基于混合滤波算法的太阳光斑图像位置跟踪*
刘剑, 李彤, 孙睿, 刘鸿儒
沈阳建筑大学 信息与控制工程学院, 沈阳 110168

作者简介: 刘 剑(1962-),女,辽宁沈阳人,教授,博士,主要从事机器视觉、智能控制和建筑智能化等方面的研究.

摘要

针对传统滤波算法存在不能完全消除太阳光斑中孤立噪声点、太阳光斑图像边缘模糊的缺陷,导致太阳能自动跟踪系统跟踪精度低、稳定性差等问题,提出一种基于改进的维纳滤波与极值检测中值的滤波混合噪声算法对太阳光斑消噪滤波.在不同情况下利用实测某地太阳高度角、方位角等进行仿真实验,结果表明,该算法能够适应复杂天气条件,在阴雨、雾霾天气下仍能对太阳精准跟踪,达到提高太阳能利用率的预期效果.

关键词: 图像去噪; 均值滤波; 中值滤波; 维纳滤波; 高斯滤波; 峰值信噪比; 高度角; 方位角; 跟踪精度
中图分类号:TM343 文献标志码:A 文章编号:1000-1646(2017)04-0438-06 doi: 10.7688/j.issn.1000-1646.2017.04.15
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
Abstract

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.

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

在拍摄太阳光斑图像时, 会受到阴雨、雾霾天气的影响, 并且在图像信息输入传输过程中, 均存在不同的噪声干扰, 使太阳光斑图像的质量产生退化失真[1], 影响太阳质心位置检测的准确度.因而有必要在图像预处理阶段对太阳光斑进行消噪滤波, 使得太阳光斑图像满足后期处理要求[2].

传统的图像消噪滤波处理方法可分为空间域法和频率域法两类[3].空间域法直接处理图像像素灰度值; 频率域法先将图像信号变换到频率域再进行滤波处理, 常见的有均值滤波、中值滤波、维纳滤波及高斯滤波[4, 5, 6, 7, 8]等, 虽然对图像去噪滤波都有良好的效果, 但仍存在一定不足.椒盐噪声和高斯噪声在日常生活中最为常见[9, 10], 在实际应用中椒盐噪声和高斯噪声会严重影响太阳光斑图像质量.本文介绍了几种常见的图像滤波方法原理及其缺点, 研究基于改进的维纳滤波与极值检测中值滤波的混合噪声算法对椒盐噪声和高斯噪声的良好抗扰效果, 并通过仿真实验对比了几种常见滤波算法与本文滤波算法对噪声滤波效果以及对太阳高度角和方位角跟踪精度.

1 常见图像滤波方法局限性
1.1 均值滤波

均值滤波的基本思想是将图像中待处理像素点与其周围领域点的像素构成一个集合, 求取该集合内像素灰度的平均值, 并将其像素灰度平均值作为该集合所有像素点的像素灰度值, 故又称为领域平均法.均值滤波操作实现简单, 运算迅速, 但由于对整幅图像所有像素点统一处理, 在平滑噪声信号的同时丢失大量图像原有信号, 使得太阳光斑图像过于模糊, 其模糊程度与领域大小成正比.

1.2 中值滤波

中值滤波是基于排序统计理论的一种能够有效抑制噪声的非线性信号处理技术.中值滤波的基本原理是把数字图像或者数字序列中某点值用该点某个领域内其他点的中值所代替, 使其周围像素值与真实值更为接近, 进而消除相对孤立的噪声点.中值滤波对噪声的处理效果良好, 但由于取中值像素值的特性, 在采用中值滤波进行处理时, 会使光斑边缘信息大量丢失, 从而使得太阳光斑边缘模糊.

1.3 维纳滤波

维纳滤波是使输入含有噪声信号与输出恢复信号之间均方误差最小的最优线性估计算法.维纳滤波抑制噪声效果良好, 在灰度差值较小时仍具有良好的平滑处理效果, 从而降低太阳光斑图像边缘模糊程度, 但由于实际应用中含噪图像的特性未知, 使得维纳滤波应用具有局限性.

1.4 高斯滤波

高斯滤波是一种线性平滑滤波算法, 其滤波过程就是对整幅图像像素点加权平均, 图像中每个像素点的值都由本身像素与其相领域内像素值通过加权平均得到, 可以有效地消除高斯噪声.高斯滤波对去除符合正态分布的噪声信号效果良好, 但对于太阳光斑图像中椒盐噪声处理效果并不理想.

2 本文滤波算法

实际拍摄获取的太阳光斑图像受到阴雨、雾霾天气干扰, 往往同时出现高斯噪声和椒盐噪声.维纳滤波对图像中高斯噪声处理效果良好, 但难以满足太阳光斑输入图像信号和干扰噪声信号是平稳随机的要求; 中值滤波能够抑制椒盐噪声, 但同时丢失大量图像边缘信息, 使得太阳光斑边缘模糊.本文提出一种基于改进的自适应维纳滤波与极值检测中值滤波的混合噪声算法对太阳光斑图像进行消噪滤波.

自适应维纳滤波器应用图像的局部均值和方差获得滤波后的图像, 以达到含噪图像滤波的目的.设f(x, y)为饱和层太阳光斑图像的像素点, 太阳光斑原始图像由HSV模型表示, 其饱和层的局部均值μ (x, y)与方差σ 2(x, y)为

μ(x, y)=1ABx=1Ay=1Bf(x, y)(1)

σ2(x, y)=1ABx=1Ay=1B[f2(x, y)-μ2](2)

寻找使其均方误差为最小的 f˙(x, y)估计值是维纳滤波器的本质, 即

MinE{[f(x, y)- f˙(x, y)]2} (3)

对于图像f(x, y), 使用自适应维纳滤波处理后的输出图像为

g(x, y)= σ2(x, y)σ2(x, y)+σn2[f(x, y)(x, y)]+ μ (x, y)(4)

式中, σn2为噪声方差.维纳滤波器的输出是依据图像的局部方差进行自适应调整, 当局部方差较小时, 滤波器的平滑效果较强, 滤除噪声效果也就较好; 反之, 滤波效果不理想.维纳滤波需要对整幅图像噪声方差 σn2进行估计, 在实际应用中很难实现, 并且使用固定模板, 其尺寸很难确定, 模板选取过大, 图像细节模糊; 模板选取过小, 无法达到预期滤波效果.为解决模板尺寸限制问题, 对自适应维纳滤波进行了改进, 即

g(x, y)= 1-σavg2σvar2+1+σvar2σavg2+σmax2+1· [f(x, y)(x, y)](x, y)(5)

式中: σavg2为选定窗口下所有像素点方差平均值; σvar2为当前像素点方差; σmax2为整幅图像像素点方差最大值.由于维纳滤波器的滤波参数依据输出结果自适应调整, 与线性滤波器相比, 具有更好的选择性, 对图像边缘以及高频细节信息可以更理想地保留.在最小均方误差条件下对平稳信号的理想估计问题, 可由假定维纳滤波信号是平稳分布序列得到解决, 所以维纳滤波器对含有高斯噪声的图像处理效果较为理想.

设信号输入序列为{Oi, iN}, 则滤波器的信号输出为

b=Med{Oi}=Med{Oi-u, Oi-u+1, …, Oi, …, Oi+u-1, Oi+u}

iN, u=n-12(6)

式中:Med为中值函数; N为自然数集合; n为窗口长度.

中值滤波推广到二维图像中, 图像像素点灰度值由{xabN2}表示, 中值滤波器定义为

yab= Medm{xab}=Med{x(a+r), (b+s), (r, s)∈ m, (a, b)∈ N2}(7)

式中:m为中值滤波器的滤波窗口; ab为各像素点位置; xab为各像素点灰度值.对图像中的点进行窗口操作, 若窗口大小为5× 5, 则可表示为

M(xab)= x(a-2, b-2)x(a-1, b-2)x(a, b-2)x(a+1, b-2)x(a+2, b-2)x(a-2, b-1)x(a-1, b-1)x(a, b-1)x(a+1, b-1)x(a+2, b-1)x(a-2, b)x(a-1, b)x(a, b)x(a+1, b)x(a+2, b)x(a-2, b+1)x(a-1, b+1)x(a, b+1)x(a+1, b+1)x(a+2, b+1)x(a-2, b+2)x(a-1, b+2)x(a, b+2)x(a+1, b+2)x(a+2, b+2)(8)

如果对太阳光斑整幅图像的所有像素点进行中值滤波, 该过程在消除噪声的同时, 也改变了有用信号的像素值, 导致太阳光斑边缘模糊.在一幅图像中, 如果某个点的灰度值为该领域内的灰度极值, 那么该点为椒盐噪声点P; 反之, 则为有用信号点Q, 即

xabP (xab=Min(M(xab))/Max(M(xab)))Q(Min(M(xab))xabMax(M(xab)))(9)

式中:Min(M(xab))为窗口M(xab)内灰度值最小点; Max(M(xab))为窗口M(xab)内灰度值最大点.按照上述标准分类所有像素点, 输出图像像素由yab表示, 则基于极值检测的中值滤波算法可表示为

yab= Med(M(xab)) (xabP)xab(xabQ)(10)

基于极值检测的中值滤波对于恒定区域的点有可能被误判为噪声点, 但对于含有椒盐噪声的太阳光斑图像处理效果较好, 并更好地保留了太阳光斑图像边缘信息.

3 仿真实验与分析

本文利用MATLAB图像仿真实现对太阳光斑图像的消噪滤波、二值化处理及质心提取.2015年9月18日在沈阳市浑河地区对太阳高度角和方位角进行实测, 地理坐标为(E123.430, N41.743); 数据收集从9时至15时, 测试结果记录间隔为1 h; 太阳光斑不存在偏差时位于图像正中心位置, 即像素坐标为(192, 396).

3.1 消噪滤波结果

在仿真试验中将采集到的太阳光斑图像作为实验对象, 对采集到的太阳光斑图像同时加入高斯噪声和椒盐噪声.将本文提出的基于改进的自适应维纳滤波与极值检测中值滤波的混合滤波算法与均值滤波、中值滤波、维纳滤波、高斯滤波进行比较, 仿真结果如图1所示.

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

由图1可以看出, 采用几种常见的滤波算法对噪声信号处理效果不够理想.采用维纳滤波和中值滤波去除噪声, 对滤除高斯噪声效果非常理想, 而对椒盐噪声滤除效果不明显; 采用均值滤波和高斯滤波可以很好地去除椒盐噪声, 但没能理想地滤除高斯噪声, 并出现太阳光斑边缘模糊现象; 采用本文提出的基于改进的自适应维纳滤波与极值检测中值滤波的混合噪声算法对高斯噪声和椒盐噪声滤除更彻底, 并很好地保留了太阳光斑边缘信息.

3.2 去噪性能比较

噪声对比实验选取图1进行测试, 通过高斯滤波、均值滤波、维纳滤波、中值滤波和本文混合滤波去噪方法进行处理, 处理后的PSNR值如表1所示, 对比曲线如图2所示.PSNR值代表去噪效果, PSNR值越大, 去噪效果越好, 其计算公式为

PSNR=10lg MaxI2MSE(11)

(12)

式中:MSE为两幅m× n图像IK的均方差; MaxI为图像颜色的最大数值.

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

图2 PSNR值比较Fig.2 Comparison in PSNR values

通过表1及图2可知, 本文混合滤波去噪的PSNR值高于其他几种滤波算法, 说明本文混合滤波算法对含噪太阳光斑图像去噪效果优于其他几种滤波算法.混合滤波算法降低了维纳滤波和中值滤波的时间复杂度, 其滤波时间与其传统算法比较如图3所示.通过滤波时间的比较说明混合滤波算法提高了滤波速度, 增强了图像处理的实时性.

3.3 实验数据测量

以基于图像处理的太阳能跟踪方式对太阳进行跟踪, 每次跟踪完成后, 启动摄像头采集太阳光斑位置图像, 并对采集到的图像进行处理, 得到太阳光斑质心坐标, 计算跟踪误差.

图3 去噪时间比较Fig.3 Comparison in denoising time

采用均值滤波、中值滤波、维纳滤波、高斯滤波及混合滤波算法对太阳高度角及方位角进行跟踪, 跟踪误差如图4、5所示.

图4 高度角跟踪误差对比Fig.4 Comparison in tracking error of altitude angle

图5 方位角跟踪误差对比Fig.5 Comparison in tracking error of azimuth angle

采用不同滤波算法对太阳光斑图像进行去噪, 跟踪得到不同时间实测数据以及相应计算得到的误差如表2所示.

表2实测数据进行分析, 以太阳光斑图像跟踪方式进行跟踪, 避免了高度角和方位角累计误差, 同时比较稳定.根据图4、5可得, 相对于几种常见的滤波算法, 采用混合噪声算法对太阳高度角与方位角的跟踪精度更高.

表2 基于图像处理的太阳光斑位置跟踪测试数据 Tab.2 Location tracking test data of sun light spot based on image processing

利用平均误差衡量系统的跟踪精度, 若进行n次实测, Δ Xi表示每次测量的误差, 则平均误差的计算式为 ΔX=1ni=1nΔXi.表3为不同滤波算法的平均误差, 通过表3可以看出混合滤波算法跟踪精度均高于其他传统算法.

表3 不同滤波处理的平均误差 Tab.3 Average error under different filtering processing(° )
4 结 论

对太阳光斑图像处理过程中, 图像滤波除噪的效果将影响跟踪精度, 滤波器对太阳光斑图像噪声滤除越彻底, 图像分心定位越准确.基于图像处理的太阳光斑位置跟踪系统克服了阴雨、雾霾天气的影响, 实现全天候跟踪; 采用基于改进的自适应维纳滤波与极值检测中值滤波的混合噪声算法改善了系统的稳定性和跟踪精度, 提高了太阳能利用率的预期效果, 具有实际应用价值.

The authors have declared that no competing interests exist.

参考文献
[1] 李文华, 牛晓靖, 郭辰光. 基于机器视觉的太阳能板自动跟踪系统研究[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. ) [本文引用:1]
[2] 刘淼生. 基于图像处理的太阳跟踪控制系统研究与开发 [D]. 武汉: 华中科技大学, 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. ) [本文引用:1]
[3] Marshall S, Fletcher L, Hough K. Optimal filtering of solar images using soft morphological processing techniques[J]. Astronomy & Astrophysics, 2006, 457(2): 729-736. [本文引用:1]
[4] 葛婷. 几种数字图像滤波算法 [D]. 南京: 南京信息工程大学, 2006: 38-42.
(GE Ting. Several digital image filter algorithms [D]. Nanjing: Nanjing University of Information Science & Technology, 2006: 38-42. ) [本文引用:1]
[5] Pitas I, Venetsanopoulos A N. Nonlinear digital filters: principles and applications[M]. Berlin: Springer Science & Business Media, 2013: 58-60. [本文引用:1]
[6] 杨辉, 唐建锋, 杨利容, . 基于中值滤波和维纳滤波的图像混合噪声滤波研究[J]. 衡阳师范学院学报, 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. ) [本文引用:1]
[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. [本文引用:1]
[8] 方先成. 两种新型高斯椒盐混合噪声去噪方法 [D]. 长春: 吉林大学, 2013: 23-29.
(FANG Xian-cheng. Two new methods of gauss-sail and pepper mixed noise denoising [D]. Changchun: Jilin University, 2013: 23-29. ) [本文引用:1]
[9] 段振云, 罗晓凤, 杨旭. 基于各向异性扩散滤波的边缘提取算法[J]. 沈阳工业大学学报, 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. ) [本文引用:1]
[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. [本文引用:1]