光照变化对聚类参数的影响   中山高空路灯车出租

      光照变化对聚类参数的影响   中山高空路灯车出租, 中山高空路灯车租赁, 中山高空路灯车多少钱  光照条件不变情况下基于聚类模型参数迭代估计的圆环投影特征提取及匹配方案，本节主要分析光照整体变化时聚类模型参数的变化规律。不失一般性，考虑具有朗伯表面的物体的成像过程，其图像中各像素点值取决于物体上对应点的光照条件及自身漫射系数，该过程可近似表示： I物体成像，L表示光照强度，表示漫反射系数，L表示入射方向，n表示入射点表面法向。简单来说，像素值与光照强度及漫射系数呈正比例变化，与入射角度相关，即光照强度变化将引起乘性变化；而周围源于多次漫反射形成的环境光使所有像素值大致增加一个常数，即加性变化。在真实场景中，各像素点的光照条件变化都不完全相同，相应的像素值序列非线性变化，但是实际中不可能准确估计所有像素点的光照情况，通常认局部范围内光照变化程度相同，即局部像素值序列线性变化。根据上述假设，NCC算法可对非线性光照变化具备了一定的适应能力，同时也可将尺寸较大的光照缓变图像进行分区域的线性化处理。由以上分析可知，光照整体变化时图像像素值序列的变化关系可由超定线性方程组表示： 线性光照变化后像素点值序列,原像素值序列，线性变换系数。可得到像素值序列均值YE)(的变化，线性光照变化后像素值序列均值满足线性变化规律。类似的，也可得到线性光照变化后像素值序列方差的变化：光照整体变化后像素值序列方差并不满足线性变化规律。因此仅采用均值作特征的RPT方法可利用NCC实现线性光照变化的适应能力，而基于GMM参数的向量特征中均值线性变化、方差非线性变化、类别元素个数与概率基本保持不变，该向量特征整体非线性变化。然而，假设已知线性光照变化过程的系数,可将模板图像对应的标准向量特征进行处理，并作新的标准向量特征用于迭代匹配过程，而不需要将待匹配图像线性对比度拉伸后再进行迭代匹配，这样可避免待匹配图像中大量的线48性对比度拉伸计算。

    光照鲁棒的实时匹配算法实现,   聚类参数特征光照不变处理,  当模板尺寸较小或光照缓变时，像素值序列的变化可认是线性过程，并可根据该线性变换系数得到光照变换后的标准向量特征。 各级灰度值在线性光照变化下的变换关系，图中两坐标轴yx,分别原像素值与线性光照变化后的像素值，两坐标轴数据分布范围分别max,minxx与max,minyy。 光照变化后的像素值可以用线性对比度拉伸公式来表示，该线性对比度拉伸公式：在实际计算时，两坐标轴上的图像最小与最大像素值xxmax,min及yymax,min可通过遍历二维待匹配图像得到，其中xxmax,min在选取模板图像时得到，而yymax,min则需要在每个待匹配区域中遍历查找。因此，在光照条件变化时遍历目标真实位置对应的49待匹配区域并得到yymax,min后，可得到正确校正的模型参数01μaa和σ21a，而使用其他位置对应的yymax,min时，模型参数σμ,则会被错误的校正，但这并不影响最终的匹配结果。对于实时应用来说，上述线性对比度拉伸模型参数校正方法的关键在于快速找出待匹配区域的像素最小与最大值yymax,min，然而遍历整个待匹配区域是比较耗时的。由图3.8可以看出，局部的像素值区间仍然符合线性变化关系，因此可考虑利用局部图像区域的像素最小与最大值进行线性对比度拉伸校正，而不需要遍历整个模板图像及待匹配区域。

   中山高空路灯车出租, 中山高空路灯车租赁, 中山高空路灯车多少钱 http://www.panyuyuntichechuzu.com/

   在模板特征提取及待匹配图像的匹配阶段，对预设位置的局部区域像素点进行遍历，然后按进行校正计算，即可得到近似的消除光照因素的模型参数σμ,,,Pn，进而用于聚类模型参数特征迭代匹配。对于RPT匹配来说，了保证旋转不变性应选取模板图像及待匹配区域中具有一定宽度的固定位置圆环作查找subysubymax,min所需的局部图像区域。以下简单验证了上述利用局部区域的线性对比度拉伸方法，同一场景的正常曝光与曝光不足成像，曝光效果通过缩放光圈来实现。图中的两矩形框任意选取的局部区域，用来提取局部最小与最大像素值，可以看到，处理结果与1σμ,相比均存在一定误差，该误差产生的主要原因是实际中图像整体亮度并不是严格按照线性规律变化。 两图分别基于localarea1与localarea2最小于最大像素值的线性对比度拉伸处理效果，与原图相比误差绝对值的均值分别3.28和4.18，图中红色散点表示处理后与原图中对应像素点差异大于10的位置，但该结果同时也说明了基于局部区域及线性对比度拉伸的像素值校正方法对于光照整体变化有一定的适应能力。

   聚类特征提取及匹配GMM是最常用的一种数据聚类方法，建立在高斯分布模型与贝叶斯理论的基础上，聚类结果不仅对数据进行了类别标记，并且能够得到数据点属于某一正态分布的概率，模型求解通常利用期望最大化算法来迭代的求解模型概率密度分布。EM算法的作用一方面是得到模板图像的GMM参数特征，另一方面是在匹配环节中利用其迭代形式进行匹配计算。数据点个数m，相对应的类别标签隐含变量在匹配阶段，将线性变换处理后的向量特征,对向量特征进行一次迭代更新，可得到一组新的向量特征，并计算其与初值向量的欧氏距离误差。实际应用中，由于待匹配图像中的像素点较多，在已知参数GMM模型下计算待匹配数据的正态分布概率及判断其所属类别是极耗时的，对此使用预先设置的查找表来减小匹配计算量，对离散的像素值预先计算其概率及类别标签并保存在查找表中，匹配时以查找的方式加快算法速度。

   中山高空路灯车出租, 中山高空路灯车租赁, 中山高空路灯车多少钱