王艷

摘要：論文把獨(dú)立成分分析與交通物聯(lián)網(wǎng)圖像處理相結(jié)合，將基于磨光函數(shù)的獨(dú)立成分分析方法應(yīng)用于交通物聯(lián)網(wǎng)的圖像處理，以解決交通物聯(lián)網(wǎng)監(jiān)控視頻受外界干擾等原因引起的圖像傳輸問(wèn)題，從而降低交通事故的發(fā)生率。

關(guān)鍵詞：獨(dú)立成分分析；磨光函數(shù)；交通圖像；圖像分離

中圖分類號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）08-0187-03

Abstract：This paper combines the traffic IOT with the ICA， and applies the methods of ICA ， basing on polishing function to the image processing of TIOT . The application of this analysis method on image processing in traffic IOT will solve the image transmission problems， caused by the outside interference of traffic IOT monitoring video so as to reduce the occurrence rate of traffic accidents.

Key words： independent component analysis； polished function； traffic image； image separation

獨(dú)立成分分析（Independent Component Analysis，ICA）是信號(hào)處理技術(shù)的新發(fā)展，其目的是估計(jì)出相互統(tǒng)計(jì)獨(dú)立的、原始的、被未知因素混合的源信號(hào)。本論文在獨(dú)立成分分析的基礎(chǔ)上，對(duì)物聯(lián)網(wǎng)的交通圖像處理的研究，有助于解決交通物聯(lián)網(wǎng)領(lǐng)域中遇到的實(shí)際問(wèn)題，具有良好的理論價(jià)值和實(shí)踐意義。

1 研究?jī)?nèi)容與結(jié)構(gòu)

論文用一種基于磨光函數(shù)的獨(dú)立成分分析方法，并將其應(yīng)用于交通物聯(lián)網(wǎng)中的圖像處理。論文研究?jī)?nèi)容邏輯關(guān)系如圖1所示，使用基于磨光函數(shù)的ICA盲源分離方法，對(duì)交通物聯(lián)網(wǎng)圖像進(jìn)行處理。從而能在清晰圖像的基礎(chǔ)上，挖掘交通流信息，進(jìn)行預(yù)測(cè)和能見(jiàn)度檢測(cè)，傳給交通物聯(lián)網(wǎng)云端數(shù)據(jù)中心。

2 基于磨光函數(shù)的獨(dú)立成分分析算法

對(duì)于ICA而言，如能很好的估計(jì)源信號(hào)的概率密度函數(shù)，就能很好的分離出獨(dú)立的源信號(hào)，這是目前盲信號(hào)分離領(lǐng)域難題之一；同時(shí)，概率密度函數(shù)的非參數(shù)化估計(jì)是眾所周知的另一個(gè)難題。參數(shù)個(gè)數(shù)增多往往導(dǎo)致問(wèn)題難度的大幅增加，而非參數(shù)化問(wèn)題具有無(wú)窮個(gè)參數(shù)，因此它很難估計(jì)?；谀ス夂瘮?shù)ICA盲信號(hào)分離方法正是在此背景下提出。

3 基于磨光函數(shù)ICA分離圖像仿真實(shí)驗(yàn)

為了驗(yàn)證所提基于磨光函數(shù)的獨(dú)立成分分析算法的性能，本章采用標(biāo)準(zhǔn)圖像測(cè)試序列（Boat， Elaine， Couple.， Lena，512*512， 8bit/像素）進(jìn)行仿真驗(yàn)證。利用Matlab R2010a進(jìn)行編程仿真，對(duì)標(biāo)準(zhǔn)測(cè)試圖像進(jìn)行混合，所涉及matlab函數(shù)包括imadd等，兩幅圖像混合的比例不等，例如1：0.2， 1：0.3， 1：0.4， 1：0.5， 0.2：0.8， 0.2：0.9， 0.3：0.9，即兩幅圖像信號(hào)的比例在[0，1]之間。通過(guò)不同比例的混合，獲得若干盲圖像，繼而采用基于磨光函數(shù)ICA算法進(jìn)行圖像分離，并通過(guò)主觀觀測(cè)評(píng)價(jià)分離的效果。為了進(jìn)一步說(shuō)明基于磨光函數(shù)獨(dú)立成分分析算法的處理效果，本文將新算法與同類算法進(jìn)行效果比較，以說(shuō)明其有效性和優(yōu)劣性。

3.1 基于磨光函數(shù)ICA分離圖像實(shí)驗(yàn)一

圖2是標(biāo)準(zhǔn)測(cè)試圖像Boat和Elaine的混合效果圖。仿真過(guò)程中，可以通過(guò)參數(shù)調(diào)節(jié)，實(shí)現(xiàn)圖像重疊的程度。繼而采用基于磨光函數(shù)的ICA對(duì)其進(jìn)行分離，結(jié)果分別為圖3和圖4所示。從圖中可以看出，分離后的Boat和Elaine均存在部分疊影，但主體非常清晰。

圖2中混合的比例為1：0.4，即圖像boat占60%的信息量，圖像Elaine占40%的信息量。基于磨光函數(shù)的ICA將混合圖像信號(hào)作為觀測(cè)信號(hào)，對(duì)其進(jìn)行信號(hào)分離，得到圖3和圖4。文章算法對(duì)若干幅混合圖像進(jìn)行分離，得到相應(yīng)的重構(gòu)圖像。圖5中，源信號(hào)boat被較為清晰的分離出來(lái)，存在較少的陰影。同樣，圖4中，Elaine也被分離出，所存在的boat陰影較少。

3.2 基于磨光函數(shù)ICA分離圖像實(shí)驗(yàn)二

圖5是Lena與Couple的混合圖，其參數(shù)設(shè)置與圖2不同，為1：0.2，信號(hào)在混合過(guò)程中，會(huì)有部分丟失。經(jīng)過(guò)文章算法分離之后，Couple圖中出現(xiàn)Lena的影子，同樣Lena圖中有Couple的影子，但主體非常清晰，如圖6和圖7所示。

3.3 算法比較

為了進(jìn)一步驗(yàn)證基于磨光函數(shù)的ICA算法的性能，將其與目前常用的獨(dú)立成分分析算法（fastICA）進(jìn)行比較。采樣若干混合圖像，分別采用文章算法和fastICA對(duì)其進(jìn)行分離，并比較信干比和誤差。其中信干比公式如下

圖8所示為文章算法與fastICA的誤差比較。橫軸代表采樣的次數(shù)，即進(jìn)行了多少次混合圖像的分離，縱軸表示誤差，單位是dB。從該圖可以看出，fastICA平均誤差為7.25dB，最高誤差為7.66dB，最小誤差為7.01dB。而文章算法的平均誤差為6.16dB，較fastICA降低了1.09dB，最高誤差為6.71dB，最小誤差為5.90dB。

圖9為文章算法與fastICA信干比（SIR）的比對(duì)。橫軸表示采樣次數(shù)，即處理混合圖像的次數(shù)，縱軸表示信干比。由圖可以看出，本文ICA方法的信干比要明顯高于fastICA。文章算法的最高信干比為27.38dB，最小信干比為17.82dB，平均信干比達(dá)24.45dB；而fastICA的最高信干比為25.28，最小信干比為17.07dB，平均值為22.69dB。在處理不同混合圖像過(guò)程中，信干比有所波動(dòng)，但文章算法總體呈現(xiàn)較好的效果。

4 獨(dú)立成分分析在交通圖像中應(yīng)用

交通物聯(lián)網(wǎng)的交通流監(jiān)控系統(tǒng)中，囿于帶寬限制及噪聲、信道等各種原因，常常會(huì)出現(xiàn)疊影等失真現(xiàn)象。如圖10所示，即為實(shí)際監(jiān)控中常出現(xiàn)的現(xiàn)象演示效果。在一些復(fù)雜情況下，甚至影響道路管理者的判斷。文章采用基于磨光函數(shù)的ICA對(duì)失真的圖像進(jìn)行分離處理。程序一般在后臺(tái)運(yùn)行，不在前臺(tái)顯示。但處理后的數(shù)據(jù)會(huì)作為監(jiān)控?cái)?shù)據(jù)，實(shí)時(shí)存儲(chǔ)，以備后續(xù)使用。

圖10是交通流監(jiān)控系統(tǒng)中，因?yàn)槟撤N原因而出現(xiàn)的失真圖像，該圖中出現(xiàn)干擾的疊影。采用基于磨光函數(shù)的ICA方法對(duì)其進(jìn)行分離，得到的效果如圖11和圖12所示。圖中，仍然有部分重影，但整體相對(duì)清晰。

5 結(jié)束語(yǔ)及展望

本文所采用的算法更適合于交通物聯(lián)網(wǎng)圖像的處理，而且效果顯著。綜上所述，可以判定ICA在交通物聯(lián)網(wǎng)圖像的處理中是一種非常實(shí)用而且有效的算法，基于磨光函數(shù)的ICA盲信號(hào)分離方法具有很好的發(fā)展前景。

參考文獻(xiàn)：

[1] 馮欣.基于視覺(jué)顯著性的網(wǎng)絡(luò)丟包圖像和視頻的客觀質(zhì)量評(píng)估方法研究[D].重慶，重慶大學(xué)，2011.

[2] 王翔.數(shù)字圖像縮放及圖像質(zhì)量評(píng)價(jià)關(guān)鍵技術(shù)研究[D].杭州，浙江大學(xué)，2012.

[3] 周慶逵，陳釗正，陳啟美.基于視頻的路況能見(jiàn)度檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子測(cè)量技術(shù)，2009，32（6）：72-76.

[4] 姜丹.信息論與編碼[M].合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2001.

[5] Hyvarinen. A Complexity pursuit：separating interesting components from time-series[J].Neural Computation，2001（04）：883-898.