CN104102926A - 一种海面油膜识别方法 - Google Patents
一种海面油膜识别方法 Download PDFInfo
- Publication number
- CN104102926A CN104102926A CN201410169329.0A CN201410169329A CN104102926A CN 104102926 A CN104102926 A CN 104102926A CN 201410169329 A CN201410169329 A CN 201410169329A CN 104102926 A CN104102926 A CN 104102926A
- Authority
- CN
- China
- Prior art keywords
- black
- image
- white sample
- eigenwert
- white
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种海面油膜识别方法,如下:收集并处理原始图像形成样本图像存入图像库。处理样本图像形成黑白样本图像存入油膜识别特征数据库。计算黑白样本图像获得a个特征值并存入油膜识别特征数据库。处理被识别测试图像形成被识别测试黑白图像,计算、提取被识别测试黑白图像的a个特征值。被识别测试黑白图像的特征值分别与油膜识别特征数据库内的黑白样本图像的a个特征值比对、筛选,提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像。a组黑白样本图像生成图像集合计算并得出图像集合中每个黑白样本图像与被识别测试图像的相似程度。相似程度最大的黑白样本图像对应的原始图像的属性对被识别测试图像进行判断是否为油膜。
Description
技术领域
本发明涉及图像分析和识别方法,具体涉及一种海面油膜识别方法。
背景技术
海洋资源是我国自然资源的主要组成部分,伴随着海洋资源的不断开发,海上溢油已经成为一个日益严重的问题。海上溢油污染在海面大多数以海面油膜的形式存在。海面油膜会使得海洋生产力降低,同时破坏海洋的生态平衡。因此能否准确及时的检测海上溢油已经变得越来越重要。遥感技术已经成为检测海面溢油的主要方法之一,而其中卫星遥感和航空遥感是目前普遍采用的方法。卫星遥感主要以合成孔径雷达(Synthetic Aperture Radar,简称SAR)为主。它可以根据油膜特性导致的黑色斑块特征来判断是否存在溢油。然而,并不是所有黑色斑块特征都是油膜造成。有些是其他自然现象造成。比如例如低风速雨区、自然油膜、背风区、海藻。因此,为了更精确的监测油膜,迫切需要一种识别航空遥感海面油膜的方式,进行对具有类似现象的区域进行进一步的识别。
发明内容
本发明的目的在于提供一种识别航空遥感海面油膜的方法。气候的变化会影响水面的颜色和形状,比如光线的改变会影响成像后水面的亮度;风向的改变会影响成像后水面的形状。因此,颜色和形状都不是识别油膜的鉴别性特征。油滴是从中心开始扩散的,因此油污表面会出现很多一圈一圈的形状,这种形状会在水面成像的纹理上体现出来。本发明是根据图像的黑像素连续度、黑像素连续度的角度粒度和像素变换粒度密度三方面的特征来提取图像特征,进行油膜的识别。当海面油膜出现时,根据水面的这些特征的改变差异进行数字化比较,来识别区分油膜和非油膜。
为了达到上述目的,本发明通过以下技术方案实现:
一种海面油膜识别方法,其特点是,该识别方法包含如下步骤:
步骤1,收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库。
步骤2,将上述的每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库。
步骤3,将上述的每个黑白样本图像经计算处理获得a个特征值,并将上述的a个特征值存入上述的油膜识别特征数据库。
步骤4,将被识别测试图像进行处理形成被识别测试黑白图像,并计算、提取该被识别测试黑白图像的a个特征值。
步骤5,将上述的被识别测试黑白图像的a个特征值分别与上述的油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选,提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像,每组图像个数大于1并且小于所有样本图像总数。
步骤6,将上述的a组黑白样本图像生成图像集合,并根据与上述的被识别测试图像的每个特征值相似程度的大小对上述的图像集合进行排序生成a组排序图集。
步骤7,根据上述的被识别测试图像的特征值的权重值、上述的a组排序图集中每个黑白样本图像的排序位置,计算并得出上述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度。
步骤8,将上述的图像集合中所有黑白样本图像的相似程度进行排序,根据相似程度最大的黑白样本图像对应的上述的图像库内的原始图像的属性对上述的被识别测试图像进行判断;当该原始图像为油膜时,该被识别测试图像即为油膜图像;当该原始图像为非油膜图像时,该被识别测试图像为非油膜图像。
上述的海面油膜识别方法,其特点是,上述的步骤3包含如下步骤:
步骤3.1,上述的每个黑白样本图像根据下述黑像素连续度公式计算,获取该黑白样本图像的多个黑像素连续度 、多个黑像素连续度均值及多个黑像素连续度方差。
其中,--图像的像素点,为全黑像素,否则为;
--图像像素的倾角方向,分别为0°,45°,90°,135°;
--以像素点为中心,前后对称的像素值为1的像素点组成区间的半径的值;
,--像素的位置信息;
其中,D--方向上黑像素连续度的值点的集合;
s--方向上黑白样本图像的黑像素连续度非零值的像素点的个数。
步骤3.2,上述的每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算,获取该黑白样本图像的多个黑像素连续度的角度粒度的均值、,方差、。
其中,--正交相关粒度。
D—方向,上黑像素连续度的值 至少一个非零值的点的集合;
s--方向,上黑白样本图像的黑像素连续度非零值的像素点的个数;
步骤3.3,上述的每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式计算及像素变换粒度方差公式,获取该黑白样本图像的多个像素变换粒度,多个像素变换粒度密度,多个像素变换粒度方差。
;
;
;
;
其中,--计算方向上第l条扫描线的转折像素点的个数和; R—在方向上所有扫描线上具有的扫描线的集合。
步骤3.4,上述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中。
上述的海面油膜识别方法,其特点是,上述的步骤3.4具体如下:
将计算获得的上述的多个黑像素连续度平均值、方差值,多个黑像素连续度的角度粒度的均值、,方差值、,多个像素变换粒度密度值及多个像素变换粒度方差;当分别满足下述特征值要求公式时,取该特征值作为黑白样本图像的多个特征值之一:
其中,、为常数;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的均值,(1≤r≤20);
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值;
根据上述公式,将从20个特征值中筛选满足上述公式要求的图像特征值共a个,并将a个特征值存入所述的油膜识别特征数据库中。
上述的海面油膜识别方法,其特点是,上述的步骤4包含如下步骤:
步骤4.1,将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白样本图像。
步骤4.2,根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。
上述的海面油膜识别方法,其特点是,上述的步骤6包含如下步骤:
步骤6.1,将a组黑白样本图像进行合并操作,并删除重复的黑白样本图像,生成一个图像集合。
步骤6.2,该被识别测试黑白样本图像的每个特征值与上述的图像集合中的所有黑白样本图像的相应特征值比对,并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序,并生成a组排序图集。
上述的海面油膜识别方法,其特点是,上述的步骤7包含如下步骤:
步骤7.1,根据下述特征值权重公式,计算出上述的识别测试黑白样本图像的a个特征值在识别过程中所占权重 ;
C=min{};
其中, --第t个特征值的中间变量,(1≤t≤a);
C--中间变量;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值;
根据该识别测试黑白样本图像的每个特征值的权重、上述的a组排序图像的排列次序,计算出该图像集合内每个黑白样本图像的相似程度;
--表示图像q幅在第t个特征值组的排序位置值;
--表示图像q在第t个特征值组的排序位置;
--表示第t个特征值在识别过程中所占比例,即所占权重;
--图像集合的所有图像数量。
本发明与现有技术相比具有以下优点:本发明能够一定程度上克服SAR检测油污时导致的误判断。同时,本发明提供的一种海面油膜识别方法计算量较小,本算法提出了多个图像的特征值,该算法具有较高的识别准确率,并对被识别测试图像没有具体规格、属性要求。
附图说明
图1为本发明一种识别航空遥感海面油膜的方法的整体流程图。
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所示一种海面油膜识别方法,该识别方法包含如下步骤:
步骤1,收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库。
将收集到的每个原始航拍油膜图像、原始非油膜图像经手动删除处理原始图像的噪声形成样本图像,并将原始图像、样本图像均存入图像库中。
步骤2,将每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库。
本发明中,假设某个像素点p颜色RGB值为(p.red, p.green, p.blue),那么灰色值p.grey公式为:
根据上述二值化处理公式将样本图像转化为黑白样本图像,并对该图像中的孤立点、毛刺通过图像开运算处理去除。
步骤3,将每个黑白样本图像经计算处理获得a个特征值,并将上述的a个特征值存入上述的油膜识别特征数据库。该步骤包含如下步骤:
步骤3.1,每个黑白样本图像根据下述黑像素连续度公式计算,获取该黑白样本图像的多个黑像素连续度、多个黑像素连续度均值及多个黑像素连续度方差。
实际情况中,与有油膜的水面相比,无油膜的水面的纹理更具连贯性,由于油膜会使得表面呈现更复杂的纹理特性。将图像中连续黑色像素组成的黑色团块状称为光谱,则可以根据海水表面纹理的黑色团块分布来描述图像的特征。油污包含的黑色块状会比水面的更大一些。因此,根据黑白样本图像的像素点在不同方向的黑像素连续性,即黑像素连续度作为本识别方法的图像特征值之一。
定义是图像中一个像素点,如果该像素点是全黑则定义, 否则. 存在四个方向:垂直、水平、向左倾斜和向右倾斜,它们可以用如下角度来表示,,,。具体可以定义为:
图像的黑像素连续度是计算像素前后邻近对称区域连续出现的像素点组成区间的半径的最大值,则黑像素连续度公式计算如下:
其中, --图像像素的倾角方向,分别为0°,45°,90°,135°;
--以像素点为中心,前后对称的像素值为1的像素点组成区间的半径的值;
,--像素的位置信息;
假设黑白样本图像的分辨率为,则方向上(分别为0°,45°,90°,135°)的黑像素连续度中非零值的像素有个,这s个像素组成集合,则黑像素连续度均值和方差公式定义为:
其中,D—方向上黑像素连续度的值点的集合;
s--方向上黑白样本图像的黑像素连续度非零值的像素点的个数。
步骤3.2,每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算,获取该黑白样本图像的多个黑像素连续度的角度粒度的均值、,方差、。
在实际拍摄图像中,由于受风的影响,无油膜的水面一般由具有一定方向的条状带纹理组成,而油滴的散射造成油膜表面一般由圆形的或者弧形的环状组成。因此,无油膜水面一般有明显的与风有关的方向性,而油膜会改变这个方向性。因此,本识别方法根据黑白样本图像的像素点在不同方向的方向粒度,即黑像素连续度的角度粒度作为本识别方法的图像特征值之一。
假设,方向上有个黑像素连续度的值或者的点,这s个点组成集合,则两个方向粒度的均值、和方差、定义为:
其中,--正交相关粒度。
D—方向,上黑像素连续度的值 至少一个非零值的点的集合;
s--方向,上黑白样本图像的黑像素连续度非零值的像素点的个数.
步骤3.3,每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式及及像素变换粒度方差公式计算,获取该黑白样本图像的多个像素变换粒度,多个像素变换粒度密度及多个像素变换粒度方差。
对于经二值化处理的图像,当扫描线垂直或者水平穿过这幅图像的过程中,会出现0和1交错的转折像素点(从0变成1或者从1变成0)。这类特殊点出现的密集度可以作为区分油膜和非油膜的特征之一。因为油膜的存在,会出现部分有弧度的块状,从而使得这些转折点的规律发生改变。一般规律上,无油膜的水面成像后出现的转折点会比有油膜水面要密集。即引入了像素变换粒度作为本识别方法的图像特征值之一。定义像素变换粒度为指定方向上的密度,也即扫描线上转折像素点(从0变成1或者从1变成0)的平均数量。同样有四个方向,,和。对于每个方向,分别计算出这个扫描线上的转折像素点(从0变成1或者从1变成0)的个数。
假设黑白样本图像的分辨率为,则四个方向(分别为0°,45°,90°,135°)的扫描线条数分别为l条,则每个黑白样本图像的像素变换粒度、像素变换粒度密度及像素变换粒度方差分别为:
x=0,1,2…m-2; l=0,1,2,…n-1;
x=0,1…m-1; l= -m,-m+1,…,0,1,…n-2;
l=0,1,…m-2; y=0,2,…n-1;
l=0,1…m+n-1; y=0,1,…n-1;
其中,--计算方向上第l条扫描线的转折像素点的个数和; R—在方向上所有扫描线上具有的扫描线的集合。
步骤3.4,上述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中
将计算获得的上述的多个黑像素连续度平均值、方差值,多个黑像素连续度的角度粒度的均值、,方差值、,多个像素变换粒度密度值及多个像素变换粒度方差;当分别满足下述特征值要求公式时,取该特征值作为黑白样本图像的a个特征值之一;
其中,、为常数,且,;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的均值,(1≤r≤20);
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值;
根据上述公式,将从20个特征值中筛选满足上述公式要求的图像特征值共a个,并将a个特征值存入所述的油膜识别特征数据库中。
本实施例中,油膜识别特征数据库内共计226幅黑白样本图像,针对被识别测试图像的每个特征值,根据特征值要求公式:
判断满足上述公式要求的图像特征值共12个,分别为:,,, , ,。
步骤4,将被识别测试图像进行处理形成被识别测试黑白图像,并计算、提取该被识别测试黑白图像的a个特征值。该步骤包含如下步骤:
步骤4.1,将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白样本图像。
步骤4.2,根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。
本实施例中,根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取该被识别测试黑白图像的12个特征值:
,,, , ,。
步骤5,将被识别测试黑白图像的a个特征值分别与油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选,提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像,每组图像个数大于1小于并且所有样本图像总数。
本实施例中,油膜识别特征数据库内共计226幅黑白样本图像,针对被识别测试图像的每个特征值,分别从该油膜识别特征数据库内比对、选取2幅相似程度大的黑白样本图像;每组2幅黑白样本图像,共计选出12组24幅黑白样本图像。对于每组图像,根据与被识别测试黑白图像的特征值相似程度的大小顺序进行排列。
步骤6,将上述的a组黑白样本图像生成图像集合,并根据与上述的被识别测试图像的每个特征值相似程度的大小对上述的图像集合进行排序生成a组排序图集。该步骤包含如下步骤:
步骤6.1,将a组黑白样本图像进行合并操作,并删除重复的黑白样本图像,生成一个图像集合。
本实施例中,12组黑白样本图像中,有3幅图像重复,即最终形成的图像集合共计21幅黑白样本图像。
步骤6.2,该被识别测试黑白样本图像的每个特征值与上述的图像集合中的所有黑白样本图像的相应特征值比对,并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序,并生成a组排序图集。
本实施例中,根据12组黑白样本图像生成图像集合,并根据与被识别测试图像的每个特征值相似程度的大小对图像集合进行排序生成12组排序图集
针对被识别测试黑白样本图像的每个特征值的相似程度大小,上述像集合中21幅黑白样本图像进行排序,针对该特征值记录每个黑白样本图像排序位置(表示图像q在第t个特征值组的排序位置)。
步骤7,根据上述的被识别测试图像的特征值的权重值、上述的a组排序图集中每个黑白样本图像的排序位置,计算并得出上述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度。该步骤包含如下步骤:
步骤7.1,根据下述特征值权重公式,计算出上述的识别测试黑白样本图像的a个特征值在识别过程中所占权重。
C=min{};
其中, --第t个特征值的中间变量,(1≤t≤a);
C--中间变量;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值。
本实施例中,t的取值范围为:1≤t≤12。
步骤7.2,根据该识别测试黑白样本图像的每个特征值的权重、上述的a组排序图像的排列次序,计算出该图像集合内每个黑白样本图像的相似程度。
--表示图像q幅在第t个特征值组的排序位置值;
--表示图像q在第t个特征值组的排序位置;
--表示第t个特征值在识别过程中所占比例,即所占权重;
--图像集合的所有图像数量。本实施例中。
步骤8,将上述的图像集合中所有黑白样本图像的相似程度进行排序,根据相似程度最大的黑白样本图像对应的图像库内的原始图像的属性对上述的被识别测试图像进行判断;当该原始图像为油膜时,该被识别测试图像即为油膜图像;当该原始图像为非油膜图像时,该被识别测试图像为非油膜图像。
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 (6)
1.一种海面油膜识别方法,其特征在于,该识别方法包含如下步骤:
步骤1,收集并处理多个原始航拍油膜图像、原始非油膜图像形成多个样本图像存入图像库;
步骤2,将所述的每个样本图像经二值化处理、去噪处理形成黑白样本图像并存入油膜识别特征数据库;
步骤3,将所述的每个黑白样本图像经计算处理获得a个特征值,并将所述的a个特征值存入所述的油膜识别特征数据库;
步骤4,将被识别测试图像进行处理形成被识别测试黑白图像,并计算、提取该被识别测试黑白图像的a个特征值;
步骤5,将所述的被识别测试图像的a个特征值分别与所述的油膜识别特征数据库内的所有黑白样本图像的a个特征值比对、筛选,提取与被识别测试图像的a个特征值相似程度大的a组黑白样本图像,每组黑白样本图像的数量大于1并且小于所有样本图像总数;
步骤6,将所述的a组黑白样本图像生成图像集合,并根据与所述的被识别测试图像的每个特征值相似程度的大小对所述的图像集合进行排序生成a组排序图集;
步骤7,根据所述的被识别测试图像的特征值的权重值、所述的a组排序图集中每个黑白样本图像的排序位置,计算并得出所述的图像集合中每个黑白样本图像与该被识别测试图像的相似程度;
步骤8,将所述的图像集合中所有黑白样本图像的相似程度进行排序,根据相似程度最大的黑白样本图像对应的所述的图像库内的原始图像的属性对所述的被识别测试图像进行判断;当该原始图像为油膜时,该被识别测试图像即为油膜图像;当该原始图像为非油膜图像时,该被识别测试图像为非油膜图像。
2.如权利要求1所述的海面油膜识别方法,其特征在于,所述的步骤3包含如下步骤:
步骤3.1,所述的每个黑白样本图像根据下述黑像素连续度公式计算,获取该黑白样本图像的多个黑像素连续度 、多个黑像素连续度均值及多个黑像素连续度方差;
其中,--图像的像素点,为全黑像素,否则为;
--图像像素的倾角方向,分别为0°,45°,90°,135°;
--以像素点为中心,前后对称的像素值为1的像素点组成区间的半径的值;
,--像素的位置信息;
其中,D—方向上黑像素连续度的值点的集合;
s--方向上黑白样本图像的黑像素连续度非零值的像素点的个数;
步骤3.2,所述的每个黑白样本图像根据下述黑像素连续度的角度粒度均值、方差公式计算,获取该黑白样本图像的多个黑像素连续度的角度粒度的均值、,方差、;
其中,--正交相关粒度;
D—方向,上黑像素连续度的值 至少一个非零值的点的集合;
s--方向,上黑白样本图像的黑像素连续度非零值的像素点的个数;
步骤3.3,所述的每个黑白样本图像根据下述像素变换粒度公式、像素变换粒度密度公式计算,获取该黑白样本图像的多个像素变换粒度,多个像素变换粒度密度,多个像素变换粒度方差;
;
;
;
;
其中,-- 计算方向上第l条扫描线的转折像素点的个数和;R—在方向上所有扫描线上具有的扫描线的集合;
步骤3.4,所述的每个黑白样本图像的20个特征值根据是否满足特征值要求公式筛选是否并存入所述的油膜识别特征数据库中。
3.如权利要求2所述的海面油膜识别方法,其特征在于,所述的步骤3.4具体如下:
将计算获得的所述的多个黑像素连续度平均值、方差值,多个黑像素连续度的角度粒度的均值、,方差值、及多个像素变换粒度密度值、及多个像素变换粒度方差;当分别满足所述的特征值要求公式时,取该特征值作为黑白样本图像的多个特征值之一;
其中,、为常数;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的均值,(1≤r≤20);
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第r个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第r个特征值的方差值;
根据上述公式,将从20个特征值中筛选满足上述公式要求的图像特征值共a个,并将a个特征值存入所述的油膜识别特征数据库中。
4.如权利要求3所述的海面油膜识别方法,其特征在于,所述的步骤4包含如下步骤:
步骤4.1,将被识别测试图像进行二次化处理、去噪处理形成被识别测试黑白图像;
步骤4.2,根据上述黑像素连续度均值公式、黑像素连续度方差公式、黑像素连续度的角度粒度均值公式、黑像素连续度的角度粒度方差公式、像素变换粒度密度公式获取与所述的步骤3.4中对应的a个该被识别测试黑白图像的特征值。
5.如权利要求4所述的海面油膜识别方法,其特征在于,所述的步骤6包含如下步骤:
步骤6.1,将a组黑白样本图像进行合并操作,并删除重复的黑白样本图像,生成一个图像集合;
步骤6.2,该被识别测试黑白图像的每个特征值与所述的图像集合中的所有黑白样本图像的相应特征值比对,并根据相似程度大小对该图像集合中的所有黑白样本图像进行排序,并生成a组排序图集。
6.如权利要求5所述的海面油膜识别方法,其特征在于,所述的步骤7包含如下步骤:
步骤7.1,根据下述特征值权重公式,计算出所述的识别测试黑白图像的a个特征值在识别过程中所占权重;
C=min{};
其中, -第t个特征值的中间变量(1≤t≤a);
C--中间变量;
-- 在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的均值;
--在油膜识别特征数据库内所有油膜黑白样本图像的第t个特征值的方差值;
--在油膜识别特征数据库内所有非油膜黑白样本图像的第t个特征值的方差值;
步骤7.2,根据该识别测试黑白样本图像的每个特征值的权重 、上述的a组排序图像的排列次序,计算出该图像集合内每个黑白样本图像的相似程度;
--表示图像q幅在第t个特征值组的排序位置值;
--表示图像q在第t个特征值组的排序位置;
--表示第t个特征值在识别过程中所占比例,即所占权重;
--图像集合的所有图像数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410169329.0A CN104102926B (zh) | 2014-04-24 | 2014-04-24 | 一种海面油膜识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410169329.0A CN104102926B (zh) | 2014-04-24 | 2014-04-24 | 一种海面油膜识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104102926A true CN104102926A (zh) | 2014-10-15 |
CN104102926B CN104102926B (zh) | 2017-03-22 |
Family
ID=51671066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410169329.0A Expired - Fee Related CN104102926B (zh) | 2014-04-24 | 2014-04-24 | 一种海面油膜识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104102926B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991795A (zh) * | 2017-05-10 | 2017-07-28 | 克拉玛依油城数据有限公司 | 监控终端、系统、方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130147951A1 (en) * | 2010-08-11 | 2013-06-13 | Flir Systems, Inc. | Infrared camera detection systems and methods |
CN103488992A (zh) * | 2013-08-28 | 2014-01-01 | 北京理工大学 | 一种面向复杂sar图像场景的溢油检测方法 |
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
-
2014
- 2014-04-24 CN CN201410169329.0A patent/CN104102926B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130147951A1 (en) * | 2010-08-11 | 2013-06-13 | Flir Systems, Inc. | Infrared camera detection systems and methods |
CN103488992A (zh) * | 2013-08-28 | 2014-01-01 | 北京理工大学 | 一种面向复杂sar图像场景的溢油检测方法 |
CN103559495A (zh) * | 2013-10-31 | 2014-02-05 | 大连海事大学 | 一种高光谱溢油信息提取方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991795A (zh) * | 2017-05-10 | 2017-07-28 | 克拉玛依油城数据有限公司 | 监控终端、系统、方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104102926B (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796046B (zh) | 基于卷积神经网络的智能钢渣检测方法和系统 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
CN102176208B (zh) | 基于三维空时特征的鲁棒视频指纹方法 | |
CN104978567B (zh) | 基于场景分类的车辆检测方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN105513080B (zh) | 一种红外图像目标显著性评估方法 | |
CN109635733B (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN103810722A (zh) | 结合改进的lbp纹理和色度信息的运动目标检测方法 | |
CN101770583B (zh) | 一种基于场景全局特征的模板匹配方法 | |
CN112529901B (zh) | 一种复杂环境下的裂缝识别方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN112241692A (zh) | 基于航拍图超像素纹理的渠道异物智能检测与分类方法 | |
CN111274964B (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN102142090B (zh) | 车辆检测方法和系统 | |
Xiao et al. | Multiresolution-Based Rough Fuzzy Possibilistic C-Means Clustering Method for Land Cover Change Detection | |
CN112884795A (zh) | 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法 | |
Zhang et al. | Coastal fog detection using visual sensing | |
CN113705441A (zh) | 协同多光谱和sar影像的高时空分辨率地表水体提取方法 | |
CN116912184B (zh) | 一种基于篡改区域分离和区域约束损失的弱监督深度修复图像篡改定位方法及系统 | |
CN104102926A (zh) | 一种海面油膜识别方法 | |
El Abidi et al. | Detection of Moroccan coastal upwelling using the alpha blending fusion technique of sea surface chlorophyll images and sea surface temperature images |
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 |
Granted publication date: 20170322 Termination date: 20200424 |
|
CF01 | Termination of patent right due to non-payment of annual fee |