CN107808386A - 一种基于图像语义分割的海天线检测方法 - Google Patents

一种基于图像语义分割的海天线检测方法 Download PDF

Info

Publication number
CN107808386A
CN107808386A CN201710878146.XA CN201710878146A CN107808386A CN 107808386 A CN107808386 A CN 107808386A CN 201710878146 A CN201710878146 A CN 201710878146A CN 107808386 A CN107808386 A CN 107808386A
Authority
CN
China
Prior art keywords
mrow
msub
pixel
image
super
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.)
Pending
Application number
CN201710878146.XA
Other languages
English (en)
Inventor
刘靖逸
李恒宇
陈金波
谢少荣
罗均
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710878146.XA priority Critical patent/CN107808386A/zh
Publication of CN107808386A publication Critical patent/CN107808386A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像语义分割的海天线检测方法，主要包括以下步骤：（1）输入待检测图像；（2）采用SLIC算法对输入图像进行超像素分割；（3）以超像素为基本单位，建立海面图像语义分割的概率图模型，并利用该图模型将图像从上至下分割成天空区域、陆地与雾霾的混合区域以及海水区域；（4）对海水区域进行提取，从而获得海水区域的掩膜图像；（5）在海水区域掩膜图像上，根据列方向的梯度信息对海水区域的分界点进行提取；（6）采用RANSAC算法对海水区域的分界点进行直线拟合，确定出海天线的直线参数。本发明的方法不仅能够准确地检测出复杂环境下的海天线，还可以有效地检测出长海岸背景下的海岸线，具有较高的准确性和鲁棒性。

Description

一种基于图像语义分割的海天线检测方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像语义分割的海天线检测方法。
背景技术
海天线检测是海面图像处理的一项重要研究内容。在海空背景图像中，如果海面有近距离目标存在，那么这些目标一定会全部或者部分地出现在海天线以下的区域。由于海面图像具有以上特点，因此利用海天线信息来指导海面近距离目标检测，一方面可以缩小目标的检测范围，从而提高算法的执行效率，另一方面可以消除天空中云层、雾霾等的干扰，从而提高目标检测的准确率。
目前，国内外许多学者都对海天线检测技术进行了研究并且提出了相应的检测算法，主要包括：直线拟合法、Hough变换法、Otsu分割法等。其中，直线拟合法首先利用梯度算子计算出图像的列方向梯度，然后提取每列梯度的最值点作为海天线的候选点集，最后根据这些候选点进行直线拟合，从而确定出海天线的直线参数。然而在复杂的海洋环境中，海浪、云层等物体的边缘梯度常常大于海天线的梯度，采用该算法检测出的海天线通常会出现较大的偏差。Hough变换法主要利用了海天线的直线特性来进行检测。该算法首先采用Canny算子来检测出图像的边缘，然后通过Hough变换法从这些边缘中检测出直线，最后将Hough响应最大的峰值点所对应的直线作为海天线的检测结果。但是在边缘图像中，条形状海浪和云层通常也呈现出较为明显的直线特征，从而对Hough变换法的检测结果造成较大的干扰。Otsu分割法又称最大类间方差法，该算法首先根据海面图像的灰度特性来确定分割阈值，然后利用该阈值将图像分割成天空和海水两大区域，最后对这两大区域的分界处进行边缘直线提取，从而得到相应的海天线检测结果。然而由于海面环境复杂多变，海水和天空区域的灰度通常是非均匀分布的，利用Otsu分割法很难对这两个区域进行准确分割，因而造成最终的海天线检测结果存在较大的误差。此外，当海面图像中存在长海岸背景时，现有的海天线检测算法大都不能对海岸线进行有效提取，难以满足实际应用需求。
发明内容
本发明的目的在于解决现有技术中存在的不足，提供一种基于图像语义分割的海天线检测方法。该方法不仅能够实现海天线检测，而且还可以有效地检测出长海岸背景图像中的海岸线，具有较高的准确性和鲁棒性。
为达到上述目的，本发明采用如下技术方案：
一种基于图像语义分割的海天线检测方法，包括以下步骤：
(1)输入待检测的彩色海面图像；
(2)采用简单线性迭代聚类算法(SLIC)对输入图像进行超像素分割；
(3)以超像素为基本单位，建立海面图像语义分割的概率图模型，并利用该图模型将图像从上至下分割成天空区域、陆地与雾霾混合区域以及海水区域；
(4)在语义分割后的图像上对海水区域进行提取，从而获得海水区域的掩膜图像；
(5)在海水区域掩膜图像上，根据列方向的梯度信息对海水区域的分界点进行提取；
(6)采用随机抽样一致性算法(RANSAC)对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数。
与现有技术相比，本发明的有益效果为：
本发明通过语义分割模型将海面图像分割成天空区域、陆地与雾霾混合区域以及海水区域，并利用随机抽样一致性算法对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数。相较于其他海天线检测技术，该方法可以减小图像中高梯度边缘的干扰，并实现复杂背景下的海天线检测。除此之外，该方法还可以对长海岸背景图像中的海岸线进行有效检测，具有较高的准确性和鲁棒性。
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)为实施例超像素分割图；(c)为实施例语义分割图；(d)为实施例海水区域掩模图；(e)为实施例海水区域分界点图；(f)为实施例海天线检测结果图。
图3为实施例在复杂背景下的海岸线检测示意图，其中(a)为实施例待检测图；(b)为实施例超像素分割图；(c)为实施例语义分割图；(d)为实施例海水区域掩模图；(e)为实施例海水区域分界点图；(f)为实施例海岸线检测结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰明了，下面结合附图，对本发明的两个优选实施例作详细说明。
如图1所示，一种基于图像语义分割的海天线实时检测方法，包括以下步骤：
(1)输入待检测的彩色海面图像；
(2)采用简单线性迭代聚类算法(SLIC)对输入图像进行超像素分割；
(3)以超像素为基本单位，建立海面图像语义分割的概率图模型，并利用该图模型将图像从上至下分割成天空区域、陆地与雾霾混合区域以及海水区域；
(4)在语义分割后的图像上对海水区域进行提取，从而获得海水区域的掩膜图像；
(5)在海水区域掩膜图像上，根据列方向的梯度信息对海水区域的分界点进行提取；
(6)采用随机抽样一致性算法(RANSAC)对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数。
进一步，所述步骤(3)中，海面图像语义分割的概率图模型利用了三个高斯概率密度函数来分别对海面图像的三个主语义区域进行建模。其中，三个主语义区域分别为天空区域、陆地与雾霾混合区域以及海水区域。因此，可以建立出如下所示的高斯混合模型：
上式中，k表示海面图像的三个主语义区域的类别；yi表示图像中第i个超像素的特征向量(也称观测数据)，主要由颜色特征[R,G,B]和空间位置特征[X,Y]组成(其中，R、G和B分别表示RGB颜色空间的红、绿、蓝分量，而X和Y分别表示图像的列方向坐标和行方向坐标)；N(*|mk,Ck)表示高斯概率密度函数，其均值为mk，协方差为Ck；πik表示图像中第i个超像素属于类别k的先验概率，即πik＝p(xi＝k)(其中，xi表示超像素i的类别)；π表示图像中所有超像素的类别先验分布，即π＝{πi}i＝1:M(其中，M表示超像素的个数)；θ表示高斯参数集，即θ＝{mk,Ck}k＝1:3。
此外，假设超像素类别先验分布集π＝{πi}i＝1:M为一个马尔可夫随机场。因此，π的联合概率密度函数可以近似为：
上述公式中，M表示超像素的个数，Ni表示超像素i的邻域超像素集合，H(πi)表示信息熵(即)，表示KL散度(也称作相对熵，即 )，表示超像素i的邻域超像素集合Ni的类别先验分布并且其计算公式为：
上式中，λij表示邻域超像素j对中心超像素i的影响系数，并且λij＝1/n(其中，n为邻域超像素的个数)。
其次，假设所有超像素的类别后验分布集P＝{pi}i＝1:M为一个马尔可夫随机场。故而，P的联合概率密度函数可以近似为：
上式中，P＝{pi}i＝1:M中的后验概率pik的计算公式如下所示：
因而，概率图模型的联合概率密度函数可表示为：
上式中，由于和中存在耦合关系，因而很难直接对其进行模型参数估计。对此，可以引入辅助概率分布集s＝{si}、q＝{qi}到上述公式中，并且对等式两边同时取对数，从而得到概率图模型的惩罚对数似然函数：
对于上述的惩罚对数似然函数，采用最大期望(EM)算法对其模型参数θ进行估计，从而实现海面图像的语义分割。其中，参数估计的具体流程为：
①初始化高斯参数集θ＝{mk,Ck}k＝1:3；
将输入图像从上至下按比例{0,0.25}、{0.25,0.5}和{0.75,1}划分出三个区域，然后根据这些区域中的超像素特征分别计算出天空类别、陆地与雾霾混合类别以及海水类别的初始高斯参数。
②初始化所有超像素的类别先验分布π＝{πi}i＝1:M；
其中，πi的初始化公式如下所示：
③计算所有超像素的类别后验分布P＝{pi}i＝1:M；
根据高斯参数集θ、类别先验分布集{πi}i＝1:M和公式(6)，计算所有超像素的类别后验分布P＝{pi}i＝1:M。
④计算辅助概率分布集s＝{si}i＝1:M；
根据公式(10)，计算辅助概率分布集s，然后对计算结果进行归一化，从而使得
上式中，°表示Hadamard积运算。
⑤计算辅助概率分布集q＝{qi}i＝1:M；
根据公式(11)，计算辅助概率分布集q，然后对计算结果进行归一化，从而使得
⑥更新高斯参数集θ；
其中，高斯参数mk、Ck的计算公式如下所示：
⑦更新类别先验分布集π＝{πi}i＝1:M；
其中，类别先验分布πi的计算公式如下所示：
⑧判断是否达到EM迭代终止条件。当时，停止EM迭代；反之，继续EM迭代(即继续执行③—⑧)。
进一步，所述步骤(4)中，根据语义分割后的像素类别，将海水区域的所有像素置为255，而其他区域的像素置为0，从而获得海水区域的掩膜图像。
进一步，所述步骤(5)中，提取海水区域分界点的具体流程为：
①利用公式(15)计算海水区域掩膜图像的列方向梯度；
Δyf(x,y)＝f(x,y+1)-f(x,y) (15)
上式中，x表示图像的列坐标，y表示图像的行坐标，f(x,y)表示图像中坐标(x,y)处的像素值。
②在梯度图像上，等距地划分32条竖直直线，并且提取每条竖直线上的最大梯度点作为海水区域的分界点。
实施例1：
下面以实例来说明本发明公开的一种基于图像语义分割的海天线检测方法。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)输入待检测的彩色海面图像；
待检测的海面图像为24位RGB数字图像，分辨率为640x480，如图2a所示。
(2)采用简单线性迭代聚类算法(SLIC)对输入图像进行超像素分割；
利用SLIC算法对输入图像进行超像素分割，如图2b所示。其中，将预期超像素的个数设置为1500，最终生成的超像素数目根据图像的实际像素分布可能略小于1500。
(3)以超像素为基本单位，建立海面图像语义分割的概率图模型，并利用该图模型将图像从上至下分割成天空区域、陆地与雾霾混合区域以及海水区域；
其中，海面图像语义分割的具体流程为：
①初始化高斯参数集θ＝{mk,Ck}k＝1:3；
将输入图像从上至下按比例{0,0.25}、{0.25,0.5}和{0.75,1}划分出三个区域，然后根据这些区域中的超像素特征分别计算出天空类别、陆地与雾霾混合类别以及海水类别的初始高斯参数{mk,Ck}。
②初始化所有超像素的类别先验分布π＝{πi}i＝1:M；
其中，πi的初始化公式如下所示：
③计算所有超像素的类别后验分布P＝{pi}i＝1:M；
其中，后验概率pik的计算公式如下所示：
④计算辅助概率分布集s＝{si}i＝1:M；
利用公式计算辅助概率分布集s。其次，对计算结果进行归一化处理，从而使得
⑤计算辅助概率分布集q＝{qi}i＝1:M；
利用公式计算辅助概率分布集q。其次，对计算结果进行归一化，从而使得
⑥更新高斯参数集θ＝{mk,Ck}k＝1:3；
其中，高斯参数mk、Ck的计算公式如下所示：
⑦更新类别先验分布集π＝{πi}i＝1:M；
其中，类别先验分布πi的计算公式如下所示：
⑧判断是否达到EM迭代终止条件；
当时，停止EM迭代；反之，继续EM迭代(即继续执行③—⑧)。
⑨确定超像素类别。
根据类别后验概率分布集P＝{pi}i＝1:M来确定超像素的类别。具体地，当pi＝{pik}k＝1:3中后验概率pik最大时，则将超像素i的类别设置为k，从而实现海面图像的语义分割，如图2c所示。
(4)在语义分割后的图像上对海水区域进行提取，从而获得海水区域的掩膜图像；
根据语义分割后的像素类别，将海水区域的所有像素置为255，而其他区域的像素置为0，从而获得海水区域的掩膜图像，如图2d所示。
(5)在海水区域掩膜图像上，根据列方向的梯度信息对海水区域的分界点进行提取；
其中，提取海水区域分界点的具体流程为：
①计算海水区域掩膜图像的列方向梯度。其中，图像列方向梯度的计算公式如下所示：
Δyf(x,y)＝f(x,y+1)-f(x,y)
上式中，x表示图像的列坐标，y表示图像的行坐标，f(x,y)表示图像中(x,y)处的像素值。
②在梯度图像上，等距地划分32条竖直直线，并且提取每条竖直线上的最大梯度点作为海水区域的分界点，如图2e所示。
(6)采用随机抽样一致性算法(RANSAC)对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数，如图2f所示。
实施例2：
图3为本发明方法检测海岸线的一个优选实施例。其具体实施步骤与实施例1相同，故不再赘述。从实施例1和实施例2的检测结果可以看出，在低空有云层、远处有海岛和陆地等复杂状况时，本发明依然能够较为准确地检测出海面图像中的海天线或海岸线。

Claims (5)

1.一种基于图像语义分割的海天线检测方法，其特征在于，包括以下步骤：
(1)输入待检测的彩色海面图像；
(2)采用简单线性迭代聚类算法，即SLIC，对输入图像进行超像素分割；
(3)以超像素为基本单位，建立海面图像语义分割的概率图模型，并利用该图模型将图像从上至下分割成天空区域、陆地与雾霾混合区域以及海水区域；
(4)在语义分割后的图像上对海水区域进行提取，从而获得海水区域的掩膜图像；
(5)在海水区域掩膜图像上，根据列方向的梯度信息对海水区域的分界点进行提取；
(6)采用随机抽样一致性算法，即RANSAC，对海水区域的分界点进行直线拟合，从而确定出海天线的直线参数。
2.根据权利要求1所述的基于图像语义分割的海天线检测方法，其特征在于，所述步骤(3)中，海面图像语义分割的概率图模型利用三个高斯概率密度函数，分别对海面图像的三个主语义区域，即天空区域、陆地与雾霾混合区域以及海水区域进行建模。
3.根据权利要求1所述的基于图像语义分割的海天线检测方法，其特征在于，所述步骤(3)中，海面图像语义分割的具体步骤是：
①初始化高斯参数集θ
将输入图像从上至下按比例{0,0.25}、{0.25,0.5}和{0.75,1}划分出三个区域，然后根据这些区域中的超像素特征分别计算出天空类别、陆地与雾霾混合类别以及海水类别的初始高斯参数；其中，海面图像语义分割模型的高斯参数集为：
θ＝{mk,Ck}k＝1:3 (1)
上式中，k为海面图像的三个主语义区域的类别，mk为海面图像语义区域k的高斯函数的均值，Ck为海面图像语义区域k的高斯函数的协方差；
②初始化所有超像素的类别先验分布π＝{πi}i＝1:M
在类别先验分布集π＝{πi}i＝1:M中，M为超像素的个数，πi为图像中第i个超像素的类别先验分布且πi＝{πik}k＝1:3，而πik为图像中第i个超像素属于类别k的先验概率；此外，πi的初始化公式如下所示：
<mrow> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>3</mn> </mfrac> <mo>,</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mn>3</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
③计算所有超像素的类别后验分布P＝{pi}i＝1:M
根据高斯参数集θ、类别先验分布集{πi}i＝1:M和公式(3)，计算所有超像素的类别后验分布P＝{pi}i＝1:M；其中，pi＝{pik}k＝1:3；
<mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>k</mi> <mo>|</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>,</mo> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>3</mn> </msubsup> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>l</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>l</mi> </mrow> </msub> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
④计算辅助概率分布集s＝{si}i＝1:M
根据公式(4)，计算辅助概率分布集s，然后对计算结果进行归一化，从而使得
上式中，表示Hadamard积运算，为超像素i的邻域集合Ni的类别先验分布：
<mrow> <msub> <mi>&amp;pi;</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>=</mo> <munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>&amp;pi;</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中，λij表示邻域超像素j对中心超像素i的影响系数，并且λij＝1/n，其中，n为邻域超像素的个数；
⑤计算辅助概率分布集q＝{qi}i＝1:M
根据公式(6)，计算辅助概率分布集q，然后对计算结果进行归一化，从而使得
上式中，为超像素i的邻域集合Ni的类别后验分布：
<mrow> <msub> <mi>p</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>=</mo> <munder> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <msub> <mi>N</mi> <mi>i</mi> </msub> </mrow> </munder> <mrow> <mi>j</mi> <mo>&amp;NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>&amp;lambda;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
⑥更新高斯参数集θ
其中，高斯参数mk、Ck的计算公式如下所示：
<mrow> <msub> <mi>m</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>N</mi> <mi>i</mi> </msub> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>y</mi> <mi>i</mi> </msub> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>N</mi> <mi>i</mi> </msub> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msub> <mi>C</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>N</mi> <mi>i</mi> </msub> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> <msub> <mi>y</mi> <mi>i</mi> </msub> <msubsup> <mi>y</mi> <mi>i</mi> <mi>T</mi> </msubsup> </mrow> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>q</mi> <mrow> <msub> <mi>N</mi> <mi>i</mi> </msub> <mi>k</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <msub> <mi>m</mi> <mi>k</mi> </msub> <msubsup> <mi>m</mi> <mi>k</mi> <mi>T</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
⑦更新类别先验分布集π＝{πi}i＝1:M
其中，类别先验分布πi的计算公式如下所示：
<mrow> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <mo>&amp;lsqb;</mo> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>q</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>s</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
⑧判断是否达到EM迭代终止条件
当时，停止EM迭代；反之，继续EM迭代，即继续执行步骤③—⑧；其中，F为海面图像语义分割模型的惩罚对数似然函数：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>F</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mo>{</mo> <mi>log</mi> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <mi>p</mi> <mrow> <mo>(</mo> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>|</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>k</mi> <mo>,</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <msub> <mi>&amp;pi;</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;pi;</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>&amp;pi;</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>H</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <mo>&amp;lsqb;</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>D</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>|</mo> <mo>|</mo> <msub> <mi>p</mi> <msub> <mi>N</mi> <mi>i</mi> </msub> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>H</mi> <mrow> <mo>(</mo> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>
上式中，yi表示图像中第i个超像素的特征向量，也称观测数据，主要由颜色特征[R,G,B]和空间位置特征[X,Y]组成，其中，R、G和B分别表示RGB颜色空间的红、绿、蓝分量，而X和Y分别表示图像的列坐标和行坐标；H(*)表示信息熵，D(*||*)表示KL散度，也称作相对熵；
⑨确定超像素类别
根据类别后验概率分布集P＝{pi}i＝1:M来确定超像素的类别；具体地，当pi＝{pik}k＝1:3中后验概率pik最大时，则将超像素i的类别设置为k，从而实现海面图像的语义分割。
4.根据权利要求1所述的基于图像语义分割的海天线检测方法，其特征在于，所述步骤(4)中，根据语义分割后的像素类别，将海水区域的所有像素置为255，而其他区域的像素置为0，从而获得海水区域的掩膜图像。
5.根据权利要求1所述的基于图像语义分割的海天线检测方法，其特征在于，所述步骤(5)中，提取海水区域分界点的具体流程为：
①利用公式(12)计算海水区域掩膜图像的列方向梯度；
Δyf(x,y)＝f(x,y+1)-f(x,y) (12)
上式中，x表示图像的列坐标，y表示图像的行坐标，f(x,y)表示图像中坐标(x,y)处的像素值；
②在梯度图像上，等距地划分32条竖直直线，并且提取每条竖直线上的最大梯度点作为海水区域的分界点。
CN201710878146.XA 2017-09-26 2017-09-26 一种基于图像语义分割的海天线检测方法 Pending CN107808386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710878146.XA CN107808386A (zh) 2017-09-26 2017-09-26 一种基于图像语义分割的海天线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710878146.XA CN107808386A (zh) 2017-09-26 2017-09-26 一种基于图像语义分割的海天线检测方法

Publications (1)

Publication Number Publication Date
CN107808386A true CN107808386A (zh) 2018-03-16

Family

ID=61584525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710878146.XA Pending CN107808386A (zh) 2017-09-26 2017-09-26 一种基于图像语义分割的海天线检测方法

Country Status (1)

Country Link
CN (1) CN107808386A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108764027A (zh) * 2018-04-13 2018-11-06 上海大学 一种基于改进的rbd显著性计算的海面目标检测方法
CN108846844A (zh) * 2018-04-13 2018-11-20 上海大学 一种基于海天线的海面目标检测方法
CN109035260A (zh) * 2018-07-27 2018-12-18 京东方科技集团股份有限公司 一种天空区域分割方法、装置和卷积神经网络
CN109284663A (zh) * 2018-07-13 2019-01-29 上海大学 一种基于正态和均匀混合分布模型的海面障碍物检测方法
CN109325403A (zh) * 2018-08-07 2019-02-12 广州粤建三和软件股份有限公司 一种基于图像识别的水域污染识别治理方法和系统
CN109816006A (zh) * 2019-01-18 2019-05-28 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法
CN110298271A (zh) * 2019-06-17 2019-10-01 上海大学 基于关键点检测网络和空间约束混合模型的海水区域检测方法
CN110889851A (zh) * 2018-09-11 2020-03-17 苹果公司 针对深度和视差估计的语义分割的稳健用途
CN111666953A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种基于语义分割的潮汐带测绘方法及设备
CN112258518A (zh) * 2020-10-09 2021-01-22 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 一种海天线提取方法及装置
CN112800828A (zh) * 2020-12-18 2021-05-14 零八一电子集团有限公司 地面栅格占有概率目标轨迹方法
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530313A (zh) * 2016-11-16 2017-03-22 上海大学 一种基于区域分割的海天线实时检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530313A (zh) * 2016-11-16 2017-03-22 上海大学 一种基于区域分割的海天线实时检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MATEJ KRISTAN，ET AL.: "Fast Image-Based Obstacle Detection From Unmanned Surface Vehicles", 《IEEE TRANSACTIONS ON CYBERNETICS》 *
刘靖逸，等: "基于超像素分类的海天线检测方法", 《计量与测试技术》 *
徐良玉，等.: "基于结构森林边缘检测和Hough变换的海天线检测", 《上海大学学报（自然科学版）》 *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108846844A (zh) * 2018-04-13 2018-11-20 上海大学 一种基于海天线的海面目标检测方法
CN108764027A (zh) * 2018-04-13 2018-11-06 上海大学 一种基于改进的rbd显著性计算的海面目标检测方法
CN108846844B (zh) * 2018-04-13 2022-02-08 上海大学 一种基于海天线的海面目标检测方法
CN109284663A (zh) * 2018-07-13 2019-01-29 上海大学 一种基于正态和均匀混合分布模型的海面障碍物检测方法
CN109035260A (zh) * 2018-07-27 2018-12-18 京东方科技集团股份有限公司 一种天空区域分割方法、装置和卷积神经网络
US11151403B2 (en) 2018-07-27 2021-10-19 Boe Technology Group Co., Ltd. Method and apparatus for segmenting sky area, and convolutional neural network
CN109325403B (zh) * 2018-08-07 2020-12-11 广州粤建三和软件股份有限公司 一种基于图像识别的水域污染识别治理方法和系统
CN109325403A (zh) * 2018-08-07 2019-02-12 广州粤建三和软件股份有限公司 一种基于图像识别的水域污染识别治理方法和系统
CN110889851B (zh) * 2018-09-11 2023-08-01 苹果公司 针对深度和视差估计的语义分割的稳健用途
CN110889851A (zh) * 2018-09-11 2020-03-17 苹果公司 针对深度和视差估计的语义分割的稳健用途
CN109816006A (zh) * 2019-01-18 2019-05-28 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN109816006B (zh) * 2019-01-18 2020-11-13 深圳大学 一种海天线检测方法、装置及计算机可读存储介质
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110298271A (zh) * 2019-06-17 2019-10-01 上海大学 基于关键点检测网络和空间约束混合模型的海水区域检测方法
CN110287837A (zh) * 2019-06-17 2019-09-27 上海大学 基于先验估计网络和空间约束混合模型的海面障碍物检测方法
CN111666953A (zh) * 2020-06-04 2020-09-15 电子科技大学 一种基于语义分割的潮汐带测绘方法及设备
CN111666953B (zh) * 2020-06-04 2022-07-01 电子科技大学 一种基于语义分割的潮汐带测绘方法及设备
CN112258518A (zh) * 2020-10-09 2021-01-22 国家海洋局南海调查技术中心(国家海洋局南海浮标中心) 一种海天线提取方法及装置
CN112800828A (zh) * 2020-12-18 2021-05-14 零八一电子集团有限公司 地面栅格占有概率目标轨迹方法
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

Similar Documents

Publication Publication Date Title
CN107808386A (zh) 一种基于图像语义分割的海天线检测方法
CN105631880B (zh) 车道线分割方法和装置
CN109784333B (zh) 基于点云带权通道特征的三维目标检测方法及系统
CN104536009B (zh) 一种激光红外复合的地面建筑物识别及导航方法
CN108961235A (zh) 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法
CN109285179A (zh) 一种基于多特征融合的运动目标跟踪方法
CN103208115B (zh) 基于测地线距离的图像显著性区域检测方法
CN101777129B (zh) 一种基于特征检测的图像匹配方法
CN111079518B (zh) 一种基于执法办案区场景下的倒地异常行为识别方法
CN104537689B (zh) 基于局部对比显著性联合特征的目标跟踪方法
CN102024156B (zh) 彩色人脸图像中的唇部区域定位方法
CN109766887A (zh) 一种基于级联沙漏神经网络的多目标检测方法
CN109035292A (zh) 基于深度学习的运动目标检测方法及装置
CN105740945A (zh) 一种基于视频分析的人群计数方法
CN105894503A (zh) 一种对Kinect植株彩色和深度检测图像的修复方法
CN102096821A (zh) 基于复杂网络理论的强干扰环境下的车牌识别方法
CN105426825B (zh) 一种基于航拍图像识别的电网地理接线图绘制方法
CN107330861B (zh) 基于扩散距离高置信度信息的图像显著性物体检测方法
Wang et al. Research on detection technology of various fruit disease spots based on mask R-CNN
CN104966285A (zh) 一种显著性区域的检测方法
CN103927758A (zh) 一种基于对比度与角点最小凸包的显著性检测方法
CN116091951A (zh) 一种农田与机耕道边界线提取方法及系统
CN103745221A (zh) 一种二维码图像矫正方法
CN102147867A (zh) 一种基于主体的国画图像和书法图像的识别方法
CN106203439B (zh) 基于标志物多特征融合的无人机自动寻的着陆方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180316

RJ01 Rejection of invention patent application after publication