｜自動影像場景匹配技術

摘要：當進行有輔助參數的色彩分類時，例如在車用影像辨識的應用等，常常遭遇到參數不適用於當前影像的情形；若訓練時考慮到太多不同場景都要適用，則最後很容易導致分類的結果不夠精確，或是需要替換分類演算法。本研究所提出的場景選擇演算法適用於具有多組場景參數的色彩分類演算法上。

Abstract: When we try to do color classification for different images, it usually happens that the parameter doesn’t fit for the current image. On the other hand, if we want to train many images, the parameter is apt to lose accuracy. In this article, we develop a scene select algorithm for application to color classification with multiple scene parameters.

關鍵詞：色彩、分類、機器視覺

Keywords：Color, Classification, Machine Vision

緣起
在機械視覺的領域中，挑選攝影機之前一定會先針對所需要的任務進行分析，以確定所要選要的攝影機與鏡頭種類；當中第一個步驟就是確認演算法中是否有需要使用到「彩色影像」的部分。具有彩色功能的攝影機通常價位比較高，且同價位單色攝影機的解析度與成像可能比彩色的要來的好，因此彩色與否就成為硬體配置的第一道分水嶺。

尤其近年智慧車用電子崛起，各種攝影機應用大大導入車用系統中，機器視覺也從傳統工廠、實驗室或是AOI（Automated Optical Inspection）機台等受控環境走向戶外，必須面對街道環境的變化。當遇到需要進行燈號或是號誌辨識的情況時，就非得使用彩色的影像不可，因為一旦轉成單色灰階影像，不管紅燈或綠燈，最高限速或是最低限速指示牌，將會難以分別；再加上真實環境中光源變化多端，因此使得彩色影像處理的難度更高一層。人眼對於色彩的分辨與理解能力其實非常的強大，我們看到粉紅色、亮的紅色、暗的紅色、背光時的紅色、燈泡上的紅色時，我們都可以理解為紅色，但是對於電腦來說，這些很可能不是這麼的肯定，對於該像素為紅色（或是其他顏色）與否，中間界限非常模糊。為了讓主要的影像處理可以更穩定，一個可靠的色彩分類演算法有助於明確定義影像中所出現的各種色彩，當主演算法獲得已經明確定義過色彩的影像後，不但可以減少記憶體使用（從一般R、G、B三個band轉換為單一的色彩band），也有助於改善整體的準確度。

然而，一般參數式的色彩分類演算法，雖然具有能夠依照訓練影像內容而調整分類參數的能力，但相對的訓練影像的品質就變成很重要的議題了。訓練的影像通常會鎖定要應用的環境進行取像、訓練，而不是把所有可以得到的影像都一鼓腦丟下去跑訓練程序，以確保訓練所得的結果，在目標環境下可以保持最穩定的輸出品質。如果把各種情況的影像（例如從晴天、雨天、陰天、順光、背光等），不做區分直接送入訓練，出來的結果很容易變成適用於各種情況，但卻都是品質不佳的參數。

本研究的主要目的，就是在於發展出一種可以套用於一般色彩分類演算法的場景匹配（即場景參數切換）技術，此方法無須修改原先設計之色彩分類演算法，假設：預先針對每種不同的情況來收集訓練影像，依照不同天候、季節（不同季節時日照角度的差異）、時間（早上、中午、下午、傍晚等）、週邊場景（都市、高速公路、郊區等）等的不同屬性分類訓練影像；把這些訓練影像分別進行訓練，可得到多組獨立的分類參數，那剩下的問題就只有『如何選用最適合當前影像的參數』了。