CN108388899A - 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 - Google Patents
一种基于纹理特征与形状特征相融合的水声图像特征提取方法 Download PDFInfo
- Publication number
- CN108388899A CN108388899A CN201810082525.2A CN201810082525A CN108388899A CN 108388899 A CN108388899 A CN 108388899A CN 201810082525 A CN201810082525 A CN 201810082525A CN 108388899 A CN108388899 A CN 108388899A
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- value
- primitive
- feature
- 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.)
- Granted
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于纹理特征与形状特征相融合的水声图像特征提取方法,主要步骤包括图像分割,边界提取,生成基元阵,计算灰度‑基元共生矩阵,获取五项个特征量等几个关键步骤。本发明着手于海底底质水声图像的图形学特征,利用海底底质水声图像的边界形状特征及其灰度相关性,应用并结合边界提取与灰度‑基元共生矩阵法,实现海底底质的水声图像特征提取。本发明不仅能够保证平移、旋转和缩放不变性,并且对噪声不敏感,既可以描述闭合区域,对于非闭合区域也能很好的完成特征提取,实现了基于海底底质水声图像图形学特征的间接识别及提取。
Description
技术领域
本发明属于图像处理技术领域,具体来说是一种基于纹理特征与形状特征相融合的水声图像特征提取方法。
背景技术
图像特征提取的原则是图像识别,它实际上是分类的一个辅助过程。为了识别出某图像所属的类别,需要将它与其他不同类别的图像区分开来,这就要求选取的特征不仅要能够很好地描述图像,更重要的是还要能够很好地区分不同类别的图像。选择那些在同类图像之间差异较小,在不同类别的图像之间差异较大的图像特征,将此称之为最具有区分能力的特征。
一般来说,图像特征的描述方法有很多种,如按提取区域的大小,可分为图像的局部特征和全局特征;按特征在图像上的表现形式,可分为点特征、线特征和面特征(区域特征)。图像的视觉特征:包括图像的边缘、轮廓、形状、纹理和区域等,它们的物理意义明确,提取比较容易。图像的统计特征:包括灰度直方图特征,矩特征,其中矩特征包括Hu矩、旋转矩、正交矩、复数矩的快速算法。
随着声纳技术的发展,声纳图像在海洋开发领域占据着越来越重要的位置。利用声纳图像进行目标识别己经成为图像处理领域的重要研究课题。作为目标识别中最重要的一环,声纳图像的特征提取技术也日益发展和成熟起来。由于该领域是近几年才发展起来的,而且不同的成像声纳系统在分辨率参数上存在着差别,水下成像环境的复杂性、目标所成的像受到目标本身的特性影响较大,所以至今没有形成一个比较统一、并且被大家公认的识别算法
近些年水声图像特征提取的方法主要分为基于纹理的特征提取和基于形状的特征提取两大类。由于水声成像取决于声辐射特性,目标的成像受环境、混响和噪声的影响较大,使得目标的边界或外形有较大的不规则性,经常出现目标被遮挡或边界残缺等情形,因而不会形成很细微的、精确的边界特征。而且水声图像的边界特征复杂,用经典的几何形状特征参数描述物体的形状比较困难,因此一般通过构造矩特征向量来描述复杂物体。高苗的《水声图像特征提取技术研究》论文(哈尔滨工程大学硕士论文2009年3月)中使用了一种基于形状标识函数的边缘不变矩特征提取。提取目标标识函数后,利用一维矩量来描述区域的边界形状并提取特征量,经实验分析,此方法在运算速度和识别效果上都具有优势,但只能对边界较形状简单的图像能实现很好的目标识别和分类。
纹理可分为人工纹理和自然纹理,人工纹理是由自然背景上的符号排列组成,这些符号可以是线条、点、字母、数字等。自然纹理是具有重复排列现象的自然景象,如种子、森林、草地之类的照片。人工纹理往往是有规则的,而自然纹理往往是无规则的。纹理基元是一种或多种图像基元的组合,纹理基元有一定的形状和大小。纹理是由纹理基元排列组合而成的。基元排列的疏密、周期性、方向性的不同,能使图像的外观发生很大的变化,反映在图像上就是纹理的粗细、走向等特征的描述和解释。纹理图像中,在某个方向上相隔一定距离的一对像素灰度出现的统计规律,应当能具体反映这个图像的纹理特性。1973年,Haralick提出灰度共生矩阵(gray level co-occurrence matrix,GLCM)的概念,这种方法正是建立在估计图像的二阶组合条件概率密度函数基础上的一种重要的纹理分析方法。如今,基于灰度共生矩阵提取纹理特征的方法己经被证实并广泛应用。黄晶的《基于分形维度与灰度共生矩阵的图像分类研究》论文(武汉理工大学博士论文2008年4月)中采用分形维度和灰度共生矩阵相结合的方法,对三种不同材质的石材图片从其图像纹理特征方面进行分类判别,分类效果较好,但仍有不足,当图像的分辨率变化时,计算出的纹理会有较大的差别。另外,由于光照、反射的影响,从2-D图像反映出的纹理不一定是3-D物体表面真是的纹理,对纹理之间的粗细、疏密等信息相差比较细微时,都会使分类产生误差。
目前,大多研究成果是基于研究声波发射出去后得到的回波信号强度,根据不同底质回波强度不同来实海底底质的识别与分类,但在某些情况下很难直接提取到目标的尺寸、形状等图形特征,而且在不同角度的入射声波照射下,这些特征的值都是不同的。
发明内容
本发明的目的是为了解决现有技术中的受分辨率、光照、反射及形状复杂性影响,导致分类产生误差或计算量较大等问题,提出一种基于纹理特征与形状特征相融合的水声图像特征提取方法,该方法以研究不同海底底质水声图像的图形学特征为出发点,完成砂、黏土、砾等海底底质的水声图像特征识别与提取。依据不同海底底质的边界形状特征及灰度相关性,应用并结合边界提取与灰度-基元共生矩阵法,实现海底底质的水声图像特征提取。
本发明提出的一种基于纹理特征与形状特征相融合的水声图像特征提取方法,首先对待处理图像进行边缘提取,该处理可以将由噪声、混响及环境等因素带来的干扰直接去除,只保留各类海底底质水声图像的边界信息,不仅不受分辨率及反射等影响,更是为之后的处理减少了计算量。之后计算带原灰度值的边界图像的灰度-基元共生矩阵,解决了单独使用某一方法的缺点,如计算量大、表达复杂、检索效果差等,能够很好地将统计方法和结构分析方法有机地结合起来。该方法不仅仅以灰度分布为特征点,更结合了纹理基元的纹理结构描述,起到很好效果。
本发明提出的基于纹理特征与形状特征相融合的水声图像特征提取方法,包括以下步骤:
步骤1.对待检测水声图像进行分割,得到只包含单一海底底质的图像;
步骤2.Canny边界提取;
步骤3.将边界提取后得到的二值图像转换为带原灰度值的边界图像;
步骤4.为减少计算量,将灰度值范围由[0,255]线性映射为[0,15];
步骤5.生成基元阵;
步骤6.计算得到灰度-基元共生矩阵;
步骤7.获取灰度-基元共生矩阵的五项特征量;
步骤8.分析各类海底底质水声图像的该五项特征量。
本发明的优点在于:
(1)本发明通过首先对水声图像进行分割再进行特征提取,充分利用单一海底底质水声图像特征,从而大大提高了对海底底质水声图像的识别准确程度;(2)边界提取处理将由噪声、混响及环境等因素带来的干扰直接去除,只保留各类海底底质水声图像的边界信息,不仅不受分辨率及反射等影响,更是为之后的处理减少了计算量;(3)本发明着手于海底底质水声图像的图形学特征,利用海底底质水声图像的边界形状特征及其灰度相关性,应用并结合边界提取与灰度-基元共生矩阵法,解决了单独使用某一方法的缺点,如计算量大、表达复杂、检索效果差等,能够很好地将统计方法和结构分析方法有机地结合起来,实现海底底质的水声图像特征提取;(4)本发明不仅能够保证平移、旋转和缩放不变性,并且对噪声不敏感,既可以描述闭合区域,对于非闭合区域也能很好地完成特征提取,实现了基于海底底质水声图像图形学特征的间接识别及提取。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明是一种基于纹理特征与形状特征相融合的水声图像特征提取方法,主要包括图像分割,边界提取,生成基元阵,计算灰度-基元共生矩阵,获取五项特征量等几个关键步骤。
如图1所示,基于纹理特征与形状特征相融合的水声图像特征提取方法,具体步骤如下:
步骤一:获得待处理的灰度图像,此类图像是利用多波束、侧扫等声呐探测系统得到的水声图像。图片大小可不做限制,但每幅图片只包含一种海底底质的情况下检测准确率更高,因此需要对待检测图像进行分割,得到只包含单一海底底质的图像I1i。经数次仿真验证得出,图像大小至少保证在50*50像素大小以上可提取到能够反映海底底质特性的图形特征。
步骤二:Canny边界提取:采用Canny边缘检测算子快速实现水声图像纹理特征边界的检测和提取。经多次仿真验证得出,当Canny边界提取的阈值取0.5时,所获得的边界更能反映不同海底底质图形特征。
步骤三:边界提取后得到的图像I2i是二值图像,不反映原图像灰度值,即不反映原图像灰度信息,因此需将边界提取后得到图像I2i与原图像I1i作对照,找到I2i中像素值为1的点,并将其替换为图像I1i中对应位置的灰度值,得到包含原图像灰度信息的边界图像I3i。
步骤四:压缩灰度空间:边界图像I3i的像素灰度值范围为[0,255],为减少计算量,先将I3i的灰度值范围线性映射为[0,15],得到图像I4i。
步骤五:扩展图像I4i,将图像I4i像素矩阵的四周各增加一行的0元素,即图像I4i由原来m*n大小扩展为(m+2)*(n+2),图像I4i的各个像素灰度值均由各自4邻域像素灰度值之和替换,即计算每个像素的4邻域像素灰度对该像素的矩,所得的矩值为最小纹理基元。求得各像素对应的基元后可得基元阵,基元阵同图像I4i像素矩阵大小相同,同为m*n,由基元阵可得图像I5i。为使处理效果更精确,可采用8邻域像素灰度值之和替换各像素值,本发明为减少计算量,采用4邻域替换法也能较好实现。
步骤六:计算得到灰度-基元共生矩阵:灰度-基元共生矩阵是由灰度矩阵I4i和基元阵I5i共同构建的,灰度-基元共生矩阵中的元素GP(i1,j1)为灰度值等于i1、基元值等于j1的点对数量。例如GP(5,8)=16,即表示在一幅图像的灰度-基元共生矩阵中,灰度值为5(i1=5),基元值为8(j1=8)的点对数是16,由此得到灰度-基元共生矩阵,由灰度-基元共生矩阵可得图像I6i,转化为图像是为了更能直观看出不同海底底质水声图像提取特征的不同。
步骤七:计算灰度-基元共生矩阵的五个特征量,包括ASM能量、对比度、熵、自相关性、逆方差。
ASM能量:
对比度:
熵:
自相关:
逆方差:
其中:
其中:k为灰度值的级数,GP(i,j)为灰度-基元共生矩阵中(i,j)处对应值大小。
Claims (4)
1.一种基于纹理特征与形状特征相融合的水声图像特征提取方法,其特征在于包括以下几个步骤:
步骤一:获得待检测水声图像,水声图像为灰度图像,对待检测水声图像进行分割,得到只包含单一海底底质的图像I1i;
步骤二:采用Canny边缘检测算子检测和提取水声图像纹理特征边界;
步骤三:设边界提取后得到图像I2i,图像I2i为二值图像,将图像I2i与原图像I1i作对照,找到I2i中像素值为1的点,并将其替换为图像I1i中对应位置的灰度值,得到包含原图像灰度信息的边界图像I3i;
步骤四:边界图像I3i的像素灰度值范围为[0,255],将I3i的灰度值范围线性映射为[0,15],得到图像I4i;
步骤五:扩展图像I4i,将图像I4i像素矩阵的四周各增加一行的0元素,即图像I4i由原来m*n大小扩展为(m+2)*(n+2),图像I4i的各个像素灰度值均由各自8邻域或者4邻域像素灰度值之和替换,即计算每个像素的8邻域或者4邻域像素灰度对该像素的矩,所得的矩值为最小纹理基元,求得各像素对应的基元后,得到基元阵,基元阵同图像I4i像素矩阵大小相同,同为m*n,由基元阵得到图像I5i;
步骤六:灰度-基元共生矩阵由灰度矩阵I4i和基元阵I5i共同构建的,灰度-基元共生矩阵中的元素GP(i1,j1)为灰度值等于i1、基元值等于j1的点对数量,由灰度-基元共生矩阵得到图像I6i;
步骤七:获取灰度-基元共生矩阵的五个特征量,包括ASM能量、对比度、熵、自相关性、逆方差。
ASM能量:
对比度:
熵:
自相关:
逆方差:
其中:
其中:k为灰度值的级数,GP(i,j)为灰度-基元共生矩阵中(i,j)处对应值大小。
2.根据权利要求1所述的一种基于纹理特征与形状特征相融合的水声图像特征提取方法,所述的步骤一中,图像I1i的图像大小为50*50像素大小以上。
3.根据权利要求1所述的一种基于纹理特征与形状特征相融合的水声图像特征提取方法,所述的步骤二中,Canny边界提取的阈值为0.5。
4.根据权利要求1所述的一种基于纹理特征与形状特征相融合的水声图像特征提取方法,所述的步骤七中,所述的ASM能量、对比度、熵、自相关性、逆方差具体为:
ASM能量:
对比度:
熵:
自相关:
逆方差:
其中:
其中:k为灰度值的级数,GP(i,j)为灰度-基元共生矩阵中(i,j)处对应值大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082525.2A CN108388899B (zh) | 2018-01-29 | 2018-01-29 | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810082525.2A CN108388899B (zh) | 2018-01-29 | 2018-01-29 | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388899A true CN108388899A (zh) | 2018-08-10 |
CN108388899B CN108388899B (zh) | 2022-03-01 |
Family
ID=63074162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810082525.2A Active CN108388899B (zh) | 2018-01-29 | 2018-01-29 | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388899B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110332952A (zh) * | 2019-07-12 | 2019-10-15 | 国网上海市电力公司 | 一种基于声学图像的变压器铁心松动检测方法及平台 |
CN111709487A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 基于决策级融合的水下多源声学图像底质分类方法及系统 |
CN111738332A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于特征级融合的水下多源声学图像底质分类方法及系统 |
CN113379720A (zh) * | 2021-06-29 | 2021-09-10 | 云南昆船设计研究院有限公司 | 一种基于茶饼图像特征编码的茶饼防伪方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324032A (zh) * | 2011-09-08 | 2012-01-18 | 北京林业大学 | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 |
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
CN103425992A (zh) * | 2012-05-16 | 2013-12-04 | 中国科学院声学研究所 | 一种基于合成孔径声纳图像的海底底质分类方法及系统 |
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉系统图像分析处理方法 |
US20150282782A1 (en) * | 2014-04-08 | 2015-10-08 | General Electric Company | System and method for detection of lesions |
-
2018
- 2018-01-29 CN CN201810082525.2A patent/CN108388899B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324032A (zh) * | 2011-09-08 | 2012-01-18 | 北京林业大学 | 一种基于极坐标系下灰度共生矩阵的纹理特征提取方法 |
CN103425992A (zh) * | 2012-05-16 | 2013-12-04 | 中国科学院声学研究所 | 一种基于合成孔径声纳图像的海底底质分类方法及系统 |
CN103208001A (zh) * | 2013-02-06 | 2013-07-17 | 华南师范大学 | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 |
CN103902972A (zh) * | 2014-03-21 | 2014-07-02 | 哈尔滨工程大学 | 一种水面移动平台视觉系统图像分析处理方法 |
US20150282782A1 (en) * | 2014-04-08 | 2015-10-08 | General Electric Company | System and method for detection of lesions |
Non-Patent Citations (4)
Title |
---|
SANMING SONG ET AL: "Forward-looking sonar image mosaicking by feature tracking", 《2016 IEEE INTERNATIONAL CONFERENCE ON ROBOTICS AND BIOMIMETICS (ROBIO)》 * |
侯国家: "水下图像增强与目标识别算法研究", 《中国博士学位论文全文数据库电子期刊 信息科技辑》 * |
王亮申 等: "图像纹理分析的灰度-基元共生矩阵法", 《计算机工程》 * |
高苗: "水声图像特征提取研究", 《中国优秀硕士学位论文全文数据库电子期刊 信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110332952A (zh) * | 2019-07-12 | 2019-10-15 | 国网上海市电力公司 | 一种基于声学图像的变压器铁心松动检测方法及平台 |
CN110332952B (zh) * | 2019-07-12 | 2021-08-17 | 国网上海市电力公司 | 一种基于声学图像的变压器铁心松动检测方法及平台 |
CN111709487A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 基于决策级融合的水下多源声学图像底质分类方法及系统 |
CN111738332A (zh) * | 2020-06-22 | 2020-10-02 | 黄河勘测规划设计研究院有限公司 | 基于特征级融合的水下多源声学图像底质分类方法及系统 |
CN111709487B (zh) * | 2020-06-22 | 2023-04-18 | 中国科学院空天信息创新研究院 | 基于决策级融合的水下多源声学图像底质分类方法及系统 |
CN111738332B (zh) * | 2020-06-22 | 2024-06-04 | 黄河勘测规划设计研究院有限公司 | 基于特征级融合的水下多源声学图像底质分类方法及系统 |
CN113379720A (zh) * | 2021-06-29 | 2021-09-10 | 云南昆船设计研究院有限公司 | 一种基于茶饼图像特征编码的茶饼防伪方法 |
CN113379720B (zh) * | 2021-06-29 | 2022-08-09 | 云南昆船设计研究院有限公司 | 一种基于茶饼图像特征编码的茶饼防伪方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108388899B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111724478B (zh) | 一种基于深度学习的点云上采样方法 | |
Preston | Automated acoustic seabed classification of multibeam images of Stanton Banks | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN108388899A (zh) | 一种基于纹理特征与形状特征相融合的水声图像特征提取方法 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
Blondel et al. | Textural analyses of multibeam sonar imagery from Stanton Banks, Northern Ireland continental shelf | |
CN100573559C (zh) | 基于小波和均值漂移的自适应多尺度纹理图像分割方法 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
Zawada et al. | A multiscale analysis of coral reef topographic complexity using lidar-derived bathymetry | |
CN105809175A (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
CN117953314B (zh) | 一种多维特征优选海洋底质分类方法及系统 | |
CN111738332A (zh) | 基于特征级融合的水下多源声学图像底质分类方法及系统 | |
Zhao et al. | A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM) | |
CN107464247B (zh) | 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法 | |
CN111738278A (zh) | 一种水下多源声学图像特征提取方法及系统 | |
CN108765441A (zh) | 基于高斯变换的多尺度susan角点检测方法 | |
Fakiris et al. | Quantification of regions of interest in swath sonar backscatter images using grey-level and shape geometry descriptors: The TargAn software | |
CN105046286B (zh) | 基于自动视图生成和联合l1,2范数最小化的监督多视图特征选择方法 | |
CN108830864A (zh) | 图像分割方法 | |
Lindblad et al. | Exact linear time euclidean distance transforms of grid line sampled shapes | |
CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
CN108460773A (zh) | 一种基于偏移场水平集的声纳图像分割方法 | |
Toure et al. | Coastline detection using fusion of over segmentation and distance regularization level set evolution | |
Huo et al. | Seafloor segmentation using combined texture features of sidescan sonar images | |
CN113129351A (zh) | 一种基于光场傅里叶视差分层的特征检测方法 |
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 |