亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于K均值聚類算法的霧天識別方法研究

        2015-12-02 21:02:28孟凡軍李天偉徐冠雷韓云東
        現(xiàn)代電子技術(shù) 2015年22期
        關(guān)鍵詞:自動識別

        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.

        猜你喜歡
        自動識別
        中國自動識別技術(shù)協(xié)會
        船舶模擬駕駛系統(tǒng)障礙物自動識別方法
        基于數(shù)據(jù)挖掘的船舶航跡自動識別系統(tǒng)
        太陽黑子自動識別與特征參量自動提取
        基于衛(wèi)星遙感圖像的收費站位置自動識別與校核
        船舶自動識別系統(tǒng)對船舶救助的影響
        水上消防(2019年3期)2019-08-20 05:46:08
        基于改進Canny算法的道路標線自動識別及定位
        自動識別系統(tǒng)
        特別健康(2018年3期)2018-07-04 00:40:18
        金屬垃圾自動識別回收箱
        基于IEC61850的配網(wǎng)終端自動識別技術(shù)
        電測與儀表(2016年6期)2016-04-11 12:06:38
        全部亚洲国产一区二区| 久久成人麻豆午夜电影| 国产91吞精一区二区三区| 免费无码av片在线观看播放| 1000部夫妻午夜免费| 免费精品美女久久久久久久久久| 国产一区二区av在线观看| 国产婷婷色一区二区三区深爱网| 日韩精品久久久肉伦网站| 亚洲色图在线观看视频| 亚洲av色香蕉一区二区三区蜜桃 | 亚洲人成人网站在线观看| 亚洲人成人网毛片在线播放| 黄网站a毛片免费观看久久| 永久免费视频网站在线| 国产精成人品日日拍夜夜免费 | 国产啪精品视频网站丝袜| 少妇极品熟妇人妻高清| 视频在线国产一区二区| 国产高清乱码又大又圆| 99国产精品无码| 国产一区二区牛影视| 日本一区二区三区免费| 18国产精品白浆在线观看免费| 亚洲精品综合一区二区三| 国产午夜精品电影久久| 国产精品久久久一本精品| 人妻尤物娇呻雪白丰挺| 一道本久久综合久久鬼色| 亚洲成av人片在线观看ww| 国产99页| 男男做h嗯啊高潮涩涩| 成年女人a级毛片免费观看| 激情内射亚洲一区二区三区爱妻| 中文字幕精品永久在线| 日韩精品在线免费视频| 国产麻豆精品久久一二三| 无码av免费精品一区二区三区| 久久久熟女一区二区三区| 中文无码一区二区不卡av| 亚洲av无码成人黄网站在线观看|