CN106530313A - 一种基于区域分割的海天线实时检测方法 - Google Patents

Abstract

本发明公开了一种基于区域分割的海天线实时检测方法，主要包括以下步骤：（1）获取原始彩色图像；（2）将图像从RGB颜色空间转换到HSI颜色空间；（3）根据饱和度、亮度及位置信息，计算每个像素点的特征向量；（4）利用K‑均值聚类算法进行图像分割，获得海天分割图像；（5）在海天分割图像上，采集海水区域与天空区域的相接点；（6）利用随机抽样一致性方法（RANSAC）对海天区域相接点进行直线拟合，拟合出的最佳直线即为海天线。本发明的方法能够有效地实时检测出各种复杂海空背景下的海天线，具有较高的适应性。

Description

一种基于区域分割的海天线实时检测方法

技术领域

本发明涉及图像处理领域，具体涉及一种基于区域分割的海天线实时检测方法。

背景技术

海天线检测是海面目标检测的重要环节。一幅海空背景的图像可以分为三个部分：天空区域、海天线区域、海水区域。在海空背景中，海面目标只会出现在海天线区域和海水区域。在获取海天线信息后，计算机可以缩小目标搜索区域，减少计算量，保证系统的实时性。此外，利用海天线位置信息，可以减小天空中云层对目标检测的影响，从而提高目标检测的准确性。

目前，许多文献对海天检测提出了不同算法。其中，主要包括：行映射直方图法、直线拟合法、Hough变换法、列方向梯度法等。但是，在复杂的海天背景下，这些方法很难取得较好的效果。其中最主要的一个原因是条纹状的海浪与海天线具有一定的相似性，容易干扰海天线的提取。除此之外，远处的舰船和天空中的云层也会增加海天线检测的难度。

发明内容

本发明针对现有技术的不足，提供一种基于区域分割的海天线实时检测方法。该方法不仅能够准确的检测出海天线的位置，而且检测速度快，具有实时性的特点。

为达到上述目的，本发明的构思是：对于海天背景的图像，通常天空区域比海水区域的饱和度(S)较大，而亮度(I)较小。根据这一特性，利用K-均值聚类的方法可以将图像分割成海水区域和天空区域。其次，在分割图上采集海水域和天空域的相接点，然后利用随机抽样一致性方法(Random sample consensus,RANSAC)进行直线拟合，最终拟合出的直线即为海天线。

为达到上述目的，本发明采用如下技术方案：

一种基于区域分割的海天线实时检测方法，包括以下步骤：

步骤一：获取原始彩色图像；

步骤二：将图像从RGB颜色空间转换到HSI颜色空间；

步骤三：根据饱和度、亮度及位置信息，计算每个像素点的特征向量；

步骤四：利用K-均值聚类算法进行图像分割，获得海天分割图像；

步骤五：在海天分割图像上，采集海水区域与天空区域的相接点；

步骤六：利用随机抽样一致性方法对海天区域相接点进行直线拟合，拟合出的最佳直线即为海天线。

与现有技术相比，本发明的有益效果为：

本发明通过K-均值聚类算法和随机抽样一致性方法相结合来实现海天线的检测。该方法利用K-均值聚类算法进行图像分割，能够减小天空云层和条形波浪的干扰。相较于其它海天线检测技术，该方法能在复杂海天背景下准确检测出海天线。

附图说明

图1为本发明方法的流程图。

图2为本发明方法一个实施例的示意图，其中(a)为实施例待检测图；(b)为实施例海天分割图；(c)为实施例海天相接点图；(d)为实施例海天线检测结果图。

图3为实施例在复杂背景下海天线检测结果图。

具体实施方式

下面结合附图，对本发明的具体实施例做进一步的说明。

如图1所示，一种基于区域分割的海天线实时检测方法，包括以下步骤：

(1)获取原始彩色图像；

(2)将图像从RGB颜色空间转换到HSI颜色空间；

(3)根据饱和度、亮度及位置信息，计算每个像素点的特征向量；

(4)利用K-均值聚类算法进行图像分割，获得海天分割图像；

(5)在海天分割图像上，采集海水区域和天空区域的边界点，获得海天边界点集；

(6)根据海天边界点集，利用随机抽样一致性方法进行直线拟合，拟合出的这条直线即为海天线。

所述步骤(2)中，图像从RGB颜色空间到HSI颜色空间的转换公式如下(其中，将RGB空间和HSI空间都归一化到[0，1])：

I＝(R+G+B)/3；

S＝1-[min(R,G,B)/I]；

上述式子中，R、G和B分别为RGB颜色空间的红、绿、蓝分量，H、S和I分别为HSI颜色空间的色度、饱和度和亮度分量，W为计算中间变量。

所述步骤(3)中，对图像任一像素点i计算相应的颜色特征值V_i＝(S_i-S_m)-(I_i-I_m)，其中，S_i和I_i分别为像素i的饱和度分量和亮度分量，S_m和I_m分别为整幅图像的饱和度均值和亮度均值。根据颜色信息和位置信息，将每个像素点的特征向量表示为P_i＝[V_i,X_i,Y_i]^T，其中，X_i和Y_i分别为像素点的列方向和行方向的坐标值。

所述步骤(4)中，利用K-均值聚类算法对每个像素点进行聚类，确定出其所对应的类别，从而实现对图像的分割。在本发明中，海天背景图像主要分为天空和海水两个区域，所以K-均值聚类算法的聚类数目k为2。

任意两个特征向量间的距离公式为：

上式中，P_i和P_j分别为像素i和像素j的特征向量，w₁和w₂分别为颜色分量权重和空间分量权重。

K-均值聚类算法的评价标准：

上式中，m表示图像的像素总数，μ_c为类别C的聚类中心。该公式将每个类中的像素点与每个聚类中心求差的平方和来评价聚类的好坏。J越小，意味着聚类的效果越好。

实施例：

下面以实例来说明本发明公开的一种基于区域分割的海天线实时检测方法。本实施例采用C++编程语言和OpenCV库实现，具体实施步骤如下：

(1)获取原始彩色图像；

USB摄像机获取的原始彩色图像是24位RGB数字图像，分辨率为640x480，如图2a所示。

(2)将图像从RGB空间转换到HSI空间；

为了保证海天线检测的实时性，将原始图像分辨率从640x480缩小至320x240。其次，在对图像的RGB彩色空间进行归一化处理后，将图像从RGB空间转换到HSI空间。

(3)根据饱和度、亮度及位置信息，计算每个像素点的特征向量；

对图像任一像素点i计算颜色特征值V_i＝(S_i-S_m)-(I_i-I_m)，其中，S_i和I_i分别为像素i的饱和度分量和亮度分量，S_m和I_m分别为整幅图像的饱和度均值和亮度均值。根据颜色信息V_i和位置信息(X_i,Y_i)，计算得到每个像素点相应的特征向量P_i＝[V_i,X_i,Y_i]^T。

(4)利用K-均值聚类算法将图像分割成海水区域和天空区域，获得海天分割图像，如图2b所示；

指定K-均值聚类算法的聚类数目k为2。在竖直方向上，从上至下将图像分成三个区域{0，0.3}，{0.3，0.7}和{0.7，1}，然后分别计算{0，0.3}和{0.7，1}两个区域所有像素点特征向量的平均值，将计算得到的两个特征向量看作天空类别和海水类别的初始聚类中心。

任意两个特征向量间的距离计算公式为：

其中，颜色分量权重w₁＝1，空间分量权重w₂＝0.000015。

聚类的终止条件为：聚类迭代次数不超过10或者(J_t-J_t+1)/J_t＜0.001。

(5)在海天分割图像上，采集海水区域和天空区域的相接点。

将分割图像的分辨率从320x240放大到初始分辨率640x480，其中采用的缩放方法为最近邻插值法。为了减小计算量，沿着分割图的列方向等距地划分20条竖直直线，然后在每条竖直直线上采集海水区域和天空区域的相接点，从而获得海天相接点集，如图2c所示。

(6)利用随机抽样一致性方法对海天区域相接点进行直线拟合，拟合出的最佳直线即为海天线，如图2d所示。

为了验证本发明的可行性，本实施例选取了4组包含许多复杂状况的海天视频序列进行分析。其中部分结果如图3a和图3b所示。检测结果表明，在低光照、低空有云层、远处有海岛和陆地等复杂状况下，本发明能够在兼顾实时性的要求下较为准确地检测出相应的海天线。

Claims (5)

1.一种基于区域分割的海天线实时检测方法，其特征在于，包括以下步骤：

(1)获取原始彩色图像；

(2)将图像从RGB颜色空间转换到HSI颜色空间；

(3)根据饱和度、亮度及位置信息，计算每个像素点的特征向量；

(4)利用K-均值聚类算法进行图像分割，获得海天分割图像；

(5)在海天分割图像上，采集海水区域与天空区域的相接点；

(6)利用随机抽样一致性方法对海天区域相接点进行直线拟合，拟合出的最佳直线即为海天线。

2.根据权利要求1所述的基于区域分割的海天线实时检测方法，其特征在于，所述步骤(2)中，将图像从RGB颜色空间转换到HSI颜色空间的具体步骤是：

①将图像的RGB颜色空间归一化到[0，1]；

②利用归一化后的RGB值，将图像转换到HSI空间，转换公式如下所示：

I＝(R+G+B)/3 (1)

$W={\cos }^{-1}\[(2R-G-B)/\left(2\sqrt{{(R-G)}^2+(R-B)(G-B)}\right)\]---\left(2\right)$

$H=\left\{\begin{array}{cc}W/2\mathrm{\π},& B\≤G\\ (2\mathrm{\π}-W)/2\mathrm{\π},& B>G\end{array}\right.---\left(3\right)$

S＝1-[min(R,G,B)/I] (4)

上述式子中，R、G和B分别为RGB颜色空间的红、绿、蓝分量，H、S和I分别为HSI颜色空间的色度、饱和度和亮度分量，W为计算中间变量。

3.根据权利要求1所述的基于区域分割的海天线实时检测方法，其特征在于，所述步骤(3)中，计算每个像素点的特征向量的具体步骤是：

①对图像任一像素点i计算相应的颜色特征值V_i＝(S_i-S_m)-(I_i-I_m)，其中，S_i和I_i分别为像素i的饱和度分量和亮度分量，S_m和I_m分别为整幅图像的饱和度均值和亮度均值；

②根据颜色信息和空间位置信息，将每个像素点的特征向量P_i表示为P_i＝[V_i,X_i,Y_i]^T，其中，X_i和Y_i分别为像素点的列方向和行方向的坐标值。

4.根据权利要求1所述的基于区域分割的海天线实时检测方法，其特征在于，所述步骤(4)中，利用K-均值聚类算法进行图像分割的具体步骤是：

①指定聚类数目：由于海天背景图像主要分为天空和海水两个区域，因而指定K-均值聚类算法的聚类数目k为2；

②选取聚类中心：在竖直方向上，从上至下将图像分成三个区域{0，0.3}，{0.3，0.7}和{0.7，1}，然后将{0，0.3}和{0.7，1}两个区域中所有像素点的特征向量均值作为天空类别和海水类别的初始聚类中心；

③计算每个像素点的特征向量到所有聚类中心的距离，并且将其分配到最接近的聚类中心的类别；其中，任意两个特征向量间的距离公式为：

$dst(P_i,P_j)=\sqrt{w_1{(V_i-V_j)}^2+w_2\[{(X_i-X_j)}^2+{(Y_i-Y_j)}^2\]}---\left(5\right)$

上式中，P_i和P_j分别为像素i和像素j的特征向量，w₁和w₂分别为颜色分量权重和空间分量权重；

④更新聚类中心：计算每一类的所有像素点的特征向量均值，并将其作为新的聚类中心；

⑤重复步骤③和步骤④，直到满足终止条件。

5.根据权利要求1所述的基于区域分割的海天线实时检测方法，其特征在于，所述步骤(5)中，采集海水区域与天空区域的相接点的具体步骤是：

①沿着海天分割图的列方向等距地划分20条竖直直线；

②采集竖直直线上天空区域和海水区域的相接点。