基于磨光函数的ICA在交通物联网图像处理中的应用研究

王艳

摘要：论文把独立成分分析与交通物联网图像处理相结合，将基于磨光函数的独立成分分析方法应用于交通物联网的图像处理，以解决交通物联网监控视频受外界干扰等原因引起的图像传输问题，从而降低交通事故的发生率。

关键词：独立成分分析；磨光函数；交通图像；图像分离

中图分类号：TP18 文献标识码：A 文章编号：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

独立成分分析（Independent Component Analysis，ICA）是信号处理技术的新发展，其目的是估计出相互统计独立的、原始的、被未知因素混合的源信号。本论文在独立成分分析的基础上，对物联网的交通图像处理的研究，有助于解决交通物联网领域中遇到的实际问题，具有良好的理论价值和实践意义。

1 研究内容与结构

论文用一种基于磨光函数的独立成分分析方法，并将其应用于交通物联网中的图像处理。论文研究内容逻辑关系如图1所示，使用基于磨光函数的ICA盲源分离方法，对交通物联网图像进行处理。从而能在清晰图像的基础上，挖掘交通流信息，进行预测和能见度检测，传给交通物联网云端数据中心。

2 基于磨光函数的独立成分分析算法

对于ICA而言，如能很好的估计源信号的概率密度函数，就能很好的分离出独立的源信号，这是目前盲信号分离领域难题之一；同时，概率密度函数的非参数化估计是众所周知的另一个难题。参数个数增多往往导致问题难度的大幅增加，而非参数化问题具有无穷个参数，因此它很难估计。基于磨光函数ICA盲信号分离方法正是在此背景下提出。

3 基于磨光函数ICA分离图像仿真实验

为了验证所提基于磨光函数的独立成分分析算法的性能，本章采用标准图像测试序列（Boat， Elaine， Couple.， Lena，512*512， 8bit/像素）进行仿真验证。利用Matlab R2010a進行编程仿真，对标准测试图像进行混合，所涉及matlab函数包括imadd等，两幅图像混合的比例不等，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，即两幅图像信号的比例在[0，1]之间。通过不同比例的混合，获得若干盲图像，继而采用基于磨光函数ICA算法进行图像分离，并通过主观观测评价分离的效果。为了进一步说明基于磨光函数独立成分分析算法的处理效果，本文将新算法与同类算法进行效果比较，以说明其有效性和优劣性。

3.1 基于磨光函数ICA分离图像实验一

图2是标准测试图像Boat和Elaine的混合效果图。仿真过程中，可以通过参数调节，实现图像重叠的程度。继而采用基于磨光函数的ICA对其进行分离，结果分别为图3和图4所示。从图中可以看出，分离后的Boat和Elaine均存在部分叠影，但主体非常清晰。

图2中混合的比例为1：0.4，即图像boat占60%的信息量，图像Elaine占40%的信息量。基于磨光函数的ICA将混合图像信号作为观测信号，对其进行信号分离，得到图3和图4。文章算法对若干幅混合图像进行分离，得到相应的重构图像。图5中，源信号boat被较为清晰的分离出来，存在较少的阴影。同样，图4中，Elaine也被分离出，所存在的boat阴影较少。

3.2 基于磨光函数ICA分离图像实验二

图5是Lena与Couple的混合图，其参数设置与图2不同，为1：0.2，信号在混合过程中，会有部分丢失。经过文章算法分离之后，Couple图中出现Lena的影子，同样Lena图中有Couple的影子，但主体非常清晰，如图6和图7所示。

3.3 算法比较

为了进一步验证基于磨光函数的ICA算法的性能，将其与目前常用的独立成分分析算法（fastICA）进行比较。采样若干混合图像，分别采用文章算法和fastICA对其进行分离，并比较信干比和误差。其中信干比公式如下

图8所示为文章算法与fastICA的误差比较。横轴代表采样的次数，即进行了多少次混合图像的分离，纵轴表示误差，单位是dB。从该图可以看出，fastICA平均误差为7.25dB，最高误差为7.66dB，最小误差为7.01dB。而文章算法的平均误差为6.16dB，较fastICA降低了1.09dB，最高误差为6.71dB，最小误差为5.90dB。

图9为文章算法与fastICA信干比（SIR）的比对。横轴表示采样次数，即处理混合图像的次数，纵轴表示信干比。由图可以看出，本文ICA方法的信干比要明显高于fastICA。文章算法的最高信干比为27.38dB，最小信干比为17.82dB，平均信干比达24.45dB；而fastICA的最高信干比为25.28，最小信干比为17.07dB，平均值为22.69dB。在处理不同混合图像过程中，信干比有所波动，但文章算法总体呈现较好的效果。

4 独立成分分析在交通图像中应用

交通物联网的交通流监控系统中，囿于带宽限制及噪声、信道等各种原因，常常会出现叠影等失真现象。如图10所示，即为实际监控中常出现的现象演示效果。在一些复杂情况下，甚至影响道路管理者的判断。文章采用基于磨光函数的ICA对失真的图像进行分离处理。程序一般在后台运行，不在前台显示。但处理后的数据会作为监控数据，实时存储，以备后续使用。

图10是交通流监控系统中，因为某种原因而出现的失真图像，该图中出现干扰的叠影。采用基于磨光函数的ICA方法对其进行分离，得到的效果如图11和图12所示。图中，仍然有部分重影，但整体相对清晰。

5 结束语及展望

本文所采用的算法更适合于交通物联网图像的处理，而且效果显著。综上所述，可以判定ICA在交通物联网图像的处理中是一种非常实用而且有效的算法，基于磨光函数的ICA盲信号分离方法具有很好的发展前景。

参考文献：

[1] 冯欣.基于视觉显著性的网络丢包图像和视频的客观质量评估方法研究[D].重庆，重庆大学，2011.

[2] 王翔.数字图像缩放及图像质量评价关键技术研究[D].杭州，浙江大学，2012.

[3] 周庆逵，陈钊正，陈启美.基于视频的路况能见度检测系统的设计与实现[J].电子测量技术，2009，32（6）：72-76.

[4] 姜丹.信息论与编码[M].合肥：中国科学技术大学出版社，2001.

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