Page 108 - 2024年第55卷第9期

ｃｄｆ（ｌ）为亮度 ｌ的累计分布；ｃｄｆ（ｌ）为输入图像的加权灰度累积分布概率函数； ∑ ｐｄｆ为输入图像的
ω ω
概率密度总和；ｐｄｆ（ｌ）为亮度 ｌ通过加权分布函数对灰度直方图调整后的概率密度函数；ｐｄｆ（ｌ）为灰
ω
度 ｌ的图像分布概率；ｐｄｆ 为灰度概率密度统计直方图的最大灰度分布概率；ｐｄｆ 为最小灰度分布概
ｍａｘ ｍｉｎ
率；α为调整参数。
３．２ 基于 ＷＧＩＦ算法的闸坝靶标图像降噪平滑 传统滤波算法一般利用局部线性模型实现图像滤波
降噪，应用于机器视觉往往导致靶标图像出现边缘模糊与光晕问题，因此，此处引入边缘感知权重因
子对引导滤波进行动态调整，实现靶标图像的高质量处理，主要基于下式：
ｑ＝ ａＩ ＋ ｂ ｉ ∈ｗ ｋ （４）
ｉ
ｋ
ｋ ｉ
２ ε ２
Ｅ（ａ，ｂ） ＝ ［（ａＩ ＋ ｂ－ ｐ）＋ ａ］ （５）
ｋ ∑
ｋ
ｋ
ｋ
ｉ
ｋ ｉ
ｒ
ｉ ∈ｗ ｋ
２
１ Ｎ σ Ｇ （ｉ′） ＋ η
ｒ ＝ ∑ ２ （６）
Ｎ ｉ ＝１ σ Ｇ （ｉ） ＋ η
式中：ｉ为像素索引；Ｉ为局部导向图像；ｑ为滤波后局部图像；ｗ为局部区域；ε为正则化参数，影
ｉ ｉ ｋ
响滤波平滑度；ａ与 ｂ为常系数；为求得局部区域中常量 ａ与 ｂ最优解，构建最小化代价函数进行条
ｋ ｋ ｋ ｋ
２
件约束，Ｅ（ａ，ｂ）为局部区域的代价函数；ｐ为局部输入图像；ｒ为边缘感知权重因子；σ Ｇ （ｉ′）为当前
ｋ
ｉ
ｋ
２ ２
局部区域图像方差；σ Ｇ （ｉ）为引导图像的局部区域方差；η为正则化因子，常取为（０．００１ × Ｌ），其中 Ｌ为
图像灰度范围；Ｎ为图像像素点个数。
３．３ 基于 ＳＴＣ算法的闸坝亚像素级目标追踪 靶标图像的追踪问题可通过时间空间两种维度的信息
确定，即根据目标区域与其局部上下文区域的图像强度与位置之间的统计相关性进行建模计算，实现
目标区域位置与空间上下文关系映射。接下来，结合曲面拟合方法进行亚像素级靶标位移估计。
３．３．１ 闸坝靶标置信图构建 定义目标图像的局部上下文特征集为：
ｃ  
Ｘ ＝ ｛ｃ（ｘ，ｙ） ＝（Ｉ（ｘ，ｙ），（ｘ，ｙ） （ｘ，ｙ） ∈Ω ｃ （ｘ ，ｙ ））｝ （７）
ｍ（ｘ，ｙ） ＝ Ｐ（（ｘ，ｙ）ο ） ＝ ∑ Ｐ（（ｘ，ｙ），ｃ（ｘ，ｙ）ο ） ＝ ∑ Ｐ（（ｘ，ｙ） ｃ（ｘ，ｙ），ο ）Ｐ（ｃ（ｘ，ｙ）ο ）
ｍ（ｘ，ｙ） ∈Ω ｃ ｍ（ｘ，ｙ） ∈Ω ｃ
（ ８）


（ｘ ，ｙ ）中的像素坐标；Ｉ（ｘ，ｙ）为
式中：（ｘ，ｙ）为局部上下文区域 Ω ｃ
位置（ ｘ，ｙ）处的图像灰度；ｃ（ｘ，ｙ）为（ｘ，ｙ）处的上下文目标特征，由




（ｘ ，ｙ ）为目标中心点（ｘ ，ｙ ）周
灰度值 Ｉ（ｘ，ｙ）和位置信息构成；Ω ｃ
围局部上下文区域。如图 ２所示，黄色框代表追踪目标，绿色框代表
其局部上下文区域。ｍ（ｘ，ｙ）为靶标图像中各点（ｘ，ｙ）的目标似然函数；
ο 为追踪目标；Ｐ（（ｘ，ｙ） ο ）表示目标 ο位于位置（ｘ，ｙ）的概率。基于
贝叶斯公式，可将式（８）中的目标位置似然函数 Ｐ（（ｘ，ｙ） ο ）分解为
两部分，分别为：


ＳＣ
Ｐ（（ｘ，ｙ） ｃ（ｘ，ｙ），ο ） ＝ｈ （ （ｘ ，ｙ ） － （ｘ，ｙ） ） （９） 图 ２ 目标与其局部上下文空间关系


Ｐ（ｃ（ｘ，ｙ） ο ） ＝Ｉ（ｘ，ｙ） ω （ （ｘ ，ｙ ） － （ｘ，ｙ） ） （１０）
σ
其中，
（ｘ  ，ｙ  ） － （ｘ，ｙ） ） β


ω （ （ｘ ，ｙ ） － （ｘ，ｙ） ） ＝ α ｅ － （ σ （１１）
σ
α ＝ （ｗ ＋ ｈ）?２ （１２）


ＳＣ


式中：ｈ （ （ｘ ，ｙ ） － （ｘ，ｙ） ）为空间上下文函数，由目标位置（ｘ ，ｙ ）与局部上下文位置（ｘ，ｙ）的
相对位置与方向确定，定义为非径向函数，有助于解决目标图像与距离相近造成的识别歧义；α为归一


化常系数；σ为尺度参数；β 为形状参数；ｗ和 ｈ为目标对象的长度和宽度；ω （ （ｘ ，ｙ ） － （ｘ，ｙ） ）
σ
为加权高斯函数。
联合式（ ８）—（１０），并引入快速傅里叶变换（ｆａｓｔＦｏｕｒｉｅｒｔｒａｎｓｆｏｒｍ，ＦＦＴ），将时域卷积运算转换为
１
— １ １ ３ —