CN104239411B - 一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法 - Google Patents

Abstract

一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，可以很好地检测和识别图像中是否有栅格状雷达，根据一定的判别准则快速进行雷达的检测和图像中有雷达时雷达区域的定位。本发明针对复杂背景下的雷达检测都具有比较高的准确率，并且检测速度快，定位准确。同时本发明针对旋转变换，尺度变换，光照变换均具有不变性，极大地提高了适用范围。复杂情况下的高检测率和快速识别的特点为本发明应用于实践提供了可行性。

Description

一种基于颜色、位置聚类和角点检测的栅格状雷达的检测 方法

技术领域

本发明涉及一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，模式识别，数字图像处理。

背景技术

近年来，随着计算机技术的飞速发展，基于图像的信息获取越来越依赖于计算机技术，而基于图像的模式识别和目标分割与检测更是图像处理的一大主要研究方向。基于图像处理技术来获取图像中的感兴趣信息的技术得到了飞速的发展，其中对于特定形状的检测更是被广泛应用于各种特殊目标的识别中。而对于雷达而言，栅格状仍然是现今雷达的主要形状特征，其中大量的十字和规则线条的特征是该种雷达的检测成为可能。对于图像中的栅格状区域的检测可以用于此种类型雷达的识别，基于栅格状或有规则排布的十字形的检测更可以被广泛应用于印刷，纺织等多种需要自动识别十字状、栅格状物体的领域。

目前基于栅格状或有规则排布的十字形的检测方法主要是：第一，霍夫变换。霍夫变换是图像变换中的经典手段之一，主要用来从图像中分离出具有某种相同特征的几何形状(如直线，圆等)。霍夫变换寻找直线与圆的方法相比于其它方法可以更好地减少噪声干扰。霍夫变换需要将图像从笛卡尔坐标系统转换到极坐标系，这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。当霍夫变换算法开始，每个像素坐标点P(x,y)被转换到(r,theta)的曲线点上面，累加到对应的格子数据点，当一个波峰出现时候，说明有直线存在。文章【1】提出了一种基于图像梯度和单次的直线检测的快速霍夫直线检测方法(参见Fan Dongjin，Hui Bi，WangLidong.Implementation of efficient line detection with oriented houghtransform[C]//Proceeding of 2012 3rd IEEE/IET International Conference onAudio，Language and Image Processing，2012:45－48.)，该方法可以提高直线检测的效率和速度，但此方法应用于栅格状雷达检测时会检测出过多的非雷达区域的直线，故此方法不适用于栅格状雷达检测。第二，k-means聚类算法。文献【2】中详细描述了以空间中k个点为中心进行聚类，对最靠近它们的对象归类的方法(参见Mahajan,M.；Nimbhorkar,P.；Varadarajan,K.(2009)."The Planar k-Means Problem is NP-Hard".Lecture Notes inComputer Science 5431:274–285.)。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。假设要把样本集分为c个类别，描述如下：(1)适当选择c个类的初始中心；(2)在第k次迭代中，对任意一个样本，求其到c各中心的距离，将该样本归到距离最短的中心所在的类；(3)利用均值等方法更新该类的中心值；(4)对于所有的c个聚类中心，如果利用(2)(3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。文章【3】提出了一种改进的k-means聚类的初始聚类点的选取方法(参见H.Zha,C.Ding,M.Gu,X.He and H.D.Simon(Dec 2001)."Spectral Relaxation for K-means Clustering".Neural InformationProcessing Systems vol.14(NIPS 2001)(Vancouver,Canada):1057–1064.)，但此方法只适用于位置的聚类，无法根据图像中的其他信息获得聚类的依据，故无法直接应用于栅格状雷达的检测。第三，Harris角点检测，文章【4】中提到的方法(参见MO KHTARIAN F,SUOMELA R.Robust image corner detection through curvature scale space[J].IEEE Transaction on Pattern Analysis and Machine Intelligence,1998,20(12):137621381.)具体为：(1)计算图像的方向导数，分别保存为两个数组Ix以及Iy，这里可以使用任何方法，比较正统的是使用Gaussian函数，因为在Harris角点检测的推导过程中默认是采用了Gaussian函数作为其计算图像偏导数的方法。当然使用简单的Prewitt或者Sobel算子也没有关系；(2)为每一个点计算局部自相关矩阵u(x,y)＝[Ix(x,y)^2*W Iy(x,y)Ix(x,y)*W；Ix(x,y)Iy(x,y)*W Iy(x,y)^2*W]；这里*W代表以x,y为中心与高斯模板做卷积，模板大小需要自己指定；(3)如果这个u的两个特征值都很小，则说明这个区域是个平坦区域。如果u的某个特征值一个大一个小，则是线，如果两个都很大，那么就说明这是个角点。Harris提供了另一个公式来获取这个点是否是角点的一个评价：corness＝det(u)-k*trace(u)^2。这个corness就代表了角点值，其中k是你自己取的一个固定的变量，典型的为[0.04,0.06]之间。文章【5】提出一种基于图像中角点的匹配方法(参见L I B,YANG D,WANG X H.Novel image regist ration based on harris multi2scale corner detectionalgorithm[J].Computer Engineering and Applications,2006,42(35):37240.)，该方法构造了基于小波变换的灰度强度变化公式,，并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的Harris多尺度角点检测算法。但本方法只能局限于相似度很高的形状和物体的匹配，无法应用于具体形状和大小不同的栅格状雷达的统一检测。文章【6】提出了一种基于harris角点检测的感兴趣点的提取方法(参见SCHIMID C,MOHR R,BAUCKHANEC.Evaluation of interest point detectors[J].International Journal of ComputerVision,2000,37(2):1512172.)，此方法通过高斯滤波器和设定阈值去除不明显角点的方法获取感兴趣点，但此方法无法将图像中雷达区域和非雷达区域的角点区分开，故也无法直接用于栅格状雷达的识别。

综上，现有技术无法将栅格状雷达中的特征进行充分的利用和识别，也不能针对图像中不同具体形状和十字粗细不同，不同大小的雷达给出统一、可靠的判别准则，故现有技术无法实现栅格状雷达的检测和分割。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，通过一定的预处理实现栅格状物体的强化，根据一定的聚类算法将图像中的物体进行分类，应用直线检测技术和角点检测技术实现栅格状雷达的分割与检测。本发明可以很好的检测和识别图像中是否有栅格状雷达，本发明针对复杂背景下的雷达检测具有比较高的准确率，并且检测速度快，定位准确；同时本发明针对旋转变换，尺度变换，光照变换均具有不变性，极大地提高了适用范围。

本发明技术解决方案：一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，图像中栅格状物体的一大特点是同一物体中密集规则的十字排列，不同于其他物体的粗线条轮廓和不规则的形状排布。故可以考虑应用同一区域内的密集规则的轮廓特征以区别于图像中的其他部分。使用密集的角点特征可以对图片中是否有雷达进行判决。

具体实现步骤如下：

Step1:对原始图像进行基于颜色和位置的聚类；

Step2:对原始图像进行预处理，对原始图像进行灰度化，然后自适应二值化，并将二值化的图像黑白颜色进行翻转，以便Step3的处理；

Step3；对期望区域进行相对强化：首先根据图像的大小确定待检测的窗口大小，设为图像中长和宽中的较大值的1/15，设该值为m；然后根据step2得到的经过预处理的二值化图像，遍历该图像中的每一点，如果待检测点的周围m*m个像素点中有超过50％的点是白色的，则将该中心点置为黑色，否则不改变该点的像素值，通过此步骤得到栅格状雷达相对强化的图像；

Step4:霍夫变换检测直线，在Step3得到的相对强化的图像中使用霍夫变化的原理检测直线，并将检测结果显式地表示在一张人造的与原图像大小相同的全白图像中；

Step5:对Step4中得到的图像进行角点检测并记录；

Step6:角点的分类与判决，根据Step5检测到的角点，结合Step1得到的颜色分类计算每一类中的角点数目，从而判断是否有符合判决条件的区域，有则输出，没有再返回Step1，重新进行分类，直到进行3次，若3次中都没有找到符合判决条件的区域，则认为原图像中无雷达。

所述Step1对原始图像进行基于颜色和位置的聚类具体实现步骤如下：

(11)为图像中的每像素点自定义五维数组；

(12)对步骤(11)中自定义的五位数组进行赋值，其中第1,2,3维是图像中每点的像素值的R，G，B分量；第4,5维是图像中各点的横、纵坐标乘以256，再除以图像的长、宽的结果，以便达到五维数组的数值大小的一致性；

(13)利用步骤(12)中得到的每点的五维数组进行k-means聚类，聚类的数目使用图像长和宽中的较大值的1/20，从而得到基于图像的颜色和位置的聚类结果。

所述Step 6中角点的分类和判决的准则和依据的方法具体实现步骤如下：判断得到的每一类中的角点数目是否超过分类数目的倒数的2.5倍；如果超过，则认为原图像中有雷达，并且该类的区域就是雷达所在的区域；如果没有超过，则返回step1，重新进行基于颜色和位置的分类，然后再进行判决，如果反复进行3次都没有符合判决条件,则进行否定判决，即认为原图像中没有雷达。

本发明与现有技术相比的优点在于：

(1)将基于颜色和位置的聚类，图像的预处理，期望区域的相对强化，霍夫变换直线检测和角点的提取等知识的有机结合是本发明的一大特色，也正是由于这样的一种有机的结合使在复杂背景下的雷达识别与分割成为可能，这种结合也是本发明的一大创新之处。本发明针对旋转变换，尺度变换，光照变换均具有不变性，极大地提高了适用范围，同时这种结合使本方法具有较高的检测率和较高的处理速度。

(2)本发明使用简单的预处理方法，灰度化和二值化是最基本的图像处理手段，执行该两种操作时的运算速度较快，有利于实时性的处理，相较于其他复杂的预处理方法有较高的速度和处理性能。

(3)基于颜色和位置生成的混合矩阵作为聚类的依据，可以极大地综合颜色和位置的因素。若只简单的考虑颜色因素，会将原图像中的很多位置不相邻的像素点被归为同一类，若只考虑位置，会使颜色的相关信息没有得到体现，只有将两者结合并给予一定的相对比例生成的矩阵作为分类的依据才能使分类结果趋于合理。

(4)区域的相对强化考虑到了栅格状雷达相对于其他一般的前景物体的特殊形状，在不改变原始图像的性质的情况下，尽可能的挖掘雷达与其他前景物体的不同点，凸显了雷达的性质，为进一步的识别和判决奠定了基础，这一步可以说是这个发明最为关键的一步，强化的结果直接影响到后续识别的准确性。

附图说明

图1为本发明方法实现流程图。

具体实施方式

如图1所示，本发明方法具体步骤如下：

1.基于颜色和位置的聚类

根据图像中的颜色实现聚类分类，为实现自适应，根据图像的分辨率可以自适应的确定分类的数目。可以设定根据图片长和宽中的较大一项，除以20来确定分类数目，即：

其中m表示需要确定的分类数，p，q分别表示图像的长和宽的像素值。

具体的聚类算法使用的是k-means算法。k-means算法接受参数k；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”(引力中心)来进行计算的。

本发明使用k-means算法时，聚类的标准是每个像素点的位置和该点的RGB三个通道的像素值，共五个分量。为了保证自适应性，保证图像的颜色的分量和位置坐标的分量的相对大小平衡，对图像的位置进行倍数处理。即：

其中color_R,color_G,color_B分别表示某一点像素的R、G、B分量大小，axis_x，axis_y分别表示该点的横坐标和纵坐标，p，q表示图像的长和宽的分辨率。

使用得到的五维矩阵进行k-means聚类。聚类时初始点的选取可以使用程序自动选取，聚类的以根据情况自己指定，建议次数为5-8次，次数太少，聚类不够准确，次数太多会使计算速度降低。这实际上是一种对于效果和速度的权衡。聚类使用指定的聚类次数中结果最好的一次作为聚类结果。根据这样的方法可以使颜色相近且位置集中地区域被划为同一类。k-means聚类返回每一类的中心点和图像中的每一点在哪一类中。

2.图像的预处理

将图像灰度化，然后再二值化得到只具有黑白两色的图像，此时得到的图像一般是前景栅格状雷达是黑色，一些其他的前景也是黑色的，而背景由于主要是天空等，本身亮度较高，二值化后呈现白色。为便于后续的处理，进行颜色翻转，从而使前景呈现白色，背景呈现灰色。

3.期望区域的相对强化

经过步骤2处理后得到的二值化图像中白色区域主要是雷达和除雷达外的其他前景，栅格状雷达与其他前景物体的不同之处在于雷达呈现栅格状，二值化后雷达区域黑白相间，而其余的前景物体一般是车辆，草丛等物体，二值化后不存在黑白相间的特征。故可以利用这一区别对雷达区域进行相对强化。对图像中的每一点遍历，当该点周围的像素值有一半以上是白色的，将这一点改为黑色，即认为该点不是雷达区域中的一点，将该点改为背景中的一点。即：

w(i,j)表示坐标(i,j)处的灰度值，sum()求取某点周围指定大小m*m区域内像素为白色的点的数量，num＝m*m表示该区域内的点的总数。m可以根据图像大小自适应的指定。建议取值为图像长和宽中的较大值的1/15，即：

p,q分别为图像中的长和宽的像素值。处理实际上使全图的白色像素数目的减少，无论是对雷达区域还是非雷达区域都起到了弱化的作用，但由于栅格状雷达的黑白相间的规律，对非雷达区域的弱化远远强于雷达区域，从而导致了雷达区域的相对强化。而且该步骤可以极大程度地减少非雷达区域的大片白色前景。从而在进行霍夫变换时减少非雷达区域直线的检测数量，有利于实验结果的正确性。

4.霍夫变换检测直线

根据步骤2和步骤3的处理结果，用得到的强化图像进行霍夫变换直线检测。在图像中检测直线的问题，其实质是找到构成直线的所有的像素点。那么问题就是从找到直线，变成找到符合y＝mx+c的所有(x,y)的点的问题。m表示直线表达式斜率，c表示和纵轴交点的纵坐标。进行坐标系变化y＝mx+c，变成c＝-xm+y。直线上的点(x,y)在转换坐标系后为一条直线。实际应用中可以使用极坐标的方式进行统计，即将θ角在-90度到90度的范围里(θ表示极坐标下的极角)划分为很多区间，对所有的像素点(x,y)在所有θ角的时候，求出ρ(ρ表示极坐标下的极径)。从而累加ρ值出现的次数。高于某个阈值的ρ就是一个直线。阈值可以自己根据图像大小设定，在自适应的条件下，可以设置为max(p,q)表示图片长和宽像素中的较大一个。将检测到的直线使用细线画在自己定义的空白图片上，之所以不标记在原图是为了避免原图中直线对标记直线的干扰。方便下一步直线相交点处强角点的检测。

5.角点的检测

步骤4已经将霍夫变换检测到的直线画在自己建立的空白图像上，得图像1，现在需要对该图像进行强角点的提取，标记。这里使用的是Harris角点检测，Harris角点由图像灰度强度的二阶导数矩阵定义。这里计算中我们使用每点周围小窗口的二阶导数图像的自相关矩阵。这个自相关矩阵的定义如下：

这里M(x,y)表示这个自相关矩阵，w_i，j是可以归一化的权重比例，但是通常被用作产生圆形窗口或高斯权重。使用此矩阵从图像1中得到角点。

6.角点的分类和判决

使用步骤1中的基于颜色和位置的分类结果判断步骤5中得到的角点分别属于哪一类，由于栅格状雷达的特殊形状，雷达上检测到的角点会相对较多，故可定义判决准则如下：首先将属于每一类的角点数目进行计数求和，并按照各类中的角点数目的多少排序，对于角点数目最多的一类，如果该类中的角点数目占到分类数目的倒数的2.5倍以上，则认为该类就是雷达区域，否则返回第一步，重新进行基于颜色的和位置的分类，再转到步骤6,重新对每一类的角点计数，考察角点最多的一类是否占到分类数目的倒数的2.5倍以上，如此进行三次，如果其中某一次，找到了符合要求的一类，则认为该区域即为雷达，并输出。如果没有找到，则认为该原始图片中没有雷达。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (2)

1.一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，其特征在于实现步骤如下：

Step1:对原始图像进行基于颜色和位置的聚类；

Step2:对原始图像进行预处理，对原始图像进行灰度化，然后自适应二值化，并将二值化的图像黑白颜色进行翻转，以便Step3的处理；

Step3：对期望区域进行相对强化：首先根据图像的大小确定待检测窗口的大小，设为图像中长和宽中的较大值的1/15，设该值为m；然后根据step2得到的经过预处理的二值化图像，遍历该二值化图像中的每一点，如果待检测点的周围m*m个像素点中有超过50％的点是白色的，则将该待检测点置为黑色，否则不改变该待检测点的像素值，通过此步骤得到栅格状雷达相对强化的图像；

Step4:霍夫变换检测直线，在Step3得到的相对强化的图像中使用霍夫变化的原理检测直线，并将检测结果显式地表示在一张人造的与原始图像大小相同的全白图像中；

Step5:对Step4中得到的图像进行角点检测并记录；

Step6:角点的分类与判决，根据Step5检测到的角点，结合Step1得到的基于颜色和位置的聚类计算每一类中的角点数目，从而判断是否有符合判决条件的区域，有则输出，没有再返回Step1，重新进行分类，直到进行3次，若3次中都没有找到符合判决条件的区域，则认为原始图像中无雷达；

所述Step1对原始图像进行基于颜色和位置的聚类具体实现步骤如下：

(11)为图像中的每像素点自定义五维数组；

(12)对步骤(11)中自定义的五维数组进行赋值，其中第1,2,3维是图像中每像素点的像素值的R，G，B分量；第4,5维是图像中各点的横、纵坐标乘以256，再除以图像的长、宽的结果，以便达到五维数组的数值大小的一致性；

(13)利用步骤(12)中得到的每像素点的五维数组进行k-means聚类，聚类的数目使用图像长和宽中的较大值的1/20，从而得到基于图像的颜色和位置的聚类结果。

2.根据权利要求1所述的基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，其特征在于：所述Step6中角点的分类和判决的方法具体实现步骤如下：判断得到的每一类中的角点数目是否超过分类数目的倒数的2.5倍；如果超过，则认为原始图像中有雷达，并且该类的区域就是雷达所在的区域；如果没有超过，则返回Step1，重新进行基于颜色和位置的聚类，然后再进行判决，如果反复进行3次都没有符合判决条件,则进行否定判决，即认为原始图像中没有雷达。