo)定的視頻對(duì)比度能見(jiàn)度檢測(cè)算法與實(shí)現(xiàn)[J].電子與信息學(xué)報(bào)，2010，32（12）：92-98.

[3]許茜，殷緒成，李巖，等.基于圖像理解的能見(jiàn)度測(cè)量方法[J].模式識(shí)別與人工智能.2013（6）：543-551.

[4]周潔.基于交通圖像的能見(jiàn)度檢測(cè)算法研究[J].自動(dòng)化技術(shù)與應(yīng)用，2017，36（10）：100-103.

[5]宋洪軍，陳陽(yáng)舟，郜園園.基于車道線檢測(cè)與圖像拐點(diǎn)的道路能見(jiàn)度估計(jì)[J].計(jì)算機(jī)應(yīng)用，2012，32（12）：3397-3403.

【通聯(lián)編輯：代影】

收稿日期：2019-08-23

作者簡(jiǎn)介：趙曉東，男，河北科技大學(xué)副教授，博士，主要從事信號(hào)檢測(cè)、自動(dòng)控制與計(jì)算機(jī)技術(shù)研究工作;王慧贏（1992-），女（滿族），

河北承德人，河北科技大學(xué)，碩士研究生，主要研究方向?yàn)殡娮优c通信工程。