CN104778695B

CN104778695B - 一种基于梯度显著性的水天线检测方法

Info

Publication number: CN104778695B
Application number: CN201510169686.1A
Authority: CN
Inventors: 王博; 张磊; 庄佳园; 苏玉民; 李晔; 盛明伟; 张铁栋; 刘涛; 姜大鹏; 万磊
Original assignee: Harbin Engineering University
Current assignee: Harbin Engineering University
Priority date: 2015-04-10
Filing date: 2015-04-10
Publication date: 2017-11-21
Anticipated expiration: 2035-04-10
Also published as: CN104778695A

Abstract

本发明涉及的是一种基于梯度显著性的水天线检测方法。本发明包括：通过光学成像仪器采集一帧图像，若图像类型是普通摄像机获取的彩色图像，则将其进行标准化处理得到24位RGB彩色图像；若图像类型是红外成像仪获取的灰度图像，则将其进行标准化处理得到8位灰度图像；对第得到的标准化图像进行高斯降采样等。本发明根据光学成像仪器采集的图像类型分别计算图像的梯度幅值矩阵和梯度方向矩阵，在结果中反映了原始图像的全部梯度信息，保证了水天线检测结果的准确性。按照梯度显著性由高到低依次进行基于区域生长算法的线段检测，避免了直接利用梯度信息进行检测受到噪声干扰严重的问题。

Description

一种基于梯度显著性的水天线检测方法

技术领域

本发明涉及的是一种基于梯度显著性的水天线检测方法。

背景技术

近年来，随着无人船舶概念的提出和水面无人艇技术的发展，未来的海上运输方式和海洋观测技术面临着重大的变革，将对我国海洋科学的研究、国民经济的发展和社会的进步产生重要而深远的影响。针对实际海洋环境下的应用需求，无人船舶和水面无人艇需要配置雷达、光学成像仪器、声呐等各种类型的传感器，用于获取一定范围内的环境、目标、障碍物的信息数据，并自主完成检测、跟踪、识别等信息理解行为，从而具备自主规划导航、主动姿态控制、智能感知理解等基本能力，能够执行海上无人货物运输、海面事故人员搜救、通信中继、气象观测、海洋生态调研、水文地理勘察等各类任务。包括普通摄像机、红外成像仪在内的光学成像仪器获取的光学图像的信息量极为丰富，与人类的视觉特性更加接近，因此在信息处理和理解方面具有显著的优势，是无人船舶和水面无人艇需要配置的重要传感器类型。

在实际海面环境下的光学图像中，水天线是最重要的参考因素。当远处海面或空中的目标进入光学成像仪器的视场范围内时，在光学图像中该目标总是首先出现在水天线附近，然后在接近的过程中逐渐运动到上方的天空区域或者下方的海面区域。通过检测水天线的位置，能够有效缩小目标搜索的范围，及时检测到出现的新目标，降低后续目标识别和跟踪过程的计算复杂度，并有效抑制水天线区域外的噪声和虚假目标干扰。根据检测到的水天线位置及其变化规律，还可以实现对船体自身运动状态的估计，从而采取主动减摇控制措施，防止出现船体倾覆事故。

在光学图像中，水天线是天空区域向海面区域过渡的像素梯度极大值点形成的一条分界线，在不考虑海面曲率和光学畸变的情况下是一条直线。然而，在实际海面环境下的光学图像中常常存在云层辐射和海面波浪反射形成的强烈背景干扰，海面多变的气象条件(如雨、雪、雾等)会严重降低图像的清晰度和对比度，并形成噪声干扰，因此实现水天线的准确检测十分困难。文献《复杂海面背景红外小目标自动检测方法》根据海面区域和天空区域的不同特性提出了基于最大类间方差的水天线检测方法，但该方法在图像中存在较强背景干扰时会完全失效。《基于小波变换的水天线提取算法研究》提出了基于小波分析思想的水天线检测方法，但小波类型的选取和分解的尺度难以确定，并且存在实时性较差的缺点。《A real time sea sky line detection method under complicated sea-skybackground》根据区域内方差最大准则确定水天线候选点，再结合Ransac算法拟合水天线，但该方法容易受到背景干扰的严重影响。《复杂海空背景下鲁棒的海天线检测算法研究》采用方向梯度算子得到差分图像，再利用Hough变换检测出水天线位置，但该方法在图像对比度较低或噪声严重时将产生较大误差。对相关文献的综合分析表明，现有的水天线检测方法无法满足在复杂的海面环境下应用的实时性、准确性、鲁棒性、可靠性的需求。

发明内容

本发明的目的在于提供一种能够有效实现快速、准确、鲁棒、可靠的水天线检测的基于梯度显著性的水天线检测方法。

本发明的目的是这样实现的：

(1)通过光学成像仪器采集一帧图像，若图像类型是普通摄像机获取的彩色图像，则将其进行标准化处理得到24位RGB彩色图像；若图像类型是红外成像仪获取的灰度图像，则将其进行标准化处理得到8位灰度图像；

(2)对得到的标准化图像进行高斯降采样；

(3)采用Sobel算子对第(2)步得到的高斯降采样图像进行卷积运算，计算梯度幅值矩阵和梯度方向矩阵；

(4)计算第(3)步得到的梯度幅值矩阵的直方图，利用直方图快速计算得到梯度显著性矩阵；

(5)计算第(4)步得到的梯度显著性矩阵的直方图，根据直方图选择梯度显著性最高的比例的像素，按照显著性值进行排序形成有序列表；

(6)依次从第(5)步得到的有序列表中取出一个像素，以该像素为种子点，根据第(3)步得到的梯度方向矩阵执行区域生长算法得到直线支撑区域；

(7)根据第(4)步得到的梯度显著性矩阵，计算第(6)步得到的直线支撑区域的中心和方向，然后计算该直线支撑区域的外接矩形的长度和宽度；

(8)计算第(7)步得到的外接矩形的有序点密度，若有序点密度小于预设阈值，则需要对该外接矩形进行有效的切割；

(9)计算第(8)步得到的外接矩形的虚警指数，将虚警指数小于预设阈值的外接矩形作为检测出的有效线段；

(10)判断是否已遍历第(5)步得到的有序列表中的所有像素，若为是，转至第(11)步，若为否，转至第(6)步；

(11)判断第(9)步得到的有效线段中是否存在共线的线段，若存在则需要进行连接与合并形成完整的有效线段；

(12)计算第(11)步得到的有效线段属于水天线的似然值，选择似然值最大的有效线段作为水天线检测的最终结果。

所述对图像进行高斯降采样包括首先对图像进行快速高斯滤波，即采用一维高斯模板与图像沿行方向和列方向进行卷积运算，然后对高斯滤波后的图像进行降采样。

所述计算图像中像素的梯度显著性的方法是：计算梯度幅值矩阵的直方图h_G(x)，其中x是直方图中的梯度幅值，若y是直方图中不同于x的梯度幅值，则梯度幅值为x的像素具有的梯度显著性值是f(x)＝∑h_G(y)|y-x|。

采用基于梯度方向的区域生长算法获得所述直线支撑区域。

所述外接矩形的有序点密度定义为直线支撑区域及其外接矩形包含的像素数量的比值。

通过计算直线支撑区域的外接矩形的虚警指数验证所述外接矩形是否是有效线段。

本发明在技术方面的有益效果在于：

本发明中，根据光学成像仪器采集的图像类型分别计算图像的梯度幅值矩阵和梯度方向矩阵，在结果中反映了原始图像的全部梯度信息，保证了水天线检测结果的准确性。本发明中，根据梯度幅值矩阵计算图像中每个像素的梯度值相对于其它像素的显著性程度，按照梯度显著性由高到低依次进行基于区域生长算法的线段检测，避免了直接利用梯度信息进行检测受到噪声干扰严重的问题。本发明中，选择梯度显著性最高的50％像素，按照显著性值排序形成有序列表，按照列表顺序依次进行区域生长算法，这种方式不但能够排除噪声和背景干扰形成的梯度波动的影响，而且能够有效提高水天线检测算法的实时性。本发明中，基于梯度方向的区域生长算法对梯度方向具有一定程度的容忍偏差，使得水天线检测方法对噪声和背景干扰具有一定程度的鲁棒性。本发明中，通过计算虚警指数和有序点密度实现对直线线段的有效判别和验证，能够有效去除背景干扰形成的高梯度边缘的影响，结合线段长度和方向实现了对水天线的有效辨别。

附图说明

图1标准化的24位彩色图像；

图2标准化的8位灰度图像；

图3彩色图像的梯度幅值矩阵；

图4灰度图像的梯度幅值矩阵；

图5彩色图像的梯度显著性矩阵；

图6灰度图像的梯度显著性矩阵；

图7彩色图像的有效线段检测结果；

图8灰度图像的有效线段检测结果；

图9彩色图像的水天线检测结果；

图10灰度图像的水天线检测结果；

图11水天线检测算法流程图。

具体实施方式

下面结合附图举例对本发明作进一步的详细描述。

本发明涉及的是一种数字图像处理与机器视觉方法，尤其是涉及一种基于光学图像中的梯度显著性的水天线检测方法。在实际的海面环境下获取的光学图像中常常存在强烈的背景干扰和噪声，图像的清晰度和对比度较低，采用现有的水天线检测方法会产生较大的误差，甚至完全失效。针对这一问题，本发明基于梯度显著性实现了水天线的有效检测，首先，根据图像类型采用不同的方式计算得到梯度显著性；其次，基于梯度显著性和方向信息采用区域生长算法获得直线支撑区域；再次，对直线支撑区域及其外接矩形进行验证和改善，得到有效的线段；最后，计算线段似然值并输出水天线检测结果。与现有方法相比，本发明能够实现快速、准确、可靠、鲁棒的水天线检测。

本发明大致包括：

第一步，通过光学成像仪器采集一帧图像，若图像类型是普通摄像机获取的彩色图像，则将其进行标准化处理得到24位RGB彩色图像；若图像类型是红外成像仪获取的灰度图像，则将其进行标准化处理得到8位灰度图像；

第二步，对标准化图像进行高斯降采样得到图像I，图像尺寸缩放至标准化图像尺寸的0.8倍，以避免水天线检测结果出现锯齿或阶梯效应；

第三步，采用Sobel算子对图像I进行卷积运算，计算图像I的梯度幅值矩阵G和梯度方向矩阵A；

第四步，计算梯度幅值矩阵G的直方图，利用直方图快速计算得到梯度显著性矩阵S；

第五步，计算梯度显著性矩阵S的直方图，根据该直方图选择梯度显著性最高的50％像素，按照显著性值由高到低进行排序形成有序列表L，并将L中所有像素设置为“未标记”状态；

第六步，依次从有序列表L中取出一个“未标记”的像素，以该像素为种子点，根据梯度方向矩阵A执行区域生长算法得到直线支撑区域C_i，其中i是序号且i＝1,2,3,...，在有序列表L中将C_i包括的所有像素设置为“已标记”状态；

第七步，根据梯度显著性矩阵S计算每个直线支撑区域C_i的显著性中心和主方向，再分别作为C_i的最小外接矩形R_i的中心和方向计算该矩形的长度和宽度；

第八步，计算外接矩形R_i的有序点密度d(R_i)，若d(R_i)小于预设阈值D＝0.7，表明R_i实际上代表一条曲线或折线，需要对R_i进行切割直至得到满足d(R_i)≥D的有效线段；

第九步，计算矩形R_i的虚警指数n(R_i)，n(R_i)小于预设阈值ε＝1.0的矩形R_i即作为检测出的有效线段；

第十步，判断有序列表L中是否所有像素都是“已标记”状态，若为是，转至第十一步，若为否，转至第六步；

第十一步，判断有效线段集合{R_i}中是否存在共线的线段，若存在则需要进行连接与合并形成完整的有效线段；

第十二步，将{R_i}中线段长度归一化至[0,1]区间，结合R_i方向计算R_i的似然值，选择似然值最大的线段作为水天线检测的最终结果。

水天线是天空区域向海面区域过渡的像素梯度极大值点形成的一条分界线，在不考虑海面曲率和光学畸变的情况下是一条直线。然而，在实际海面环境下的光学图像中常常存在云层辐射和海面波浪反射形成的强烈背景干扰，海面多变的气象条件会严重降低图像的清晰度和对比度，并形成噪声干扰，采用现有的水天线检测方法会产生较大的误差，甚至完全失效。本发明针对这一问题提出了一种快速、准确、鲁棒、可靠的水天线检测方法，具体实施步骤如下：

第一步，通过光学成像仪器采集一帧图像，若图像类型是普通摄像机获取的彩色图像，则将其进行标准化处理得到24位RGB彩色图像(如图1所示)；若图像类型是红外成像仪获取的灰度图像，则将其进行标准化处理得到8位灰度图像(如图2所示)。

第二步，对标准化图像进行高斯降采样得到图像I，缩放因子s＝0.8，即图像I的尺寸是标准化图像尺寸的0.8倍。高斯降采样包括快速高斯滤波和降采样两个步骤，首先需要对标准化图像进行快速高斯滤波，即先采用模板g₁与图像沿行方向进行卷积运算，再将卷积结果与模板g₂沿列方向进行卷积运算得到高斯滤波后的图像，模板g₁与g₂是标准差σ＝0.6/s的一维五元高斯模板：

g₁＝[0.0152 0.2188 0.5321 0.2188 0.0152]

其中表示模板g₁的转置，然后对高斯滤波后的图像采用双线性插值方法进行降采样得到图像I。

第三步，采用Sobel算子对图像I进行卷积运算，Sobel算子s_x和s_y定义为：

若图像I是彩色图像，需要将Sobel算子分别与图像I的颜色分量矩阵r、g、b进行卷积运算得到颜色梯度分量矩阵r_x、g_x、b_x、r_y、g_y、b_y，如下公式所示：

r_x＝r*s_x,g_x＝g*s_x,b_x＝b*s_x

r_y＝r*s_y,g_y＝g*s_y,b_y＝b*s_y

其中*代表卷积运算符，图像I的梯度方向矩阵A和梯度幅值矩阵G可以分别由以下公式计算得到：

其中是颜色梯度模量矩阵，计算公式如下：

以图1所示的彩色图像为例，计算得到的梯度幅值矩阵的显示结果如图3所示。

若图像I是灰度图像，则需要将Sobel算子分别与图像I进行卷积运算，得到梯度分量I_x和I_y：

I_x＝I*s_x,I_y＝I*s_y

图像I的梯度方向矩阵A和梯度幅值矩阵G可以分别由以下公式计算得到：

以图2所示的灰度图像为例，计算得到的梯度幅值矩阵的显示结果如图4所示。

第四步，计算梯度幅值矩阵G的直方图h_G(x)，其中x是直方图中的梯度幅值，若y是直方图中不同于x的梯度幅值，则梯度幅值为x的像素具有的梯度显著性值f(x)是：

f(x)＝∑h_G(y)|y-x|

根据函数映射关系f(x)可以得到梯度显著性矩阵S。图5和图6是梯度显著性矩阵的直观显示效果。

第五步，计算梯度显著性矩阵S的直方图h_S(z)，其中z代表梯度显著性值，根据直方图选择梯度显著性最高的50％像素，按照显著性采用插入排序法形成有序列表L，将L中所有像素设置为“未标记”状态。

第六步，依次从有序列表L中取出一个“未标记”的像素M作为种子点，设置容许偏差τ＝π/8，其中π代表圆周率，生长域为梯度方向矩阵A，区域生长算法的详细步骤如下：

步骤1初始化直线支撑区域C_i为空集，其中i是序号且i＝1,2,3,...，将M加入C_i并设置为“已标记”状态，以像素M的梯度方向作为区域主方向θ_C；

步骤2取出C_i中的每一个像素P，若其8邻接像素Q在有序列表L中是“未标记”状态，且Q满足条件：

|A(Q)-θ_C|＜τ

其中A(Q)是梯度方向矩阵A中像素Q的梯度方向，则将Q加入C_i且设置为“已标记”状态，更新区域主方向θ_C为：

其中←代表赋值运算符；

步骤3判断是否有新的像素Q加入C_i，若为是转至步骤2，若为否区域生长算法结束。

第七步，每一个直线支撑区域C_i的显著性中心可通过以下公式计算：

其中S(P)是梯度显著性矩阵S中像素P的显著性值，x(P)和y(P)分别是像素P的横坐标和纵坐标。直线支撑区域C_i的相关矩阵Ω_i可表示为：

其中φ_xx、φ_yy和φ_xy是二阶显著性中心矩，其计算公式是：

可以求解相关矩阵Ω_i的特征值λ与特征向量φ，特征值λ应具有2个正实数解，选择其中较小的特征值所对应的特征向量作为直线支撑区域C_i的主方向将C_i中像素P的坐标(x_P,y_P)以为中心顺时针旋转得到新坐标为(x′_P,y′_P)，如下公式所示：

通过遍历直线支撑区域C_i中像素P的新坐标(x′_P,y′_P)的极值即可得到C_i的最小外接矩形R_i的长度和宽度R_i的中心和方向分别是C_i的显著性中心和主方向

第八步，计算矩形R_i的有序点密度d(R_i)，具体公式如下：

其中k(C_i)表示直线支撑区域C_i包含的像素数量。若d(R_i)小于预设阈值D＝0.7，表明R_i实际上是一条曲线或折线，需要对R_i采用以下方法进行切割：

方法1容许偏差减小为τ＝π/16，采用第六步至第七步的方法重新得到直线支撑区域C_i和矩形R_i，计算R_i的有序点密度d(R_i)，若d(R_i)≥D，转至第九步，否则采用方法2对R_i进行切割；

方法2直线支撑区域C_i的区域半径r(C_i)定义为C_i中的所有像素到种子点的最大距离，减小r(C_i)为当前值的80％，移除C_i中到种子点的距离大于r(C_i)的所有像素，重复进行该方法直到d(R_i)≥D或者C_i仅包含种子点。

第九步，计算矩形R_i的虚警指数n(R_i)的公式如下：

n(R_i)＝[k(I)]^5/2γB[k(R_i),k(C_i),p]

其中k(I)和k(R_i)分别表示图像I和矩形R_i包含的像素数量，p是方向精度且p＝τ/π，γ是p的取值数量，B[k(R_i),k(C_i),p]是二项分布函数：

其中代表k(R_i)和像素数量m的组合数，可通过伽马函数Γ进行快速的近似计算：

若n(R_i)小于预设阈值ε＝1.0，矩形R_i即作为检测出的有效线段，若n(R_i)＞ε，则采用以下方法对矩形R_i进行改善：

方法1改变p的取值为p/2，p/4，p/8和p/16；

方法2改变矩形R_i的宽度为和

将方法1和方法2中p和的不同取值进行组合，搜索满足n(R_i)＜ε的n(R_i)最小值，对应的矩形R_i即作为检测出的有效线段。在图7和图8中显示了从示例图1和图2中检测出的有效线段的位置和方向。

第十一步，将有效线段集合{R_i}按照方向进行排序，若其中有效线段R_i和R_j的中心和方向满足以下条件：

其中序号j＝1,2,3,...且j≠i，则R_i和R_j共线，需要将直线支撑区域C_i和C_j进行合并得到新的直线支撑区域C_i，采用与第七步相同的方法重新计算外接矩形R_i的中心方向长度和宽度形成完整的有效线段。

第十二步，计算{R_i}中每条有效线段属于水天线的似然值μ_i，如下公式所示：

其中l_I是图像I的对角线长度。选择似然值最大的有效线段作为水天线检测的最终结果(如图9和图10中所示的黑白双色线段)。

Claims

1.一种基于梯度显著性的水天线检测方法，其特征在于，包括以下步骤：

(2)对得到的标准化图像进行高斯降采样；

2.根据权利要求1所述的一种基于梯度显著性的水天线检测方法，其特征在于：所述对图像进行高斯降采样包括首先对图像进行快速高斯滤波，即采用一维高斯模板与图像沿行方向和列方向进行卷积运算，然后对高斯滤波后的图像进行降采样。

3.根据权利要求1所述的一种基于梯度显著性的水天线检测方法，其特征在于：所述步骤(4)中梯度显著性矩阵的梯度显著性值的方法是：计算梯度幅值矩阵的直方图h_G(x)，其中x是直方图中的梯度幅值，若y是直方图中不同于x的梯度幅值，则梯度幅值为x的像素具有的梯度显著性值是f(x)＝∑h_G(y)|y-x|。

4.根据权利要求1所述的一种基于梯度显著性的水天线检测方法，其特征在于：所述外接矩形的有序点密度定义为直线支撑区域及其外接矩形包含的像素数量的比值。

5.根据权利要求1所述的一种基于梯度显著性的水天线检测方法，其特征在于：通过计算直线支撑区域的外接矩形的虚警指数验证所述外接矩形是否是有效线段。