文摘
路面图像的阴影会影响道路裂缝识别的准确性,增加错误检测的速度。一个影子分离算法提出了基于形态成分分析(MCA)成像解决阴影问题的道路。MCA的主要假设是,稀疏的图像几何结构和纹理结构组件在一个类在一个特定的基地或overcomplete字典,而基地或overcomplete字典的稀疏表示的形态组件是不连贯的。此后,根据字典对应的图像信号转换获得的稀疏表示系数的每一部分信息,和系数减少了软阈值获得新的系数。实验结果表明影子分离方法的有效性。
1。介绍
图像处理和信号技术的发展,如何使用信号和图像的组件如子组件、主成分、独立的组件,稀疏的组件,和形态组件来表示图像和信号已成为一个研究的焦点许多信号和图像处理任务,如重建、噪声抑制、压缩、特征提取。斯塔克等人提出了一种基于信号稀疏表示的分离方法,即形态成分分析(MCA) (1,2]。该方法假定,每个源信号的混合信号,有相应的字典可以稀疏表示源信号和认为词典只能稀疏表示源信号,不能稀疏表示其他源信号;然后,利用跟踪算法搜索最稀疏表示将产生一个理想的分离效果。MCA用于实现信号分离等几个字段的一阶和二阶周期平稳信号分离3),以提高结构差异基于小波的纹理特征来提高图像分割预处理方法(4),分解振动+瞬态信号(5),分解干涉高光谱图像(6),双层形状自适应形态学分析视网膜图像评价(7,分离不同类型的噪声在地震图像处理8- - - - - -11]。所有这些表明,MCA有效信号分离。
虽然影子是人类视觉容易识别,对电脑并不容易实现这个函数。选择有效的影子特性实现阴影分离是关键一步,和质量的特性直接影响检测效果和性能。罗et al .,戈麦斯et al ., Qi et al .,和高et al。12- - - - - -15)提出了一些阴影分离方法。影子在路上形象主要来自树木,相机,和车辆。在许多情况下,影子会给后续处理带来许多问题和困难,这将大大提高目标识别和分类的错误率。然而,对于影子的路面图像分离的问题,由于道路的特殊性阴影,这些阴影去除方法(12- - - - - -15不能直接应用。
这项工作的贡献如下:(1)阴影的算法分离提出了基于稀疏分解。它可以自适应近似影子和图像背景的图像。(2)这项工作提供了一个高质量的输入图像,满足高层次的需求形象理解为图像分割,目标识别和其他任务作为图像预处理步骤。
2。道路图像阴影分离
2.1。问题描述
在信号和图像处理,一般认为,观测值是不同的独立源信号的混合 ,和最简单的线性瞬时混合模型。它表示为模型
其中, 是观测信号, 源信号, 是噪音, 是混合矩阵。观测信号是已知的,但是混合矩阵和源信号是未知的。现在,问题是解决混合过程的逆过程,分离不同的源信号。
当源信号非常稀疏,这意味着只有几分钟的每个源信号值非零(或更大),而大多数时候,该值为零(或接近于零)(16]。独立假设在这种情况下意味着两个源信号的概率是有用信号同时非常低,因此源信号可以表示为不同的基函数。其中,稀疏成分分析是先将数据转换成稀疏表示,这将大大提高分离的质量。
2.2。MCA和字典的选择
MCA方法在图像处理领域吸引了越来越多的关注,因为它亲近人类的视觉。该方法的核心是找到两个合适的字典,一个稀疏表示的平滑部分(光滑字典),另一个用于稀疏表示纹理的一部分(纹理字典),每一个都可以提供稀疏表示的特定类型的内容。MCA可视为基础的追求(BP)和匹配追踪算法(MP)。
假设输入图像 , 是图像的纹理部分,图像的平滑部分,MCA假设 包含 像素,图像表示为一个一维向量的长度线扫描。
MCA框架包含组件稀疏纹理和结构措施。嘈杂的图像,图像应该组成的结构组件,结构组件,组件和噪声。字典和MCA算法中起着关键作用。在许多图像处理应用程序中,有必要单独分段光滑的图像的纹理部分的部分。我们可以选择一些常见的转换,可以更好地代表纹理或光滑的部分17]。在这部作品中,曲波变换显示是适用于光滑的路线图的一部分,和当地的离散余弦变换适用于纹理部分。
曲波变换(CT) (18- - - - - -21)可以稀疏表示图像的边缘。其基本思想是,当曲线是无限分裂,可以将每个小段近似直线段,然后直线段分析了脊波变换(22,23]。如图1曲波的频率空间区域划分为块,和阴影部分代表一个楔形窗口,曲波的支撑区域。
(一)
(b)
2.3。道路图像形态学分解和字典的实现
道路图像可以被看作是近似的线性组合平滑灰色正常道路图像层,和图像层包括影子,噪音,或小局部纹理,这将造成很大的干扰道路裂缝和缺陷的自动检测。因此,MCA引入道路的检测图像。通过选择subdictionary可以区分两个图像层,平滑灰度图像层所需检测提取这影子分离。
在这部作品中,道路与阴影表示 ,然后 包括光滑,纹理部分,和噪音。CT和当地的离散余弦变换(LDCT)选为词典代表平滑图像层和图像层包括阴影和背景噪声,分别。通过这种方式,我们可以单独的影子从道路图像,这很容易干扰裂纹和缺陷检测和道路提取的过程。路面裂缝检测和其他处理可以在平滑图像进行层主要包括图像的灰度分布。
相应的子图象表示为和 ,根据MCA算法,这项工作的阴影问题可以表示如下: 在哪里是拉格朗日乘子,规范选择测量剩余。作为规范密切相关零均值的高斯白噪声特征值,我们假定噪声组件在一般道路图像高斯分布。根据块协调放松(1),我们可以计算出最优的子图象和MCA后分解。自全变差正则化之前(电视)被认为是一个好的图像先验模型的卡通图片,先验知识介绍到光滑的组件来约束它。是前正规化的平滑模型组件,然后呢是保真项的数据。
字典实现道路图像的平滑部分和纹理部分如下。
CT的实现过程包括以下:(1)二维傅里叶变换的图像X: 在哪里n的边长值平方的形象。(2)产品不同角度和尺度: (3)通过包装的产品: (4)逆二维傅里叶变换应用于每一个获取曲波系数 :
的DCT系数可以表示原始图像的纹理方向。的方向谱分布在频域DCT垂直于原始图像的纹理方向。可以看出,DCT系数可以描述纹理粗糙度,方向,和其他特性。因此,当使用DCT作为字典表示,根据纹理图像的稀疏表示字典的要求,高频部分的转换系数接近于零,和非零部分主要集中在低频部分。利用DCT,稀疏表示来表示纹理图像。
对道路图像 ,的大小是 ,和它的DCT变换如下: 在哪里 和 。 在哪里 和 ,内核和变换 在哪里
离散余弦变换是表示为矩阵形式 ,在余弦变换矩阵满足
离散变换矩阵的系数可以计算,和DCT变换后的系数矩阵也是一个 矩阵。DCT变换后,图像信号的能量相对集中在频域,并占据了图像的大部分信息都集中在低频部分,而图像边缘和细节主要位于高频部分。高频组件在频域对应迅速变化的细纹理图像;粗纹理与缓慢的变化对应于频域的低频分量;因此,阴影可以通过利用当地稀疏近似离散余弦变换。
2.4。优化算法的影子分离
overcomplete词典的基础上道路图像的平滑和质地组件构造基于节中提到的方法2。3,道路图像MCA分离,算法如下:(1)初始输入:原始道路图像X;设置初始平滑部分组件 和初始组件作为纹理部分 。(2)初始化最大系数是 ,N是每一层的迭代的数量,和阈值 。(3)如果 ,重复以下步骤;否则,算法将终止和输出平滑部分,阴影部分,道路和噪声图像。(4)执行下面的N迭代:
第1部分:假设不变,更新 :(1)计算剩余: 。(2)为 ,进行曲波变换获得曲波系数 : 在哪里 是Moore-Penrose伪逆的 。曲波系数由软阈值收缩,这是什么 , ,也就是说, (3)重建通过 。
第2部分:假设不变,更新 :(1)计算剩余: 。(2)为 ,LDCT用于获得系数 : 的系数减少了软阈值,阈值是什么 , 。(3)重建通过 。(5)修改阈值 。
3所示。实验结果和分析
3.1。实验过程
根据上述分析,我们提出一个道路影子基于MCA的分离算法,并具体的流程图如图2。
3.2。结果分析
该算法是在道路图像数据库进行测试。结果描述如下。
3.2.1之上。比较不同数量的影子分离结果的迭代
图3是一组影子分离效果得到不同的迭代。它可以发现不同的迭代有不同的分离效果。图3(一个)是原始道路图像不同的阴影和数据吗3 (b)- - - - - -3 (f)影子分离结果从原始道路图的图片3(一个)当N(迭代)的数量是10、20、30、50和100年,分别。图像的四组数据3 (b)- - - - - -3 (f)分别对应于1到4路图像。每组包含三个部分的影子分离后原始图像,即“第1部分”是阴影部分,第2部分”是影子分离后,“残差”剩余的部分。
(一)
(b)
(c)
(d)
(e)
(f)
图3显示与大型道路图像阴影、车辆阴影,和树的影子。比较“第1部分”和“第二部分”每一个图的图3,我们可以发现,当迭代的数量是10到20,“第1部分”的阴影部分数据3 (b)和3 (c)相对完整,“第2部分”的阴影部分是相对明显。当迭代的数量是30到50,“第1部分”的阴影部分数据3 (d)和3 (e)完成,第2部分”的阴影部分相对完整。当迭代次数达到100时,影子“第1部分图的一部分3 (f)完成,第2部分”的阴影部分基本上是免费的。此外,在数字3 (b)和3 (c),残差有明显的阴影边缘和裂缝。
根据图3,当迭代的数量小于或等于20,分离效果不理想;当迭代的数量是30 - 50,分离效果好;当迭代次数是100,是理想的分离效果。然而,它也指出,迭代次数越大,计算时间越长。因此,理想的效果为代价实现的时间。
3.2.2。结果的道路图像阴影之前和之后的分离
在这个工作中,nonsampled曲波变换(NSCT)增强算法用于提高和改变路面裂缝图像阴影图4(一)第三层,两个方向子带图如图4 (b)得到了。重建后,图4 (c)是获得。影子分离的过程中,阴影部分裂缝图(图4 (d))了。相同增强后的分离道路图,得到第三层的两个方向子带图,和图4 (e)是重建的裂缝图。
(一)
(b)
(c)
(d)
(e)
图4(一)是原来的道路图像。不使用我们提出的影子分离算法和直接使用NSCT算法对原始道路图像进行图像增强,第三层的两个方向子带图得到,如图4 (b)。应用NSCT重建图4 (b),重组的影子图像没有提出影子分离算法获得,如图4 (c)。如图4 (d)是相同的两个方向子带图像获得的第三层,但首先应用我们的提议之后影子分离算法和应用NSCT算法。图4 (e)是重组影子图像通过应用NSCT重建图吗4 (d)。
使用两个不同的原始道路图像如图5(一个)和6(一),数据5 (b)和5 (c)和6 (b)和6 (c)第三层是两个方向子带图和重组的影子图像直接获得NSCT算法没有使用我们提出的影子分离算法。关于数据4 (b)和4 (c),5 (b)和5 (c),6 (b)和6 (c),因为影子的灰度值很低,增强的结果并不理想。裂缝被阴影覆盖的一部分;因此,裂缝并不明显的方向子带图或重建的结果图,这是不利于裂纹检测。关于数据4 (d)和4 (e),5 (d)和5 (e),6 (d)和6 (e)应用后,我们提出了影子分离算法,方向子带图像和重组的影子图像显示的裂缝信息,这有利于后续处理。因此,有必要单独的影子检测裂缝的必经之路。
(一)
(b)
(c)
(d)
(e)
(一)
(b)
(c)
(d)
(e)
3.2.3。算法的适应性影子分离不同的形状
图7显示了自适应算法的实验结果将不同结构的阴影。有18种阴影图像((1)∼(18)。迭代的数量是50。左边(a)是原始道路图像等不同的阴影车辆阴影,树的影子,栏杆的影子,大影子,和垂直阴影,阴影部分(b), (c)是分离后的影子。
通过适应性的实验不同形状的影子分离,结果表明,该算法可以实现阴影分离的目的。
3.2.4。与其他作品
我们利用绩效评估公式提出了(24]。评价指标是影子检出率R1如下: 其中下标年代代表影子,TP年代正确认识到阴影像素的数量,FN吗年代是阴影像素的数量不正确。可以看出,R的值越大1,效果越好。
三个不同的数据集,如表所示1,是用来评估我们的模型。图像序列的1号公路,2号高速公路,highway-3被广泛用作阴影检测的参考图像序列。影子的大小、阴影强度、车辆类型、大小和速度在这些图像序列是不同的。
为了比较,表2显示了现有模型的结果与我们的模型的三个数据集。可以看到,我们的模型与其他模型显著提高。
3.2.5。道路监控图像阴影去除
这种方法可以进一步用于道路监控图像的预处理去除阴影。目前,许多阴影去除算法首先需要获得背景图像,然后各种算法用于删除影子根据获得的目标图像和背景图像之间的区别。在这部作品中,原始图像可以由MCA,然后可以删除影子multigradient分析和形态学操作。
根据阴影的属性,每个像素的灰度在阴影区域( )时代背景图像中的对应点,和n值有一个小阴影区域的变化,也就是说,它是在低频区域。同时,目标区域的灰度比背景灰度通常是一个变量值,也就是说,在高频区。梯度算子突出灰度变化的函数。通过使用multigradient分析,点的灰度值与高灰度变化大,所以这些梯度值可以用来判断图像灰度的连续性和一致性。一般来说,阴影区域的灰度相对统一,和波动很小,而阴影和目标之间的界限将会戏剧性的灰度变化。
图8显示阴影去除的实验结果基于MCA和multigradient分析。背景图像差分法是一种简单而有效的方法在目标探测,也是目前广泛使用的。然而,它需要事先存储的背景图像。根据对象之间的差异和背景灰度,通过操作之间的差异背景图像与当前图像,每个像素的值与预设阈值相比,结果是,分为前风景区和背景点。背景图像和当前图像在这个实验中来自MCA的结果,所以不需要预先存储的背景图像。通过multigradient分析,改进Sobel算子是用于分析相应地区的梯度垂直的对角线,水平方向。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
4所示。结论
在这部作品中,算法基于稀疏分解的影子分离进行了研究。它可以自适应近似影子和图像背景的图像,以便提供一个高质量的输入图像,满足高层次的需求形象理解为图像分割,目标识别和其他任务作为图像预处理步骤。该算法包括稀疏表示理论和大脑中动脉。MCA是一个信号,基于稀疏表示的图像分解方法。它的主要假设是,图像的几何结构和纹理结构组件中稀疏的类在一个特定的基地或overcomplete字典,而基地或overcomplete字典稀疏表示的各种形态组件是不连贯的。为了解决道路问题的影子,道路阴影的方法提出了基于MCA分离。首先,根据图像的几何特征,找到对应的字典稀疏表示每个部分。此后,根据字典,相应的图像信号转换获得每个部分的稀疏表示系数,系数是与软阈值收缩,得到一个新的系数;最后,系数分别倒生的,过程是迭代多次分离所需的道路图像和阴影部分。因此,我们可以利用各种信息组件在路上的形态差异图像分离。 From the experimental results demonstrated in this work, it is verified that the proposed method is effective for shadow separation applications and achieves better performance results than state-of-the-art techniques.
数据可用性
使用的数据来支持本研究的发现是可用的http://cvrr.ucsd.edu/aton/shadow/。
的利益冲突
作者宣称没有利益冲突有关的出版。