于 濤，王慧聰，楊世鳳

(天津科技大學電子信息與自動化學院，天津 300222)

車號在鐵路安全和管理系統(tǒng)中有十分重要的作用[1].通過圖像識別技術(shù)在列車管理系統(tǒng)中獲取車號，能夠有效地解決人工抄寫耗費大量人力以及射頻輻射技術(shù)所使用裝置較昂貴的問題.為圖像識別過程提供清晰、完整的圖像是獲取車號過程的基本要求.由于動車的運動速度在10～150,km/h，要獲取動車圖像，必須采用線陣CCD 相機對動車進行線陣掃描再進行圖像拼接，以解決動車速度過快的問題.反復(fù)掃描物體成像，會導(dǎo)致圖像的部分重疊掃描，加之鐵路沿線復(fù)雜的電氣設(shè)備及電弓與高壓線的接觸摩擦產(chǎn)生強大的電磁干擾，這使得采集的圖像中出現(xiàn)強烈的條紋噪聲[2].這些噪聲的存在掩蓋了圖像中的部分重要信息，圖像的質(zhì)量大幅度降低，對從圖像中提取有用信息造成了障礙和不利的影響.

條紋噪聲是一種周期性重復(fù)出現(xiàn)于圖像中的噪聲.去除圖像中條紋噪聲的典型處理方法分為：針對圖像灰度值特征的匹配方法，如直方圖匹配、矩匹配法；通過傅里葉變換在頻域內(nèi)去除周期性噪聲的頻率成分，如低通濾波、帶阻濾波[3].傳統(tǒng)的去除條紋噪聲的方法具有普遍性，但對于動車圖像這種黑白分明的圖像，黑白變化區(qū)域與條紋噪聲在頻域內(nèi)都表現(xiàn)為高頻部分，普通的帶阻濾波會使得動車圖像中車號文字的邊緣部分模糊化嚴重，矩匹配法對于動車圖像這種黑白分部區(qū)域化的灰度圖像空間分布產(chǎn)生畸變，導(dǎo)致圖像中車號部分邊緣信息丟失[4].

每幅動車圖像之間差異較小，且主要在車號部分.針對這種圖像信息變化微小的特征采用一種新的濾波方法，并利用LabVIEW 作為系統(tǒng)軟件開發(fā)平臺，結(jié)合VDM(Vision Develop Module)模塊，通過對圖像在頻率域和空間域中結(jié)合處理的方法去除動車圖像中車號部分的條紋噪聲.

1 去噪算法與應(yīng)用效果

對含有條紋噪聲的圖像的去噪算法流程如圖1所示.

圖1 去噪算法流程Fig.1 Noise reduction algorithm flow chart

在頻率域中，對含有條紋噪聲的圖像進行濾波可以表示

式中：F (u,v)為圖像經(jīng)過傅里葉變換的矩陣；H (u,v)為頻域濾波器；G (u,v)為去噪后的頻譜矩陣[6].頻域濾波器原型定義為

式中：D 為整個圖像的頻域空間；D0頻域空間中條帶成分子空間.在頻域內(nèi)對圖像進行濾波的關(guān)鍵在于如何準確的確定D0，這就需要將圖像從空間域變換到頻率域，并進行一系列處理.

1.1 將噪聲圖像和正常圖像從空間域變換到頻率域

靜止的數(shù)字圖像可以看成二維數(shù)據(jù)陣列.將一幅像素大小為M ×N 的含噪聲圖像 f1(x, y) 和原始圖像 f2(x,y) 進行二維快速傅里葉變換，變換表達式為

變換后得到兩幅圖像的頻譜圖 F1(u,v)、F2(u,v) .頻譜圖中的每個點對應(yīng)著空間域的圖像信息的變化.圖2 和圖3 分別為含噪聲圖像和正常圖像及其相應(yīng)的頻譜圖.

圖2 含條紋噪聲的圖像及其頻譜圖Fig.2 Image of strip noise and its spectrogram

圖3 正常圖像及其頻譜圖Fig.3 Normal image and its spectrogram

1.2 對頻譜圖進行二值化和邏輯處理

對比 F1(u,v) 和F2(u,v)，發(fā)現(xiàn)差異集中于高頻處.但由于車號的邊緣部分在頻域中同樣表現(xiàn)為高頻，因此需要在頻譜圖的高頻區(qū)域進一步定位差異部分，以防止在頻域濾波過程中將車號邊緣模糊化.首先將兩幅圖像分別進行二值化處理.二值化的閾值選取采用最大類間方差法[5].設(shè)圖像有M 個灰度值，取值范圍為0～(M-1)，在此范圍內(nèi)選取灰度值t，將圖像分成G0和G1兩組，G0包含像素的灰度值在0～t 范圍內(nèi)，G1包含像素的灰度值在(t+1)～(M-1)范圍內(nèi)，N 為圖像像素總數(shù)，ni表示灰度值為i 的像素個數(shù).則每一個灰度值出現(xiàn)的概率為

G0和G1兩組像素所占百分比為

兩組的平均灰度值為

圖像的總平均灰度

兩組平均灰度值的類間方差

閾值T 將整幅圖像分成前景和背景兩部分，當兩類的類間方差最大時，前景和背景的差別最大，二值化效果最好.所以最佳閾值為式(4).

頻譜圖 F1(u,v) 與 F2(u ,v) 選取相同閾值，以保證最終區(qū)域確定的準確性.二值化后得到的圖像矩陣分別為 f3(x, y) 和 f4(x,y)，并對其進行如下處理：f3(x,y)&f4(x,y)⊕f4(x,y)，得到阻頻帶區(qū)域如圖4(白色區(qū)域)所示.

圖4 阻頻帶區(qū)域Fig.4 Damping band

1.3 多樣本處理

由于不同動車圖像中的文字不同，并且采集過程中環(huán)境條件略有差異，因此得到的頻譜圖也存在一定的差異性.為解決這一問題，隨機選取了100 幅通過CCD 線陣相機在現(xiàn)場采集的不同車次和車廂的圖像，并截取像素大小為774×195 的車號部分，分別進行1.1、1.2 中所述操作后，對100 幅圖像的二值化結(jié)果進行累加，將白色區(qū)域重復(fù)率大于50 的部分進行保留，去除剩余部分.

經(jīng)多樣本處理后的圖像如圖5 所示，將圖中的阻頻區(qū)域?qū)ΨQ的劃分為6 個矩形區(qū)域.

圖5 多樣本處理后的阻頻帶區(qū)域Fig.5 Damping band after multiple-sample processing

1.4 巴特沃斯帶阻濾波器進行平滑濾波

將圖5 所示的6 個區(qū)域作為阻頻帶，選用帶阻濾波器進行濾除.采用理想的帶阻濾波器將致使圖像的頻率變化過快，產(chǎn)生較嚴重的模糊和振鈴現(xiàn)象，雖然某種程度上達到了去除噪聲的效果，但是圖像有用信息也發(fā)生了變化.為了解決這一問題，采用巴特沃斯帶阻濾波器進行濾波操作.巴特沃斯濾波器的特點是在通頻帶內(nèi)的頻率響應(yīng)曲線最大限度平坦，沒有起伏，而在阻頻帶則逐漸下降為零[6].

n 階Butterworth 帶阻濾波器的傳遞函數(shù)為

式中：W 是阻頻帶的寬度；R0是阻頻帶的中心半徑.(ui,vi)為阻頻帶的區(qū)域中心，且

由于得到的巴特沃斯濾波器的阻頻帶是6 個條形區(qū)域，因此在選用濾波器時以條形區(qū)域的長為直徑，將巴特沃斯帶阻濾波器的中心分別轉(zhuǎn)移至矩形區(qū)域中心(ui,vi)，i=1,2,3,4,5,6.并且，由于2 階巴特沃斯濾波器是理想濾波器的尖銳和高斯型濾波器的完全平滑的一種過渡，是有效濾波和可接受的振鈴特性之間的折中，因此本文選取n=2.

在各區(qū)域中均利用式(6)求取傳遞函數(shù) hi(u,v)，i=1,2,3,4,5,6.將各 hi(u ,v)進行整合，得到式(8)所示的最終傳遞函數(shù) H (u,v) .

改進帶阻濾波器的三維透視圖如圖6 所示.

圖6 改進帶阻濾波器的三維透視圖Fig.6 3D perspective drawing of the improved band rejection filter

1.5 反傅里葉變換

運用改進帶阻濾波器進行頻域濾波后，根據(jù)式(1)得到 G (u ,v)，進行反傅里葉變換，得到處理后的空域內(nèi)的圖像 f (x, y) .反傅里葉變換公式[10]為

1.6 圖像增強處理

經(jīng)過頻域處理后的圖像亮度降低，對比度下降，同時部分圖像也伴隨著字符邊緣虛化的問題.采用VDM 圖像處理模塊中的IMAQ GrayMorphology.VI函數(shù)對圖像進行銳化處理，以解決字符邊緣虛化問題.利用IMAQ BCGLookup.VI 函數(shù)進行圖像亮度和對比度的調(diào)節(jié)，并進行伽馬校正.在確定IMAQ BCGLookup.VI 函數(shù)中的亮度、對比度和伽馬參數(shù)的值時，利用NI 公司開發(fā)的VISION ASSISTANT 能夠動態(tài)地更改函數(shù)中的亮度、對比度和伽馬值，以找到效果最好的參數(shù)值[7].圖像增強處理的最終程序框圖及選取的相應(yīng)參數(shù)見圖7.

圖7 圖像增強程序框圖Fig.7 Block diagram of image enhancement

通過對圖像增強處理后，最終達到了去除條紋噪聲的效果，得到了較為理想的圖像.圖8 給出了進行圖像增強前后的效果對比.

圖8 圖像增強處理前后的效果對比Fig.8 Results comparison before and after image enhancement

2 去噪方法評價

在石家莊動車運用所利用線陣CCD 相機對動車圖像進行了采集.隨機選取30 組圖像，并截取大小為774 像素×19 像素5 的車號部分，分別用本方法和普通帶阻濾波方法、矩匹配法對圖像中的條紋噪聲進行去除，并運用求取均方誤差(MSE)和峰值信噪比(PSNR)兩種方法分別評價去噪效果[8]，求取其平均值并進行對比，結(jié)果見表1.其中，均方誤差和峰值信噪比的計算公式為

表1 去噪效果評價Tab.1 Evaluation of de-noising effectiveness

通過對比可見，本文的去除條紋噪聲的效果好于普通帶阻濾波和矩匹配法.

3 結(jié)語

通過圖像識別技術(shù)獲取動車車號是一種常用途徑，而為圖像識別過程提供清晰、完整的圖像是提高圖像識別率的基本要求.本文針對動車車號圖像的特點采用了針對性較強的去除條紋噪聲算法對車號圖像進行了去噪和圖像增強的處理，為進一步的車號識別提供了技術(shù)保障.該方法已經(jīng)成功應(yīng)用在石家莊動車運用所的車號圖像采集系統(tǒng)中，對圖像去噪處理的效果明顯.但是，該方法存在針對性較強的缺點，并不適用于所有場合的圖像條紋去噪.

［1］馬云嶺，陳雷，吳月東.鐵路貨車車號管理的發(fā)展及其應(yīng)用信息技術(shù)的研究[J].鐵道車輛，2006，44(4)：29-34.

［2］修吉宏，翟林培，劉紅.CCD 圖像條帶噪聲消除方法[J].電子器件，2005，28(4)：719-721，725.

［3］徐花艷，孫瑞寧.基于頻域的圖像條紋噪聲消除方法[J].硅谷，2012(6)：194.

［4］孫穎，張志佳.基于頻域濾波的自適應(yīng)條帶噪聲去除算法[J].儀表技術(shù)與傳感器，2006(2)：57-59.

［5］張引.基于空間分布的最大類間方差牌照圖像二值化算法[J].浙江大學學報：工學版，2001，35(3)：272-275，280.

［6］劉岳巍.修正巴特沃斯函數(shù)快速圖像降噪方法[J].蘭州大學學報：自然科學版，2014，50(1)：122-127.

［7］李扣生.基于虛擬儀器的電路板圖像識別系統(tǒng)研究與實現(xiàn)[D].上海：上海交通大學，2010.

［8］李曉晶.圖像質(zhì)量評價與圖像增強技術(shù)研究[D].南京：南京理工大學，2008.