交通視頻中噪聲圖像分割技術(shù)研究.pdf

1、本文圍繞交通視頻噪聲圖像分割在多功能路面檢測車、智能車輛視覺導航中的應用,就圖像去除噪聲、路面裂縫檢測、車道檢測、邊緣檢測和運動目標檢測等噪聲圖像分割問題開展研究,本文的貢獻如下:
　　 1.為了消除噪聲對圖像分割的影響,提高圖像的信噪比,提出了自適應神經(jīng)模糊推理系統(tǒng)與中值濾波相結(jié)合的去除噪聲算法。將噪聲圖像、中值濾波對噪聲點的估計和維納濾波對噪聲點的估計作為自適應神經(jīng)模糊系統(tǒng)的三個輸入,系統(tǒng)的輸出為對像素點的判斷,是噪聲點還是

2、真實的圖像點,如果是噪聲點,就進行中值濾波,如果是真實的圖像,保持不變,直接輸出,最終得到兩者的融合去噪圖像。仿真實驗表明,本章算法濾波的結(jié)果比中值濾波的結(jié)果具有更高的信噪比。
　　 2.針對路面視頻光照不均、存在油污、破損和噪聲等情況對路面裂縫分割帶來的不利影響,提出了一種小波域內(nèi)基于塊的路面裂縫檢測算法。路面圖像經(jīng)過去噪、增強等預處理后,通過haar小波變換,在最高層中對近似分量進行自適應閾值分割得到路面裂縫的初始區(qū)域。然后

3、在其他各層中,從高層到低層依次只針對路面破損區(qū)域進一步分塊分割處理,得到路面裂縫的準確檢測。仿真實驗表明,本文提出的算法可以很好的克服光照不均、存在油污、破損和噪聲的影響,對不同的路面裂縫類型,都具有很好地路面裂縫分割效果。
　　 3.車道分割受到光照、路面陰影、破損、油污和噪聲的干擾,容易出現(xiàn)錯誤分割,為了準確地提取出符合人眼特性的車道邊界,本文提出了基于視覺模型的車道檢測。利用人眼的視覺特性,按照韋伯定律,提出了分段選取閾值

4、,在HSV顏色空間內(nèi)融合區(qū)域車道分割結(jié)果和邊緣車道分割結(jié)果,得到車道的邊緣點,再使用Hough變換給出了車道的位置和方向信息,為視覺導航提供控制參數(shù)。仿真實驗結(jié)果表明,本算法具有抗噪性強、光照對檢測結(jié)果影響較小,對路面存在的陰影、油污和破損等情況處理較好、具有運行較穩(wěn)定等特點。
　　 4.為了適應交通視頻海量數(shù)據(jù)處理的需要,對圖像分割自適應地選取閾值,提出了基于自適應神經(jīng)模糊推理系統(tǒng)的邊緣檢測算法,該算法引入一個具有4個輸入和1

5、個輸出的自適應神經(jīng)模糊推理系統(tǒng),選取了與邊緣方向和梯度大小雙重信息相關(guān)的4個目標函數(shù)作為系統(tǒng)的輸入,目標函數(shù)值的大小與像素點是否為邊緣點可能性的大小相關(guān)。采用計算機合成訓練輸入圖像和訓練目標圖像,對自適應神經(jīng)模糊推理系統(tǒng)進行訓練,得到訓練好的自適應神經(jīng)模糊推理系統(tǒng),再將定義好的4個目標函數(shù)作為自適應神經(jīng)模糊推理系統(tǒng)的輸入,得到系統(tǒng)的輸出。對于自適應神經(jīng)模糊推理系統(tǒng)的輸出值,運用一個后處理程序,采用一個固定的閾值來判斷該中心點是否為邊緣點

6、。仿真實驗表明,該算法能夠快速自適應地選取閾值,適合海量交通視頻處理的需要,比較傳統(tǒng)方法和當前文獻中關(guān)于神經(jīng)和模糊系統(tǒng)邊緣檢測的方法,邊緣檢測效果要好。
　　 5.為了從帶有噪聲的交通視頻中準確完整地分割出運動目標,假定“背景總是以較大的頻率出現(xiàn)”,提出了一種基于雙閾值順序聚類的背景重構(gòu)算法,算法分為三步:第一步,基于雙閾值順序聚類的思想分類像素的灰度類:第二步,執(zhí)行合并過程；第三步,選擇背景圖像。該算法不需要預先知道場景的先驗

7、知識,能夠直接從含有前景目標的圖像中構(gòu)建出多模態(tài)的場景:通過使用兩個閾值()1和()2(()2>()1)對輸入數(shù)據(jù)進行聚類,增強了聚類結(jié)果對閾值取值的魯棒性,降低了算法對閾值選取的敏感度；由于一個數(shù)據(jù)的分配要延遲到有足夠的信息,所以對數(shù)據(jù)參與算法的順序不是很敏感:在運行雙閾值順序聚類之后執(zhí)行合并過程,避免了出現(xiàn)多個距離很近的聚類。對多種視頻進行仿真實驗,且與其他背景重構(gòu)方法進行比較,背景重構(gòu)更理想,運動目標檢測更完整,更好地克服了噪聲的