孟凡軍+李天偉++徐冠雷+韓云東

摘 要： 為實現(xiàn)視頻監(jiān)控設(shè)備對霧天天氣現(xiàn)象的自動識別，提出了基于K均值聚類算法的霧天天氣現(xiàn)象自動識別方法。該方法通過分析霧天天氣現(xiàn)象對視頻圖像采集的影響，提取圖像飽和度的均值、方差為特征參數(shù)，并利用K均值聚類算法對訓練圖像進行分類，得到不同圖像類別的聚類中心，測試階段計算不同圖像與聚類中心的相異度即可完成分類。實驗結(jié)果表明，該方法簡潔高效，易于實現(xiàn)對大規(guī)模圖像數(shù)據(jù)的處理，并能實現(xiàn)圖像分類后類別的標注，對霧天的識別率高于90%。

關(guān)鍵詞：霧天； 自動識別； K均值聚類算法； 圖像飽和度

中圖分類號： TN958?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）22?0080?04

0 引 言

現(xiàn)代海戰(zhàn)往往是多軍、兵種的協(xié)同作戰(zhàn)。在影響戰(zhàn)斗力的諸多因素中，天氣是惟一無法加以控制但又具有決定意義的因素。當艦船在霧中（包括霧、雨、雪等能見度不良天氣條件）航行時，其定位、導航、規(guī)避等都會受到相當大的影響。同時，在城市生活中，霧也是一種常見的視程障礙類天氣現(xiàn)象，對當?shù)厣a(chǎn)、生活和交通都產(chǎn)生著極大影響。而目前在氣象領(lǐng)域，我國氣象臺站的天氣現(xiàn)象業(yè)務(wù)仍以人工觀測為主，未完全實現(xiàn)自動化，天氣現(xiàn)象信息的采集耗費了大量的人力和物力。因此近年來，在智能視頻和圖像理解技術(shù)的不斷發(fā)展下，基于視頻圖像數(shù)據(jù)的天氣現(xiàn)象自動識別研究也受到了較為廣泛的關(guān)注[1?3]。

1 研究現(xiàn)狀

近年來，人們已從不同角度對霧天天氣現(xiàn)象識別進行了研究，并取得了一定的成果。文獻[1]主要針對室外圖像，著重分析了天氣現(xiàn)象對圖像采集的影響，并提取圖像各項特征進行訓練分類，對霧天的識別率[1]高于85%；文獻[3]對原有的雙色模型算法進行改進，用于識別包括霧天在內(nèi)的視程障礙類天氣現(xiàn)象[3]。文獻[4]對同一場景采集不同天氣條件下的視頻圖像，采用了一種多垂線檢測方法，提高了霧天天氣識別的正確率[4]。文獻[5]提取差分圖像的紋理特征識別出當前天氣，并實現(xiàn)了對霧天交通圖像的快速去霧[5]。

以上這些方法所提取圖像特征較為固定，對大規(guī)模數(shù)據(jù)的處理不夠高效，對霧天識別的針對性不強，不能充分滿足當前應(yīng)用需求。

為更快速高效地實現(xiàn)霧天的識別與分類，本文針對霧天視頻圖像進行分析，提取圖像飽和度特征，并計算飽和度均值與方差，最后利用K均值聚類算法進行分類識別。其基本流程如圖1所示。

2 圖像特征提取

2.1 霧天對圖像采集的影響

霧天天氣條件下，大氣中的氣溶膠含量很高，此時在可見光波段，由于氣溶膠對光波的散射作用，通過視頻成像系統(tǒng)獲得的圖像都會有一定程度的降質(zhì)[4]。

霧氣形成后，大氣粒子會形成許多反射面，并且部分大粒徑粒子會遮擋光線，這時自然光線無法穿透，而是被反射出來，各種顏色的光線被反射掉的同時也會產(chǎn)生衰減，霧就變成“白茫?！钡牧恕?/p>

這時候在所采集視頻圖像上的直觀反映就是飽和度的降低。基于此，提取圖像飽和度的均值與方差作為識別霧天天氣現(xiàn)象的特征。

2.2 霧天圖像特征提取

本文首先進行圖像由RGB模式到HSV模式的空間轉(zhuǎn)換，并從采集圖像集中隨機選100副圖像（50副霧天圖像，50副非霧天圖像）作為訓練圖像，提取圖像的飽和度特征，并計算圖像飽和度的均值與方差，最后利用K均值聚類算法進行分類。

RGB（物理三基色）模式是色光的彩色模式，R，G，B分別代表紅、綠、藍3種不同的顏色，3種色彩疊加形成了其他的色彩。HSV是一種主觀彩色模型，不是將某種特定的顏色分解為三原色，而是描述顏色的三種屬性，分別為色調(diào)（Hue）、飽和度（Saturation）和純度（Value）。其中，飽和度值表示顏色中摻入白光的比例，純光譜的含量越多，其飽和度值也就越高[6]。

對于任何3個在[0，1]范圍內(nèi)的R，G，B值，其對應(yīng)的HSV模式中的S（飽和度）分量可以由下面給出的公式[6]計算：

[S=1-3R+G+Bmin（R，G，B）] （1）

本文在該部分提取圖像飽和度為特征，計算其均值與方差，并形成二維數(shù)據(jù)集。

3 K均值聚類算法在霧天識別中應(yīng)用

3.1 算法概述

聚類描述的是一個無監(jiān)督統(tǒng)計過程，該過程將物理或抽象對象的集合，按照一定的計算方法，分成多個類。聚類后所生成的類是一組具有相似特征的數(shù)據(jù)對象的集合，同一類中的對象彼此相似，不同類中的對象彼此相異[7]。常用的聚類方法主要有劃分法、層次法、密度法、網(wǎng)格法以及模型法五種[7?9]。

K均值聚類是最著名的劃分聚類算法，因簡潔和高效而被廣泛使用。通常，給定一個數(shù)據(jù)點集合以及需要的聚類數(shù)目K（K由用戶指定），K均值聚類算法便會根據(jù)某個距離函數(shù)（本文采用歐式距離）把對象分為K個聚類。這個過程中，首先要隨機選取K個初始聚類中心，然后計算每個數(shù)據(jù)對象與各個聚類中心之間的距離（本文計算歐式距離），根據(jù)所得值將每個對象分配給距離它最近的子聚類。

聚類中心以及分配給它們的對象所形成的簇集就代表一個聚類。全部對象都被分配后，會根據(jù)聚類中現(xiàn)有的對象重新計算每個聚類的聚類中心。這個過程將不斷重復(fù)，直到數(shù)據(jù)集中的任何一個對象不再被分配給不同聚類，或者所得到的聚類中心不再發(fā)生變化[9?10]。

3.2 算法流程

Step1：預(yù)處理，數(shù)據(jù)規(guī)格化

提取訓練圖像的特征值，并對特征值進行規(guī)格化。也就是按照一定比例，完成所提取圖像特征值到相同取值空間的映射，從而平衡各個特征值對距離的影響。本文將各個特征值映射到[0，1]區(qū)間，映射公式如下：

[ai′=ai-min（ai）max（ai）-min（ai）] （2）

式中[ai]代表選擇的圖像特征值。本文提取圖像飽和度的均值和方差形成數(shù)據(jù)集D，作為特征參數(shù)。

Step2：選取初始聚類中心

本文將圖像分為兩類（霧天與非霧天），則從數(shù)據(jù)集D中隨機選取兩個元素，作為兩個簇的初始聚類中心。

Step3：計算相異度

相異度即每個元素到聚類中心的距離。本文分別計算比較剩余元素到兩個初始聚類中心的歐式距離，將元素劃歸到距離較小的一簇。

Step4：重新計算聚類中心

根據(jù)聚類結(jié)果，取每個簇集中所有元素各自維度的算術(shù)平均值，計算得出新的聚類中心。按照新的聚類中心，將數(shù)據(jù)集中所有元素進行重新聚類。

Step5：循環(huán)迭代

循環(huán)以上步驟（Step4），直到所得聚類中心以及聚類結(jié)果收斂到不再變化。

Step6：輸出結(jié)果[8?9]。

本文在訓練階段提取圖像飽和度特征，計算其飽和度與方差，并運用K均值聚類算法得到霧天圖像與非霧天圖像的聚類中心。測試階段，提取測試圖像特征并計算測試對象與聚類中心的距離，并根據(jù)最小距離對相應(yīng)圖像進行劃分。

4 實驗結(jié)果與分析

為測試本文所運用的K均值聚類算法對視頻圖像中霧天識別的有效性，本文使用Intel[?]CoreTMi3?2310M CPU@2.10 GHz、RAM 4.00 GB的機器，在Matlab 7.1平臺下編程設(shè)計了相關(guān)實驗。

實驗數(shù)據(jù)采用的是本文采集的圖像數(shù)據(jù)1 000幅，每幅圖像均手工標記有晴、陰、雨、霧、沙塵等天氣現(xiàn)象。由于夜間的各種天氣現(xiàn)象在圖像中反映不夠明顯，因此本文隨機抽取采集圖像數(shù)據(jù)集中100幅白天圖像（50幅霧天圖像，50幅非霧天圖像）作為訓練樣本，樣本圖像如圖2所示。

4.1 圖像特征提取

本文首先對所選取的100幅樣本圖像進行分析，將圖像模式進行由RGB空間到HSV空間的轉(zhuǎn)換，經(jīng)計算得到圖像飽和度的均值與方差，得到數(shù)據(jù)集D，結(jié)果如表1所示。

4.2 聚類結(jié)果

根據(jù)3.2節(jié)所講到的K均值聚類算法流程，本文首先從數(shù)據(jù)集D中隨機選取兩個元素，作為兩個簇的聚類中心，為了計算更有說服力，分類前兩簇圖像中均包含部分霧天圖像并作以記錄。分組前的圖像特征數(shù)據(jù)分布如圖2所示。其中符號“+”和“○”代表分類前的兩簇數(shù)據(jù)。

在對樣本圖像數(shù)據(jù)進行聚類分析之后，結(jié)果如圖4所示。其中符號“+”代表K均值聚類分析后的第一類圖像（霧天圖像），“○”分別代表K均值聚類分析后的第二類圖像（非霧天圖像）。符號“☆”代表計算得到的兩個聚類中心：[0.131 3，0.021 5]，[0.536 5，0.025 6]。

測試階段本文又選取采集圖像集中具有代表性的100幅圖像進行測試，計算測試對象與聚類中心的歐式距離，并根據(jù)最小距離對相應(yīng)對象進行劃分。

實驗結(jié)果表明，該算法能有效地實現(xiàn)視頻圖像數(shù)據(jù)中的霧天識別，識別正確率高達90%。但對雨天圖像與霧天圖像的區(qū)分不明顯。

5 結(jié) 語

本文運用K 均值聚類算法實現(xiàn)了視頻圖像數(shù)據(jù)中的霧天識別。實驗證明，該算法思想簡便，并能高效地完成大規(guī)模數(shù)據(jù)的處理，達到了預(yù)期的效果。實驗結(jié)果證明識別正確率達到90%以上。但是，本文僅限于區(qū)別霧天和非霧天兩種天氣現(xiàn)象，針對更為復(fù)雜的其他天氣現(xiàn)象識別需要基于更為復(fù)雜的算法[10]進行進一步研究。因此，在未來的工作中，重點將在如下幾個方面進行改善和拓展：視頻圖像中雨天與霧天的區(qū)分；霧天中輕霧、中霧、濃霧的分類；其他天氣現(xiàn)象的分類。

參考文獻

[1] 李騫，范茵，張璟，等.基于室外圖像的天氣現(xiàn)象識別方法[J].計算機應(yīng)用，2011（6）：1624?1627.

[2] ROSER M， MOOSMANN F. Classification of weather situations on single color images [C]// Proceedings of 2008 IEEE Intelligent Vehicles Symposium. Eindhoven： IEEE， 2008： 798?803.

[3] 郭佳，楊玲，吳可軍，等.基于改進雙色模型的視程障礙類天氣現(xiàn)象識別[J].氣象科技，2013（2）：236?241.

[4] 宋曉建，楊玲.基于圖像退化模型的天氣現(xiàn)象識別[J].成都信息工程學院學報，2011（2）：132?136.

[5] 宋洪軍，陳陽舟，郜園園.基于交通視頻的霧天檢測與去霧方法研究[J].控制工程，2013（6）：1156?1160.

[6] 秦襄培，鄭賢中.Matlab圖像處理寶典[M].北京：電子工業(yè)出版社，2011.

[7] 羅可，蔡碧野，吳一帆，等.數(shù)據(jù)挖掘中聚類的研究[J].計算機工程與應(yīng)用，2003（20）：182?184.

[8] MACQUEEN J B. Some methods for classification and analysis of multivariate observations [C]// Proceedings of 1967 the 5th Berkeley Symposium on Mathematical Statistics and Probability. Berkeley： [s.n.]， 1967： 283?297.

[9] 徐義峰，陸春明，徐云青.一種改進的K均值聚類算法[J].計算機應(yīng)用與軟件，2008，25（3）：275?277.

[10] 謝娟英，蔣帥，王春霞，等.一種改進的全局K?均值聚類算法[J].陜西師范大學學報，2010（2）：18?22.

[11] NARASIMHAM S G， NAYAR S K. Contrast restoration of weather degraded images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2003， 25（6）： 713?724.

[12] XU Guanlei， WANG Xiaotong， XU Xiaogang. Improved bi?dimensional empirical mode decomposition based on 2D assisted signals analysis and application [J]. IET Image Processing， 2011， 5（3）： 205?221.

[13] 張馭龍，張健.基于數(shù)值天氣預(yù)報預(yù)測電波雨衰的關(guān)鍵問題分析[J].現(xiàn)代電子技術(shù)，2014，37（1）：27?30.