-
图像信息质量的高低影响视觉定位的精度,图像在采集、传输过程中受到外在和内在条件的影响可能导致图像信号质量降低,从而导致视觉定位测姿精度、测距精度和可靠性降低,因此,对图像信息开展降噪处理成为视觉定位技术得以发展的核心。
文献[1-3]提出了一种自适应的时频分析方法-经验模态分解(empirical mode decomposition, EMD),用于处理非线性及非平稳信号,但当信号的噪声不明显或噪声存在异常时,导致相邻本征模态函数(IMF)产生分量混叠现象。针对此问题,文献[4]在EMD算法基础上提出了集合经验模态分解(ensemble empirical mode decomposition, EEMD)方法,在原始信号EMD分解之前加入高斯白噪声,再均值化处理分解结果,以抑制甚至消除模态混叠现象,达到信号分解的目的。文献[5]提出一种对比IMF分量和原始信号概率密度函数(probability density function, PDF)的相似程度的方法,证实基于2范数的几何相似性度量方法准确性更高,但当IMF分量中不存在噪声时,会出现2范数距离高于噪声的现象,从而致使噪声IMF分量判断出现误差。
针对上述问题,结合图像二维信息的特点,本文提出一种基于BEEMD的区间阈值降噪方法。该方法首先将图像进行BEMD分解,将有用信息与噪声分散到IMF分量中,通过利用原始图像信号与IMF分量的PDF的2范数距离来确定噪声的IMF分量。最后通过区间阈值降噪方法获得连续的降噪信号,达到图像降噪的目的,并应用于单目视觉测距中,提高单目视觉测距的精度和可靠性。
HTML
-
为验证本文提出图像降噪方案的可行性与可靠性,并客观评价算法降噪效果,采用华为matebook13笔记本进行数据的采集与处理工作。电脑配置参数如表1。
参数 电脑配置 CPU I7-8565U 1.80 GHz 内存 8 GB 显卡 NVIDIA GeForce Mx150 将笔记本电脑连接摄像头进行图像采集,拍摄实验室走廊图像,利用matlab软件对加入随机噪声的实验室走廊图像分别采用小波阈值降噪、BEMD降噪及本文提出的改进阈值BEEMD方法进行比对实验,结果如图4所示。同时采用均方误差MSE和信噪比SNR两项指标对不同算法的降噪效果进行比较,结果如表2所示。
从表2得知,小波降噪和BEMD算法均可对图像中的噪声进行削弱,但BEMD算法效果略差,因为该算法在图像降噪中没有准确区分出噪声主导模态分量和信号主导模态分量,只对前两阶IMF进行了阈值降噪。而本文算法对噪声图像降噪后获取的MSE和SNR均高于小波和BEMD算法,且降噪效果不受噪声强度影响。
噪声标准方差 降噪前 小波降噪 BEMD 本文算法 MSE SNR MSE SNR MSE SNR MSE SNR 0.005 0.0049 9.2806 0.0024 11.6163 0.0026 11.6842 0.0020 12.9472 0.01 0.0098 6.7584 0.0029 10.8284 0.0032 10.5314 0.0023 11.8688 0.05 0.0431 2.4130 0.0053 7.9323 0.0057 7.3953 0.0049 8.2802 0.1 0.0725 1.3098 0.0074 5.1074 0.0070 6.6838 0.0058 8.0051 从时间成本上考虑,小波降噪算法需要人为的选择合适的小波基函数及分解层数,失去了对比时间成本的必要性,因此仅对BEMD分解算法及本文所提的BEEMD区间阈值降噪算法进行时间成本的对比,实验结果如表3所示。
噪声标准方差 BEMD/s BEEMD/s 0.005 8.43 8.41 0.01 7.58 7.58 0.05 7.34 7.34 0.1 7.52 7.51 在分别加入标准方差为0.005、0.01、0.05、0.1的噪声下,BEMD算法的平均运行时间为7.72 s,本文BEEMD算法的平均运行时间为7.71 s,两者时间一致的情况下,本文BEEMD算法的降噪效果更好,降噪精度更高。
-
搭建室外测距环境,分别进行静态和动态测距实验,采用全自动全站仪实时监测待测点与相机之间的距离作为参考基准。同样采用华为matebook13笔记本连接摄像头进行图像的采集,获取测试平台测距所需的标定图像,并利用python程序分别对使用本文BEEMD算法、小波算法和BEMD算法降噪处理后的图像进行测距解算。
在静态测距实验中,为验证测距方法的可靠性,分别等间距设置4个同等特征待测点,如图5所示,将摄像头置于棱镜上方且保持静止状态,然后拍摄此时的标定图像,然后将标定图像取下,并在此位置放置一台全自动全站仪,测出此时全站仪与棱镜之间的距离作为参考基准,并将摄像头获取的图像分别采用小波、BEMD算法和本文提出的BEEMD算法进行降噪处理并完成摄像头与待测点距离的解算,与参考基准进行对比得到对应的测距误差如表4所示。
从表4得出,BEEMD算法降噪后获取的测距误差远优于小波和BEMD算法,且对不同距离的待测点均体现出本文算法的稳定性和准确性。
待测点 小波降噪/cm BEMD/cm BEEMD/cm 待测点1 1.334 1.925 0.274 待测点2 2.265 2.708 0.470 待测点3 1.608 2.834 0.521 待测点4 2.856 2.267 0.664 为验证本文提出BEEMD降噪方法对于动态环境中测距的可行性及优势,将载有单目相机的实验车进行直线运动。同时拍摄车载相机运动环境下的运动画面及采集对应的全站仪监测数据后,以1 s为单位分别截取对应的30帧画面后,采用BEEMD算法、小波和BEMD算法进行降噪处理并完成测距解算,结果如图6所示。
表5给出实验车直线运动条件下30帧画面对应的测距均方根误差(RMSE)。
结合图6及表5,30帧图像采用BEMD降噪方法获取的最大测距位移变化误差达到6.965 cm,均方根误差为3.074 cm;采用小波降噪方法获得最大测距误差为5.685 cm,均方根误差为3.074 cm;而本文提出的BEEMD方法在运动情况下获取的测距误差均优于小波降噪和BEMD且体现出较好的稳定性,其最大测距误差优于1.020 cm,均方根误差为0.569 cm,论文提出的BEEMD方法可有效提高单目视觉测距的鲁棒性。
算法 距离误差/cm 小波降噪 2.907 BEMD 3.074 BEEMD 0.569