CN107609564A - 基于联合分割和傅里叶描述子库的水下目标图像识别方法 - Google Patents

Abstract

本发明涉及图像分割与识别技术，旨在提供一种基于联合分割和傅里叶描述子库的水下目标图像识别方法。本发明基于灰度信息的多阈值分割以及基于色彩信息的HSV空间分割两种分割算法的联合，利用灰度和色彩两种最基础的信息对图像进行分割，提高了分割的准确率。在分割完成后，对目标的形状进行识别。本发明选用傅里叶描述子刻画形状特征，确定形状采用的是特征比较分类，建立傅里叶描述子库，把识别问题转化为聚类问题，相比于直接利用特征算子进行形状识别，可扩展性更高。采用多阈值分割算法以及HSV色彩分割算法，发展比较成熟，应用广泛，易于掌握。采用傅里叶描述子库进行分类识别可以方便地扩展分类库，适用于不同场景。

Description

基于联合分割和傅里叶描述子库的水下目标图像识别方法

技术领域

本发明涉及图像分割与识别技术，尤其针对水下规则目标的形状识别，具体是一种基于联合分割算法和傅里叶描述子库的水下目标图像识别的方法。

背景技术

现阶段，在海洋工程领域中对于海底光缆、管道、沉船以及矿石等水下目标的识别与检测，都需要水下视觉图像特征提取技术的支持。海洋中的人工设施相比于海洋原有的物体和背景，往往具有规则的外形特征。但是水下环境复杂，气泡、背景、反光都会对视觉带来干扰，如何从水下图像中选取有效信息才是关键。因海水对光的衰减作用以及水体紊流运动等种种不利因素的影响，导致获取的水下图像对比度较低、目标边缘模糊，造成水下图像质量的降低和信息损失，给水下图像处理和识别任务带来了巨大的困难。

现有的水下图像处理和识别方法，包括联合分割算法结合颜色直方图、SIFT特征匹配、一致性函数等信息。但是，现有技术存在适用条件较苛刻,分割图像对图像信息的利用程度较低，特征匹配要求较高的技术缺陷，导致图像分割算法不彻底或者不完全，以及特征匹配程度低等问题。

发明内容

本发明要解决的技术问题是，克服现有技术中存在的不足，提出了一种基于联合分割和傅里叶描述子库的水下目标图像识别方法。

为解决技术问题，本发明的解决方案是：

提供一种基于联合分割和傅里叶描述子库的水下目标图像识别方法，该方法包括基于HSV色彩分割与多阈值迭代的分割，以及对分割后目标进行基于傅里叶描述子库的识别；并以欧氏距离作为形状失真度的刻画标准，通过求取平均欧氏距离来降低识别误差；具体包括以下步骤：

(1)以水下摄像设备采集训练目标的图像，对图像进行灰度化处理；使用多阈值迭代分割技术对灰度化的图像进行阈值分割，初步分割出目标区域，目标区域与背景分别用1,0二值化表示；

(2)根据环境设置底色，使用HSV色彩空间分割技术对原始图像进行分割；利用彩色信息特征分割出目标区域，分割后的图像采用二值化表示；

(3)将步骤(1)和(2)中的处理结果进行比对，二值图叠加，根据阈值划分的二值图，高于阈值为1，低于阈值为0；若某区域二值差异超过20％，认为处理的重合率低，该区域对比度不足，处理误差大，应予以删除舍去；若某区域二值结果差异在20％以内，则认为某区域二值基本相同，重合率高，该区域处理后特征明显，应予以保留；处理后生成新的二值图。对合成后的目标区域边缘进行平滑处理，该目标区域就是基于多阈值分割与HSV色彩分割的联合分割算法分割后的结果；

(4)基于训练目标的颜色、形状和水深环境，为每一训练目标的图像提取出一个傅里叶描述子，用于刻画目标区域的形状特征；

(5)将全部的傅里叶描述子组合，建立一个傅里叶描述子库，该描述子库包含所有训练目标的形状特征，并根据颜色和形状进行分类；

(6)以水下摄像设备采集待测目标的图像后，按步骤(1)-(3)所述内容对图像进行处理，并提取待测目标的归一化傅里叶描述子；

(7)采用KNN分类，计算待测目标的傅里叶描述子与描述子库中各描述子之间的欧氏距离，该欧氏距离代表待测目标与库中训练目标的形状相似度；

(8)选取欧式距离最小，即与待测目标形状最接近的那组描述子，该组描述子对应的形状最有可能是待测目标的形状；

(9)选取库中与待测目标形状最接近的n组傅里叶描述子，n的取值与描述子库的样本数有关，其确定方法如下：将待测目标与描述子库各描述子间的欧氏距离按照递增顺序排列，选取与步骤(8)中最小欧式距离相差5％以内的描述子，选取出来的组数即为n；

(10)确定这n组所在类别的出现频率，并计算平均欧式距离，返回这n组中出现频率最高的形状组别作为待测目标的形状，其平均欧式距离即为该待测目标的失真度。

本发明中，所述步骤(3)中，二值图叠加时，分割的信息采用灰度和颜色两种信息进行叠加，两部分目标区域组合覆盖，生成新的二值图。

本发明中，步骤(5)中所述的描述子库是指全体训练目标形状的傅里叶描述子z(k)的集合，包含所有受测对象的形状特征并已经正确标注形状，

z(k)表示N个离散点的傅里叶变换系数，用以描述傅里叶描述子序列，p(n)表示N个离散点的傅里叶反变换系数；式中，k＝0,1,2,…,n-1；N是将边缘轮廓采样的离散点数目，取决于采样的疏密程度及轮廓复杂程度，n代表N个离散点中的第n个离散点，x、y分别代表实轴和虚轴的分量；i代表虚数轴单位，j代表复数的指数形式下的虚数轴单位。

发明原理描述

本发明采用的联合分割算法是基于灰度信息的多阈值分割以及基于色彩信息的HSV空间分割两种分割算法的联合，利用灰度和色彩两种最基础的信息对图像进行分割，提高了分割的准确率。在分割完成后，对目标的形状进行识别。本发明选用傅里叶描述子刻画形状特征，确定形状采用的是特征比较分类，建立傅里叶描述子库，把识别问题转化为聚类问题，相比于直接利用特征算子进行形状识别，可扩展性更高。

与现有技术相比，本发明具有以下有益效果及优点：

1、本发明设计的联合分割算法利用灰度和颜色信息，对图像信息的利用率高，分割准确率更高。

2、本发明的联合分割算法采用子算法是多阈值分割算法以及HSV色彩分割算法，发展比较成熟，应用广泛，易于掌握。

3、本发明利用傅里叶描述子库进行分类识别，可以方便地扩展分类库，适用于不同场景。

附图说明：

图1为本发明实现的的流程图。

具体实施方式

首先需要说明的是，本发明涉及图像处理技术。在本发明的实现过程中，可能会涉及到多个基础算法的原理。如在仔细阅读申请文件、准确理解本发明的实现原理和发明目的以后，在结合现有公知技术的情况下，本领域技术人员完全可以运用其掌握的算法编写能力实现本发明。凡本发明申请文件提及的均属此范畴，不一一列举。

下面结合图1对本发明的实施例详细说明。

本发明的技术方案是，基于HSV色彩分割与多阈值迭代的分割，以及对分割后目标进行基于傅里叶描述子库的识别；并以欧氏距离作为形状失真度的刻画标准，通过求取平均欧氏距离来降低识别误差。

本实施例在以本发明技术方案为前提下进行实施。利用本发明提出的基于联合分割算法和傅里叶描述子库的目标识别算法，对不同形状(圆形，矩形，三角形)，不同水深环境(0.05m，0.4m，0.8m)，不同颜色(红色，绿色，蓝色，黄色，紫色)的目标物进行分割与识别。

本实施例具体包括以下步骤：

第一步，以水下摄像设备采集训练目标的图像，对图像进行灰度化处理；使用多阈值迭代分割算法对灰度化的图像进行阈值分割，初步分割出目标区域，目标区域与背景分别用1,0二值化表示，在本实例中，针对不同形状、不同水深环境、不同颜色的组合，每种组合采集25张图像，获得的结果是目标物为白色(1)，背景为黑色(0)；

第二步，使用HSV色彩空间分割技术对原始图像进行分割，利用彩色信息特征分割出目标区域，分割后的图像也采用二值化表示，本实例中，设置的HSV空间底色为蓝色，与实验环境的背景色一致，分割的图像同第一步；

第三步，将步骤(1)和(2)中的处理结果进行比对，二值图叠加，根据阈值划分的二值图，高于阈值为1，低于阈值为0；若某区域二值差异超过20％，认为处理的重合率低，该区域对比度不足，处理误差大，应予以删除舍去；若某区域二值结果差异在20％以内，则认为某区域二值基本相同，重合率高，该区域处理后特征明显，应予以保留；处理后生成新的二值图。二值图叠加时，分割的信息采用灰度和颜色两种信息进行叠加，两部分目标区域组合覆盖，生成新的二值图。

在本实例中，要确保阈值分割出的目标和HSV色彩分割的目标均只有一个。进行区域叠加，并对合成后的目标区域边缘进行平滑处理，最后得到的目标区域更加完整，边缘更清晰，该目标区域就是基于多阈值分割与HSV色彩分割的联合分割算法分割后的结果；

第四步，基于训练目标的颜色、形状和水深环境，为每一目标图像提取出一个傅里叶描述子，这个傅里叶描述子用以刻画目标区域的形状特征。在本实例中，针对的是不同形状×不同水深环境×不同颜色的组合，每种组合采集25张图像，这25张图像为一组相似图像，该组图像对应的一组描述子对应该种分类组合；

第五步，将全部的傅里叶描述子组合，建立一个傅里叶描述子库，在本实例中，得到的描述子库包括45组傅里叶描述子，对应45种分类组合，该描述子库包含所有训练目标的形状特征，并事先根据形状和颜色分类；

此处所述的描述子库是指全体训练目标形状的傅里叶描述子z(k)的集合，包含所有受测对象的形状特征并已经正确标注形状，

z(k)表示N个离散点的傅里叶变换系数，用以描述傅里叶描述子序列，p(n)表示N个离散点的傅里叶反变换系数；式中，k＝0,1,2,…,n-1；N是将边缘轮廓采样的离散点数目，取决于采样的疏密程度及轮廓复杂程度，n代表N个离散点中的第n个离散点，x、y分别代表实轴和虚轴的分量。i代表虚数轴单位，j代表复数的指数形式下的虚数轴单位。

第六步，以水下摄像设备采集待测目标的图像后，按步骤一至三所述内容对图像进行处理，提取待测目标的归一化傅里叶描述子；

第七步，采用KNN分类，计算待测目标的傅里叶描述子与描述子库中各描述子之间的欧氏距离，该欧氏距离代表待测目标与库中训练目标的形状相似度；

第八步，选取欧式距离最小，即与待测目标形状最接近的那组描述子，该组描述子对应的形状最有可能是待测目标的形状；

第九步，选取库中与待测目标形状最接近的n组傅里叶描述子，n的选取与描述子库的样本数有关，确定方法如下：将待测目标与描述子库各描述子间的欧氏距离按照递增顺序排列，选取与第八步中最小欧式距离相差5％以内的描述子，选取出来的组数即为n。在本实例中，n一般取10，傅里叶描述子z(k)取到k＝10；

第十步，确定这n组所在类别的出现频率，并计算平均欧式距离，返回这n组中出现频率最高的形状组别作为待测目标的形状，其平均欧式距离即为该待测目标的失真度。

本实例首先采用联合分割算法对采集到的图像进行目标分割，确定目标区域。当成功将目标区域分割出来后，提取目标区域的轮廓形状特征，即一组傅里叶描述子。针对不同形状、不同水深环境、不同颜色的组合，每种组合采集20张图像，得到若干组傅里叶描述子，每组傅里叶描述子对应各自的组合分类。将所有的傅里叶描述子建成描述子库。建库完毕后，对于待检测的目标，分割后提取傅里叶描述子，并与库中描述子进行比较，选择欧氏距离最小的一组，即找到对应的分类，识别了待测目标的形状。实施效果表明，这种目标识别算法非常有用，对于解决水下目标分割及分类识别问题具有重要帮助。

Claims (3)

1.一种基于联合分割和傅里叶描述子库的水下目标图像识别方法，其特征在于，该方法包括基于HSV色彩分割与多阈值迭代的分割，以及对分割后目标进行基于傅里叶描述子库的识别；并以欧氏距离作为形状失真度的刻画标准，通过求取平均欧氏距离来降低识别误差；具体包括以下步骤：

(1)以水下摄像设备采集训练目标的图像，对图像进行灰度化处理；使用多阈值迭代分割技术对灰度化的图像进行阈值分割，初步分割出目标区域，目标区域与背景分别用1,0二值化表示；

(2)根据环境设置底色，使用HSV色彩空间分割技术对原始图像进行分割；利用彩色信息特征分割出目标区域，分割后的图像采用二值化表示；

(3)将步骤(1)和(2)中的处理结果进行比对，二值图叠加，根据阈值划分的二值图，高于阈值为1，低于阈值为0；若某区域二值差异超过20％则认为处理的重合率低，该区域对比度不足处理误差大，应予以删除舍去；若某区域二值结果差异在20％以内，则认为某区域二值基本相同重合率高，该区域处理后特征明显，应予以保留；处理后生成新的二值图；对合成后的目标区域边缘进行平滑处理，该目标区域就是基于多阈值分割与HSV色彩分割的联合分割算法分割后的结果；

(4)基于训练目标的颜色、形状和水深环境，为每一训练目标的图像提取出一个傅里叶描述子，用于刻画目标区域的形状特征；

(5)将全部的傅里叶描述子组合，建立一个傅里叶描述子库，该描述子库包含所有训练目标的形状特征，并根据形状和颜色进行分类；

(6)以水下摄像设备采集待测目标的图像后，按步骤(1)-(3)所述内容对图像进行处理，并提取待测目标的归一化傅里叶描述子；

(7)采用KNN分类，计算待测目标的傅里叶描述子与描述子库中各描述子之间的欧氏距离，该欧氏距离代表待测目标与库中训练目标的形状相似度；

(8)选取欧式距离最小，即与待测目标形状最接近的那组描述子，该组描述子对应的形状最有可能是待测目标的形状；

(9)选取库中与待测目标形状最接近的n组傅里叶描述子，n的取值与描述子库的样本数有关，其确定方法如下：将待测目标与描述子库各描述子间的欧氏距离按照递增顺序排列，选取与步骤(8)中最小欧式距离相差5％以内的描述子，选取出来的组数即为n；

(10)确定这n组所在类别的出现频率，并计算平均欧式距离，返回这n组中出现频率最高的形状组别作为待测目标的形状，其平均欧式距离即为该待测目标的失真度。

2.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，二值图叠加时，分割的信息采用灰度和颜色两种信息进行叠加，两部分目标区域组合覆盖，生成新的二值图。

3.根据权利要求1所述的方法，其特征在于，步骤(5)中所述的描述子库是指全体训练目标形状的傅里叶描述子z(k)的集合，包含所有受测对象的形状特征并已经正确标注形状，

<mrow> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>n</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mrow> <mo>(</mo> <mi>x</mi> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>+</mo> <mi>i</mi> <mi>y</mi> <mo>(</mo> <mi>n</mi> <mo>)</mo> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mi>j</mi> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> </mrow> </msup> <mo>,</mo> <mi>p</mi> <mrow> <mo>(</mo> <mi>n</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>N</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>z</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mi>j</mi> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> </mrow> <mi>N</mi> </mfrac> <mi>k</mi> <mi>n</mi> </mrow> </msup> </mrow>

z(k)表示N个离散点的傅里叶变换系数，用以描述傅里叶描述子序列，p(n)表示N个离散点的傅里叶反变换系数；式中，k＝0,1,2,…,n-1；N是将边缘轮廓采样的离散点数目，取决于采样的疏密程度及轮廓复杂程度，n代表N个离散点中的第n个离散点，x、y分别代表实轴和虚轴的分量；i代表虚数轴单位，j代表复数的指数形式下的虚数轴单位。