论文部分内容阅读
摘要：为解决传统灯光照明控制系统中单一信道存在信息量少，准确性和可靠性低，以及不易于理解和判读等问题，提出了采用小波变换图像融合技术，充分利用多源数据的互补性，融合图像保留了每一个源图像的重要特征，提高了图像质量和数据的实用性，并将融合图像划分不同区域，提取每一个区域的灰度平均值，提高环境照场辨识的准确性和可靠性，实现环境照场的智能照度控制。
关键词：智能照明；图像融合；小波变换；灰度平均值
进入21世纪以来，我国建筑进入了一个智能化高度发展的时代，智能大厦、现代化居住小区按照传统的照明控制方式已不能满足其更高标准的要求。传统照明方式简单、有效、直观，但它过多依赖控制者的个人能力，控制相对分散和无法有效管理，其适时性和自动化程度太低。其后的自动照明控制模式虽然解决了传统方式控制相对分散和无法有效管理等问题，实现了照明控制的自动化，但却无法实现调光控制功能。
为解决传统红外+光感传感器方式的灯光照度控制系统存在要求较多的传感器，而且布置位置要求较高和工程施工、布线量大等缺点，本文提出采用动静监测（红外、声控）+数字图像信息融合的照度控制方式。通过将采集来的图像信息进行融合处理，对融合之后的图像进行灰度划分，将每一区域的灰度平均值与预设灰度值对比，从而调节场景照度。
1 动静监测传感数据与CCD数字图像信息融合技术
楼宇智能照明系统中动静监测与CCD数字图像信息融合技术的控制系统框图如图1所示。
其基本原理是：通过动静检测技术观察是否有人走动，如果没有人走动，关闭照明；如果有人存在，对采集的多幅数字图像进行分析，将图像灰度平均值与各种预置的标准值进行对比，计算其环境照场的照度模型，如果在照明系统预设模式允许的误差范围内，就不需要对照度进行调整，反之，就对照度进行调整。
图像融合是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像，经过去噪、时间配准、 空间配准和重采样后，再运用某种融合技術得到一幅合成图像的过程通过对多幅传感器图像的融合，从而有利于对物理现象和事件进行定位、识别和解释。其具体过程为：
2 图像融合技术实现
2.1 预处理
智能照明系统中，当动静监测发现有人走动时，CCD摄像机会对相应区域进行图像信息采集。但在图像采集过程中，由于受到各种因素的影响，实际图像往往包含上述影响因素的特征。因此在实现图像融合之前，需对传感器获得的图像进行预处理。
如图所示，为CCD摄影机采集的室内图像经过图像校正、滤波以及配准预处理之后的效果显示。
从图2及图3中可以发现，图像a中右边花盆有些模糊，图像b中的门有些模糊，这样的图像所提供的信息不利于智能照明系统识别，由此可利用下面的小波融合技术将源图像信息进行融合。
2.2 小波融合
Mallat在Burt和Adelson的塔形图像分解和重构算法的启发下，提出了小波变换的Mallat快速算法，按照二维Mallat算法，将每一副经过预处理的CCD图像进行二维分解。
本文CCD摄影机采集的图像大小为351*260，设分解层数为3，在尺度k-1上按如下的Mallat分解公式进行分解：
（k=1,2,3）
，，和分别表示预处理后的CCD图像在351*260分辨率下的低频分量，水平高频分量，垂直高频分量和对角高频分量。其中低频分量反映了CCD图像的近似和平均特征，集中了图像的大部分能量信息。如图4所示，为CCD图像的小波分解示意图。
在两幅CCD图像的小波变换域内，分别对水平，垂直与对角分量进行融合。在各尺度j（j=1,2,3）上将两幅CCD图像的高频系数进行比较，把对应位置上绝对值较大的系数作为重要小波系数保留下来，即，其中，分别表示两幅CCD图像在各尺度分量上的小波系数。
对两幅CCD图像经小波变换之后的逼近系数和进行处理，由于在智能照明系统采集图像时，受各方面因素，使得CCD摄影机采集的图像在局部出现模糊的现象，图像模糊表示其细节信息（或高频信息）丢失较多，相比之下，其整体信息（或低频信息）保持较好，因此两幅CCD图像经小波分解后其逼近系数之间的差异要远小于小波系数之间的差异，故融合之后的逼近系数可由确定。
利用以上得到的全部小波系数以及中的逼近系数进行二维小波反变换，有重式可以得到由智能照明系统采集的多幅CCD图像的融合图像。其融合过程如图5所示。
2.3 融合结果评价指标
CCD图像融合的效果对智能照明系统的后续工作尤为重要，本文提出的采用小波变化法对采集的图像进行融合，其融合效果可从灰度平均值、标准方差以及信息熵三个指标进行评价。
灰度平均值
融合之后的图像大小仍为，其灰度平均值为：
其中表示在位置（i，j）的像素的灰度水平，平均值表示了一副图像的平均亮度。
标准方差
融合之后的图像的标准方差为：
这个公式在整个图像中符合在灰度水平和平均值之间的方差度。
信息熵
融合之后的图像传统的信息熵表示为：
其中pi是灰度值为i的像素的数目和整个像素数目的比值。信息熵代表了CCD图像含有信息的丰富程度。
3 实验数据分析
本文对上述的两幅室内CCD图像进行了图像融合仿真，并且提取了智能照明系统所用到的融合图像的有关信息，采用本文提出的小波变换融合算法，其实验融合图像效果如图所示。
本仿真实验将本文提出的融合算法与其他三种不同的融合算法进行了对比，其数据比较如图表所示：
表中数据可以看出，本文提出的融合算法得到的融合图像更清晰，其它三种融合算法得到的信息熵值都比本文提出的融合算法得到的信息熵值低，小波变换融合算法可以得到更丰富的时域和频域信息，有效的保留了照明区域的细节信息，为智能照明系统提供更全面的数据信息。
4 结语
本文提出采用动静监测和图像融合技术对智能照明系统进行照明控制，图像融合主要采用小波变换算法对采集的图像进行处理，实验表明这种融合算法比其他融合算法的融合效果要好，为智能照明系统的后续工作提供了良好的图像信息。
参考文献
[1] 覃征,鲍复民,李爱国等.数字图像融合[M].西安交通大学出版社
[2] 郭亚,王水波.基于灰度图像的车牌定位算法研究与实现[J].现代电子技术，2008（2）：137-03
[3] 张姁.基于小波的彩色图像灰度水印算法研究[D].河北:河北工业大学,2007
[4] 方凯. 数字图像融合算法研究[D].西安电子科技大学，2006
[5] 秦云霞.图像融合算法研究[D].兰州大学,2010
[6] 毛士艺,赵巍.多传感器图像融合技术综述[J].北京航空航天大学学报，2002：05-0512-07
注：文章内所有公式及图表请以PDF形式查看。
关键词：智能照明；图像融合；小波变换；灰度平均值
进入21世纪以来，我国建筑进入了一个智能化高度发展的时代，智能大厦、现代化居住小区按照传统的照明控制方式已不能满足其更高标准的要求。传统照明方式简单、有效、直观，但它过多依赖控制者的个人能力，控制相对分散和无法有效管理，其适时性和自动化程度太低。其后的自动照明控制模式虽然解决了传统方式控制相对分散和无法有效管理等问题，实现了照明控制的自动化，但却无法实现调光控制功能。
为解决传统红外+光感传感器方式的灯光照度控制系统存在要求较多的传感器，而且布置位置要求较高和工程施工、布线量大等缺点，本文提出采用动静监测（红外、声控）+数字图像信息融合的照度控制方式。通过将采集来的图像信息进行融合处理，对融合之后的图像进行灰度划分，将每一区域的灰度平均值与预设灰度值对比，从而调节场景照度。
1 动静监测传感数据与CCD数字图像信息融合技术
楼宇智能照明系统中动静监测与CCD数字图像信息融合技术的控制系统框图如图1所示。
其基本原理是：通过动静检测技术观察是否有人走动，如果没有人走动，关闭照明；如果有人存在，对采集的多幅数字图像进行分析，将图像灰度平均值与各种预置的标准值进行对比，计算其环境照场的照度模型，如果在照明系统预设模式允许的误差范围内，就不需要对照度进行调整，反之，就对照度进行调整。
图像融合是指将不同传感器获得的同一景物的图像或同一传感器在不同时刻获得的同一景物的图像，经过去噪、时间配准、 空间配准和重采样后，再运用某种融合技術得到一幅合成图像的过程通过对多幅传感器图像的融合，从而有利于对物理现象和事件进行定位、识别和解释。其具体过程为：
2 图像融合技术实现
2.1 预处理
智能照明系统中，当动静监测发现有人走动时，CCD摄像机会对相应区域进行图像信息采集。但在图像采集过程中，由于受到各种因素的影响，实际图像往往包含上述影响因素的特征。因此在实现图像融合之前，需对传感器获得的图像进行预处理。
如图所示，为CCD摄影机采集的室内图像经过图像校正、滤波以及配准预处理之后的效果显示。
从图2及图3中可以发现，图像a中右边花盆有些模糊，图像b中的门有些模糊，这样的图像所提供的信息不利于智能照明系统识别，由此可利用下面的小波融合技术将源图像信息进行融合。
2.2 小波融合
Mallat在Burt和Adelson的塔形图像分解和重构算法的启发下，提出了小波变换的Mallat快速算法，按照二维Mallat算法，将每一副经过预处理的CCD图像进行二维分解。
本文CCD摄影机采集的图像大小为351*260，设分解层数为3，在尺度k-1上按如下的Mallat分解公式进行分解：
（k=1,2,3）
，，和分别表示预处理后的CCD图像在351*260分辨率下的低频分量，水平高频分量，垂直高频分量和对角高频分量。其中低频分量反映了CCD图像的近似和平均特征，集中了图像的大部分能量信息。如图4所示，为CCD图像的小波分解示意图。
在两幅CCD图像的小波变换域内，分别对水平，垂直与对角分量进行融合。在各尺度j（j=1,2,3）上将两幅CCD图像的高频系数进行比较，把对应位置上绝对值较大的系数作为重要小波系数保留下来，即，其中，分别表示两幅CCD图像在各尺度分量上的小波系数。
对两幅CCD图像经小波变换之后的逼近系数和进行处理，由于在智能照明系统采集图像时，受各方面因素，使得CCD摄影机采集的图像在局部出现模糊的现象，图像模糊表示其细节信息（或高频信息）丢失较多，相比之下，其整体信息（或低频信息）保持较好，因此两幅CCD图像经小波分解后其逼近系数之间的差异要远小于小波系数之间的差异，故融合之后的逼近系数可由确定。
利用以上得到的全部小波系数以及中的逼近系数进行二维小波反变换，有重式可以得到由智能照明系统采集的多幅CCD图像的融合图像。其融合过程如图5所示。
2.3 融合结果评价指标
CCD图像融合的效果对智能照明系统的后续工作尤为重要，本文提出的采用小波变化法对采集的图像进行融合，其融合效果可从灰度平均值、标准方差以及信息熵三个指标进行评价。
灰度平均值
融合之后的图像大小仍为，其灰度平均值为：
其中表示在位置（i，j）的像素的灰度水平，平均值表示了一副图像的平均亮度。
标准方差
融合之后的图像的标准方差为：
这个公式在整个图像中符合在灰度水平和平均值之间的方差度。
信息熵
融合之后的图像传统的信息熵表示为：
其中pi是灰度值为i的像素的数目和整个像素数目的比值。信息熵代表了CCD图像含有信息的丰富程度。
3 实验数据分析
本文对上述的两幅室内CCD图像进行了图像融合仿真，并且提取了智能照明系统所用到的融合图像的有关信息，采用本文提出的小波变换融合算法，其实验融合图像效果如图所示。
本仿真实验将本文提出的融合算法与其他三种不同的融合算法进行了对比，其数据比较如图表所示：
表中数据可以看出，本文提出的融合算法得到的融合图像更清晰，其它三种融合算法得到的信息熵值都比本文提出的融合算法得到的信息熵值低，小波变换融合算法可以得到更丰富的时域和频域信息，有效的保留了照明区域的细节信息，为智能照明系统提供更全面的数据信息。
4 结语
本文提出采用动静监测和图像融合技术对智能照明系统进行照明控制，图像融合主要采用小波变换算法对采集的图像进行处理，实验表明这种融合算法比其他融合算法的融合效果要好，为智能照明系统的后续工作提供了良好的图像信息。
参考文献
[1] 覃征,鲍复民,李爱国等.数字图像融合[M].西安交通大学出版社
[2] 郭亚,王水波.基于灰度图像的车牌定位算法研究与实现[J].现代电子技术，2008（2）：137-03
[3] 张姁.基于小波的彩色图像灰度水印算法研究[D].河北:河北工业大学,2007
[4] 方凯. 数字图像融合算法研究[D].西安电子科技大学，2006
[5] 秦云霞.图像融合算法研究[D].兰州大学,2010
[6] 毛士艺,赵巍.多传感器图像融合技术综述[J].北京航空航天大学学报，2002：05-0512-07
注：文章内所有公式及图表请以PDF形式查看。