CN103413320A - 一种港口污染物显著性检测方法 - Google Patents

一种港口污染物显著性检测方法 Download PDF

Info

Publication number
CN103413320A
CN103413320A CN201310387277XA CN201310387277A CN103413320A CN 103413320 A CN103413320 A CN 103413320A CN 201310387277X A CN201310387277X A CN 201310387277XA CN 201310387277 A CN201310387277 A CN 201310387277A CN 103413320 A CN103413320 A CN 103413320A
Authority
CN
China
Prior art keywords
detection method
image
port
carried out
color characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201310387277XA
Other languages
English (en)
Other versions
CN103413320B (zh
Inventor
任蕾
张明睿
王胜正
冉鑫
韩志荣
陆瑛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN201310387277.XA priority Critical patent/CN103413320B/zh
Publication of CN103413320A publication Critical patent/CN103413320A/zh
Application granted granted Critical
Publication of CN103413320B publication Critical patent/CN103413320B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种港口污染物显著性检测方法，包含如下步骤：步骤1：提取港口可见光图像，进行预处理；步骤2：提取图像的亮度特征和颜色特征；步骤3：对步骤2中所述的亮度特征和颜色特征分别进行离散Walsh-Hadamard变换；步骤4：对步骤3所述的离散Walsh-Hadamard变换后的频谱保留符号，并做逆变换；步骤5：对经步骤4逆变换后的图像进行滤波，得到所述亮度特征和颜色特征的显著图；步骤6：线性合并步骤5中所述的颜色特征的显著图，并与所述的亮度特征的显著图合并为总显著图；步骤7：利用归一化阈值，对总显著图进行二值化，得到二值化显著图。本发明抑制港口场景图像中的背景部分，突出目标区域，进而方便后续的目标检测和识别，为海事部门执法提供技术支持。

Description

一种港口污染物显著性检测方法
技术领域
本发明涉及图像处理和计算机视觉领域，特别涉及一种港口污染物显著性检测方法。
背景技术
近年来由于我国航运业的迅猛发展，我国港口水域的污染情况日益严重。港口污染物主要包括两类，一是船舶机舱的污水和油污，一是船舶倾倒的各类垃圾等，这些都给港口的水域环境造成严重影响。尽管目前海事部门加大监管力度，但对船舶污染海洋环境和港口环境监测方面仍存在难点，其中主要难题是现场责任认定和证据收集困难，同时夜间监管缺少有效手段。
传统的雷达监控无法显示真实场景的图像，对船舶在港区排污等违法事件无法跟踪和追溯；同时雷达存在盲区和电子干扰问题，单纯依赖该手段进行船舶违法取证十分困难。可见光图像可提供港区真实、直观的场景，而红外图像可为夜间和雾天等天气条件下提供场景图像。因此，利用可见光和红外图像对港口船舶进行视频监控，可为海事执法部门进行船舶排污行为监控提供必要的技术手段，以方便执法取证的实施。船用光电跟踪监视取证系统是用于海上搜索监视、执法取证的重要设备，可弥补雷达监控的不足。
国内的部分学者针对船用光电取证系统中的跟踪、识别和检测方法进行了深入研究，分别对船用光电跟踪监视取证设备中的核心技术进行了研究工作，特别在监控目标的自动跟踪方法上积极开展研究。还有部分学者针对渔政船取证系统存在的执法难、取证难等问题，提出一种基于目标定位的渔政船执法取证系统的解决方案，系统中采用多传感器监视方式，白天使用配备了连续变焦镜头的彩色CCD摄像机搜索和跟踪目标，并进行录像；夜间则采用配备了定焦或多焦距镜头的制冷或非制冷红外热像仪搜索目标。
船用光用跟踪监视取证系统的主要功能之一是对本船周边一定海域（水域）内的海上目标(如船舶、海上漂浮物等)作全方位搜索、观察、跟踪和图像取证，即利用图像进行潜在目标的检测是该系统的首要任务，是后续跟踪和取证的基础。
显著性检测是自底向上的视觉注意计算模型的核心问题之一。近年来，显著性检测已应用于复杂场景中的目标检测和目标跟踪等领域，受到计算机视觉、图像处理等领域众多学者的关注。目前，国内外学者已提出在海上小目标检测和船舶检测等领域应用显著性检测的方法，以进行后续的目标检测和跟踪，但在港口污染物检测中还未有提出相应的方法。针对港口污染物（特指垃圾等污染物，不包括油污），提出一种显著性检测方法。
发明内容
本发明的目的是提供一种港口污染物显著性检测方法，抑制港口场景图像中的背景部分，突出目标区域，进而方便后续的目标检测和识别，为海事部门执法提供技术支持。
为了实现以上目的，本发明是通过以下技术方案实现的：
一种港口污染物显著性检测方法，包含如下步骤：
步骤1：提取港口可见光图像，进行预处理；
步骤2：提取图像的亮度特征和颜色特征；
步骤3：对步骤2中上述的亮度特征和颜色特征分别进行离散Walsh-Hadamard变换；
步骤4：对步骤3所述的离散Walsh-Hadamard变换后的频谱保留符号，并做逆变换；
步骤5：对经步骤4逆变换后的图像进行滤波，得到所述亮度特征和颜色特征的显著图；
步骤6：线性合并步骤5中所述的颜色特征的显著图，并与所述的亮度特征的显著图合并为总显著图；
步骤7：利用归一化阈值，对总显著图进行二值化，得到二值化显著图。
所述的步骤1中对港口可见光图像进行预处理的子步骤为：
步骤1.1：对图像进行中值滤波去噪；
步骤1.2：图像尺度调整为2的整数幂。
所述的步骤2中的颜色特征包含红色、绿色、蓝色以及黄色四种颜色特征。
所述的步骤5中，对经步骤4逆变换后的图像进行滤波的方法是高斯滤波。
所述的步骤7中的归一化阈值的数值范围为[0.3，0.5]。
本发明与现有技术相比，具有以下优点：
抑制港口场景图像中的背景部分，突出目标区域，进而方便后续的目标检测和识别，为海事部门执法提供技术支持。
附图说明
图1为本发明一种港口污染物显著性检测方法的方法流程图。
具体实施方式
以下结合附图，通过详细说明一个较佳的具体实施例，对本发明做进一步阐述。
如图1所示，一种港口污染物显著性检测方法，包含如下步骤：
步骤1：提取港口可见光图像，进行预处理，该预处理的子步骤如下：
步骤1.1：对图像进行中值滤波去噪，在本实施例中，设港口图像为                                               
Figure 201310387277X100002DEST_PATH_IMAGE002
；
步骤1.2：为进行后续的离散Walsh-Hadamard变换（Walsh-Hadamard Transform，WHT），将图像尺度调整为2的整数幂。
步骤2：在步骤1.2调整后的图像的RGB颜色空间中，提取图像的亮度特征和各颜色特征，其中，颜色特征包含红色、绿色、蓝色以及黄色四种颜色特征，设图像的红绿蓝3个分量分别是r、g、b，则红色、绿色、蓝色以及黄色特征分别为：（1），
Figure 201310387277X100002DEST_PATH_IMAGE006
（2），
Figure 201310387277X100002DEST_PATH_IMAGE008
（3），
Figure 201310387277X100002DEST_PATH_IMAGE010
（4），在本实施例中，对上述各式中小于零的分量设置为0。同时计算其亮度特征为：
Figure 201310387277X100002DEST_PATH_IMAGE012
（5）。
步骤3：对步骤2中所述的亮度特征和颜色特征分别进行离散Walsh-Hadamard变换，以亮度特征为例，（6）。
步骤4：对步骤3所述的离散Walsh-Hadamard变换后的频谱保留符号，并做逆变换，对其变换后的频谱仅保留符号信息得到，
Figure 201310387277X100002DEST_PATH_IMAGE016
。
步骤5：对经步骤4逆变换后的图像进行滤波，得到所述亮度特征和颜色特征的显著图；在本实施例中，对经步骤4逆变换后的图像采用高斯滤波，将上述频谱进行逆变换和高斯滤波得：     （8），其中
Figure 201310387277X100002DEST_PATH_IMAGE020
和分别表示离散Walsh-Hadamard变换和逆变换，
Figure DEST_PATH_IMAGE024
表示符号函数，表示空域高斯滤波器。利用上述方法可依次得到各特征的显著图分别为：
Figure DEST_PATH_IMAGE028
。
步骤6：线性合并步骤5中所述的颜色特征的显著图，并与所述的亮度特征的显著图合并为总显著图。在本实施例中，首先将颜色特征的显著图进行线性合并，进而与亮度显著图合并得到总显著图，
Figure DEST_PATH_IMAGE030
 （9）。
步骤7：利用归一化阈值，对总显著图进行二值化，得到二值化显著图。在本实施例中，为最终确定目标位置，利用归一化阈值对总显著图进行二值化，得到二值化显著图：
Figure DEST_PATH_IMAGE032
       （10）
由式（9）得到的总显著图，其灰度值在
Figure DEST_PATH_IMAGE034
之间，为抑制杂波将该显著图进行归一化使其灰度值在
Figure DEST_PATH_IMAGE036
中，并根据阈值
Figure DEST_PATH_IMAGE038
得到二值化显著图，一般选择阈值为0.3至0.5之间。
当使用时，本发明是利用港口可见光图像的亮度特征和颜色特征，通过对其Walsh-Hadamard变换后频谱保留符号，进行港口污染物的显著性检测，从而突出目标区域。
综上所述，本发明一种港口污染物显著性检测方法，抑制港口场景图像中的背景部分，突出目标区域，进而方便后续的目标检测和识别，为海事部门执法提供技术支持。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (5)

1.一种港口污染物显著性检测方法，其特征在于，包含如下步骤：
步骤1：提取港口可见光图像，进行预处理；
步骤2：提取图像的亮度特征和颜色特征；
步骤3：对步骤2中所述的亮度特征和颜色特征分别进行离散Walsh-Hadamard变换；
步骤4：对步骤3所述的离散Walsh-Hadamard变换后的频谱保留符号，并做逆变换；
步骤5：对经步骤4逆变换后的图像进行滤波，得到所述亮度特征和颜色特征的显著图；
步骤6：线性合并步骤5中所述的颜色特征的显著图，并与所述的亮度特征的显著图合并为总显著图；
步骤7：利用归一化阈值，对总显著图进行二值化，得到二值化显著图。
2.如权利要求1所述的港口污染物显著性检测方法，其特征在于，所述的步骤1中对港口可见光图像进行预处理的子步骤为：
步骤1.1：对图像进行中值滤波去噪；
步骤1.2：图像尺度调整为2的整数幂。
3.如权利要求1所述的港口污染物显著性检测方法，其特征在于，所述的步骤2中的颜色特征包含红色、绿色、蓝色以及黄色四种颜色特征。
4.如权利要求1所述的港口污染物显著性检测方法，其特征在于，所述的步骤5中，对经步骤4逆变换后的图像进行滤波的方法是高斯滤波。
5.如权利要求1所述的港口污染物显著性检测方法，其特征在于，所述的步骤7中的归一化阈值的数值范围为[0.3，0.5]。
CN201310387277.XA 2013-08-30 2013-08-30 一种港口污染物显著性检测方法 Expired - Fee Related CN103413320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310387277.XA CN103413320B (zh) 2013-08-30 2013-08-30 一种港口污染物显著性检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310387277.XA CN103413320B (zh) 2013-08-30 2013-08-30 一种港口污染物显著性检测方法

Publications (2)

Publication Number Publication Date
CN103413320A true CN103413320A (zh) 2013-11-27
CN103413320B CN103413320B (zh) 2016-12-28

Family

ID=49606325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310387277.XA Expired - Fee Related CN103413320B (zh) 2013-08-30 2013-08-30 一种港口污染物显著性检测方法

Country Status (1)

Country Link
CN (1) CN103413320B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101641A (zh) * 2016-07-18 2016-11-09 中国科学院地理科学与资源研究所 视频监测系统及其监测方法
CN107169516A (zh) * 2017-05-11 2017-09-15 上海海事大学 基于k‑l变换的海上小目标显著性检测方法
CN107862262A (zh) * 2017-10-27 2018-03-30 中国航空无线电电子研究所 一种适用于高空侦察的快速可见光图像舰船检测方法
CN109977766A (zh) * 2019-02-18 2019-07-05 南京航空航天大学 一种基于局部特征的车型精细识别方法
CN112289004A (zh) * 2020-09-14 2021-01-29 深圳市国艺园林建设有限公司 一种河流监测预警方法及系统
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087744A (zh) * 2010-02-25 2011-06-08 上海海事大学 海洋动态背景下视频小目标快速检测的结构张量方法
CN102496157A (zh) * 2011-11-22 2012-06-13 上海电力学院 基于高斯多尺度变换及颜色复杂度的图像检测方法
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102087744A (zh) * 2010-02-25 2011-06-08 上海海事大学 海洋动态背景下视频小目标快速检测的结构张量方法
CN102496157A (zh) * 2011-11-22 2012-06-13 上海电力学院 基于高斯多尺度变换及颜色复杂度的图像检测方法
CN102800086A (zh) * 2012-06-21 2012-11-28 上海海事大学 一种海上场景显著性检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ZHANG QIANG等: "Efficient Defect Detection with Sign Information of Walsh Hadamard Transform", 《IMAGE PROCESSING：MACHINE VISION APPLICATIONS VI》, vol. 8661, 6 March 2013 (2013-03-06), pages 1 - 10 *
任蕾等: "应用奇异值分解的海上场景显著性检测", 《计算机工程与应用》, vol. 48, no. 23, 31 December 2012 (2012-12-31) *
杨伟: "选择性视觉注意机制及其在图像处理中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》, 15 April 2013 (2013-04-15), pages 29 - 43 *
赵小川: "《MATLAB数字图像处理实践》", 30 June 2013, article "5.3 基于图像模式识别的过程", pages: 226-228 *
马龙: "基于视觉注意机制的红外成像目标自动识别技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》, no. 07, 15 July 2009 (2009-07-15), pages 26 - 45 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106101641A (zh) * 2016-07-18 2016-11-09 中国科学院地理科学与资源研究所 视频监测系统及其监测方法
CN107169516A (zh) * 2017-05-11 2017-09-15 上海海事大学 基于k‑l变换的海上小目标显著性检测方法
CN107169516B (zh) * 2017-05-11 2020-10-23 上海海事大学 基于k-l变换的海上小目标显著性检测方法
CN107862262A (zh) * 2017-10-27 2018-03-30 中国航空无线电电子研究所 一种适用于高空侦察的快速可见光图像舰船检测方法
CN109977766A (zh) * 2019-02-18 2019-07-05 南京航空航天大学 一种基于局部特征的车型精细识别方法
CN112289004A (zh) * 2020-09-14 2021-01-29 深圳市国艺园林建设有限公司 一种河流监测预警方法及系统
CN112289004B (zh) * 2020-09-14 2021-07-02 深圳市国艺园林建设有限公司 一种河流监测预警方法及系统
CN117455913A (zh) * 2023-12-25 2024-01-26 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法
CN117455913B (zh) * 2023-12-25 2024-03-08 卡松科技股份有限公司 基于图像特征的液压油污染智能检测方法

Also Published As

Publication number Publication date
CN103413320B (zh) 2016-12-28

Similar Documents

Publication Publication Date Title
CN103413320A (zh) 一种港口污染物显著性检测方法
CN102800086A (zh) 一种海上场景显著性检测方法
CN102156881B (zh) 基于多尺度图像相位信息的海难搜救目标检测方法
CN110321855A (zh) 一种雾天检测预警装置
CN113326783A (zh) 一种水利行业的边缘预警方法
CN110866926A (zh) 一种红外遥感图像快速精细海陆分割方法
Bao et al. Ship detection in port surveillance based on context and motion saliency analysis
CN103985140A (zh) 一种基于频域处理的抗噪运动目标检测方法
Chan Comprehensive comparative evaluation of background subtraction algorithms in open sea environments
Deng et al. Ship detection from optical satellite image using optical flow and saliency
Chen et al. A novel AMS-DAT algorithm for moving vehicle detection in a satellite video
Zhou et al. Automatic ship detection in SAR Image based on Multi-scale Faster R-CNN
US20090110240A1 (en) Method for detecting a moving object in an image stream
Goel et al. Single line license plate detection using opencv and tesseract
CN106991682B (zh) 自动港口货船的提取方法及装置
CN110610474A (zh) 一种基于红外图像的太阳能板缺陷实时检测方法
Wang et al. SDV-net: A two-stage Convolutional neural network for smoky diesel vehicle detection
Liu et al. A system for road sign detection, recognition and tracking based on multi-cues hybrid
Pehere et al. Detection of pothole by image processing using UAV
Jun et al. A vehicle license plate location and correction method based the characteristics of license plate
Yao Small target detection under the sea using multi-scale spectral residual and maximum symmetric surround
Shiliang et al. Vertical scratches detection based on edge detection for old film
Guo et al. The Edge Detection Operators and Their Application in License Plate Recognition
Liu et al. A fast method for obtaining the region of interest of coastal infrared ship
Chen et al. A Border Ship Monitoring System Mounted on a Camera

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20161228

Termination date: 20190830