CN107273903B - 基于lsd改进的uuv近海面可见光图像海天线提取方法 - Google Patents
基于lsd改进的uuv近海面可见光图像海天线提取方法 Download PDFInfo
- Publication number
- CN107273903B CN107273903B CN201710362932.4A CN201710362932A CN107273903B CN 107273903 B CN107273903 B CN 107273903B CN 201710362932 A CN201710362932 A CN 201710362932A CN 107273903 B CN107273903 B CN 107273903B
- Authority
- CN
- China
- Prior art keywords
- sea
- sky
- line
- visible light
- gradient
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供的是一种基于LSD改进的UUV近海面可见光图像海天线提取方法。获取近海面可见光图像,转换为灰度图像并进行尺度缩放;进行梯度计算,根据梯度幅值进行伪排列并建立状态列表,设置梯度阈值;选取种子点进行区域增长,根据海天线倾斜角的数学特征剔除不符合要求的点,生成直线支撑区域或最小外接矩形;矩形估计,并根据海天线长度特征和直线合并准则合并相邻矩形;判断类内点密度;计算NFA,提取海天线。该方法既能提取水平的海天线也能提取倾斜的海天线,既适应于海空背景也适应于山体背景。另外,本发明实时性和自适应性强,可在可见光序列图像中提取海天线。
Description
技术领域
本发明涉及的是一种可见光成像方法,尤其是一种UUV近海面可见光图像的海天线提取方法。
背景技术
海上目标识别技术具有重要作用,近年来被许多国家列为重点研究课题。但由于海面强水纹、背景障碍物、探测器噪声等因素的干扰,船舶目标的定位和识别成为非常具有挑战性的问题。海面可见光图像一般分为三个区域:天空区域、水界线区域和海面区域。通常情况下,在进行目标检测、跟踪等图像处理任务时,感兴趣区域大部分处于水界线区域中。海天线的检测可以有效抑制复杂海空背景中的噪声干扰、缩小船舶目标的搜寻范围并减小计算量,因此也成为船舶识别中的关键环节。
大多数现有的海天线检测方法的核心思想在于直线提取,比如基于直线拟合、Hough变换、行均值梯度、行-信息熵、RANSAC算法的海天线提取方法,大多易受波浪、云层、桥梁、山体等高梯度边缘的干扰,误差较大或形成虚假的海天线,对水界线区域的船舶目标造成干扰。
发明内容
本发明的目的在于提供一种既能提取水平的海天线也能提取倾斜的海天线,既适应于海空背景也适应于山体背景,实时性和自适应性强的基于LSD改进的UUV近海面可见光图像海天线提取方法。
本发明的目的是这样实现的:
(1)获取近海面可见光图像,转换为灰度图像并进行尺度缩放;
(2)进行梯度计算,根据梯度幅值进行伪排列并建立状态列表,设置梯度阈值;
(3)选取种子点进行区域增长,根据海天线倾斜角的数学特征剔除不符合要求的点,生成直线支撑区域或最小外接矩形;
(4)矩形估计,并根据海天线长度特征和直线合并准则合并相邻矩形;
(5)判断类内点密度;
(6)计算NFA,提取海天线。
本发明还可以包括:
1、步骤(3)具体包括:
1)取状态列表中梯度幅值最大的点作为种子点,以种子点为起点,搜索周围“未标记”并且梯度方向在阈值[-τ,τ]范围内的点,状态改为“已标记”;
2)海天线有水平的,也有倾斜的,即海天线的倾斜角在一定范围之内,海天线上某点的法向方向,即该像素点的梯度方向,θm是像素m的梯度方向角,则海天线的倾斜角表示为为当时,其中,θT是海天线倾斜角阈值,保留该点;否则将该点设为“未标记”状态;
3)将上述得到的一系列状态为“已标记”的相邻离散点,包含在一个矩形框内,构成线性支撑区域或其最小外接矩形;
2、步骤(4)具体包括:
1)计算矩形区域的关键统计参数,得到对直线特征的数学描述;
2)海天线是图像中最长的直线,船舶目标将海天线分成两段,且两者方向一致、方向距离为0、切向距离由船舶大小决定,直线段长度且Lmin≤L≤Lmax,其中(x1,y1)和(x2,y2)是矩形长边的两端点坐标,通过设置海天线长度范围的阈值Lmin和Lmax,剔除长度过短的直线;
3)根据直线合并准则,两条相邻直线是否合并取决于三个参数:法向距离阈值dv、切向距离阈值dh和两直线方向与坐标轴的夹角的差值θα。其中,dv和dh的值是由图像的分辨率大小决定,θα=2°;
定义切向距离|d1|用两相邻矩形的中心坐标(cx1,cy1)、(cx2,cy2)和矩形长度表示如下
法向距离|d2|通过矩形的宽度width(Rec)来设置,两直线具有倾斜角θ0,则θk和θm是分别位于两相邻直线上任意像素点的梯度方向角,根据直线合并准则,当0≤|d1|≤dh,0≤|d2|≤dv且0≤θ0≤θα时,合并相邻矩形。
本发明提供了一种基于LSD改进的UUV近海面可见光图像海天线提取方法。该方法既能提取水平的海天线也能提取倾斜的海天线,既适应于海空背景也适应于山体背景。另外,本发明实时性和自适应性强,可在可见光序列图像中提取海天线。本发明的技术手段主要包括:通过UUV可见光图像采集装置获取近海面可见光图像,转化为灰度图像并进行尺度缩放;梯度计算,根据梯度幅值进行伪排列并建立状态列表,设置梯度阈值;选取种子点进行区域增长,根据海天线倾斜角的数学特征剔除不符合要求的点,生成直线支撑区域或其最小外接矩形;矩形估计,并根据海天线长度特征和直线合并准则合并相邻矩形;判断类内点密度;计算NFA,提取海天线。
本发明的有益效果是:一、将海天线的长度和倾斜角两个数学描述特征作为条件,来剔除长度过短、倾斜角过大的直线段,克服了波浪、艇体、山峦、背景云层等也形成直线带来的干扰;二、根据直线生长准则来合并相邻矩形,克服了由于背景光、雨雪、海雾等因素造成的海天线断裂或部分缺失的情况。
附图说明
图1为本发明的流程图;
图2为本发明一个实施例的原始可见光图像;
图3为直线生长准则简图;
图4为本发明一个实施例用LSD方法提取直线段的结果;
图5为本发明一个实施例用LSD改进方法提取海天线的结果。
具体实施方式
为了使本发明的目的、技术方案和优点更加清晰明了,以下结合附图举例对本发明作进一步详细描述。
结合图1,本发明的基于LSD改进的UUV近海面可见光图像海天线提取方法,包括以下步骤:
1、利用VS2010和OPENCV语言编程输入并显示UUV近海面可见光图像,记该图像为I(x),可见光图像如图2所示。然后,将原始图像转化为灰度图像并进行尺度缩放,即以s=0.8的尺度,对输入灰度图像进行高斯下采样,高斯核的标准差σ=∑/s,参数∑=0.6,目的是消除锯齿效应。
2、梯度计算,根据梯度幅值进行伪排列并建立状态列表,设置梯度阈值的具体步骤包括:
(1)图像梯度计算是在2*2模板上进行的,给定
这里i(x,y)是灰度图像上像素点(x,y)处的灰度值,图像的梯度通过下面的式子来计算:
梯度方向角
梯度幅值
(2)根据梯度幅值进行伪排列并建立状态列表
梯度值越大,越是显著的边缘点,越适合作为种子点。简单的伪排序算法能够在线性时间内完成。首先,将梯度幅值均匀地划分为1024个等级,这1024个等级涵盖了像素值由0-255的变化范围。建立状态列表,所有的点设置为“未标记”。
(3)设置梯度阈值
具有较小梯度幅值的像素点意味着平坦区域或者梯度变化缓慢的区域。因此,梯度幅值小于ρ的像素点将被拒绝参与直线支撑区域或者直线支撑区域的最小外接矩形的构建过程。其中阈值ρ利用最大期望来设定,而q代表了梯度量化过程中可能的误差边界,τ代表了后面区域增长算法中的角度容许偏差。根据经验值设定
3、选取种子点进行区域增长,根据海天线倾斜角的数学特征剔除不符合要求的点,生成直线支撑区域或其最小外接矩形的具体步骤包括:
(1)选取种子点进行区域增长
选取梯度列表中梯度幅值最大的像素点最为种子点,以梯度方向的相似性作为生长准则,得到具有梯度同向性质的近似矩形区域,称之为直线支撑区域(记为Region)。Region中的每一个像素j,若其8邻域的像素m在状态列表中处于“未标记”状态,并且满足条件|θk-θm|<τ,式中θm是像素m的梯度方向角,τ是角度容许偏差。令则可将像素m加入Resign且设置为“已标记”状态,更新区域主方向为:
其中,level-line-anglej是直线段的倾斜角,直至所有等级中的种子点状态为“已标记”。
(2)根据海天线倾斜角的数学特征剔除不符合要求的点
海天线有水平的、倾斜的,即海天线的倾斜角在一定范围之内;海天线上某点的法向方向,即该像素点的梯度方向。则海天线的倾斜角可表示为当时,其中,θT是海天线倾斜角阈值,保留该点;否则将该点设为“未标记”状态。
(3)生成直线支撑区域或其最小外接矩形
将上述得到的一系列状态为“已标记”的相邻离散点,包含在一个矩形框内,构成线性支撑区域或其最小外接矩形(记为Rec)。这样可以有效地剔除了倾斜角过大的直线段,减小波浪、艇体、山峦、背景云层等形成直线带来的干扰。
4、矩形估计,并根据海天线长度特征和直线合并准则合并相邻矩形的具体步骤包括:
(1)矩形估计
区域生长方法得到的直线支撑区域表明图像中存在直线特征,计算该区域的关键统计参数,能够得到对直线特征的数学描述。直线支撑区域的最小外接矩形框,其矩形中心(cx,cy)的计算公式:
这里(x,y)是像素j的坐标,G(j)是像素j的梯度幅值,下标j遍历矩形区域内所有的像素。
(2)根据海天线长度特征和直线合并准则合并相邻矩形
海天线应该是图像中最长的直线(为描述方便,本发明所述直线均指长度有限的线段,对应矩形的长边),但由于船舶目标的存在,会将海天线分成两段,且两者方向一致、方向距离为0、切向距离视船舶大小而定。直线段长度且Lmin≤L≤Lmax,其中,(x1,y1)和(x2,y2)是矩形长边的两端点坐标,通过设置海天线长度范围的阈值Lmin和Lmax,可以剔除长度过短的直线段,减小波浪、艇体、山峦、背景云层等也形成直线带来的干扰。
1)两直线方向一致,法向距离为0,切向距离为|d1|,当|d1|≤dh时,直线合并。
2)两直线平行,法向距离|d2|,切向距离0,当|d2|≤dv时,直线合并。
4)两直线平行,法向距离|d2|,切向距离为|d1|,当|d2|≤dv且|d1|≤dh时,按1)或2)进行直线合并。
将表示两相邻直线关系的三个参数映射到矩形,定义切向距离|d1|用两相邻矩形的中心坐标(cx1,cy1)、(cx2,cy2)和矩形长度表示如下
法向距离|d2|可以通过矩形的宽度width(Rec)来设置。通过设置三个阈值,可以减小了由于背景光、雨雪、海雾等因素造成海天线断裂或部分缺失的情况。
5、判断类内点密度的具体步骤包括:
由于区域生长方法是以梯度方向的相似性作为生长准则,梯度方向与区域主方向之差不超过角度容许偏差的邻近像素都被加入直线支撑区域,因此一些曲率较小的曲线边缘或者方向变化缓慢的折线边缘可能生长成直线支撑区域。针对这一问题,计算每个直线支撑区域的类内点密度,并据此对直线支撑区域进行改善。
Region内点的密度定义为Region包含的像素数量k与其最小外接矩形Rec包含的像素数量n的比值:
若d>D(如D=0.7),则表明该直线支撑区域有效;否则表明该区域是一条曲线或折线,缩小角度容忍偏差或者缩小区域半径,分割成多个矩形框,直至满足。
6、计算NFA,提取海天线的具体步骤包括:
在完美噪声图像中不应该检测到目标,NFA来评判输入图像中某个候选矩形少于反演模型中相同位置的矩形里类内点的数量的概率。NFA越大,表明当前矩形与反演模型中相同位置越相似;相反,当前矩形越有可能是“真正的目标”。NFA计算公式为:
NFA(r)=(NM)5/2γ·B(n,k,p) (9)
上式中,n为Rec中像素数量。在M*N的图像中直线的起点和终点分别有NM种选择,所以一共有(NM)2种起点和终点搭配。线段的宽度为因此在M*N大小的图像中有种不同直线。角度正负容忍误差为τ,总容忍误差为2τ。那么在反演模型中某个点为类内点的概率为一个类内点可能位于γ个不同的矩形中,即每个p值存在γ种可能性,故总的测试次数为二项式用伽马函数表示:
则NFA的计算公式为:
当NFA(r)≤ε(ε=1)时,矩形有意义。否则,减少矩形长边或短边的一行或减小p对其进行改进。图5是利用本发明提供的方法提取海天线的结果,图4是利用LSD方法提取直线段的结果,以此对比。
Claims (2)
1.一种基于LSD改进的UUV近海面可见光图像海天线提取方法,包括如下步骤:
(1)获取近海面可见光图像,转换为灰度图像并进行尺度缩放;
(2)进行梯度计算,根据梯度幅值进行伪排列并建立状态列表,设置梯度阈值;
(3)选取种子点进行区域增长,根据海天线倾斜角的数学特征剔除不符合要求的点,生成直线支撑区域或最小外接矩形;
(4)矩形估计,并根据海天线长度特征和直线合并准则合并相邻矩形;
(5)判断类内点密度;
(6)计算NFA,提取海天线;
其特征是步骤(4)具体包括:
1)计算矩形区域的关键统计参数,得到对直线特征的数学描述;
2)海天线是图像中最长的直线,船舶目标将海天线分成两段,且两者方向一致、方向距离为0、切向距离由船舶大小决定,直线段长度且Lmin≤L≤Lmax,其中(x1,y1)和(x2,y2)是矩形长边的两端点坐标,通过设置海天线长度范围的阈值Lmin和Lmax,剔除长度过短的直线;
3)根据直线合并准则,两条相邻直线是否合并取决于三个参数:法向距离阈值dv、切向距离阈值dh和两直线方向与坐标轴的夹角的差值θα,其中,dv和dh的值是由图像的分辨率大小决定,θα=2°;
定义切向距离|d1|用两相邻矩形的中心坐标(cx1,cy1)、(cx2,cy2)和矩形长度表示如下
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710362932.4A CN107273903B (zh) | 2017-05-22 | 2017-05-22 | 基于lsd改进的uuv近海面可见光图像海天线提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710362932.4A CN107273903B (zh) | 2017-05-22 | 2017-05-22 | 基于lsd改进的uuv近海面可见光图像海天线提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107273903A CN107273903A (zh) | 2017-10-20 |
CN107273903B true CN107273903B (zh) | 2020-06-16 |
Family
ID=60065210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710362932.4A Active CN107273903B (zh) | 2017-05-22 | 2017-05-22 | 基于lsd改进的uuv近海面可见光图像海天线提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107273903B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110874844A (zh) * | 2018-08-30 | 2020-03-10 | 京东方科技集团股份有限公司 | 线段检测方法、装置和设备 |
CN110276750A (zh) * | 2019-06-17 | 2019-09-24 | 浙江大学 | 一种任意倾斜角晶圆直线边长的提取与晶粒区隔离方法 |
CN110907132B (zh) * | 2019-12-13 | 2022-06-07 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN117274288B (zh) * | 2023-09-27 | 2024-05-03 | 河海大学 | 基于改进lsd算法的轴类零件亚像素边缘检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942824A (zh) * | 2014-05-15 | 2014-07-23 | 厦门大学 | 一种三维点云直线特征提取方法 |
CN105894516A (zh) * | 2016-04-18 | 2016-08-24 | 江苏科技大学 | 基于海天线旋转后准确确定目标区域的方法 |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102279973B (zh) * | 2010-06-11 | 2013-03-20 | 中国兵器工业第二○五研究所 | 基于高梯度关键点的海天线检测方法 |
CN104700388A (zh) * | 2013-12-09 | 2015-06-10 | 富士通株式会社 | 用于从图像中提取畸变的直线的方法和装置 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN104778695B (zh) * | 2015-04-10 | 2017-11-21 | 哈尔滨工程大学 | 一种基于梯度显著性的水天线检测方法 |
-
2017
- 2017-05-22 CN CN201710362932.4A patent/CN107273903B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942824A (zh) * | 2014-05-15 | 2014-07-23 | 厦门大学 | 一种三维点云直线特征提取方法 |
CN105894516A (zh) * | 2016-04-18 | 2016-08-24 | 江苏科技大学 | 基于海天线旋转后准确确定目标区域的方法 |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
Non-Patent Citations (2)
Title |
---|
Automatic detection of sea-sky horizon line and small targets in maritime infrared imagery;Xiangyu K.等;《Infrared Physics & Technology》;20160531;第185-199页 * |
基于梯度显著性的水面无人艇的海天线检测方法;王博 等;《光学学报》;20160531;第05110002-1--05110002-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107273903A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107273903B (zh) | 基于lsd改进的uuv近海面可见光图像海天线提取方法 | |
CN109785291B (zh) | 一种车道线自适应检测方法 | |
Mattyus | Near real-time automatic marine vessel detection on optical satellite images | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN104217215A (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN111028154A (zh) | 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 | |
CN108846844A (zh) | 一种基于海天线的海面目标检测方法 | |
CN115272306B (zh) | 利用梯度运算的太阳能电池板栅线增强方法 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
Hou et al. | Underwater man-made object recognition on the basis of color and shape features | |
CN112633274A (zh) | 一种声呐图像目标检测方法、装置、电子设备 | |
CN107169412B (zh) | 基于混合模型决策的遥感图像靠港船只检测方法 | |
CN109829858A (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
CN113705433A (zh) | 一种基于可见光航拍图像的电力线检测方法 | |
CN113705501A (zh) | 一种基于图像识别技术的海上目标检测方法和系统 | |
CN107704864B (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN106204596B (zh) | 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 | |
CN110598702A (zh) | 一种船舰目标检测数据集的制备方法、系统、设备及介质 | |
Wei et al. | Automatic water line detection for an USV system | |
CN107256399B (zh) | 一种基于Gamma分布超像素方法和基于超像素TMF的SAR图像海岸线检测方法 | |
CN113408615B (zh) | 一种基于光学卫星遥感影像的船只自动匹配方法 | |
CN107248146A (zh) | 一种uuv近海面可见光图像去雾方法 | |
Mou et al. | Hierarchical RANSAC for accurate horizon detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |