基于車聯網圖像的多焦點融合去噪技術的研究

羅洋坤

（湖南汽車工程職業學院，湖南 株洲 412001）

0 引言

圖像融合在計算機視覺及目標識別方面的應用潛力非常巨大，尤其在計算機視覺方面[1]。車聯網遠程監控系統中通過在很短的時間內連續拍攝照片并進行傳輸，但是存在焦點不固定的問題，而且由于汽車在快速行駛過程中容易造成噪聲干擾的問題，因此本研究采用圖像融合技術對多張不同的焦點照片進行融合，然后再進行中值濾波，對圖像進行處理來得到高質量圖片[2-3]。

1 圖像處理技術

圖像融合將多個照片所抓取的對于同一事物的圖像幀數據進行細致處理，達到提取有用信息的目的，最大化利用每個照片中的有價值的信息，從而為生成一張高信息的圖像做準備，以提高圖像信息的利用率，改善精度和可靠性，從而提升原始圖像的空間分辨率和光譜分辨率，有利于車聯網中的遠程視頻監測[4]。需要注意的是，融合圖像必須提前配準好，確保像素位寬一致，提取多個圖像信息。這樣做的目的是實現較好的融合效果。可以根據需要綜合處理多個圖片，從而提高圖像利用率和系統對目標識別可靠性。將不同照片所提供的信息加以綜合，消除多照片信息之間可能存在的冗余和矛盾，以增強圖片中信息透明度，改善精度、可靠性以及使用率，以實現對目標的完整和準確的重現。在圖像融合技術方面，可以從數據、特征和決策等層次進行融合。一般目前最為常用的技術是數據融合，通過對所抓取的照片直接進行處理而融合，這個技術處于基礎性質的研究，而且非常關鍵，對于圖像融合技術的支撐非常重要，因為這種技術可以保證留下更為原始真實的數據，從而很多細微的信息可以很好地體現出來。對于像素融合技術，一般較為常用的就是空間算法和變換算法空間算法，相對于變換算法有多種融合規則方法可以使用，例如邏輯濾波或者對比調制等方法均可實現。而變換域方法中目前最為流行的是小波變換，比金字塔分解融合法更為先進。本文通過小波變換對連續拍攝的多焦點照片進行融合。

首先讀取連續拍攝的 3張多焦點圖像融合成 1個圖像，如圖1、2、3所示。融合之后的圖像為圖4所示。

圖1 連續拍攝圖1Fig.1 Continuous shooting picture No.1

圖2 連續拍攝圖2Fig.2 Continuous shooting picture No.2

然后將其轉換成灰度圖如圖5所示。

圖3 連續拍攝圖3Fig.3 Continuous shooting picture No.3

圖4 融合之后的圖像圖4Fig.4 Image after fusion No.4

圖5 灰度圖Fig.5 Grayscale

其圖像噪聲干擾最大的成分主要為椒鹽噪聲，因此需要對椒鹽噪聲進行去噪處理。經過分析很多經典案例發現，攝像機抓取的圖像噪聲信息特別復雜，主要受離散的脈沖、椒鹽噪聲、高斯噪聲影響，其中高斯噪聲具有零均值的特征，并且這三種噪聲對圖像質量影響嚴重。圖像中一旦存在很多噪聲，就會對后期的圖像分割造成較大的干擾，并且在特征的提取和圖像的識別方面造成巨大的困難。事實上，幾乎所有實時抓取的照片都需要進行濾波，消除圖像中的噪聲就是圖像平滑化或濾波[5]。濾波的好處是可以實現適應計算機處理的要求，從對象特征中抽取出特征模式用于識別，消除大部分混融入的各類噪聲。當然，濾波處理中不能丟失圖像的輪廓和邊緣信息，因為這些信息至關重要。一般來說，經過濾波操作后的圖像較為清晰，并且視覺信息豐富。在椒鹽噪聲中，我們需要處理的是鹽噪聲和胡椒噪聲，第一種噪聲的屬性可以歸納為高灰度噪聲，后一種噪聲的屬性可以歸納為低灰度噪聲，這兩種噪聲很難避免。一般我們在圖像中觀察到的黑白雜點都屬于此類情況，高斯噪聲嚴重的圖像如圖6所示，椒鹽噪聲嚴重的圖像如圖7所示。

圖6 高斯噪聲嚴重的圖像Fig.6 Gaussian noise serious image

圖7 椒鹽噪聲嚴重的圖像Fig.7 Salt and pepper noise serious image

通過二維滑動可以實現將像素按值大小排列，形成上升的數據序列[6]。采用二維中值濾波方法對包含有大量椒鹽噪聲的抓取照片進行濾波，得到去噪之后的圖像[7][8]。如圖8所示。

2 圖像測試

為了補償圖像丟失的細微的輪廓部分，需要增強其邊緣或者灰度跳變的區域，這樣才能讓圖像呈現清晰，為了實現這一目的可以采用圖像銳化技術，比如使用之前提到的空間方法或者是頻域方法。首先需要計算圖像的尺寸，通過二維傅里葉變換得到頻域信息，將0頻域移動到圖像中心，設置好二階巴特沃斯濾波器，并調試二階巴特沃斯濾波器的D0參數，D0越大，保留的高頻信號就越少[9][10]。在試驗中，對于不同的照片，可以自行調節，以便得到更好的效果。計算每一個像素點離0頻率點的距離，并計算傳遞函數的值，確定高通濾波之后的值。然后經過傅里葉反變換，再得到濾波之后的圖像，也就是銳化之后的圖像如圖9所示[11]。

圖8 去噪之后的圖像Fig.8 After the noise image

圖9 銳化之后的圖像Fig.9 After sharpening the image

通過直方圖均衡化處理得到直方圖均衡之后的圖像如圖 10所示。直方圖拉伸是通過對比度拉伸對直方圖進行調整，從而可以實現對比度極大提高的目標，這可以具體通過線性或者是非線性的技術手段來得以實施。使用直方圖均衡化方法的目標是通過調用積累函數，來調整圖像的灰度值，從而增強對比度。這種技術的明顯優勢在于可以增強所抓取照片的某一區域部分的對比度，尤其當某些區域中，存在有大量的有用數據，并且這些數據非常接近的時候，該方法的價值才得到真正體現，使亮度在直方圖上呈現出恰當的視覺效果，并不會影響到整體圖像的對比度，只是增強了局部效應。歸根結底，直方圖均衡化方法是對圖像進行非線性拉伸的一種嘗試，通過對像素的重新安排，使得在一個灰度范圍之內的像素數量保持接近。這種方法適合被用在圖像背景太亮的情況，或者是前景偏的照片處理中。

圖10 直方圖均衡之后的圖像Fig.10 Image after histogram equalization

然后實施了多種邊緣檢測方法對比的實驗。邊緣檢測是發現抓取照片區域中亮度變化最為明顯和快速的點。通過圖像邊緣檢測技術，可以極大的減少了不必要的信息，保留了獲取圖像區域里面的關鍵信息[12]。在一張照片里面，我們把周圍灰度變化明顯的像素集合稱為邊緣，在一張圖像里面邊緣視覺效果最為明顯和關鍵。通常邊緣就是指目標和背景區域的劃分區域，該區域將成為后面的圖像分割階段的重要手段依據。邊緣本身灰度變化不明顯，但是其實位置的重要標志。在使用邊緣檢測方法的時候，我們還需要配合區域劃分方法才能更好的實現，這兩種方法一般來說都會同時使用，具有互相補充的功能。邊緣檢測技術是根據閉合部分的邊緣來鎖定區域，可以提取到獲取的照片區域里面最為不連續部分的圖像特征。區域劃分是把所抓取得到的照片分割成為特征相同的部分，其邊界作為邊緣來處理[13]。邊緣檢測方法的優勢是不需要將抓取得到的照片進行單一分割，非常適合較大照片的分割處理。圖像邊緣最為常見的是階躍邊緣，這種邊緣特征是分布在兩邊的照片像素值大小明顯相異，而另一種邊緣是屋頂邊緣，它是處于灰度值變化之中，在中間灰度值部分，屬于變化的中間區域。該模板屬于邊緣檢測器，是一種基于梯度的數學方法的濾波器，又稱邊緣算子。如果圖像邊緣處于水平，最好用梯度是垂直方向的模板檢測其邊緣。較為常用的邊緣檢測模板有Laplacian算子等[14,15]。

采用prewitt邊緣檢測之后的圖像如圖11所示。

圖11 采用prewitt邊緣檢測的圖像Fig.11 Image using prewitt edge detection

采用roberts邊緣檢測之后的圖像如圖12所示。

3 結束語

針對車聯網遠程短時間內連續拍攝照片存在焦點不固定、噪聲干擾的問題，本研究采用圖像融合技術和中值濾波方法，對圖像進行處理。并通過圖像銳化、直方圖均衡化處理、圖像邊緣檢測等方法來測試分析圖像質量[16]。經過測試分析，融合和濾波之后的圖像清晰.雖然本文研究取得了某些成果，但是在其它方面仍然存在不足和制約。例如要求對拍攝圖片要求嚴格等，因此還需要作更深入和廣泛的研究，得到通用性更好的方法。

圖12 采用roberts邊緣檢測的圖像Fig.12 Using roberts edge detection of the image

采用sobel邊緣檢測之后的圖像如圖13所示。

圖13 采用sobel邊緣檢測的圖像Fig.13 Sobel edge detection using the image

[1] 霍宏濤. 數字圖像處理[M]. 北京理工大學出版社, 2002.

[2] 陳大力. 數字圖像處理中去噪算法的研究[D]. 東北大學,2008.

[3] 孫杰, 袁躍輝, 王傳永. 數字圖像處理自動圖像聚焦算法的分析和比較[J]. 光學學報, 2007, 27(1): 35-39.

[4] 王克奇, 馬曉明, 白雪冰. 基于分形理論和數學形態學的木材表面缺陷識別的圖像處理[J]. 森林工程, 2013, 29(2):48-50.

[5] 周平, 鄭文剛, 孫忠富. 基于局部信息的圖像濾波及邊緣銳化算法[J]. 計算機應用, 2009, 29(s1): 222-222.

[6] 張東宇. 基于FPGA的實時視線定位系統的設計與實現[D].東北大學, 2014.

[7] 陳蒙.醫學X光成像中圖像去噪算法研究[J]. 軟件,2013(11): 62-63.

[8] 曹妍, 陳偉, 徐森. 圖像去噪方法研究與仿真[J]. 軟件,2015, 36(4): 33-36.

[9] 張鐵虎, 王琨, 俞經虎. 應用圖像自動識別的蠕動式點膠機研究[J]. 現代制造工程, 2016(7): 101-107.

[10] 唐權華, 周艷, 金煒東. 中值濾波算法的研究與改進[J].微計算機信息, 2008, 24(24): 187-189.

[11] 常捷. 集裝箱號識別中圖像及字符的處理分割技術[J]. 淮海工學院學報. 自然科學版, 2010, 19(2): 33-36.

[12] 王克奇, 馬曉明, 白雪冰. 基于分形理論和數學形態學的木材表面缺陷識別的圖像處理[J]. 森林工程, 2013, 29(2):48-50.

[13] 鐘彩. 邊緣檢測算法在圖像預處理中的應用[J]. 軟件,2013, 34(1): 158-159.

[14] 唐艷麗, 蘇燕辰. 數字圖像處理在距離測量中的應用[J].中國測試, 2009, 35(1): 63-67.

[15] 劉麗華. 基于混合濾波器的Canny邊緣提取算法改進[J].科學技術與工程, 2011, 11(23): 5569-5571.

[16] 劉聞, 別紅霞. 基于蟻群算法的噪聲圖像邊緣檢測[J]. 軟件, 2013(12): 256-259.