1 引言
本文引用地址：http://www.eepw.com.cn/article/200198.htm進入21 世紀以來，我國建築進入了一個智能化高度發展的時代，新的智能大廈、現代化居民居住小區按照傳統的照明控制方式已經不能滿足其更高標準的要求。傳統的照明方式簡單、有效、直觀，但它過多依賴控制者的個人能力，控制相對分散以及無法有效管理，並且其適時性和自動化程度太低。其後的自動照明控制模式雖然解決了傳統方式控制相對分散和無法有效管理等問題，實現了照明控制的自動化，但卻無法實現調光控制功能。
目前，國外產品如尼科公司的智能照明控制系統能預設各種場景進行照明控制，廣泛應用於辦公大樓、賓館酒店、體育場館等場合，但是存在價格高、操作相對複雜，對管理人員要求較高等缺點。國內相關應用於居住小區及普遍公共場所的照明智能控制系統尚不多見。
為解決傳統紅外+ 光感傳感器方式的燈光照度控制系統存在要求較多的傳感器，而且布置位置要求較高和工程施工、布線量大等缺點，本文提出採用動靜監測( 紅外、聲控) + 數字圖像信息融合的照度控制方式。通過將採集來的圖像信息進行融合處理，對融合之後的圖像進行灰度劃分，將每一區域的灰度平均值與預設灰度值對比，從而調節場景照度。
2 動靜監測傳感數據與CCD 數字圖像信息融合技術
樓宇智能照明系統中動靜監測與CCD 數字圖像信息融合技術的控制系統框圖如圖1 所示。
其基本原理是: 通過動靜檢測技術觀察是否有人走動，如果沒有人走動，關閉照明; 如果有人存在，對採集的多幅數字圖像進行分析，將圖像灰度平均值與各種預置的標準值進行對比，計算其環境照場的照度模型，如果在照明系統預設模式允許的誤差範圍內，就不需要對照度進行調整，反之，就對照度進行調整。
圖像融合是指將不同傳感器獲得的同一景物的圖像或同一傳感器在不同時刻獲得的同一景物的圖像，經過去噪、時間配準、空間配準和重採樣後，再運用某種融合技術得到一幅合成圖像的過程通過對多幅傳感器圖像的融合，可克服單一傳感器圖像在幾何、光譜和空間解析度等方面存在的局限性和差異性，提高圖像的質量，從而有利於對物理現象和事件進行定位、識別和解釋。其具體過程見圖2。
3 基於小波變換的圖像融合技術
3. 1 預處理
智能照明系統中，當動靜監測發現有人走動時，CCD 攝像機會對相應區域進行圖像信息採集。但在圖像採集過程中，由於受到各種因素( 如傳感器的位置速度、光照強度、隨機噪聲等) 的影響，實際獲得的圖像往往包含上述影響因素的特徵。因此在實現圖像融合之前，需要對傳感器獲得的不同圖像進行預處理，包括圖像校正、增強、平滑、濾波、配準等。
如圖3 所示，為CCD 攝影機採集的室內圖像經過圖像校正、濾波以及配準預處理之後的效果顯示。
從圖3 中可以發現，由於光照強度，以及噪聲和幹擾等因素，圖3 ( a) 中右邊花盆有些模糊，圖3 ( b) 中的門有些模糊，這樣的圖像所提供的信息不利於智能照明系統識別，由此可利用下面的小波融合技術將源圖像信息進行融合。
3. 2 小波變換融合
Mallat 在Burt 和Adelson 的塔形圖像分解和重構算法的啟發下，提出了小波變換的Mallat 快速算法，按照二維Mallat 算法，將每一副經過預處理的CCD圖像進行二維分解。
本文CCD 攝影機採集的圖像大小為351 × 260，設分解層數為3，在尺度k-1 上按如下的Mallat 分解公式進行分解:
式中，
分別表示預處理後的CCD圖像在351 × 260 解析度下的低頻分量，水平高頻分量，垂直高頻分量和對角高頻分量。其中低頻分量反映了CCD 圖像的近似和平均特徵，集中了圖像的大部分能量信息。如圖4 所示，為CCD 圖像的小波分解示意圖。
在兩幅CCD 圖像的小波變換域內，分別對水平，垂直與對角分量進行融合。在各尺度j ( j = 1，2，3)上將兩幅CCD 圖像的高頻係數進行比較，把對應位置上絕對值較大的係數作為重要小波係數保留下來，即其中
分別表示兩幅CCD 圖像在各尺度分量上的小波係數。
對兩幅CCD 圖像經小波變換之後的逼近係數C1J和C2J進行處理，由於在智能照明系統採集圖像時，受各方面因素，使得CCD 攝影機採集的圖像在局部出現模糊的現象，圖像模糊表示其細節信息( 或高頻信息) 丟失較多，相比之下，其整體信息( 或低頻信息) 保持較好，因此兩幅CCD 圖像經小波分解後其逼近係數之間的差異要遠小於小波係數之間的差異，故融合之後的逼近係數可由確定。
利用以上得到的全部小波係數以及可以得到由智能照明系統採集的多幅CCD 中的逼近係數進行二維小波反變換，有重構式維小波反變換，有重構式圖像融合圖像。其融合過程如圖5所示。
技術專區