CN107169516A - 基于k‑l变换的海上小目标显著性检测方法 - Google Patents

Abstract

本发明公开了一种基于K‑L变换的海上小目标显著性检测方法，包含以下步骤：步骤S1：提取海上场景可见光图像CIELab空间的一个亮度通道特征图和两个颜色通道特征图；步骤S2：对步骤S1所得到的各通道分别进行傅里叶变换，分别得到其幅度谱和相位谱；步骤S3：对步骤S2所得到的各通道的幅度谱分别进行K‑L变换；步骤S4：对步骤S3所得到的各通道的幅度谱的K‑L变换结果，根据海上图像数据集合的特征选择其主分量，并以此求解各幅度谱的差谱矩阵；步骤S5：将步骤S4所得到的各通道的差谱矩阵与各原相位谱结合分别进行离散傅里叶逆变换，得到各通道的显著图；步骤S6：利用动态加权方法计算总显著图。本发明通过突出小目标，抑制背景，实现海上小目标的检测与跟踪。

Description

基于K-L变换的海上小目标显著性检测方法

技术领域

本发明涉及计算机视觉和图像处理领域，具体涉及一种基于Karhunen-Loève(K-L)变换的海上小目标显著性检测方法。

背景技术

海上场景中小目标检测与跟踪一直是计算机视觉领域中的难点，而该类目标的检测与跟踪是海上视频监控、海难搜救等领域的关键问题。

近二十年以来，人眼视觉注意机制的研究一直是计算机视觉、图像处理领域中的热门主题，并已应用于多个技术领域。显著性检测是其研究的核心问题之一，主要围绕如何从图像、视频自身特征或结合先验信息两个角度进行显著性度量与计算展开。基于图像特征的显著性检测方法主要包括：经典方法、信息最大化方法、基于图的方法、基于空间域对比度的方法、基于频谱滤波的方法等。

但目前已有方法存在的主要问题是：算法性能不断提升但算法复杂，不易于实时应用；主要解决自然场景中的大目标显著性检测问题，只有部分学者探讨了不同尺寸目标数据的分类问题，针对海上场景的显著性检测算法研究相对较少；部分算法中应用的先验信息不适用于海上场景中的小目标，例如自然场景的中央偏置约束在海上场景中往往不适用。

发明内容

本发明的目的是提供一种基于K-L变换的海上小目标显著性检测方法，该方法所采用的算法简单易实现，无需对图像进行尺度选择和进行网格划分。

为达到上述目的，本发明提供了一种基于K-L变换的海上小目标显著性检测方法，包含以下步骤：

步骤S1：提取海上场景可见光图像CIELab空间的一个亮度通道特征图和两个颜色通道特征图；

步骤S2：对步骤S1所得到的各通道分别进行傅里叶变换，分别得到其幅度谱和相位谱；

步骤S3：对步骤S2所得到的各通道的幅度谱分别进行K-L变换；

步骤S4：对步骤S3所得到的各通道的幅度谱的K-L变换结果，根据海上图像数据集合的特征选择其主分量，并以此求解各幅度谱的差谱矩阵；

步骤S5：将步骤S4所得到的各通道的差谱矩阵与各原相位谱结合分别进行离散傅里叶逆变换，得到各通道的显著图；

步骤S6：利用动态加权方法计算总显著图。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S1中，提取海上场景可见光图像CIELab空间的一个亮度和两个颜色通道作为基本特征，分别以矩阵L，A，B表示，其尺寸均为h×w。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S2中，对步骤S1所得到的特征图分别进行离散傅里叶变换，依次得到各幅度谱为：L_a，A_a，B_a，各相位谱为：L_p，A_p，B_p。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S3中，计算步骤S2所得到的各通道幅度谱的协方差矩阵：Σ_L，Σ_a，Σ_b，并将各协方差矩阵本征分解为：

Σ_LV_L＝D_LV_L，Σ_aV_a＝D_aV_a，Σ_bV_b＝D_bV_b (1)

式中V_L，V_a，V_b是对应的特征值矩阵，其对角线元素为各协方差矩阵的特征根，并按照降序排列；D_L，D_a，D_b是对应的特征矢量矩阵。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S4中，根据对大量海上场景图像的分析结果，选择由各幅度谱协方差矩阵的最大特征根对应的特征矢量v_Lmax，v_amax，vbmax构成主特征矢量矩阵，分别为：

VR_L＝[v_Lmax 0_w×(w-1)]_w×w，VR_a＝[v_amax 0_w×(w-1)]_w×w，VR_b＝[v_bmax 0_w×(w-1)]_w×w (2)

并计算三个特征的差谱幅度谱矩阵为：

Diff_L＝||L_a-L_a·VR_L||，Diff_a＝||A_a-A_a·VR_a||，Diff_b＝||A_b-A_b·VR_b|| (3)

式中||·||表示对矩阵各元素计算绝对值。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S5中，根据步骤S4得到的差谱矩阵，结合原相位谱L_p，A_p，B_p，计算各特征图的傅里叶逆变换，并进行空间域滤波，得到各通道的显著图为：S_L，Sa，Sb，并对其进行归一化处理。

上述的基于K-L变换的海上小目标显著性检测方法，其中，在步骤S6中，对步骤S5得到的各通道的显著图利用公式(4)、(5)进行动态合并得到最终的总显著图；

λ_L＝S_L/(S_L+S_a+S_b)，λ_a＝S_a/(S_L+S_a+S_b)，λ_b＝S_b/(S_L+S_a+S_b) (4)

S＝N(λ_L×S_L+λ_a×S_a+λ_b×S_b) (5)

式中(·)/(·)和(·)×(·)分别表示矩阵的点乘和点除，N(·)表示归一化运算。

相对于现有技术，本发明具有以下有益效果：

本发明适用于海上场景中的小目标的显著性检测问题。解决该问题时，主要面临的是差谱图像的提取方法，即图像变换域中频谱滤波的方法。本发明与之前方法的区别在于没有直接对图像幅度谱进行广义滤波，而是通过K-L变换对其协方差矩阵的本征分解提取其主要能量。本发明所提供的算法的核心是利用图像自身的特征计算海上场景中小目标的显著性，实现背景抑制、突出场景中潜在小目标，从而辅助进行海上场景中的小目标检测与跟踪，简单易实现、无需对图像进行尺度选择和进行网格划分。

附图说明

图1为本发明基于K-L变换的海上小目标显著性检测方法的流程图。

具体实施方式

以下结合附图通过具体实施例对本发明作进一步的描述，这些实施例仅用于说明本发明，并不是对本发明保护范围的限制。

如图1所示，本发明提供了一种基于K-L变换的海上小目标显著性检测方法，包含以下步骤：

步骤S1：提取海上场景可见光图像CIELab空间的一个亮度通道特征图和两个颜色通道特征图；

步骤S2：对步骤S1所得到的各通道分别进行傅里叶变换，分别得到其幅度谱和相位谱；

步骤S3：对步骤S2所得到的各通道的幅度谱分别进行K-L变换；

步骤S4：对步骤S3所得到的各通道的幅度谱的K-L变换结果，根据海上图像数据集合的特征选择其主分量，并以此求解各幅度谱的差谱矩阵；

步骤S5：将步骤S4所得到的各通道的差谱矩阵与各原相位谱结合分别进行离散傅里叶逆变换，得到各通道的显著图；

步骤S6：利用动态加权方法计算总显著图。

在步骤S1中，提取海上场景可见光图像CIELab空间的一个亮度和两个颜色通道作为基本特征，分别以矩阵L，A，B表示，其尺寸均为h×w。

在步骤S2中，对步骤S1所得到的特征图分别进行离散傅里叶变换，依次得到各幅度谱为：L_a，A_a，B_a，各相位谱为：L_p，A_p，B_p。

在步骤S3中，计算步骤S2所得到的各通道幅度谱的协方差矩阵：Σ_L，Σ_a，Σ_b，并将各协方差矩阵本征分解为：

Σ_LV_L＝D_LV_L，Σ_aV_a＝D_aV_a，Σ_bV_b＝D_bV_b (1)

式中V_L，V_a，V_b是对应的特征值矩阵，其对角线元素为各协方差矩阵的特征根，并按照降序排列；D_L，D_a，D_b是对应的特征矢量矩阵。

在步骤S4中，根据对大量海上场景图像的分析结果，选择由各幅度谱协方差矩阵的最大特征根对应的特征矢量v_Lmax，v_amax，v_bmax构成主特征矢量矩阵，分别为：

VR_L＝[v_Lmax 0_w×(w-1)」_w×w，VR_a＝[v_amax 0_w×(w-1)]_w×w，VR_b＝[v_bmax 0_w×(w-1)]_w×w (2)

并计算三个特征的差谱幅度谱矩阵为：

Diff_L＝||L_a-L_a·VR_L||，Diff_a＝||A_a-A_a·VR_a||，Diff_b＝||A_b-A_b·VR_b|| (3)

式中||·||表示对矩阵各元素计算绝对值。

在步骤S5中，根据步骤S4得到的差谱矩阵，结合原相位谱L_p，A_p，B_p，计算各特征图的傅里叶逆变换，并进行空间域滤波，得到各通道的显著图为：S_L，S_a，S_b，并对其进行归一化处理。

在步骤S6中，对步骤S5得到的各通道的显著图利用公式(4)、(5)进行动态合并得到最终的总显著图；

λ_L＝S_L/(S_L+S_a+S_b)，λ_a＝S_a/(S_L+S_a+S_b)，λ_b＝S_b/(S_L+S_a+S_b) (4)

S＝N(λ_L×S_L+λ_a×S_a+λ_b×S_b) (5)

式中(·)/(·)和(·)×(·)分别表示矩阵的点乘和点除，N(·)表示归一化运算。

本发明中的小目标主要包括各类救生艇、救生筏、小渔船、海面漂浮物、海难中落水人员等。

综上所述，本发明的目标是为海上视频监控、海难搜救、海事执法取证等应用中的小目标检测与跟踪提供基础。通过对建立的海上场景数据集合的特征进行分析，发现其变换域的幅度谱经过K-L变换后，其能量集中于其主分量中。因此，本发明提出的方法利用海上场景可见光图像的亮度和颜色特征，分别对其进行离散傅里叶变换，对得到的幅度谱分别进行K-L变换，进而剔除其主要分量，再将差谱函数结合原相位谱进行傅里叶逆变换，分别得到亮度和颜色特征的显著图。最后，对得到的三个通道的显著图进行动态加权合并完成显著性检测。本发明可应用于海事监控、海难搜救、海事执法取证等领域，通过突出场景中的小目标，抑制背景，辅助进行海上小目标的检测与跟踪。

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 (7)

1.一种基于K-L变换的海上小目标显著性检测方法，其特征在于，包含以下步骤：

步骤S1：提取海上场景可见光图像CIELab空间的一个亮度通道特征图和两个颜色通道特征图；

步骤S2：对步骤S1所得到的各通道分别进行傅里叶变换，分别得到其幅度谱和相位谱；

步骤S3：对步骤S2所得到的各通道的幅度谱分别进行K-L变换；

步骤S4：对步骤S3所得到的各通道的幅度谱的K-L变换结果，根据海上图像数据集合的特征选择其主分量，并以此求解各幅度谱的差谱矩阵；

步骤S5：将步骤S4所得到的各通道的差谱矩阵与各原相位谱结合分别进行离散傅里叶逆变换，得到各通道的显著图；

步骤S6：利用动态加权方法计算总显著图。

2.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S1中，提取海上场景可见光图像CIELab空间的一个亮度和两个颜色通道作为基本特征，分别以矩阵L，A，B表示，其尺寸均为h×w。

3.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S2中，对步骤S1所得到的特征图分别进行离散傅里叶变换，依次得到各幅度谱为：L_a，A_a，B_a，各相位谱为：L_p，A_p，B_p。

4.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S3中，计算步骤S2所得到的各通道幅度谱的协方差矩阵：Σ_L，Σ_a，Σ_b，并将各协方差矩阵本征分解为：

Σ_LV_L＝D_LV_L，Σ_aV_a＝D_aV_a，Σ_bV_b＝D_bV_b (1)

式中V_L，V_a，V_b是对应的特征值矩阵，其对角线元素为各协方差矩阵的特征根，并按照降序排列；D_L，D_a，D_b是对应的特征矢量矩阵。

5.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S4中，根据对大量海上场景图像的分析结果，选择由各幅度谱协方差矩阵的最大特征根对应的特征矢量v_Lmax，v_amax，v_bmax构成主特征矢量矩阵，分别为：

VR_L＝[v_Lmax 0_w×(w-1)]_w×w，VR_a＝[v_amax 0_w×(w-1)]_w×w，VR_b＝[v_bmax 0_w×(w-1)]_w×w (2)

并计算三个特征的差谱幅度谱矩阵为：

Diff_L＝||L_a-L_a·VR_L||，Diff_a＝||A_a-A_a·VR_a||，Diff_b＝||A_b-A_b·VR_b|| (3)

式中||·||表示对矩阵各元素计算绝对值。

6.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S5中，根据步骤S4得到的差谱矩阵，结合原相位谱L_p，A_p，B_p，计算各特征图的傅里叶逆变换，并进行空间域滤波，得到各通道的显著图为：S_L，S_a，S_b，并对其进行归一化处理。

7.如权利要求1所述的基于K-L变换的海上小目标显著性检测方法，其特征在于，在步骤S6中，对步骤S5得到的各通道的显著图利用公式(4)、(5)进行动态合并得到最终的总显著图；

λ_L＝S_L/(S_L+S_a+S_b)，λ_a＝S_a/(S_L+S_a+S_b)，λ_b＝S_b/(S_L+S_a+S_b) (4)

S＝N(λ_L×S_L+λ_a×S_a+λ_b×S_b) (5)

式中(·)/(·)和(·)×(·)分别表示矩阵的点乘和点除，N(·)表示归一化运算。