一種基于圖像FFT的能見度檢測算法
「由于霧霾天氣導致能見度降低給人們出行帶來了極大的不便，該文采用了一種基于FFT的能見度檢測方法，采用高清攝像機對在不同天氣狀況下的同一定點參照物進行拍攝，得到同一定點參照物在不同天氣狀況下的圖像進行圖像處理與快速傅里葉變換。通過分析圖像的頻譜特征訓練建立特征與能見度之間的函數模型，最終利用模型與待測圖像進行能見度擬合得到能見度值。結果表明，該文中的能見度檢測方法準確率優于其他方法，、(2023-2-25)」
關鍵詞：能見度;快速傅里葉變換;頻域;卷積神經網絡
中圖分類號：TP3
文獻標識碼：A
文章編號：1009-3044（2019）36-0187-02
1概述
針對在當前能見度檢測技術中，高成本，不方便，不易操作，不準確，而基于圖像處理的能見度檢測往往需要先求出消光系數再求能見度值，存在誤差較大，算法復雜運算速度慢，對于突然的天氣變化根本無法精確測量當前能見度等一系列問題[1]。本文基于視覺感知要素的能見度模式測量方法，在圖像處理時應用數字信號處理中的FFT算法取得霧霾圖像的頻譜圖，根據圖像在有霧和無霧狀態頻譜高低頻率分量的變化，選用卷積神經網絡在Caffe深度學習平臺上進行分類模型訓練構建特征與能見度之間的函數模型進行能見度擬合。
2基于FFT的能見度檢測
本文采用高清攝像機對同一個定點參照物在不同天氣狀況下進行拍攝。為了測量更準確的能見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雕刻技術制作[2]。需將觀測目標設置在野外為了防止不良天氣及其他生物對觀測目標的損害和盡量減少光的損耗所以觀測目標采用有機玻璃板材料。通過高清攝像機獲取到的黑白相間的黑底鏤空條形表的圖片后對圖片進行圖像預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、虛實性等特性的基礎上，在離散傅里葉變換算法的基礎上加以改進得到的英文簡稱FFTc3]�？焖俑道锶~變換的出現大幅度的簡化了傅里葉變換算法，并且運算結果和傅里葉變換算法一樣精確，傅里葉變換的出現使人們解決了時域上不能解決的問題，而快速傅里葉變換的出現簡化了傅里葉變換的算法使得運算更加快捷方便[4]。
算法的復雜程度決定計算機的運行速度，因此選用快速傅里葉變換對圖像進行處理大大提高了工作的效率。
本文共分為三個部分，一是對收集來的圖像進行預處理使圖像滿足后面工作的基本要求，二是對進行預處理后的圖像進行FFT變換，三是根據頻率分量的幅度特征，選用最佳監督學習方式，建立特征與能見度之間的函數模型，利用模型對待測量圖像進行能見度擬合，從而得到能見度值。
2.2圖像預處理
圖像預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域提取等步驟，本文對圖像的預處理主要有對圖像的灰度化處理、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。要對彩色圖像進行特征提取通過對三個通道的每一個通道逐個進行處理耗費的時間就會非常長，為了更方便更快捷達到對圖像預處理的目的，我們可以將彩色圖像灰度化。
在目前的圖像處理中，加權平均法是最為常用的方法。為了保證在對圖像進行預處理時盡可能地保證圖像數據的完整性所以本文采用加權平均化對圖片進行灰度化。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境會有明顯的差異，將這樣的圖像進行灰度化處理圖像數據會更加完整，精確度也會更高。雖然處理后灰度化圖像與原圖像差異較小，但是不會影響最終的頻譜測量，對能見度檢測也無太大影響。
加權平均法綜合了最大值法、單分量法、平均值法為了體現特征分量的重要性再將分量進行加權計算。
2.2.2圖像特征提取
本文采用閾值分割進行特征提取。閾值分割需要注意目標區域與目標區域所處的環境要有明顯的差異，并且目標區域與目標區域所處的環境的灰度比較單一，同時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進行分類，根據目標區域的灰度值與目標區域所處的環境之間的差異設置閾值來進行區分得到二值化圖像。
設f（x，y）為收集的圖像，設置閾值T，則大于T的像素點區域和小于T的像素點區域。具體公式如式（1）所示：
將圖中像素值大于閾值的像素點值都取為l，反之為0.為了簡化實驗的處理時間，采用了手動的選擇閾值方法。
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出現的噪聲孔以及圖像在經過閾值分割處理后邊界出現的不平滑現象�？梢岳眯螒B學中連續的開運算以及閉運算改善這種狀況，提高圖像質量方便后續處理。開運算和閉運算主要包括腐蝕和膨脹它們可以去除圖像邊界向外擴張，填充目標物內部的噪聲孔。
3基于圖像FFT的能見度檢測
在空域中氣象能見度是人眼感知的圖像高對比度區域它會受到周圍臨近區域的影響，設F為灰度函數，則兩個相鄰的像素p，q的歸一化對比度定義如式（2）所示：
max（F（p），F（q））（2）
在頻域中反應的是圖像灰度變化的劇烈程度，圖像突變部分體現在高頻分量上，圖像的整體部分體現在低頻分量上。
對于任意一個尺寸MxN的圖像，其數據是二維離散的則這個圖像一定會存在離散的傅里葉變換如式（3）：
其中
�。▁，y）代表空域中圖像的灰度函數，F（u，v）代表頻域中的圖像譜。通常F（u，v）是兩個實頻率變量u和v的復值函數，頻率u代表x，頻率v代表y。 為了增加灰度級細節，通常在顯示之前進行對數變換處理。
圖像經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平移到圖像中間如圖l所示。
3.1圖像感興趣區域提取
為了簡化整個工作的復雜度我們對圖像進行感興趣區域提�。≧OI）。因為能見度不同影響圖像的高低頻率不同所以對圖像的提取方式也就不一樣。本文依據頻率分段疊加的方式對圖像進行特征的提取。
對于高頻分量的特征按照相鄰三個區域的分量進行疊加，記做T，低頻分量的特征取周圍一個區域的分量的值，記做R，高頻分量與低頻分量中間的值取相鄰兩個分量的值做疊加，記做S。因為能見度不用所以能量會出現漸變的現象。
4分類識別
本文采用深度學習中的卷積神經網絡并在Caffe深度學習平臺上進行分類模型的訓練。采用訓練集和驗證數據集兩個數據集根據經驗采用8：2的比例進行分配。根據國家規定的能見度等級要求將能見度分為5類。
根據上文圖像FFT變換分析高低頻分量在不同能見度下的變換所測得的能見度做好標簽。
通過對圖像進行快速傅里葉變換得到的能見度值與采用的卷積神經網絡所得到的能見度值如表l所示。
用軟件Matlab進行整個基于圖像FFT變換的能見度檢測程序的編寫和仿真，采用三層和五層的卷積神經網絡在Caffe深度學習平臺上進行分類模型的訓練，通過訓練建立特征與能見度之間的函數模型，最終利用模型對待測量圖像進行能見度擬合得到能見度值。
5結束語
本文的能見度檢測是基于視覺感知要素的能見度模式測量方法，相對于傳統能見度的測量方式更加直觀，更容易人手操作。通過利用卷積神經網絡在Caffe深度學習平臺上進行分類模型的訓練，通過訓練建立特征與能見度之間的函數模型，最終利用模型對待測量圖像進行能見度擬合得到能見度值，能見度誤差大大減小，準確率優于其他能見度檢測算法。
參考文獻：
[1]孫慧潔.能見度測量儀器綜述[J].氣象水文海洋儀器，1994（1）：32-40.
[2]陳釗正，陳啟美.基于攝像機自標定的視頻對比度能見度檢測算法與實現[J].電子與信息學報，2010，32（12）：92-98.
[3]許茜，殷緒成，李巖，等.基于圖像理解的能見度測量方法[J].模式識別與人工智能.2013（6）：543-551.
[4]周潔.基于交通圖像的能見度檢測算法研究[J].自動化技術與應用，2017，36（10）：100-103.
[5]宋洪軍，陳陽舟，郜園園.基于車道線檢測與圖像拐點的道路能見度估計[J].計算機應用，2012，32（12）：3397-3403.
【通聯編輯：代影】
收稿日期：2019-08-23
作者簡介：趙曉東，男，河北科技大學副教授，博士，主要從事信號檢測、自動控制與計算機技術研究工作;王慧贏（1992-），女（滿族），
河北承德人，河北科技大學，碩士研究生，主要研究方向為電子與通信工程。
(Ys驅)
中圖分類號：TP3
文獻標識碼：A
文章編號：1009-3044（2019）36-0187-02
1概述
針對在當前能見度檢測技術中，高成本，不方便，不易操作，不準確，而基于圖像處理的能見度檢測往往需要先求出消光系數再求能見度值，存在誤差較大，算法復雜運算速度慢，對于突然的天氣變化根本無法精確測量當前能見度等一系列問題[1]。本文基于視覺感知要素的能見度模式測量方法，在圖像處理時應用數字信號處理中的FFT算法取得霧霾圖像的頻譜圖，根據圖像在有霧和無霧狀態頻譜高低頻率分量的變化，選用卷積神經網絡在Caffe深度學習平臺上進行分類模型訓練構建特征與能見度之間的函數模型進行能見度擬合。
2基于FFT的能見度檢測
本文采用高清攝像機對同一個定點參照物在不同天氣狀況下進行拍攝。為了測量更準確的能見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雕刻技術制作[2]。需將觀測目標設置在野外為了防止不良天氣及其他生物對觀測目標的損害和盡量減少光的損耗所以觀測目標采用有機玻璃板材料。通過高清攝像機獲取到的黑白相間的黑底鏤空條形表的圖片后對圖片進行圖像預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、虛實性等特性的基礎上，在離散傅里葉變換算法的基礎上加以改進得到的英文簡稱FFTc3]�？焖俑道锶~變換的出現大幅度的簡化了傅里葉變換算法，并且運算結果和傅里葉變換算法一樣精確，傅里葉變換的出現使人們解決了時域上不能解決的問題，而快速傅里葉變換的出現簡化了傅里葉變換的算法使得運算更加快捷方便[4]。
算法的復雜程度決定計算機的運行速度，因此選用快速傅里葉變換對圖像進行處理大大提高了工作的效率。
本文共分為三個部分，一是對收集來的圖像進行預處理使圖像滿足后面工作的基本要求，二是對進行預處理后的圖像進行FFT變換，三是根據頻率分量的幅度特征，選用最佳監督學習方式，建立特征與能見度之間的函數模型，利用模型對待測量圖像進行能見度擬合，從而得到能見度值。
2.2圖像預處理
圖像預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域提取等步驟，本文對圖像的預處理主要有對圖像的灰度化處理、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。要對彩色圖像進行特征提取通過對三個通道的每一個通道逐個進行處理耗費的時間就會非常長，為了更方便更快捷達到對圖像預處理的目的，我們可以將彩色圖像灰度化。
在目前的圖像處理中，加權平均法是最為常用的方法。為了保證在對圖像進行預處理時盡可能地保證圖像數據的完整性所以本文采用加權平均化對圖片進行灰度化。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境會有明顯的差異，將這樣的圖像進行灰度化處理圖像數據會更加完整，精確度也會更高。雖然處理后灰度化圖像與原圖像差異較小，但是不會影響最終的頻譜測量，對能見度檢測也無太大影響。
加權平均法綜合了最大值法、單分量法、平均值法為了體現特征分量的重要性再將分量進行加權計算。
2.2.2圖像特征提取
本文采用閾值分割進行特征提取。閾值分割需要注意目標區域與目標區域所處的環境要有明顯的差異，并且目標區域與目標區域所處的環境的灰度比較單一，同時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進行分類，根據目標區域的灰度值與目標區域所處的環境之間的差異設置閾值來進行區分得到二值化圖像。
設f（x，y）為收集的圖像，設置閾值T，則大于T的像素點區域和小于T的像素點區域。具體公式如式（1）所示：
將圖中像素值大于閾值的像素點值都取為l，反之為0.為了簡化實驗的處理時間，采用了手動的選擇閾值方法。
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出現的噪聲孔以及圖像在經過閾值分割處理后邊界出現的不平滑現象�？梢岳眯螒B學中連續的開運算以及閉運算改善這種狀況，提高圖像質量方便后續處理。開運算和閉運算主要包括腐蝕和膨脹它們可以去除圖像邊界向外擴張，填充目標物內部的噪聲孔。
3基于圖像FFT的能見度檢測
在空域中氣象能見度是人眼感知的圖像高對比度區域它會受到周圍臨近區域的影響，設F為灰度函數，則兩個相鄰的像素p，q的歸一化對比度定義如式（2）所示：
max（F（p），F（q））（2）
在頻域中反應的是圖像灰度變化的劇烈程度，圖像突變部分體現在高頻分量上，圖像的整體部分體現在低頻分量上。
對于任意一個尺寸MxN的圖像，其數據是二維離散的則這個圖像一定會存在離散的傅里葉變換如式（3）：
其中
�。▁，y）代表空域中圖像的灰度函數，F（u，v）代表頻域中的圖像譜。通常F（u，v）是兩個實頻率變量u和v的復值函數，頻率u代表x，頻率v代表y。 為了增加灰度級細節，通常在顯示之前進行對數變換處理。
圖像經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平移到圖像中間如圖l所示。
3.1圖像感興趣區域提取
為了簡化整個工作的復雜度我們對圖像進行感興趣區域提�。≧OI）。因為能見度不同影響圖像的高低頻率不同所以對圖像的提取方式也就不一樣。本文依據頻率分段疊加的方式對圖像進行特征的提取。
對于高頻分量的特征按照相鄰三個區域的分量進行疊加，記做T，低頻分量的特征取周圍一個區域的分量的值，記做R，高頻分量與低頻分量中間的值取相鄰兩個分量的值做疊加，記做S。因為能見度不用所以能量會出現漸變的現象。
4分類識別
本文采用深度學習中的卷積神經網絡并在Caffe深度學習平臺上進行分類模型的訓練。采用訓練集和驗證數據集兩個數據集根據經驗采用8：2的比例進行分配。根據國家規定的能見度等級要求將能見度分為5類。
根據上文圖像FFT變換分析高低頻分量在不同能見度下的變換所測得的能見度做好標簽。
通過對圖像進行快速傅里葉變換得到的能見度值與采用的卷積神經網絡所得到的能見度值如表l所示。
用軟件Matlab進行整個基于圖像FFT變換的能見度檢測程序的編寫和仿真，采用三層和五層的卷積神經網絡在Caffe深度學習平臺上進行分類模型的訓練，通過訓練建立特征與能見度之間的函數模型，最終利用模型對待測量圖像進行能見度擬合得到能見度值。
5結束語
本文的能見度檢測是基于視覺感知要素的能見度模式測量方法，相對于傳統能見度的測量方式更加直觀，更容易人手操作。通過利用卷積神經網絡在Caffe深度學習平臺上進行分類模型的訓練，通過訓練建立特征與能見度之間的函數模型，最終利用模型對待測量圖像進行能見度擬合得到能見度值，能見度誤差大大減小，準確率優于其他能見度檢測算法。
參考文獻：
[1]孫慧潔.能見度測量儀器綜述[J].氣象水文海洋儀器，1994（1）：32-40.
[2]陳釗正，陳啟美.基于攝像機自標定的視頻對比度能見度檢測算法與實現[J].電子與信息學報，2010，32（12）：92-98.
[3]許茜，殷緒成，李巖，等.基于圖像理解的能見度測量方法[J].模式識別與人工智能.2013（6）：543-551.
[4]周潔.基于交通圖像的能見度檢測算法研究[J].自動化技術與應用，2017，36（10）：100-103.
[5]宋洪軍，陳陽舟，郜園園.基于車道線檢測與圖像拐點的道路能見度估計[J].計算機應用，2012，32（12）：3397-3403.
【通聯編輯：代影】
收稿日期：2019-08-23
作者簡介：趙曉東，男，河北科技大學副教授，博士，主要從事信號檢測、自動控制與計算機技術研究工作;王慧贏（1992-），女（滿族），
河北承德人，河北科技大學，碩士研究生，主要研究方向為電子與通信工程。
(Ys驅)