視覺傳感網(wǎng)絡圖像破損數(shù)據(jù)交互方法仿真

陳 紓，孟 剛

(1.福州大學，福建 福州 350100；2.南京工業(yè)大學，江蘇 南京 211816)

1 引言

視覺傳感網(wǎng)絡可將多個攝像機的圖像數(shù)據(jù)做進一步融合，為用戶提供一些高級服務，使用戶得到感興趣的信息。其與普通傳感網(wǎng)絡的主要區(qū)別是傳感器采集信息的性質與數(shù)量不同[1]。由于采集的圖像需要利用無線傳輸方式進行傳輸，在此過程中會消耗較大能量，而節(jié)點自身資源較為有限，經常會導致圖像破損。因此有關圖像修復的內容便引起業(yè)內相關人士廣泛關注。

張小寒[2]等人提出基于平滑度測量和互相關制約的圖像修復算法。將圖像的Laplace算子引入到優(yōu)先權的運算過程中，增強圖像邊緣信息，同時使用置信度與數(shù)據(jù)項構建優(yōu)先權計算模型，得到優(yōu)先修復塊；使用等照度線的二階導數(shù)，獲取圖像平滑度；通過誤差平方和函數(shù)尋找最佳匹配塊，并對其唯一性進行制約，提高匹配精度。樓幸欣[3]等人提出一種改進的基于相似匹配塊組的修復方法。結合顏色信息定義匹配準則，利用相似塊和目標塊的匹配程度，確定稀疏系數(shù)權重，減少紋理模糊；確定不同區(qū)域樣本塊尺寸，避免修復過程中錯誤傳播現(xiàn)象。

但是上述兩種方法需要預先設置一系列規(guī)則，導致圖像修復過程較為復雜，計算量大。對此，提出基于互信息的圖像破損數(shù)據(jù)交互方法來達到圖像修復目的?；バ畔儆谛畔⒄撝械囊环N信息度量，可將其看做是隨機變量中含有的有關另一個隨機變量的信息量。將歸一化互信息取大準則作為交互的相似度準則，不但減少計算量，還可以提高交互效果，增強圖像重構后的質量，有效提升視覺傳感網(wǎng)絡的服務質量。

2 多尺度建模與去噪處理

2.1 多尺度建模

1)圖像時域模型

一般情況下，利用傳感器i獲得的采集圖像Ai和真實場景圖像S之間的關系可表示為

Ai=βiS+ai+εi，i=1，2，…，q

(1)

式中，q為傳感器數(shù)量，βi為第i個傳感器增益，ai為第i個傳感器存在的誤差，取決于傳感器自身性質[4]，εi為第i個傳感器噪聲情況。

2)像素多尺度域模型

利用矩陣與算子形式表示式(1)，寫作如下所示的基于像素表示的局部圖像時域模型[5]的標量形式

ai(k)=βi(k)s(k)+ai(k)εi(k)，i=1，2，…，q

(2)

式中，k=(xk，yj，m，r)為第m尺度上第r個像素的位置是(xk，yj)，ai(k)為第i個傳感器對于k點像素的觀測值，βi(k)為k點增益，s(k)為真實場景內k點像素灰度值，此處的k、j與m均為離散整數(shù)指標。

3)圖像的多傳感器矢量模型

對于式(2)表述的模型，與q個傳感器同樣位置點的各像素值構成的矢量表示為

α(k)=β(k)s(k)a(k)+ε(k)

(3)

式中

(4)

(5)

(6)

(7)

上述模型能夠體現(xiàn)出每個傳感器獲得圖像的互補特性[6]以及傳感器的增益與噪聲特性等信息。

2.2 破損圖像預處理

由像素多尺度域模型可知從不同傳感器中采集的原始圖像，會受到設備或環(huán)境等因素影響存在一定噪聲，影響交互效果。因此在數(shù)據(jù)交互之前，需對圖像做預處理。本文對非局部均值算法(Non-local means，NLM)進行改進，提出一種雙邊NLM濾波方法。

傳統(tǒng)的NLM方法，相似性權重只取決于搜索窗口中全部的灰度距離，降低了權重計算的精確度。本文綜合分析當前像素位置與周邊像素位置存在的關聯(lián)，建立非局部鄰域內的位置系數(shù)h(pi，pj)

(8)

(9)

式中，f(i′，j′)表示將(i′，j′)作為中心進行區(qū)域劃分的區(qū)塊像素值，pi′、pj′表示以i′與j′為中心的像素值。則獲取相鄰區(qū)域距離的加權表達式如下

(10)

(11)

(12)

此種去噪方法綜合分析了像素點和附近像素點之間存在的關聯(lián)，全方位考慮圖像有效像素點，使去噪效果更加突出。

3 基于歸一化互信息的圖像破損數(shù)據(jù)交互

3.1 圖像破損數(shù)據(jù)分布函數(shù)獲取

為更好的提高視覺傳感網(wǎng)絡圖像破損信息交互效果，需已知破損數(shù)據(jù)結構與紋理區(qū)域。本文利用葉貝斯理論計算破損數(shù)據(jù)結構與紋理部分稀疏系數(shù)[8]，獲得破損區(qū)域分布函數(shù)的均值與方差，詳細過程如下。

(13)

(14)

(15)

(16)

(17)

上述表明，在圖像破損數(shù)據(jù)交互過程中，先已知破損數(shù)據(jù)的結構與紋理區(qū)域，通過葉貝斯理論確定這兩個部分的稀疏系數(shù)，計算破損區(qū)域分布函數(shù)的平均值與方差，為數(shù)據(jù)交互奠定基礎。

3.2 圖像交互實現(xiàn)

在獲得圖像破損數(shù)據(jù)分布函數(shù)后，利用不同初始圖像的信息背景，將特征匹配與灰度匹配方式相結合，即首先獲取特征信息，再使用以歸一化互信息為相似度準則的匹配方法對破損圖像數(shù)據(jù)進行交互。

3.2.1 梯度邊緣提取

對于不同傳感器而言，由于采集環(huán)境的差異會導致圖像信息不同，而圖像邊緣是最基本特征。邊緣部分指周圍像素灰度存在階躍變化或屋頂變化的像素集合，普遍存在于背景之間、物體和物體之間。不管是哪類圖像傳感器，邊緣是最主要的特征。因此必須利用有效方法提取梯度邊緣特征。

本文利用基于互信息的方法提取圖像邊緣特征，首先需設定一個擴展結構Q

(18)

式中，*屬于卷積運算符號，Kp代表標準差的二維高斯核，Ix′與Iy′分別代表圖像梯度在x′、y′方向上的分量。針對任意一個像素點Q做特征分解，獲得兩個特征矢量w1與w2，以及兩個特性值u1與u2(u1>u2)。假設某像素對應的兩個特性值存在較大差異，則判斷該像素點位于圖像邊緣處。

但強邊緣上對應點特性值的差值遠遠高于弱邊緣上特性值的差值。為忽略差值與邊緣強弱的關系，針對所有像素，定義一個參數(shù)c如下

(19)

式中，參數(shù)c為像素在邊緣部分的信息水平，取值為[0，1]。該值越大說明像素處于邊緣的可能性越大，c=1代表此像素一定處于邊緣上，c=0代表不在邊緣上。τ為閾值，能夠避免均質區(qū)域內像素存在較大的c。τ的大小取決于u1，需要確保存在非零c值的像素占圖像整體像素的一半以下。對于每個像素而言，獲取對應的c值后，即獲得邊緣圖像c。

上述方法不但可以完整提取原圖全部邊緣特征，還能將邊緣擴展到周邊區(qū)域，增加可用交互的信息量，為交互效果提供信息保證。

3.2.2 歸一化互信息取大交互

在交互過程中相似度準則的選取上，利用歸一化互信息取大的準則，其中進行交互的信息即為上述過程中提取的邊緣信息，由于邊緣信息比圖像整體灰度信息量少很多，因此可以提高破損信息交互速度，具體交互過程如下。

假設兩個待交互的圖像分別為A與B，它們的熵表示為H(A)與H(B)，聯(lián)合熵記作H(A，B)，則歸一化互信息表示為

(20)

式中

(21)

(22)

(23)

式中，PA(a′)與PB(b′)為A和B的邊緣分布函數(shù)，PAB(a′b′)為A和B聯(lián)合概率分布函數(shù)。

詳細的數(shù)據(jù)交互過程就是將圖像A當作參考圖像，始終保持不動，將圖像B做空間轉換。針對邊緣圖像A(m′，n′)與B(m′，n′)交互過程就是在相似性測度基礎上，選取確保兩幅圖像相似度達到最大空間轉換關系的過程。空間變換表達式為

(24)

式中，T′為空間變換關系。所以交互過程可表示為

(25)

當兩幅破損圖像數(shù)據(jù)達到最佳交互效果時，與其對應的圖像特征歸一化互信息最大。

由于使用歸一化互信息準則時，參與運算的信息是提取后的邊緣圖像，在增強交互效果的同時也提高了計算量。為解決這一問題，通過金字塔分解方式對整個交互過程進行優(yōu)化。

利用金字塔分解技術對待交互的圖像進行分解，劃分的層數(shù)可根據(jù)具體情況定義，通常分解為三級。也就是將圖像的高與寬都縮小到原來的1/8，此時頂層金字塔計算量是原來的1/64，因此大大減少計算量。優(yōu)化流程如下：

步驟一：選取變換模型，通常分為投影變換、平移、旋轉與縮放；

步驟二：將待交互的圖像進行金字塔分解，確定最佳分解層數(shù)，獲取待交互的金字塔圖像；

步驟三：對圖像第λ層做空間轉換，獲取新的λ層圖像；

步驟四：對金字塔圖像的第λ層根據(jù)上述的梯度邊緣提取方法進行處理，得到第λ層圖像的邊緣圖像；

步驟五：對邊緣圖像做歸一化互信息相似度匹配，判斷是否達到最佳交互效果，如果沒有則重新進行步驟三，直到交互效果最優(yōu)為止；

步驟六：接受上一層破損圖形數(shù)據(jù)的交互結果，若不屬于金字塔0級圖層，則將最佳交互參數(shù)結果作為引導減少其交互計算過程，反復進行步驟三到五，直至獲得最終交互參數(shù)；

步驟七：按照最終交互參數(shù)可實現(xiàn)圖像破損信息交互。

4 仿真結果分析

為驗證所提交互方法的合理性，設置仿真。仿真環(huán)境如下：

1)軟件環(huán)境：操作系統(tǒng)為Windows 7，編譯環(huán)境時Visual Studio2010，仿真全過程利用C++語言，并通過OpenCV2.4.2開源庫獲得。其可以跨平臺操作，同時提供多種語言接口，實用性較強。

2)硬件環(huán)境：CPU是intel處理器，主頻為1.8GHz，安裝內存為8G。

仿真過程中對破損圖像添加不同類型與參數(shù)的噪聲，然后分別利用文獻[1]、文獻[2]與本文方法對其修復。結果如圖1與圖2所示。

圖1 不同方法修護后的圖像效果

圖2 不同方法修護效果圖

圖1和圖2是兩幅受損程度不同的圖像，圖1受損情況較為嚴重，經過三種方法修復后，依舊會留下修復痕跡，其中本文所提的破損數(shù)據(jù)交互方法的復原效果最好，修復痕跡最不明顯；而圖二更加體現(xiàn)了本文的交互效果，使交互后的圖像看不出任何損壞信息。這是因為本文通過邊緣提取獲得圖像基本特征，提高了交互效果，增強圖像質量。

但是一些圖像的修復效果很難通過人眼進行判斷，為此，引入客觀評價指標互信息量對不同方法的圖像修復效果進行評判?；バ畔⒁卜Q為相關熵，其表達式如下

(26)

由表1可知，對于不同破損圖像，所提方法交互后的圖像中包含的互信息數(shù)量最多，表明圖像質量更高。同時本文利用金字塔分解方法對交互過程進行優(yōu)化，在提高圖像質量的同時減少計算量。

表1 不同方法互信息量對比

5 結論

為了對受損圖像進行修復，提出了一種破損數(shù)據(jù)交互方法。通過提取圖像基本特征，將歸一化互信息取大準則作為交互原則，經過金字塔分解算法的優(yōu)化，實現(xiàn)信息交互。仿真表明，該方法對圖像的修復效果較好。但是在實際應用過程中，傳感器之間的噪聲通常是獨立的，需進一步改善去噪效果。