CN105741276A - 一种船舶水线提取方法 - Google Patents
一种船舶水线提取方法 Download PDFInfo
- Publication number
- CN105741276A CN105741276A CN201610053709.7A CN201610053709A CN105741276A CN 105741276 A CN105741276 A CN 105741276A CN 201610053709 A CN201610053709 A CN 201610053709A CN 105741276 A CN105741276 A CN 105741276A
- Authority
- CN
- China
- Prior art keywords
- image
- waterline
- frame
- video
- boats
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种船舶水线提取方法,结合图像处理技术,利用帧间差结合形态学闭运算的预处理算法提取有效区域,通过基于三角隶属函数关系的阈值算法,增强目标区域强度,减小噪声强度,利用OUST算法二值化图像。之后根据图像的宽度选取合理的采样比例,由上向下扫描提取水尺的边缘点,对采样的边缘点进行插值处理,从而得到真实的吃水线。本发明具有适用范围广、降低人为因素干扰、测量效率高、减少人力物力及交易成本等优点。
Description
技术领域
本发明涉及水尺测量技术领域,尤其是一种自然场景下的船舶水线提取的方法。
背景技术
吃水线作为水尺计重的重要组成部分,其准确性将直接影响散货交易的公平性,因此吃水线的有效检测在水尺计重的过程中至关重要。目前为止,船舶吃水线检测的方法主要是人工辨识方法,水尺测量人员爬下船体,利用眼睛观测一段水尺,再利用一种默认的方法得到最终水尺线,这样的方法由于人为因素影响,其检测精度不高而且容易引起纠纷。
随着计算机科学和数字图像处理技术的发展,图像处理检测法开始兴起,这种方法具有非接触、效率高、便捷直观等优点,逐渐成为船舶水尺计重研究的主流方向。基于视觉的水尺计重算法一般分为三大部分,水线的提取,吃水线的检测以及计重识别,其中水线提取是吃水线水尺精确计重的前提,水线提取的准确度,直接影响水尺计重精度。
目前,关于水线提取的研究,郭秀艳等人利用船体和水体的色彩模型设计了一套提取吃水线的方法。针对在船舶水尺自动检测过程中,水迹线伪边缘的问题,彭将辉等人提出了一种采用数学形态学与Canny算子相结合的方法进行水尺检测。周广程等人利用HIS空间的启发式边缘提取算法。
但是,上述水线提取的方法,主要是围绕单帧图像的颜色或边缘特征进行分析,此类算法提供一种水尺广义的检测思路,能够处理一些拍摄理想的照片,也考虑到了水迹线这种实际情况。但在实际工程中,除了水迹线外,外部的光线变化、船体本身的斑驳、划痕、反光等因素也会对图片边缘检测带来强烈干扰,非理想的实际图像在边缘算子检测后得到的伪轮廓众多、伪轮廓规律也各不一样,所以基于的边缘检测判断水尺线算法在实际中并不实用,没有考虑实际情况下颜色的无规律性和梯度信息的复杂性,因此迫切需要一种高适用性的船舶水线提取方法。
发明内容
本发明目的在于提供一种能克服自然场景下采集图像存在光照不均匀、场景复杂等问题的高适用性的船舶水线提取方法。
为实现上述目的,采用了以下技术方案:本发明所述方法包括以下步骤:
步骤1,通过摄像机获取船舶与水面接触区域的视频,提取视频中连续帧图像;
步骤2,通过对原始采集图片进行图像动态配准来降低船体晃动造成两帧图像背景改变的影响;
步骤3,利用帧间作差算法消除两帧图像的耦合区域,最终针对帧间作差后图像连通域存在不连续现象,采用形态学闭运算处理的方法对图像进行恢复和断点连接,实现对图像的预处理;
步骤4,经过预处理后的帧间差图像中仍然存在不规律分布的噪声,利用基于三角隶属函数关系的迭代分割算法对预处理图像进行转化,减少噪声影响,用Otsu分割,将图像转化为二值化图像;
步骤5,图像分割后,感兴趣的特征区域即船体和水面的交界区域仍然存在断点,为了完整提取水线,利用线性采样然后再进行双线性插值重构水线轮廓。
在步骤2中,所述的图像动态配准算法表示如下:
图像配准算法分为四个步骤:
1)首先对图像中的高亮颜色区域进行二值化,如式(1)所示,
其中RT、BT、GT分别为图像红、蓝、绿三颜色通道阈值;AVET为图像三颜色通道取平均值阈值;R(i,j)、B(i,j)、G(i,j)分别为视频第一帧图像n0任意点的三颜色通道,二值化后统计图像I的像素连通域的长宽比,找到连通域长宽比接近1,且连通域像素数目大于设定的连通域像素数目阈值T的连通域,并将此连通域最小正方形包围区域记作M0,记下该区域的起始像素坐标(x0,y0);
2)在下一帧图像n1上,利用M0自左向右,自上而下在图像n1上搜索匹配度最高的区域,记为M1,记下M1的起始像素坐标(x1,y1),其中模板匹配的相似度可以通过SSD(SumofSquareDifference)计算得到;
3)模板匹配后,通过仿射变换对图像n1进行变换,变换公式为:
n1(i,j)=n1((i+(x1-x0)),(j+(y1-y0))(2)
4)同理,重复上述步骤,利用上一帧提取的模板对下一帧图像进行动态配准操作。
在步骤4中,所述迭代法是一种重复运算的方法,迭代分割的方法就是首先对初始帧进行处理求出一个初始值即隶属函数初始参数p,然后把经过三角隶属函数转化后的图像Otsu分割;对每一帧图像都重复以上这样的步骤,实现整个视频帧的迭代分割。
在步骤4中,所述的基于三角隶属函数关系对预处理图像进行转化的具体步骤如下:
1)设X={1,2,······H}为图像纵坐标集,其中H为图像像素高,则其模糊集表示如下:
式中x表示X的元素,X相对于特定的p隶属度可以用表示,
为了得到初始化参数p,将初始帧进行预处理,再对图像进行二值化,其中二值化方法为Otsu,然后对其进行水平投影,设定阈值T1的值为二值图像明亮像素总数的3%,记下水平投影后第一次大于阈值T1的行值为Lmin,继续搜索水平投影小于阈值T1的行值记为Lmax,p=(Lmax+Lmin)/2即为隶属函数的初始参数;
2)设图像预处理后的图片为Gk,利用三角隶属函数进行变化,变化后的图像为Qk,经过变化后能够增强水线区域,变化公式如下:
3)将图像Qk进行Otsu分割,得到二值图像Bk;
4)根据视频相邻帧间水线的纵坐标差值小的特性,在提取出当前帧中的水线后,估计下一帧图像中水线的位置,作为下一帧图像的三角隶属函数的参数p重复算法的第2步到第4步,从而实现整个视频的迭代分割。
所述步骤5的具体方法如下:
1)首先选取采样的起始点,点集合为{(0*n,0),(1*n,0),(2*n,0),…,(w*n,0),…(W′*n,0)},w表示采样段数,W′表示采样的总段数,n表示采样间隔,其中n需要满足比例关系:W表示为图像像素宽,INT表示取整,该比例关系既可以表征水线真实趋势,同时也尽可能避免了连续采集到错误采样点,便于后期滤波处理;
2)从采样起始点开始,由上向下扫描二值化图Bk,记下符合下述条件的坐标点j,并将其存储到数组M:
IFBk(w*n,j-1)==0andBk(w*n,j)>0THENM[m]=j
式中,m为符合条件的坐标点的个数;
3)对数组M进行滤波,以消除可能存在的错误采样点,然后对滤波后的数组进行双线性插值,重构得到水线;
4)提取当前水线后,需要对三角隶属函数的参数p进行更新,作为下一帧图像中水线的初始位置;首先对线性插值数组取整得到M′,M′插值后的元素个数恢复为原来的像素宽W,将M′进行水平投影运算,投影后的数组为P,则更新后的三角隶属函数的参数p为:
基于线性采样的船舶水线提取的方法,既能提取当前水线,又能给下一帧水线提供初始位置的估计,为下一帧图像分割提供基础。
与现有技术相比,本发明具有如下优点:相比于边缘检测通用性更强、适用范围更广,降低人为因素干扰,提高测量效率和精度,减少人力物力消耗及交易成本,适用于船体划痕、反光等大部分实际场合。
附图说明
图1-为本发明的流程图。
图2-为本发明基于三角隶属函数关系的阈值算法流程图。
图3-为本发明三角隶属函数图。
图4-为本发明阈值算法效果图。
图5-为本发明插值算法效果图。
图6-为本发明实验示意图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1所示,本发明所述方法包括以下步骤:
步骤1,通过摄像机获取船舶与水面接触区域的视频,提取视频中连续帧图像;
步骤2,通过对原始采集图片进行图像动态配准来降低船体晃动造成两帧图像背景改变的影响;所述的图像动态配准算法表示如下:
图像配准算法分为四个步骤:
2-1、首先对图像中的高亮颜色区域进行二值化,如式(1)所示,
其中RT、BT、GT分别为图像红、蓝、绿三颜色通道阈值;AVET为图像三颜色通道取平均值阈值;R(i,j)、B(i,j)、G(i,j)分别为视频第一帧图像n0任意点的三颜色通道,二值化后统计图像I的像素连通域的长宽比,找到连通域长宽比接近1,且连通域像素数目大于设定的连通域像素数目阈值T的连通域,并将此连通域最小正方形包围区域记作M0,记下该区域的起始像素坐标(x0,y0);
2-2、在下一帧图像n1上,利用M0自左向右,自上而下在图像n1上搜索匹配度最高的区域,记为M1,记下M1的起始像素坐标(x1,y1),其中模板匹配的相似度可以通过SSD(SumofSquareDifference)计算得到;
2-3、模板匹配后,通过仿射变换对图像n1进行变换,变换公式为:
n1(i,j)=n1((i+(x1-x0)),(j+(y1-y0))(2)
2-4、同理,重复上述步骤,利用上一帧提取的模板对下一帧图像进行动态配准操作,配准后模板相对于图像坐标基本不变。
图像配准后对连续两帧图像进行相减操作可以消除船体区域,仅保留了水线以下区域信息。在此基础上,针对图像的连通域存在不连续现象,本节采用形态学处闭运算的方法,这样的处理既能减少干扰又可以实现对图像进行断点的连接,大大增强了灰度图像的连续性和完整性,本文以下处理的图像,都是基于预处理后的帧间差图像。
步骤3,利用帧间作差算法消除两帧图像的耦合区域,最终针对帧间作差后图像连通域存在不连续现象,采用形态学闭运算处理的方法对图像进行恢复和断点连接,实现对图像的预处理;
步骤4,经过图像的预处理,船帮区域的噪声被完全消除,但在水面区域内,反光、浪花等因素仍然会导致相邻做差的图像掺杂很多无规律噪声。在图像中,该噪声经常以像素簇的形式呈现,使像素的双峰分布发生变化,严重时甚至会造成自动阈值的误分割。为了解决此类问题,我们提出基于三角隶属函数关系的迭代分割算法对预处理图像进行转化,减少噪声影响。图3是本发明方法的三角隶属函数图。然后用Otsu算法进行全局阈值处理,将图像转化为二值化图像。
经过预处理后的帧间差图像中仍然存在不规律分布的噪声,利用基于三角隶属函数关系的迭代分割算法对预处理图像进行转化,减少噪声影响,用Otsu分割,将图像转化为二值化图像;所述迭代法是一种重复运算的方法,迭代分割的方法就是首先对初始帧进行处理求出一个初始值即隶属函数初始参数p,然后把经过三角隶属函数转化后的图像Otsu分割;对每一帧图像都重复以上这样的步骤,实现整个视频帧的迭代分割。所述的基于三角隶属函数关系对预处理图像进行转化的具体步骤如图2所示,具体步骤如下:
4-1、设X={1,2,······H}为图像纵坐标集,其中H为图像像素高,则其模糊集表示如下:
式中x表示X的元素,X相对于特定的p隶属度可以用表示,
为了得到初始化参数p,将初始帧进行预处理,再对图像进行二值化,其中二值化方法为Otsu,然后对其进行水平投影,设定阈值T1的值为二值图像明亮像素总数的3%,记下水平投影后第一次大于阈值T1的行值为Lmin,继续搜索水平投影小于阈值T1的行值记为Lmax,p=(Lmax+Lmin)/2即为隶属函数的初始参数;
4-2、设图像预处理后的图片为Gk,利用三角隶属函数进行变化,变化后的图像为Qk,经过变化后能够增强水线区域,变化公式如下:
4-3、将图像Qk进行Otsu分割,得到二值图像Bk;
4-4、根据视频相邻帧间水线的纵坐标差值小的特性,在提取出当前帧中的水线后,估计下一帧图像中水线的位置,作为下一帧图像的三角隶属函数的参数p重复算法的第2步到第4步,从而实现整个视频的迭代分割。
为了进一步阐述上述算法,图4列出单帧图像的阈值的过程。具体效果如图4所示,4-a是经过预处理灰度图;4-b是4-a的灰度三维分布图,图像中灰度水体区域的噪声和目标区域接近且像素数量多,干扰严重;4-c是通过直接Otsu算法的效果,处理的到的图片中目标区域明显断续,失真,存在严重的误差;4-d是经过三角隶属函数灰度转化的效果;4-e是4-d的灰度三维分布图,由灰度分布可以看出,基于隶属函数灰度变化,会通过实时像素的变化,增强目标区域强度,减小噪声强度,效果明显;4-f是对4-d的,由图像4-f可以看出目标区域连续性以及完整性都得到很大的提高。
步骤5,图像分割后,感兴趣的特征区域即船体和水面的交界区域仍然存在断点,为了完整提取水线,利用线性采样然后再进行双线性插值重构水线轮廓。具体方法如下:
5-1、首先选取采样的起始点,点集合为{(0*n,0),(1*n,0),(2*n,0),…,(w*n,0),…(W′*n,0)},w表示采样段数,W′表示采样的总段数,n表示采样间隔,其中n需要满足比例关系:W表示为图像像素宽,INT表示取整,该比例关系既可以表征水线真实趋势,同时也尽可能避免了连续采集到错误采样点,便于后期滤波处理;
5-2、从采样起始点开始,由上向下扫描二值化图Bk,记下符合下述条件的坐标点j,并将其存储到数组M:
IFBk(w*n,j-1)==0andBk(w*n,j)>0THENM[m]=j
式中,m为符合条件的坐标点的个数;
5-3、对数组M进行滤波,以消除可能存在的错误采样点,然后对滤波后的数组进行双线性插值,重构得到水线;
5-4、提取当前水线后,需要对三角隶属函数的参数p进行更新,作为下一帧图像中水线的初始位置;首先对线性插值数组取整得到M′,M′插值后的元素个数恢复为原来的像素宽W,将M′进行水平投影运算,投影后的数组为P,则更新后的三角隶属函数的参数p为:
基于线性采样的船舶水线提取的方法,既能提取当前水线,又能给下一帧水线提供初始位置的估计,为下一帧图像分割提供基础。
图5为本发明插值算法效果图。从图5可以看出,插值法能够很好的表示吃水线,并对对凹凸区域的曲率较为精确的提取。
为了验证本文提出的船舶吃水线检测算法的有效性和准确性,我们在秦皇岛港务局码头进行了实验。图6为实验示意图。从图6可以看出本发明所述方法的适用性。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种船舶水线提取方法,其特征在于,所述方法包括以下步骤:
步骤1,通过摄像机获取船舶与水面接触区域的视频,提取视频中连续帧图像;
步骤2,通过对原始采集图片进行图像动态配准来降低船体晃动造成两帧图像背景改变的影响;
步骤3,利用帧间作差算法消除两帧图像的耦合区域,最终针对帧间作差后图像连通域存在不连续现象,采用形态学闭运算处理的方法对图像进行恢复和断点连接,实现对图像的预处理;
步骤4,经过预处理后的帧间差图像中仍然存在不规律分布的噪声,利用基于三角隶属函数关系的迭代分割算法对预处理图像进行转化,减少噪声影响,用Otsu分割,将图像转化为二值化图像;
步骤5,图像分割后,感兴趣的特征区域即船体和水面的交界区域仍然存在断点,为了完整提取水线,利用线性采样然后再进行双线性插值重构水线轮廓。
2.根据权利要求1所述的一种船舶水线提取方法,其特征在于,在步骤2中,所述的图像动态配准算法表示如下:
图像配准算法分为四个步骤:
1)首先对图像中的高亮颜色区域进行二值化,如式(1)所示,
其中RT、BT、GT分别为图像红、蓝、绿三颜色通道阈值;AVET为图像三颜色通道取平均值阈值;R(i,j)、B(i,j)、G(i,j)分别为视频第一帧图像n0任意点的三颜色通道,二值化后统计图像I的像素连通域的长宽比,找到连通域长宽比接近1,且连通域像素数目大于设定的连通域像素数目阈值T的连通域,并将此连通域最小正方形包围区域记作M0,记下该区域的起始像素坐标(x0,y0);
2)在下一帧图像n1上,利用M0自左向右,自上而下在图像n1上搜索匹配度最高的区域,记为M1,记下M1的起始像素坐标(x1,y1),其中模板匹配的相似度可以通过SSD(SumofSquareDifference)计算得到;
3)模板匹配后,通过仿射变换对图像n1进行变换,变换公式为:
n1(i,j)=n1((i+(x1-x0)),(j+(y1-y0))(2)
4)同理,重复上述步骤,利用上一帧提取的模板对下一帧图像进行动态配准操作。
3.根据权利要求1所述的一种船舶水线提取方法,其特征在于,在步骤4中,所述迭代法是一种重复运算的方法,迭代分割的方法就是首先对初始帧进行处理求出一个初始值即隶属函数初始参数p,然后把经过三角隶属函数转化后的图像Otsu分割;对每一帧图像都重复以上这样的步骤,实现整个视频帧的迭代分割。
4.根据权利要求1所述的一种船舶水线提取方法,其特征在于,在步骤4中,所述的基于三角隶属函数关系对预处理图像进行转化的具体步骤如下:
1)设X={1,2,······H}为图像纵坐标集,其中H为图像像素高,则其模糊集表示如下:
式中x表示X的元素,X相对于特定的p隶属度可以用表示,
为了得到初始化参数p,将初始帧进行预处理,再对图像进行二值化,其中二值化方法为Otsu,然后对其进行水平投影,设定阈值T1的值为二值图像明亮像素总数的3%,记下水平投影后第一次大于阈值T1的行值为Lmin,继续搜索水平投影小于阈值T1的行值记为Lmax,p=(Lmax+Lmin)/2即为隶属函数的初始参数;
2)设图像预处理后的图片为Gk,利用三角隶属函数进行变化,变化后的图像为Qk,经过变化后能够增强水线区域,变化公式如下:
3)将图像Qk进行Otsu分割,得到二值图像Bk;
4)根据视频相邻帧间水线的纵坐标差值小的特性,在提取出当前帧中的水线后,估计下一帧图像中水线的位置,作为下一帧图像的三角隶属函数的参数p重复算法的第2步到第4步,从而实现整个视频的迭代分割。
5.根据权利要求1所述的一种船舶水线提取方法,其特征在于,所述步骤5的具体方法如下:
1)首先选取采样的起始点,点集合为{(0*n,0),(1*n,0),(2*n,0),…,(w*n,0),…(W′*n,0)},w表示采样段数,W′表示采样的总段数,n表示采样间隔,其中n需要满足比例关系:W表示为图像像素宽,INT表示取整,该比例关系既可以表征水线真实趋势,同时也尽可能避免了连续采集到错误采样点,便于后期滤波处理;
2)从采样起始点开始,由上向下扫描二值化图Bk,记下符合下述条件的坐标点j,并将其存储到数组M:
IFBk(w*n,j-1)==0andBk(w*n,j)>0THENM[m]=j
式中,m为符合条件的坐标点的个数;
3)对数组M进行滤波,以消除可能存在的错误采样点,然后对滤波后的数组进行双线性插值,重构得到水线;
4)提取当前水线后,需要对三角隶属函数的参数p进行更新,作为下一帧图像中水线的初始位置;首先对线性插值数组取整得到M′,M′插值后的元素个数恢复为原来的像素宽W,将M′进行水平投影运算,投影后的数组为P,则更新后的三角隶属函数的参数p为:
基于线性采样的船舶水线提取的方法,既能提取当前水线,又能给下一帧水线提供初始位置的估计,为下一帧图像分割提供基础。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053709.7A CN105741276B (zh) | 2016-01-27 | 2016-01-27 | 一种船舶水线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610053709.7A CN105741276B (zh) | 2016-01-27 | 2016-01-27 | 一种船舶水线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105741276A true CN105741276A (zh) | 2016-07-06 |
CN105741276B CN105741276B (zh) | 2018-07-27 |
Family
ID=56246744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610053709.7A Active CN105741276B (zh) | 2016-01-27 | 2016-01-27 | 一种船舶水线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741276B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN108919299A (zh) * | 2018-06-27 | 2018-11-30 | 武汉理工大学 | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 |
CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
CN110334680A (zh) * | 2019-07-12 | 2019-10-15 | 南京海豚梦智能科技有限公司 | 基于爬壁机器人的船舶水尺识别方法、系统、装置 |
CN110717924A (zh) * | 2019-09-27 | 2020-01-21 | 中国检验认证集团河北有限公司黄骅港分公司 | 船舶水尺标线识别方法、装置、计算机设备和存储介质 |
CN111611957A (zh) * | 2020-05-28 | 2020-09-01 | 秦皇岛中理外轮理货有限责任公司 | 一种船舶水尺图像处理方法及系统 |
CN111721361A (zh) * | 2020-06-29 | 2020-09-29 | 杭州鲁尔物联科技有限公司 | 一种堤防监测系统、方法及设备 |
CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
CN114092693A (zh) * | 2021-11-12 | 2022-02-25 | 西安瑞峰光电技术有限公司 | 一种含噪图像感兴趣区域的快速提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975826A (zh) * | 2012-12-03 | 2013-03-20 | 上海海事大学 | 基于机器视觉的便携式船舶水尺自动检测和识别方法 |
US20140153776A1 (en) * | 2012-12-04 | 2014-06-05 | Sony Corporation | Image processing device, image processing method, and program |
CN105035279A (zh) * | 2015-06-30 | 2015-11-11 | 浙江海洋学院 | 一种平均水线检测方法 |
CN105160288A (zh) * | 2015-06-30 | 2015-12-16 | 浙江海洋学院 | 一种水尺图像分析方法 |
-
2016
- 2016-01-27 CN CN201610053709.7A patent/CN105741276B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975826A (zh) * | 2012-12-03 | 2013-03-20 | 上海海事大学 | 基于机器视觉的便携式船舶水尺自动检测和识别方法 |
US20140153776A1 (en) * | 2012-12-04 | 2014-06-05 | Sony Corporation | Image processing device, image processing method, and program |
CN105035279A (zh) * | 2015-06-30 | 2015-11-11 | 浙江海洋学院 | 一种平均水线检测方法 |
CN105160288A (zh) * | 2015-06-30 | 2015-12-16 | 浙江海洋学院 | 一种水尺图像分析方法 |
Non-Patent Citations (2)
Title |
---|
林振松: "船舶水尺吃水值检测方法研究", 《科技创新与应用》 * |
罗婧 等: "一种视频图像船舶吃水线自动检测方法", 《船海工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106340014A (zh) * | 2016-08-29 | 2017-01-18 | 上海理工大学 | 二值化曲线处理方法 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN108549894B (zh) * | 2018-04-03 | 2021-08-10 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN108919299A (zh) * | 2018-06-27 | 2018-11-30 | 武汉理工大学 | 基于多线激光面扫描的船舶干舷高度智能感测系统及方法 |
CN109711353A (zh) * | 2018-12-28 | 2019-05-03 | 中国矿业大学 | 一种基于机器视觉的船舶吃水线区域识别方法 |
CN109711353B (zh) * | 2018-12-28 | 2023-06-30 | 煤炭科学研究总院有限公司 | 一种基于机器视觉的船舶吃水线区域识别方法 |
CN110334680B (zh) * | 2019-07-12 | 2021-07-20 | 南京海豚梦智能科技有限公司 | 基于爬壁机器人的船舶水尺识别方法、系统、装置 |
CN110334680A (zh) * | 2019-07-12 | 2019-10-15 | 南京海豚梦智能科技有限公司 | 基于爬壁机器人的船舶水尺识别方法、系统、装置 |
CN110717924A (zh) * | 2019-09-27 | 2020-01-21 | 中国检验认证集团河北有限公司黄骅港分公司 | 船舶水尺标线识别方法、装置、计算机设备和存储介质 |
CN111611957A (zh) * | 2020-05-28 | 2020-09-01 | 秦皇岛中理外轮理货有限责任公司 | 一种船舶水尺图像处理方法及系统 |
CN111721361A (zh) * | 2020-06-29 | 2020-09-29 | 杭州鲁尔物联科技有限公司 | 一种堤防监测系统、方法及设备 |
CN112489042A (zh) * | 2020-12-21 | 2021-03-12 | 大连工业大学 | 基于超分辨重建的金属品印刷缺陷与表面损伤的检测方法 |
CN114092693A (zh) * | 2021-11-12 | 2022-02-25 | 西安瑞峰光电技术有限公司 | 一种含噪图像感兴趣区域的快速提取方法及系统 |
CN114092693B (zh) * | 2021-11-12 | 2024-07-23 | 西安瑞峰光电技术有限公司 | 一种含噪图像感兴趣区域的快速提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105741276B (zh) | 2018-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741276A (zh) | 一种船舶水线提取方法 | |
CN103942803B (zh) | 基于sar图像的水域自动检测方法 | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN107273896A (zh) | 一种基于图像识别的车牌检测识别方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
CN103514448A (zh) | 船形识别方法和系统 | |
CN110378308A (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
CN105512666A (zh) | 一种基于视频的河道垃圾识别方法 | |
CN109815807A (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN108764186A (zh) | 基于旋转深度学习的人物遮挡轮廓检测方法 | |
CN109410228A (zh) | 基于多尺度数学形态学特征融合的海洋内波检测算法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
CN105654091A (zh) | 海面目标检测方法及装置 | |
CN105528585B (zh) | 基于舰船尾迹和海底地形内波模型的水下航行器检测方法 | |
Osorio et al. | An algorithm for the measurement of shoreline and intertidal beach profiles using video imagery: PSDM | |
CN106709426A (zh) | 基于红外遥感图像的舰船目标检测方法 | |
CN102074017B (zh) | 一种杠铃中心点检测及跟踪的方法和装置 | |
CN105488787A (zh) | 基于几何活动轮廓模型的遥感图像海岸线检测方法 | |
CN104021553B (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
CN104658003A (zh) | 舌体图像的分割方法和装置 | |
CN108021890A (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |