《基于AdaBoost和SVM的交通标志识别研究与实现硕士学位论文.doc》由会员分享，可在线阅读，更多相关《基于AdaBoost和SVM的交通标志识别研究与实现硕士学位论文.doc（68页珍藏版）》请在三一办公上搜索。
1、 硕士学位论文基于AdaBoost和SVM的交通标志识别研究与实现Research and Implementation of Traffic Sign Recognition Based on Adaboost and SVM论文题目：基于AdaBoost和SVM的交通标志识别研究与实现摘 要交通标志的识别是智能交通标志的重要组成部分。它涉及传感器技术、信息技术、自动化技术和计算机等多种技术以及如何识别道路、识别碰撞、识别交通标志等多种欲识别的对象。经过国内外学者的多年研究，交通标志的识别理论和技术体系已经取得了突破性的进展。一般来说，交通标志的图像的采集是实现智能交通的第一步，它对后续的各
2、项操控是否正确有效至关重要，但交通标志全都暴露在特殊的室外环境中，为使驾驶员看清楚各类交通标志，通常交通标志要放在道路旁和管弯处。在这些地方的交通标志常常容易受到强烈光照、灰尘和树木等多方面的影响，所以图像的清晰度较差，从而影响摄像机对交通标志的采集，车内的嵌入式计算机软硬件系统所接收的图像信息也就模糊不清。正因为如此，人们一直都在致力于如何提高交通标志图像识别率的研究。本论文就如何提高交通标志的识别率进行了一些相关的研究，其研究成果虽然距离实用还有相当大的距离，但其研究过程是使自己开阔了眼界，增长了知识，提高了业务水平。本文的主要研究内容由以下三部分组成：第一部分：交通标示识别数据集确定。介
3、绍了两种图像预处理方法，结合试验进行比对分析；综述了三种交通标志检测方法：基于颜色、形状以及综合两种的检测算法；对各种交通标志特征提取方法进行实验对比分析，实验证明三角形标志和圆形标志被识别错误的概率最高；第二部分，在研究了现有交通标志识别方法AdaBoost和SVM的特点后，采用了一种变的AdaBoost技术、综合颜色和形状的交通标志检测方法、子模式组合的特征提取方法，在子模式的基础上，对比了相邻分块、交叠边缘分块和滑动分块方法和基于径向基核函数的支持向量机分类器相结合的识别方法来识别常见的交通标志。第三部分，论文采用MATLAB软件工具对交通标志识别方法和识别过程进行了设计实现，包括系统的
4、运行环境、业务流程、系统识别图像过程、获取特征向量过程，并进行仿真的对比分析，结果表明，通过改变有关参数和融合AdaBoost和SVM的交通标志的识别方法识别效果更好，识别率更高。关 键 词：交通标志识别，分块核函数，SVM，AdaBoost论文类型：应用研究Title： Research and Implementation of Traffic Sign Recognition Based on Adaboost and SVMSpecialty：Computer Science and TechnologyApplicant：Xinjun ChenSupervisor：Prof.Xian
5、glin MiaoABSTRACTTraffic sign recognition is an important part of intelligent traffic signs. It involves many kinds of the technology such as sensor technology, information technology, automation technology and computer technology, and how to identify road, identification of collision, identify the
6、object recognition of traffic signs, etc. After years of research of scholars both at home and abroad, and traffic sign recognition theory and technology system has made breakthrough progress. therefore, the image collection is the first step to realize intelligent transportation, it is very importa
7、nt to the follow-up of the manipulation, but the traffic signs are all exposed to special outdoor environment, to make the drivers see all kinds of traffic signs, traffic signs usually should be placed beside the road and pipe bend. Where traffic signs are often vulnerable to affect by the strong li
8、ght, dust and various trees, so the sharpness of image is bad, which affect the camera collection, the cars embedded computer software and hardware system of image information is ambiguous. Because of this, people have been trying to research how to improve the traffic sign image recognition. This p
9、aper has discussed some related research how to improve the recognition rate of traffic sign, although the research results have a considerable distance from the practical, but its research process broads the horizons, increases of knowledge, improves the level of the business.The research contents
10、of this paper include:In the first part, ensures the data sets of traffic sign recognition, introduces two methods of image preprocessing, compares with the combination of experiment analysis; Three traffic sign detection methods are reviewed, based on color, shape, and integrated two detection algo
11、rithm;In the second part, this paper adopt a variable AdaBoost technology , comprehensive test method of colors and shapes of traffic signs , sub-pattern combination method of feature extraction after research the characteristics of SVM and AdaBoost, on the basis of subschema, compare the edge block
12、 and the adjacent block, overlapping sliding block method and based on the radial basis kernel function of support vector machine classifier combination of identification methods to identify common traffic signs.In the third part, the paper uses the MATLAB software tool for traffic sign recognition
13、method and recognition process design and implementation, including the system running surroundings, the process of business, system identification, image process, obtain eigenvector, and contrastive analysis of the simulation, Results show that change the parameters of several identification method
14、s and the comprehensive recognition effect is better, higher recognition rate.KEY WORDS：Traffic Sign Recognition, Block Kernel Function, SVM, AdaBoostTYPE OF THESIS：Applied Research 目 录1 绪论11.1研究的背景和意义11.2国内外研究现状21.3论文工作31.4本文的框架和研究内容42 交通标志识别的实验数据集和图像预处理52.1实验数据集52.2交通标志图像预处理72.2.1随机噪声的消除72.2.2运动模糊
15、的消除82.3实验结果92.4本章小结113 交通标志的检测123.1基于颜色的交通标志检测123.1.1 RGB颜色空间模型123.1.2 HIS颜色空间模型133.2基于形状的交通标志检测143.3综合颜色与形状的算法153.4本章小结164 交通标志的特征提取174.1基于BKFDA的特征提取174.2基于spBKFDA的特征提取184.2.1 spBKFDA原理184.2.2算法改进194.3实验结果和分析224.3.1基于BKFDA特征提取的分类实验224.3.2基于spBKFDA特征分类实验234.4本章小结255 融合ADABOOST和SVM的交通标志识别265.1基于SVM的交
16、通标志识别265.1.1基于SVM的线性可分和线性不可分265.1.2基于SVM的多类分类275.1.3传统SVM存在的不足295.1.4 SVM算法的改进295.2基于径向基核函数的PTSVM的交通标志识别325.3融合AdaBoost和SVM的交通标志识别345.3.1 Boosting算法345.3.2 AdaBoost算法355.3.3变的AdaBoost算法355.4本章小结386 交通标志的识别与运行分析396.1识别目标及识别内容396.2 交通标志自动识别的仿真实现396.2.1 识别系统的运行环境396.2.2 识别系统的整体流程406.2.3 识别过程的界面406.2.4
17、识别图像的预处理过程436.2.5 获取识别特征变量的过程446.2.6 图像匹配的过程456.3仿真识别的结果分析456.3.1几种识别方法的性能对比456.3.2 PTSVM性能分析466.3.3 PTSVM识别526.3.4三种交通标志识别实验526.4本章小结537 总结与展望547.1论文总结547.2工作展望54参考文献56致 谢58攻读学位期间取得的研究成果59声明CONTENTS1 Introduction11.1 Research Background and Significance11.2 Research Actuality21.3 Technological Diff
18、iculty on Traffic Sign Recognition31.4 Thesis Organization and Main Works42 Experiment Data Set and Image Preprocessing of Traffic Sign Recognition52.1 Experiment Data Sets52.2 Traffic Sign Image Preprocessing72.2.1 Random Noise Attenuation of Traffic Sign Images72.2.2 Motion-Blurred Attenuation of
19、Traffic Sign Images82.3 Experimental Results92.4 Summary113 Traffic Sign Detection123.1 Traffic Sign Detection Based on Color123.1.1 RGB Color Space Model123.1.2 HIS Color Space Model133.2 Traffic Sign Detection Based on Shape143.3 Traffic Sign Detection Based on Color and Shape153.4 Summary164 Traf
20、fic Sign Image Texture Feature Extraction Methods174.1 Feature Extraction Method Based on BKFDA174.2 Feature Extraction Method Based on spBKFDA184.2.1 spBKFDA184.2.2 An Improvement of Chunking194.3 Experimental Results and Analysis224.3.1 Feature Extraction Classification Based on BKFDA224.3.2 Featu
21、re Extraction Classification Based on spBKFDA234.4 Summary255 Traffic Sign Recognition by fusion of AdaBoost and SVM265.1 Traffic Sign Recognition Based on SVM265.1.1 Linear Separability and Inseparability Based on SVM265.1.2 SVM Multi-Class Classification275.1.3 Defects of Traditional SVM295.1.4 Im
22、provements of SVM295.2 Traffic Sign Recognition Based on RBF-PTSVM325.3 Traffic Sign Recognition by fusion of AdaBoost and SVM345.3.1 Boosting Algorithm345.3.2 AdaBoost Algorithm355.3.3 AdaBoost Algorithm of Varying 355.4 Summary386 Identify the process simulation and operation analysis396.1 Identif
23、y the target and recognition396.2 The simulation of the traffic sign automatic recognition system396.2.1 The operation of the recognition system environment396.2.2 The recognition system of the overall process406.2.3 Interface of Identification process 406.2.4 Identify the image pretreatment process
24、436.2.5 Access to the process for identifying characteristic variables446.2.6 Image matching process456.3 Result analysis of simulation identify456.3.1Access to the process for identifying characteristic variables456.3.2 The performance analysis of PTSVM466.3.3 Identify of PTSVM526.4.4 Three test of
25、 the traffic sign recognition526.4 Summary537 Conclusions and Future Works547.1 Conclusions547.2 Future Works54References56Acknowledgements58Achievements59Declaration1 绪论1.1研究的背景和意义改革开放至今已有30多年，在这几十年中随着人民生活水平的日益提高，我国的交通运输产业也开始高速发展。在城镇化的进程中，机动车的成倍增加导致了城市交通的日益拥堵，交通事故的频发严重影响到了老百姓的生命财产安全，这就要求我国的道路交通系统必须
26、提升到更高的层次。近年来，“智能交通系统” 这一新名词开始在欧美等发达国家出现，并在全球日益兴起。为了在全国乃至全球范围内实现高效率、大范围的实时交通运输管理，人们建立了智能交通系统。智能交通系统（Intelligent Transport System,简称ITS）是将传感技术、信息技术、自动化技术、计算机技术及智能控制技术等先进的技术运用到交通运输管理体系，实现高效率、大范围的交通管理。ITS可以保障交通系统的安全运行，提高交通运输效率，其意义因而非常重大。它主要有三方面的应用：1）道路识别；2）碰撞识别；3）交通标志识别1。国内外研究学者自上世纪八十年代开始，就对智能交通系统展开了研究。
27、在道路识别和碰撞识别这两方面已经取得了不错的成绩，甚至已经开始了实际的应用，而在交通标志识别方面的研究则略显落后，远远达不到实际应用的要求。因此，针对交通标志识别的研究显得日益紧迫，而目前国内学者对其的研究还不是很多，所以对其研究具有很高的学术意义。在智能交通系统中，交通标志识别是一个重要的组成部分。随着各国对ITS的重视程度逐渐提高，对交通标志识别的研究也将会逐渐兴起2，并广泛的应用到实际生活之中。交通标志识别的研究涉及到概率统计、模式识别、图像处理等多个学科，因此针对它的研究也能更好的推动其它学科的发展。交通标志的组成包括文字和图像，能够给驾驶员提供道路信息，引导驾驶员进行安全文明驾驶3。
28、但是很多情况下，驾驶员会忽视道路上的交通标志，比如开车时打电话，跟车上的人聊天或者限于视角的限制，如此一来就很容易违反交通规则，发生交通事故。倘若能开发一种交通标志自动识别软件，将其安装到车辆上作为辅助系统，随时将道路上的交通标志信息传递给驾驶员，这样就可以减少交通事故的发生，保障驾驶员的生命财产安全，也使得城市交通更加顺畅。该系统能够随时随地采集和识别道路两旁的交通标志，并及时反馈给驾驶员，向驾驶员做出警告或指示。因此开展交通标志识别的研究能够对提高道路行驶安全，缓解交通压力，以及改善交通拥堵状况起到重要的作用。一般通过车辆上的摄像机在室外对交通标志图像进行采集，而不是在室内环境下，因此标志
29、图像容易受到光照、天气等多方面的影响，使得图像的质量不高，从而影响交通标志的识别率。目前我们需要的是一种识别率高、鲁棒性强的交通标志识别算法，因此开展对交通标志识别的研究就显得意义非凡。1.2国内外研究现状随着信息化时代的到来，现阶段我国经济建设进入了高速发展期，人民生活水平也在不断提高，汽车已成为人们追求的家庭必需品。而汽车的大量购置与投入运行，日益导致了城市交通的拥堵，交通事故也频繁发生，已逐渐引起社会的关注。在这样的背景下，开展交通标志识别研究的重要性日益凸显。利用交通标志识别系统，车辆可以采集和识别附近的道路交通信息，并及时反馈给驾驶员，达到了安全文明驾驶的目的。一般采集到的交通标志图
30、像是户外场景下具有复杂背景的图像，这样的图像大多会受到光照、天气、变形等因素的影响，导致图像质量不高。对这些图像进行交通标志检测和识别比一般的室内目标要困难的多4。率先开始进行交通标志检测与识别的国家是日本，他们对此项工作的研究始于1987年5，通过开发一套交通标志识别系统，实现了对限速交通标志的识别。他们采用了例如模板匹配这样经典的识别算法，平均识别时间为0.5秒左右。1992年，针对法国的交通标志，著名的研究学者Saint-Blancard6设计一个红色交通标志识别系统。利用边缘检测的方法，对标志的边缘信息、颜色滤波以及检测闭合曲线进行检测，然后，对目标采用神经网络方法进行识别，使用该方法
31、，识别率可达到95%。1993年，美国开发了ADIS系统，采用颜色聚类方法，对“停车”标志进行了识别7。在对测试样本作识别实验时，获得了全部正确的识别结果。但是，由于ADIS系统并非实时处理的，因而识别时间表现出不确定性。1994年，一套具有实时性的交通标志识别系统被戴姆勒-奔驰汽车公司与德国的科布伦茨-兰道大学的研究人员合作研制了出来，在SParclo机器上运行该套系统，其最快识别速度可达到3.2S/幅，在交通标志图像库上进行实验，它对40000多幅图像的识别准确率可达98%。2001年，在Wisconsin大学，Liu和Ran对交通标志识别进行研究，开发了一个标志识别系统，该系统以“停止”
32、标志为识别目标。采用基于HIS空间的颜色阈值方法对该系统进行交通标志检测，同时，采用神经网络的方法对该系统进行交通标志识别。通过对540幅交通标志图像进行检测实验，表明该系统的识别准确率达到95%。2005年，位于瑞典的GarethLoy实验室与位于澳大利亚的Nick Barnes自动化研究所联合研发了一个交通标志识别系统。他们利用形状形状上的对称性寻找交通标志的中心位置，进而采用其它方法识别，该系统的识别准确率达95%。同年，Bahlmann等人开发了一个分类器，该分离器由交通标志检测、特征提取和识别等功能组成。将包含23个类别、4000幅交通标志图像的训练样本用于该分类器训练，共测试了17
33、00个测试样本，每个类别的图像数目从30个到600个不等，该分类器对交通标志图像的识别准确率为94%。2007年，Moutarde等人开发了一套用于识别欧洲和美国的限速标志交通标志识别系统。该系统包含交通标志检测和目标跟踪功能，采用神经网络的方法进行识别。使用该系统对美国和欧洲的281个限速标志上进行识别实验，系统识别准确率分别为89%和90%。2008年，Keller等人研究出了一种以限速标志为目标的分类算法，用2880个样本对该算法进行训练，该算法在1233个测试样本上的识别准确率为92.4%。2009年，Muhammad等人运用多个识别方法在包含6个类别1300幅交通标志图像上进行实验，
34、这些识别方法中最好的识别准确率为97%。2010年，西班牙的Maldonado8等人运用支持向量机（Support Vector Machine,SVM）的方法，在包含193类约36000幅的交通标志图像上进行识别，识别准确率为95.5%。该方法的实验数据集没有公开出来，它进行实验的训练样本和测试样本没有区分开。上个世纪，我国经济发展较为落后，人们生活水平普遍较低，交通运输条件相对较差，居民车辆拥有率较低，对交通标志识别要求迫切性不强，因而交通标志的识别研究工作较为滞后。随着我国经济的高速发展，居民购买力也不断增强，社会车辆日益增多，导致城市交通日益拥挤，推动了对交通标志识别研究的迫切要求。越
35、来越多的高校的研究人员和国内科研机构都在致力开展交通标志识别研究。目前，清华大学、国防科技大学、浙江大学、南京理工大学等高校在该类研究中已取得了较为显著的成果。综合以上介绍可知，国内外进行识别研究的方法不具有可比性，因为他们的方法都是在自身特定的数据集上进行实验，而且很多数据集没有公布出来。本文为了方便比较，使用了德国神经计算研究所发布的一个交通标志数据集，该数据集具有可扩展性，本文利用这个数据集来开展相关识别研究。1.3论文工作 普通人看来交通标志的识别工作并没有什么难度，因为交通标志的颜色、形状、大小以及图案都是按照一定的国际标准进行设计，而且交通标志在道路上的安装位置和高度也有一定的规律
36、。从这个方面来看，人们会觉得交通标志的识别方法有规律可寻，并没有那么复杂。但是事实并非如此，由于交通标志图像来源于户外的特殊场景，其受到多方面的影响和制约，会严重影响交通标志的识别效果和系统的运行效率，这样，与其它室内场景或者自然场景的目标识别研究相比，标志识别研究要困难得多。论文以课题研究为背景所做的主要工作如下：1）论文以本单位的科研项目为背景，选择了识别交通标志为论文研究内容，虽然论文工作只是智能交通项目的一小部分，但所做工作对该项目有一定的实际意义。2）通过查阅国内外相关研究成果，对于图像识别技术，以及识别交通标志的基本方法进行了系统了解，清晰了研究交通标志的思路和方法；3）以公开的德
37、国交通标志数据库作为实验数据，数据来源具有一定的可靠性。采用该数据库的数据重点研究了交通标志图像的检测和特征提取方法；4）在分别研究AdaBoost和SVM两种图像识别方法的基础上，采用融合两种方法的技术路线对交通标志进行了识别作了试验和验证；5）用Matlab工具对识别方法实施仿真，结果证明了融合AdaBoost和SVM的交通标志的识别方法具有较好的效果。1.4本文的框架和研究内容下面对本论文的框架和具体研究内容进行简要介绍：第一章主要说明了本文的研究背景和研究意义，以及对国内外对交通标志识别的研究现状和标志识别技术中的难点进行介绍等。第二章介绍交通标志图像预处理技术。首先说明了本文所采用的
38、交通标志数据集，并且对目前常用的图像预处理方法做了概述，介绍了本文交通标志预处理使用的方法。第三章首先讨论了交通标志检测的方法，并对目前常用的检测方法做了简单的介绍，然后采用了本文使用的检测方法，并通过相关实验验证了该方法的有效性。第四章介绍了交通标志特征的提取，以及目前常用的特征提取方法，并对该方法进行了分析，最后采用了本文使用的一种新的交通标志图像特征提取方法。第五章首先介绍了SVM的基本理论和几何模型，接着对SVM中存在的不足进行了论述，然后阐述了目前使用比较频繁的几种先进的SVM分类器。再接下来就是建立基于SVM的训练模型，引入了集成学习中的Boosting和AdaBoost的基本理论
39、，并对基于径向基核函数的PTSVM（RBF-PTSVM）分类器的AdaBoost方法进行了一系列改进。第六章对系统进行设计和实现，并通过运行对比了几种交通标志识别方法的性能，根据实验结果解释来了传统的识别方法识别率不高的原因，并在交通标志数据库上实验验证了本文所用的识别方法的有效性。第七章对本文的研究进行了总结，同时对后续研究进行了展望。2 交通标志识别的实验数据集和图像预处理本章首先对交通标志识别的实验数据集进行介绍，了解所用数据集中交通标志的类型和特点。然后对数据集中的图像进行分析，对比各种图像预处理算法的结果后，对图像中的随机噪声和运动模糊分别采用中值滤波和维纳滤波进行消除，以便为后面的
40、交通标志检测和识别提供良好的图像数据。2.1实验数据集本文采用的交通标志图像是关于计算机智能的IEEE世界代表大会倡导使用的一个比赛数据集9。它是由德国神经计算研究所收集并公布，这个比赛的目的为了开发出一种适用于德国交通标志检测和识别的智能化识别软件，为德国的交通安全服务。该数据集中有大小维数并不统一的43类德国交通标志图像，图像数据在自然场景下采集得到，受到一定程度的光照的影响，并包含有噪声。本文按照标志形状，将43类交通标志分为3类：第一类为圆形（包含有26类交通标志，同时把其中的一类八边形标志归类为圆形）。第二类为三角形（包含有16类交通标志）。第三类为菱形（只有1类交通标志），其中的部
41、分交通标志如图2-1所示。（a）限速标识（b）解除限制标识（c）指示标识（d）禁令标识（e）八边形“停止”标识图2-1 德国交通标志数据库的图像示例该数据集已经公开在网上，其中的数据来源于一段十个小时的视频（是在2010年3月的白天，到德国各种类型的道路上采集而来的）。使用的图像采集设备是一架Prosilica GC 1380CH照相机，其视频帧率为25帧/秒，并且是全自动曝光的，得到的图像分辨率为。在该数据集中，包含了很多轨迹序列（track）。每个轨迹序列都代表一个交通标志实例，每一个轨迹序列中含有30幅交通标志图像，每一类样本中有几个到几十个不等的轨迹序列。如图2-2所示。多个轨迹序列就
42、组成了一个交通标志样本。其中的每个交通标志都是唯一的，不会发生重复。图2-2 某个交通标志的一个轨迹序列2.2交通标志图像预处理由于在户外场景下采集交通标志图像，各种随机噪声难以避免，再加上采集时，车辆上的相机一直在运动，所以图像会产生一定的运动模糊。我们称被噪声污染的图像为退化图像，它可以用公式表示为： （2-1）其中表示为原图像，代表随机噪声，为退化函数，为退化后的图像，退化流程如下图所示：图2-3 图像的退化流程为了不影响图像的检测和识别，我们需要对其作出包括除随即噪声和运动模糊的预处理。本章针对几种图像预处理算法进行了对比，最后确定对随机噪声的消除采用中值滤波，对运动模糊的消除采用维纳
43、滤波。2.2.1随机噪声的消除在图像预处理中，比较常用的消除随机噪声的方法有中值滤波、均值滤波以及高斯滤波等多种。1）均值滤波均值滤波属于线性滤波10，即在给目标像素定一个窗口模板，然后，将窗口内的目标像素的所有像素灰度值去掉，将所得的平均值代替原始像素的灰度值。设计出合理的窗口模板，既卷积核，是均值滤波的关键。常用的卷积核如式（2-2）所示： （2-2）2）中值滤波在图像处理中，我们最常见的一种滤波方式就是中值滤波。它是一种非线性的排序滤波器，其原理是：将一个窗口内所有的像素按灰度值进行排序，取窗口中排序后的中值去代替原始像素的灰度值，这样，就会得到更接近于真实值的像素，从而实现对噪声点的消
44、除。中值滤波器常用的窗口类型有方形、十字形、条形等。比如有一条形窗口，各个像素点的灰度值为3,5,201,156,6,34,67,131,167，则这个窗口的中值为67，原始像素点的灰度值用67取代。3）高斯滤波作为一种特殊的线性均值滤波器，高斯滤波被广泛的用于图像去噪过程，可以消除高斯噪声。高斯滤波就是使用高斯函数作为权函数，对整幅图像进行加权求平均值，任意一个像素点的灰度值都是其自身和领域内的像素点灰度值经过加权后所求的平均值。常用的一维高斯滤波函数为：高斯滤波器的核呈现布局如图2-4所示。图2-4 高斯滤波器的核呈现布局高斯滤波的基本原理为：为目标像素点设定一个窗口模板，对模板内像素的灰
45、度值进行加权求平均值，用此值去将原始像素的灰度值替代。2.2.2运动模糊的消除由于交通标志图像是通过运动的相机采集得到的，这样就不可避免的会产生运动模糊。为了消除交通标志图像的运动模糊，本文采用了两种方法，即维纳滤波和逆滤波两种方法进行实验，实验结果表明维纳滤波较逆滤波的效果更好，因此选择维纳滤波作为本文的消除运动模糊的方法。1）维纳滤波维纳滤波是由维纳（N.Wiener）在1942年提出来的11，属于一种基于最小二乘法的滤波算法。它的适用范围比较广，无论连续的还是离散的，标量还是向量都可以用它进行滤波。它的缺点是：对于要求得到半无限时间区间内的全部观察数据这一条件很难满足，对于非平稳的随即数
46、据也不能用它进行滤波，因此它的实用性不强。维纳滤波的基本原理为：对式（2-1）进行傅里叶变换，后利用维纳滤波进行图像滤波，可表示为式(2-3)： （2-3）其中，表示采集到的退化图像，代表的是退化函数，是的复共扼表示，表示真实的图像，即未退化的图像，是常数，表示噪声功率谱密度比。维纳滤波就是对退化图像进行还原，去除噪声点的污染，求得真实图像的最接近值。2）逆滤波逆滤波也是一种图像复原滤波，其还原图像的流程如下图2-5所示。图2-5 逆滤波的流程图我们假设图像中不存在噪声点，则对（2-1）进行傅里叶变换，然后推到得出： （2-4）在（2-6）中我们已知和，这样就可以求出，求得后可根据（2-7）求
47、的原始图像。与维纳滤波不同的是，逆滤波容易受到噪声的干扰，若噪声为零，则逆滤波能够完全的还原图像，如果噪声存在，且很小或者为零，则还原后的图像中噪声会被放大。这就意味着在噪声很小但是也很小的情况下，逆滤波还原后的图像会更加失真。2.3实验结果图2-6是对一幅交通标志图像分别进行均值滤波、中值滤波和高斯滤波的结果。对比三种滤波结果和滤波算法的原理可知：均值滤波虽然执行速度很快，但是容易造成图像模糊，它并没有消除随进噪声点，反而使噪声点扩散到其他领域中。高斯滤波属于一种特殊的均值滤波，其滤波结果与均值滤波结果相近，而且窗口模板越大，滤波后的图像越模糊。中值滤波因为有一个排序的过程，所以其计算复杂度较高，但是它不容易造成图像模糊，而且去噪性能非常好，能够在消除随机噪声的同时不使图像边缘变模糊。为了保障滤波后的图像处理和交通标志识别的准确率，我们采用中值滤波的方法去除随机噪声。图2-6
