CN107609537B - 一种基于hsv空间水面图像特征的水岸线检测方法 - Google Patents
一种基于hsv空间水面图像特征的水岸线检测方法 Download PDFInfo
- Publication number
- CN107609537B CN107609537B CN201710931715.2A CN201710931715A CN107609537B CN 107609537 B CN107609537 B CN 107609537B CN 201710931715 A CN201710931715 A CN 201710931715A CN 107609537 B CN107609537 B CN 107609537B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- area
- saturation
- column
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于HSV空间水面图像特征的水岸线检测方法。首先将RGB图像经过高斯滤波后变换到HSV空间,依据陆地特征权重进行HSV空间特征分量选取,接着进行像素点非线性增强;然后在增强的图像上进行区域分割,并将各个区域定义为基底图像;其次分析饱和度图像的行列特性,提取高饱和度的陆地区域,并定义为模板图像,将模板图像覆盖在各个基底图像上,按重叠区域面积比选取基底图像;最后通过边缘检测算子检测水岸线。
Description
技术领域
本发明涉及无人水面艇视觉图像处理领域,具体涉及一种基于HSV空间的水面图像特征检测方法。
背景技术
内陆河流的水岸线相当于海面环境所检测的水天线,具有重要意义:1)利用水岸线可以进行图像分区,发现水面区域;2)可以应用于无人艇视觉避障导航;3)可以进行无人艇的运动状态估计。
现有的无人艇视觉研究大都基于海面环境,而无人艇在内陆河流的应用有着广阔的前景。目前已有的水天线检测方法应用在海天背景时,基本都可以取得较好的提取效果且可靠性较高,不同的算法之间的区别在于算法的实时性和硬件实现的难以程度。水天线的检测最终可归结于对图像场景中直线特征的提取问题,因此上述方法多数要结合Hough变换或Randon变换来完成。水天线检测方法应用于内陆河流水岸线检测时,却不能对水岸线进行有效的提取。原因在于:在水天线检测中,主要是提取天空区域,而天空区域变化缓慢,受环境干扰小,水天线的梯度明显。而在内陆河流背景中,水岸线的检测受到天空、水面、水波、陆地树草和建筑物等环境干扰大,并且这些干扰的边缘强度一般都不弱于水岸线的梯度,而且水岸线形状的不确定性导致无法使用直线特征提取。正因为两种图像背景和检测目标不同,所以使用检测水天线的方法来检测内陆河流的水岸线都不能取得理想的效果。鉴于此,经过分析,借鉴人眼视觉感知特点,本发明提出一种基于HSV空间水面图像特征的水岸线检测方法。
发明内容
本发明针对水面图像水岸线检测方法,提出了一种基于HSV空间水面图像特征的水岸线检测方法,本发明提出的方法弥补了内陆河流水岸线检测的缺乏,该方法可以有效的检测出在不同光照条件下的水岸线,具体包括以下几个主要步骤:
步骤一、图像像素点非线性增强
图像增强的目的是增强陆地区域与天空和水面的对比度,陆地区域是后期水岸线检测的特征来源。定义M,N分别图像的行数和列数,将图像归一化处理后,采用以下两种任意一种方式进行区域增强:
1):本文将RGB图像经过高斯滤波平滑后转换到HSV空间,依据亮度图像的平均像素亮度值L不同设置了两种不同方法进行增强图像对比度,在亮度图像平均像素亮度值L较高时,在饱和度中进行直方图均衡化增强陆地区域;在亮度图像平均像素亮度值L较低时,在灰度图像中进行三次像素点fij非线性增强。
式中,M,N分别为亮度图像的行数和列数,fij为亮度图像(i,j)点处的亮度值,L为平均像素亮度值。
式中,Pij是处理后的图像灰度值。
2):本文依据不同光照条件下的RGB图像色彩度的不同对HSV空间进行加权选取,接着对像素点fij进行非线性增强。
HSV空间加权选取:
式中,R,G,B分别为RGB颜色图像对应空间的像素点的像素值,S,V分别为HSV空间中像饱和度值和亮度值,M,N为图像的行和列,fij为加权后的图像,Pij为非线性增强处理后的图像。
方式1)中需要人工设定阈值,但处理效果好,方式2)为将图像进行加权融合,不需要人工设定阈值,但计算量大。
步骤二、区域分割
在图像增强的基础上,采用分水岭算法进行区域分割。
陆地区域连接天空区域与水面区域,其分割结果的好坏直接关系到后期水岸线检测效果。经过图像增强处理后得到的二值图像,再经过分水岭算法得到区域分割图像,将分割后的图像定义为基底图像Bk,作为候选区域。
式中,Bk为基底图像,其尺寸与原图像尺寸相同,n为区域分割的数量。
步骤三、映射变换
在饱和度图像中,水面与天空的饱和度低,而陆地的饱和度较高,陆地与水面相交处饱和度值出现阶跃变化,而阶跃点位置即为水岸线位置,因此通过将饱和度图像的每一列(行)抽取出来,通过寻找高饱和度值所在位置确定陆地区域的位置。本文设置的列映射变换自适应阈值thrj计算方法如下:
列映射变换:
通过自适应阈值thrj对图像的每列进行提取,然后以相同的方式再进行行提取,将它们分别同二值图像进行与运算去除误检测点,将处理后的图像相加。
通过设置自适应阈值的行列映射变换,得到陆地区域图像,该方式可以有效的提取出陆地区域轮廓,大部分干扰被抑制,但是河岸部分细节丢失严重。因此,本文将行列映射图像定义为模板T,作为基底图像进行区域选取的重要参考因素。
步骤四、区域选取
图像区域选取目的是将基底图像Bk中的陆地区域完整提取。将模板T覆盖在基底图像Bk上,计算重叠区域面积占各区域面积比例Pk,当Pk大于某一阈值时,该区域被选中。
式中,n为区域分割的数量,当Pk大于某一设定的阈值时则该区域被选中,将被选中的区域叠加,即为最终提取的陆地区域。
步骤五、水岸线检测
在区域选取图像中,河岸边缘轮廓较为明显,通过经典边缘检测Canny算子进行水岸线检测,并去除最上边的陆地与天空的交界线,即可得到水岸线。
式中,P为经过区域选取后的陆地区域,SL为最终水岸线检测结果。
附图说明
图1:水岸线检测流程图
具体实施方式
如图1所示,具体包括以下步骤:
步骤一、图像像素点非线性增强
图像增强的目的是增强陆地区域与天空和水面的对比度,陆地区域是后期水岸线检测的特征来源。定义M,N分别图像的行数和列数,将图像归一化处理后,采用以下两种任意一种方式进行区域增强:
1):本文将RGB图像经过高斯滤波平滑后转换到HSV空间,依据亮度图像的平均像素亮度值L不同设置了两种不同方法进行增强图像对比度,在亮度图像平均像素亮度值L较高时,在饱和度中进行直方图均衡化增强陆地区域;在亮度图像平均像素亮度值L较低时,在灰度图像中进行三次像素点fij非线性增强。
式中,M,N分别为亮度图像的行数和列数,fij为亮度图像(i,j)点处的亮度值,L为平均像素亮度值。
式中,Pij是处理后的图像灰度值。
2):本文依据不同光照条件下的RGB图像色彩度的不同对HSV空间进行加权选取,接着对像素点fij进行非线性增强。
HSV空间加权选取:
式中,R,G,B分别为RGB颜色图像对应空间的像素点的像素值,S,V分别为HSV空间中像饱和度值和亮度值,M,N为图像的行和列,fij为加权后的图像,Pij为非线性增强处理后的图像。
方式1)中需要人工设定阈值,但处理效果好,方式2)为将图像进行加权融合,不需要人工设定阈值,但计算量大。
步骤二、区域分割
在图像增强的基础上,采用分水岭算法进行区域分割。
陆地区域连接天空区域与水面区域,其分割结果的好坏直接关系到后期水岸线检测效果。经过图像增强处理后得到的二值图像,再经过分水岭算法得到区域分割图像,将分割后的图像定义为基底图像Bk,作为候选区域。
式中,Bk为基底图像,其尺寸与原图像尺寸相同,n为区域分割的数量。
步骤三、映射变换
在饱和度图像中,水面与天空的饱和度低,而陆地的饱和度较高,陆地与水面相交处饱和度值出现阶跃变化,而阶跃点位置即为水岸线位置,因此通过将饱和度图像的每一列(行)抽取出来,通过寻找高饱和度值所在位置确定陆地区域的位置。本文设置的列映射变换自适应阈值thrj计算方法如下:
列映射变换:
通过自适应阈值thrj对图像的每列进行提取,然后以相同的方式再进行行提取,将它们分别同二值图像进行与运算去除误检测点,将处理后的图像相加。
通过设置自适应阈值的行列映射变换,得到陆地区域图像,该方式可以有效的提取出陆地区域轮廓,大部分干扰被抑制,但是河岸部分细节丢失严重。因此,本文将行列映射图像定义为模板T,作为基底图像进行区域选取的重要参考因素。
步骤四、区域选取
图像区域选取目的是将基底图像Bk中的陆地区域完整提取。将模板T覆盖在基底图像Bk上,计算重叠区域面积占各区域面积比例Pk,当Pk大于某一阈值时,该区域被选中。
式中,n为区域分割的数量,当Pk大于某一设定的阈值时则该区域被选中,将被选中的区域叠加,即为最终提取的陆地区域。
步骤五、水岸线检测
在区域选取图像中,河岸边缘轮廓较为明显,通过经典边缘检测Canny算子进行水岸线检测,并去除最上边的陆地与天空的交界线,即可得到水岸线。
式中,P为经过区域选取后的陆地区域,SL为最终水岸线检测结果。
Claims (1)
1.一种基于HSV空间水面图像特征的水岸线检测方法,其特征在于包括以下步骤:
步骤一、图像像素点非线性增强
图像增强的目的是增强陆地区域与天空和水面的对比度,陆地区域是后期水岸线检测的特征来源,将RGB图像转换到HSV空间,转换前后的图像尺寸不变,定义M表示转换前后的图像的行数,N表示转换前后的图像的列数,将图像归一化处理后,采用以下两种任意一种方式进行区域增强:
1):将RGB图像经过高斯滤波平滑后转换到HSV空间,人工设定亮度图像的平均像素亮度值L对应的阈值thr_L,依据平均像素亮度值L不同设置了两种不同方法进行增强图像对比度,在亮度图像平均像素亮度值L>thr_L即L值较高时,在饱和度空间图像中进行直方图均衡化增强陆地区域;在亮度图像平均像素亮度值L<thr_L即L值较低时,在灰度图像中进行三次像素点非线性增强,
式中,fij为亮度图像点(i,j)处的亮度值,L为平均像素亮度值,
式中,Pij是处理后的图像灰度值;
2):依据不同光照条件下的RGB图像色彩度的不同对HSV空间进行加权选取,接着对像素点进行非线性增强,
HSV空间加权选取:
式中,R,G,B分别为RGB颜色图像对应空间的像素点的像素值,S,V分别为HSV空间中图像饱和度值和亮度值,Qij为加权后的图像亮度值,Rij为非线性增强处理后的图像亮度值;
方式1)中需要人工设定阈值,方式2)中为将图像进行加权融合,不需要人工设定阈值;
步骤二、图像分割
陆地区域连接天空区域与水面区域,经过图像增强处理后采用分水岭分割算法对图像进行分割处理;
将分割后的图像定义为基底图像Bk,作为候选区域;
基底图像尺寸与原图像尺寸相同,Bk(ij)为第k块基底图像点(i,j)处像数值,n为区域分割的数量;
步骤三、映射变换
在饱和度图像中,水面与天空的饱和度低,而陆地的饱和度较高,陆地与水面相交处饱和度值出现阶跃变化,而阶跃点位置即为水岸线位置,因此通过将饱和度图像的每一列抽取出来,通过寻找高饱和度值所在位置确定陆地区域的位置,设置的列映射变换自适应阈值thrj计算方法如下:
式中,fj表示图像第j列像素灰度值,max(fj)表示第j列像素灰度值中最大值,min(fj)示第j列像素灰度值中最小值;
列映射变换:
式中,Sij表示列映射变换后图像点(i,j)处像数值,thrj为图像第j列阈值,通过自适应阈值thrj对图像的第j列的每一个图像点(i,j)进行提取,然后以相同的方式再进行行提取,将它们分别同二值图像进行与运算去除误检测点,将处理后的图像相加;
通过设置自适应阈值的行列映射变换,得到干扰被抑制的陆地区域轮廓图像,将经过行列映射变换后的图像定义为模板T,作为基底图像进行区域选取的重要参考因素;
步骤四、区域选取
图像区域选取目的是将基底图像Bk中的陆地区域完整提取,将模板T覆盖在基底图像Bk上,计算重叠区域面积占各区域面积比例Pk,当Pk大于某一阈值时,该区域被选中;
式中,n为区域分割的数量,&为逻辑与运算符,Tij为模板图像点(i,j)处像数值,当Pk大于某一设定的阈值时则该区域被选中,将被选中的区域叠加,即为最终提取的陆地区域;
步骤五、水岸线检测
在区域选取图像中,河岸边缘轮廓较为明显,通过经典边缘检测Canny算子进行水岸线检测,并去除最上边的陆地与天空的交界线,即可得到水岸线;
(8)式表示Canny算子作用于P得到SL,P为经过区域选取后的陆地区域,SL为最终水岸线检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931715.2A CN107609537B (zh) | 2017-10-09 | 2017-10-09 | 一种基于hsv空间水面图像特征的水岸线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710931715.2A CN107609537B (zh) | 2017-10-09 | 2017-10-09 | 一种基于hsv空间水面图像特征的水岸线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609537A CN107609537A (zh) | 2018-01-19 |
CN107609537B true CN107609537B (zh) | 2020-12-29 |
Family
ID=61068943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710931715.2A Active CN107609537B (zh) | 2017-10-09 | 2017-10-09 | 一种基于hsv空间水面图像特征的水岸线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932706A (zh) * | 2018-08-14 | 2018-12-04 | 长沙全度影像科技有限公司 | 一种彩色图像的对比度和饱和度增强方法 |
CN111223110B (zh) * | 2020-01-06 | 2023-07-18 | 陈根生 | 一种显微图像增强方法、装置及计算机设备 |
CN113837924A (zh) * | 2021-08-11 | 2021-12-24 | 航天科工深圳(集团)有限公司 | 一种基于无人艇感知系统的水岸线检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7424167B1 (en) * | 2004-10-01 | 2008-09-09 | Objectvideo, Inc. | Tide filtering for video surveillance system |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN105405138A (zh) * | 2015-11-10 | 2016-03-16 | 上海交通大学 | 基于显著性检测的水面目标跟踪方法 |
-
2017
- 2017-10-09 CN CN201710931715.2A patent/CN107609537B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7424167B1 (en) * | 2004-10-01 | 2008-09-09 | Objectvideo, Inc. | Tide filtering for video surveillance system |
CN102567731A (zh) * | 2011-12-06 | 2012-07-11 | 北京航空航天大学 | 一种感兴趣区域提取方法 |
CN105405138A (zh) * | 2015-11-10 | 2016-03-16 | 上海交通大学 | 基于显著性检测的水面目标跟踪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107609537A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
CN111985329A (zh) | 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN109460764B (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN109064479B (zh) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 | |
CN111160293A (zh) | 基于特征金字塔网络的小目标船只检测方法及系统 | |
Petraglia et al. | Pipeline tracking and event classification for an automatic inspection vision system | |
CN111881725B (zh) | 一种融合空频域特征的光学遥感图像船舶目标检测方法 | |
CN111353371A (zh) | 基于星载sar影像的海岸线提取方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
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 | |
CN111311503A (zh) | 一种夜晚低亮度图像增强系统 | |
CN113205494B (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN114140484A (zh) | 一种基于光电传感器的高鲁棒性海天线提取方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
Sudhakara et al. | An edge detection mechanism using L* A* B color-based contrast enhancement for underwater images | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 |
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 |