基于邊緣散焦模型的污點檢測算法的研究.pdf

1、人類正在進入信息時代，數(shù)學(xué)的應(yīng)用無處不在。隨著計算機越來越深入的走進我們的生活，人們已經(jīng)掌握一些通過應(yīng)用數(shù)學(xué)知識解決具體計算機視覺任務(wù)的方法，如室內(nèi)監(jiān)控系統(tǒng)、駕駛輔助系統(tǒng)等。基于計算機視覺技術(shù)的駕駛輔助系統(tǒng)(Advanced DrivingAssistance System，簡稱ADAS)通過分析圖像信息來告知駕駛員當(dāng)前的交通狀況，并且對潛在的危險及時提出預(yù)警。然而，由于車載相機長期處于室外環(huán)境，容易受到附著在鏡頭上的污點遮擋（如泥漿、

2、樹葉等）的影響，這會導(dǎo)致系統(tǒng)由于無法獲取完整、真實的外界信息而發(fā)生誤判。因此，污點檢測對整個系統(tǒng)能否正常工作起到至關(guān)重要的作用。本文圍繞車載環(huán)境下相機的污點檢測問題展開研究。
　　由于污點檢測是在行車過程中完成的，且污點的形狀、大小以及位置均不確定，這為污點檢測帶來一定的困難。本文提出一種基于邊緣散焦模型的污點檢測算法，應(yīng)用污點自身的邊緣以及區(qū)域特征對其進行檢測。本文依據(jù)散焦成像模型，根據(jù)污點由于散焦而導(dǎo)致邊緣模糊的現(xiàn)象，提取邊緣

3、散焦度來描述污點的邊緣特征。此外，本文考慮污點區(qū)域內(nèi)部灰度在空間上的相關(guān)性，提取灰度共生矩陣的特征參數(shù)（包括對比度參數(shù)、相關(guān)性參數(shù)以及同質(zhì)性參數(shù)）對污點的區(qū)域特征進行描述。
　　本文首先應(yīng)用污點的邊緣特征，選取污點候選邊緣點，再以其為種子點，依據(jù)迭代的區(qū)域生長算法生成污點候選區(qū)域。然后，借助融合特征參數(shù)來綜合三個特征參數(shù)的信息，應(yīng)用污點的區(qū)域特征，建立融合特征參數(shù)的概率模型，對污點候選區(qū)域進行進一步驗證，得到基于單幀的驗證結(jié)果。最