基于K均值聚类算法雾天识别方法研究.docVIP

基于K均值聚类算法雾天识别方法研究 　　摘 要： 为实现视频监控设备对雾天天气现象的自动识别，提出了基于K均值聚类算法的雾天天气现象自动识别方法。该方法通过分析雾天天气现象对视频图像采集的影响，提取图像饱和度的均值、方差为特征参数，并利用K均值聚类算法对训练图像进行分类，得到不同图像类别的聚类中心，测试阶段计算不同图像与聚类中心的相异度即可完成分类。实验结果表明，该方法简洁高效，易于实现对大规模图像数据的处理，并能实现图像分类后类别的标注，对雾天的识别率高于90%。 　　关键词：雾天； 自动识别； K均值聚类算法； 图像饱和度 　　中图分类号： TN958?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2015）22?0080?04 　　0 引 言 　　现代海战往往是多军、兵种的协同作战。在影响战斗力的诸多因素中，天气是惟一无法加以控制但又具有决定意义的因素。当舰船在雾中（包括雾、雨、雪等能见度不良天气条件）航行时，其定位、导航、规避等都会受到相当大的影响。同时，在城市生活中，雾也是一种常见的视程障碍类天气现象，对当地生产、生活和交通都产生着极大影响。而目前在气象领域，我国气象台站的天气现象业务仍以人工观测为主，未完全实现自动化，天气现象信息的采集耗费了大量的人力和物力。因此近年来，在智能视频和图像理解技术的不断发展下，基于视频图像数据的天气现象自动识别研究也受到了较为广泛的关注[1?3]。 　　1 研究现状 　　近年来，人们已从不同角度对雾天天气现象识别进行了研究，并取得了一定的成果。文献[1]主要针对室外图像，着重分析了天气现象对图像采集的影响，并提取图像各项特征进行训练分类，对雾天的识别率[1]高于85%；文献[3]对原有的双色模型算法进行改进，用于识别包括雾天在内的视程障碍类天气现象[3]。文献[4]对同一场景采集不同天气条件下的视频图像，采用了一种多垂线检测方法，提高了雾天天气识别的正确率[4]。文献[5]提取差分图像的纹理特征识别出当前天气，并实现了对雾天交通图像的快速去雾[5]。 　　以上这些方法所提取图像特征较为固定，对大规模数据的处理不够高效，对雾天识别的针对性不强，不能充分满足当前应用需求。 　　为更快速高效地实现雾天的识别与分类，本文针对雾天视频图像进行分析，提取图像饱和度特征，并计算饱和度均值与方差，最后利用K均值聚类算法进行分类识别。其基本流程如图1所示。 　　2 图像特征提取 　　2.1 雾天对图像采集的影响 　　雾天天气条件下，大气中的气溶胶含量很高，此时在可见光波段，由于气溶胶对光波的散射作用，通过视频成像系统获得的图像都会有一定程度的降质[4]。 　　雾气形成后，大气粒子会形成许多反射面，并且部分大粒径粒子会遮挡光线，这时自然光线无法穿透，而是被反射出来，各种颜色的光线被反射掉的同时也会产生衰减，雾就变成“白茫茫”的了。 　　这时候在所采集视频图像上的直观反映就是饱和度的降低。基于此，提取图像饱和度的均值与方差作为识别雾天天气现象的特征。 　　2.2 雾天图像特征提取 　　本文首先进行图像由RGB模式到HSV模式的空间转换，并从采集图像集中随机选100副图像（50副雾天图像，50副非雾天图像）作为训练图像，提取图像的饱和度特征，并计算图像饱和度的均值与方差，最后利用K均值聚类算法进行分类。 　　RGB（物理三基色）模式是色光的彩色模式，R，G，B分别代表红、绿、蓝3种不同的颜色，3种色彩叠加形成了其他的色彩。HSV是一种主观彩色模型，不是将某种特定的颜色分解为三原色，而是描述颜色的三种属性，分别为色调（Hue）、饱和度（Saturation）和纯度（Value）。其中，饱和度值表示颜色中掺入白光的比例，纯光谱的含量越多，其饱和度值也就越高[6]。 　　对于任何3个在[0，1]范围内的R，G，B值，其对应的HSV模式中的S（饱和度）分量可以由下面给出的公式[6]计算： 　　[S=1-3R+G+Bmin（R，G，B）] （1） 　　本文在该部分提取图像饱和度为特征，计算其均值与方差，并形成二维数据集。 　　3 K均值聚类算法在雾天识别中应用 　　3.1 算法概述 　　聚类描述的是一个无监督统计过程，该过程将物理或抽象对象的集合，按照一定的计算方法，分成多个类。聚类后所生成的类是一组具有相似特征的数据对象的集合，同一类中的对象彼此相似，不同类中的对象彼此相异[7]。常用的聚类方法主要有划分法、层次法、密度法、网格法以及模型法五种[7?9]。 　　K均值聚类是最著名的划分聚类算法，因简洁和高效而被广泛使用。通常，给定一个数据点集合以及需要的聚类数目K（K由用户指定），K均值聚类算法便会根据某个距离函数（本文采用欧式距离）把对