基于混合濾波算法的太陽光斑圖像位置跟蹤*

劉 劍， 李 彤， 孫 睿， 劉鴻儒(沈陽建筑大學 信息與控制工程學院， 沈陽 110168)

控制工程

基于混合濾波算法的太陽光斑圖像位置跟蹤*

劉 劍， 李 彤， 孫 睿， 劉鴻儒
(沈陽建筑大學 信息與控制工程學院， 沈陽 110168)

針對傳統(tǒng)濾波算法存在不能完全消除太陽光斑中孤立噪聲點、太陽光斑圖像邊緣模糊的缺陷，導致太陽能自動跟蹤系統(tǒng)跟蹤精度低、穩(wěn)定性差等問題，提出一種基于改進的維納濾波與極值檢測中值的濾波混合噪聲算法對太陽光斑消噪濾波.在不同情況下利用實測某地太陽高度角、方位角等進行仿真實驗，結果表明，該算法能夠適應復雜天氣條件，在陰雨、霧霾天氣下仍能對太陽精準跟蹤，達到提高太陽能利用率的預期效果.

圖像去噪； 均值濾波； 中值濾波； 維納濾波； 高斯濾波； 峰值信噪比； 高度角； 方位角； 跟蹤精度

在拍攝太陽光斑圖像時，會受到陰雨、霧霾天氣的影響，并且在圖像信息輸入傳輸過程中，均存在不同的噪聲干擾，使太陽光斑圖像的質量產生退化失真[1]，影響太陽質心位置檢測的準確度.因而有必要在圖像預處理階段對太陽光斑進行消噪濾波，使得太陽光斑圖像滿足后期處理要求[2].

傳統(tǒng)的圖像消噪濾波處理方法可分為空間域法和頻率域法兩類[3].空間域法直接處理圖像像素灰度值；頻率域法先將圖像信號變換到頻率域再進行濾波處理，常見的有均值濾波、中值濾波、維納濾波及高斯濾波[4-8]等，雖然對圖像去噪濾波都有良好的效果，但仍存在一定不足.椒鹽噪聲和高斯噪聲在日常生活中最為常見[9-10]，在實際應用中椒鹽噪聲和高斯噪聲會嚴重影響太陽光斑圖像質量.本文介紹了幾種常見的圖像濾波方法原理及其缺點，研究基于改進的維納濾波與極值檢測中值濾波的混合噪聲算法對椒鹽噪聲和高斯噪聲的良好抗擾效果，并通過仿真實驗對比了幾種常見濾波算法與本文濾波算法對噪聲濾波效果以及對太陽高度角和方位角跟蹤精度.

1 常見圖像濾波方法局限性

1.1 均值濾波

均值濾波的基本思想是將圖像中待處理像素點與其周圍領域點的像素構成一個集合，求取該集合內像素灰度的平均值，并將其像素灰度平均值作為該集合所有像素點的像素灰度值，故又稱為領域平均法.均值濾波操作實現(xiàn)簡單，運算迅速，但由于對整幅圖像所有像素點統(tǒng)一處理，在平滑噪聲信號的同時丟失大量圖像原有信號，使得太陽光斑圖像過于模糊，其模糊程度與領域大小成正比.

1.2 中值濾波

中值濾波是基于排序統(tǒng)計理論的一種能夠有效抑制噪聲的非線性信號處理技術.中值濾波的基本原理是把數(shù)字圖像或者數(shù)字序列中某點值用該點某個領域內其他點的中值所代替，使其周圍像素值與真實值更為接近，進而消除相對孤立的噪聲點.中值濾波對噪聲的處理效果良好，但由于取中值像素值的特性，在采用中值濾波進行處理時，會使光斑邊緣信息大量丟失，從而使得太陽光斑邊緣模糊.

1.3 維納濾波

維納濾波是使輸入含有噪聲信號與輸出恢復信號之間均方誤差最小的最優(yōu)線性估計算法.維納濾波抑制噪聲效果良好，在灰度差值較小時仍具有良好的平滑處理效果，從而降低太陽光斑圖像邊緣模糊程度，但由于實際應用中含噪圖像的特性未知，使得維納濾波應用具有局限性.

1.4 高斯濾波

高斯濾波是一種線性平滑濾波算法，其濾波過程就是對整幅圖像像素點加權平均，圖像中每個像素點的值都由本身像素與其相領域內像素值通過加權平均得到，可以有效地消除高斯噪聲.高斯濾波對去除符合正態(tài)分布的噪聲信號效果良好，但對于太陽光斑圖像中椒鹽噪聲處理效果并不理想.

2 本文濾波算法

實際拍攝獲取的太陽光斑圖像受到陰雨、霧霾天氣干擾，往往同時出現(xiàn)高斯噪聲和椒鹽噪聲.維納濾波對圖像中高斯噪聲處理效果良好，但難以滿足太陽光斑輸入圖像信號和干擾噪聲信號是平穩(wěn)隨機的要求；中值濾波能夠抑制椒鹽噪聲，但同時丟失大量圖像邊緣信息，使得太陽光斑邊緣模糊.本文提出一種基于改進的自適應維納濾波與極值檢測中值濾波的混合噪聲算法對太陽光斑圖像進行消噪濾波.

自適應維納濾波器應用圖像的局部均值和方差獲得濾波后的圖像，以達到含噪圖像濾波的目的.設f(x，y)為飽和層太陽光斑圖像的像素點，太陽光斑原始圖像由HSV模型表示，其飽和層的局部均值μ(x，y)與方差σ2(x，y)為

(1)

(2)

(3)

對于圖像f(x，y)，使用自適應維納濾波處理后的輸出圖像為

μ(x，y)

(4)

[f(x，y)-μ(x，y)]+μ(x，y)

(5)

設信號輸入序列為{Oi，i∈N}，則濾波器的信號輸出為

b= Med{Oi}=

Med{Oi-u，Oi-u+1，…，Oi，…，Oi+u-1，Oi+u}

(6)

式中：Med為中值函數(shù)；N為自然數(shù)集合；n為窗口長度.

Med{x(a+r)，(b+s)，(r，s)∈m，(a，b)∈N2}

(7)

式中：m為中值濾波器的濾波窗口；a、b為各像素點位置；xab為各像素點灰度值.對圖像中的點進行窗口操作，若窗口大小為5×5，則可表示為

(8)

(9)

式中：Min(M(xab))為窗口M(xab)內灰度值最小點；Max(M(xab))為窗口M(xab)內灰度值最大點.按照上述標準分類所有像素點，輸出圖像像素由yab表示，則基于極值檢測的中值濾波算法可表示為

(10)

基于極值檢測的中值濾波對于恒定區(qū)域的點有可能被誤判為噪聲點，但對于含有椒鹽噪聲的太陽光斑圖像處理效果較好，并更好地保留了太陽光斑圖像邊緣信息.

3 仿真實驗與分析

本文利用MATLAB圖像仿真實現(xiàn)對太陽光斑圖像的消噪濾波、二值化處理及質心提取.2015年9月18日在沈陽市渾河地區(qū)對太陽高度角和方位角進行實測，地理坐標為(E123.430，N41.743)；數(shù)據(jù)收集從9時至15時，測試結果記錄間隔為1h；太陽光斑不存在偏差時位于圖像正中心位置，即像素坐標為(192，396).

3.1 消噪濾波結果

在仿真試驗中將采集到的太陽光斑圖像作為實驗對象，對采集到的太陽光斑圖像同時加入高斯噪聲和椒鹽噪聲.將本文提出的基于改進的自適應維納濾波與極值檢測中值濾波的混合濾波算法與均值濾波、中值濾波、維納濾波、高斯濾波進行比較，仿真結果如圖1所示.

圖1 不同算法去噪效果Fig.1 Denoising effect with different algorithms

由圖1可以看出，采用幾種常見的濾波算法對噪聲信號處理效果不夠理想.采用維納濾波和中值濾波去除噪聲，對濾除高斯噪聲效果非常理想，而對椒鹽噪聲濾除效果不明顯；采用均值濾波和高斯濾波可以很好地去除椒鹽噪聲，但沒能理想地濾除高斯噪聲，并出現(xiàn)太陽光斑邊緣模糊現(xiàn)象；采用本文提出的基于改進的自適應維納濾波與極值檢測中值濾波的混合噪聲算法對高斯噪聲和椒鹽噪聲濾除更徹底，并很好地保留了太陽光斑邊緣信息.

3.2 去噪性能比較

噪聲對比實驗選取圖1進行測試，通過高斯濾波、均值濾波、維納濾波、中值濾波和本文混合濾波去噪方法進行處理，處理后的PSNR值如表1所示，對比曲線如圖2所示.PSNR值代表去噪效果，PSNR值越大，去噪效果越好，其計算公式為

(11)

(12)

式中：MSE為兩幅m×n圖像I、K的均方差；MaxI為圖像顏色的最大數(shù)值.

表1 不同去噪算法的PSNR值Tab.1 PSNR values of denoising algorithms dB

圖2 PSNR值比較Fig.2 Comparison in PSNR values

通過表1及圖2可知，本文混合濾波去噪的PSNR值高于其他幾種濾波算法，說明本文混合濾波算法對含噪太陽光斑圖像去噪效果優(yōu)于其他幾種濾波算法.混合濾波算法降低了維納濾波和中值濾波的時間復雜度，其濾波時間與其傳統(tǒng)算法比較如圖3所示.通過濾波時間的比較說明混合濾波算法提高了濾波速度，增強了圖像處理的實時性.

3.3 實驗數(shù)據(jù)測量

以基于圖像處理的太陽能跟蹤方式對太陽進行跟蹤，每次跟蹤完成后，啟動攝像頭采集太陽光斑位置圖像，并對采集到的圖像進行處理，得到太陽光斑質心坐標，計算跟蹤誤差.

圖3 去噪時間比較Fig.3 Comparison in denoising time

采用均值濾波、中值濾波、維納濾波、高斯濾波及混合濾波算法對太陽高度角及方位角進行跟蹤，跟蹤誤差如圖4、5所示.

圖4 高度角跟蹤誤差對比Fig.4 Comparison in tracking error of altitude angle

圖5 方位角跟蹤誤差對比Fig.5 Comparison in tracking error of azimuth angle

采用不同濾波算法對太陽光斑圖像進行去噪，跟蹤得到不同時間實測數(shù)據(jù)以及相應計算得到的誤差如表2所示.

對表2實測數(shù)據(jù)進行分析，以太陽光斑圖像跟蹤方式進行跟蹤，避免了高度角和方位角累計誤差，同時比較穩(wěn)定.根據(jù)圖4、5可得，相對于幾種常見的濾波算法，采用混合噪聲算法對太陽高度角與方位角的跟蹤精度更高.

表2 基于圖像處理的太陽光斑位置跟蹤測試數(shù)據(jù)Tab.2 Location tracking test data of sun light spot based on image processing

表3 不同濾波處理的平均誤差Tab.3 Average error under different filtering processing (°)

4 結 論

對太陽光斑圖像處理過程中，圖像濾波除噪的效果將影響跟蹤精度，濾波器對太陽光斑圖像噪聲濾除越徹底，圖像分心定位越準確.基于圖像處理的太陽光斑位置跟蹤系統(tǒng)克服了陰雨、霧霾天氣的影響，實現(xiàn)全天候跟蹤；采用基于改進的自適應維納濾波與極值檢測中值濾波的混合噪聲算法改善了系統(tǒng)的穩(wěn)定性和跟蹤精度，提高了太陽能利用率的預期效果，具有實際應用價值.

[1]李文華，牛曉靖，郭辰光.基于機器視覺的太陽能板自動跟蹤系統(tǒng)研究 [J].控制工程，2015，22(4)：659-663.

(LI Wen-hua，NIU Xiao-jing，GUO Chen-guang.Solar panels automatic tracking system based on machine vision research [J].Control Engineering of China，2015，22(4)：659-663.)

[2]劉淼生.基于圖像處理的太陽跟蹤控制系統(tǒng)研究與開發(fā) [D].武漢：華中科技大學，2011：42-49.

(LIU Miao-sheng.Resarch and development of sun-tracking control system based on image processing [D].Wuhan：Huazhong University of Science and Technology，2011：42-49.)

[3]Marshall S，F(xiàn)letcher L，Hough K.Optimal filtering of solar images using soft morphological processing techniques [J].Astronomy & Astrophysics，2006，457(2)：729-736.

[4]葛婷.幾種數(shù)字圖像濾波算法 [D].南京：南京信息工程大學，2006：38-42.

(GE Ting.Several digital image filter algorithms [D].Nanjing：Nanjing University of Information Science & Technology，2006：38-42.)

[5]Pitas I，Venetsanopoulos A N.Nonlinear digital filters：principles and applications [M].Berlin：Springer Science & Business Media，2013：58-60.

[6]楊輝，唐建鋒，楊利容，等.基于中值濾波和維納濾波的圖像混合噪聲濾波研究 [J].衡陽師范學院學報，2011，32(6)：52-55.

(YANG Hui，TANG Jian-feng，YANG Li-rong，et al.Study on removal of mixed noise in image based on median filter and wiener filter [J].Journal of Heng-yang Normal University，2011，32(6)：52-55.)

[7]Srivastava S，Lumb M，Singal R.Lane detection using median filter，wiener filter and integrated hough transform [J].Journal of Automation and Control Engineering，2015，3(3)：54-56.

(FANG Xian-cheng.Two new methods of gauss-sail and pepper mixed noise denoising [D].Changchun：Jilin University，2013：23-29.)

[9]段振云，羅曉鳳，楊旭.基于各向異性擴散濾波的邊緣提取算法 [J].沈陽工業(yè)大學學報，2014，36(4)：421-425.

(DUAN Zhen-yun，LUO Xiao-feng，YANG Xu.Edge extraction algorithm based on anisotropic diffusion filtering [J].Journal of Shenyang University of Technology，2014，36(4)：421-425.)

[10]Rum I，Sharif M，Raza M，et al.A nonlinear hybrid filter for salt & pepper noise removal from color images [J].Journal of Applied Research and Technology，2015，13(1)：79-85.

(責任編輯：景 勇 英文審校：尹淑英)

Image location tracking of sun light spot based on hybrid filtering algorithm

LIU Jian, LI Tong, SUN Rui, LIU Hong-ru
(Information & Control Engineering Faculty, Shenyang Jianzhu University, Shenyang 110168, China)

Aiming at the problem that the solar energy automatic tracking system has low tracking precision and poor stability in the traditional filtering algorithm because the isolated noise points in the sun light spot can not be completely eliminated and the image edge of sun light spot is fuzzy, a hybrid filtering noise algorithm based on the improved Wiener filtering and the detection mid-value of extreme value was proposed to carry out the denoising and filtering of sun light spot.Through measuring the solar altitude angle and azimuth angle at a certain place in different cases, the simulation experiments were performed.The results show that the proposed algorithm can adapt to the complex weather conditions, and can still conduct the accurate tracking of the sun under the rain and haze weather.Therefore, the proposed algorithm can reach the desired effect of improving the solar utilization ratio.

image denoising; average filtering; median filtering; Wiener filtering; Gaussian filtering; peak signal to noise ratio; altitude angle; azimuth angle; tracking accuracy

2016-03-29.

遼寧省教育廳科學研究資助項目(L20154431)； 遼寧省住建部資助項目(2015-K2-015)； 遼寧省科技廳資助項目(2014231001).

劉 劍(1962-)，女，遼寧沈陽人，教授，博士，主要從事機器視覺、智能控制和建筑智能化等方面的研究.

10.7688/j.issn.1000-1646.2017.04.15

TM 343

A

1000-1646(2017)04-0438-06

*本文已于2017-03-28 17∶09在中國知網(wǎng)優(yōu)先數(shù)字出版. 網(wǎng)絡出版地址： http：∥www.cnki.net/kcms/detail/21.1189.T.20170328.1709.032.html