CN108805136A - 一种面向水面污染物监测的显著性检测方法 - Google Patents

Abstract

本发明实施例公开了一种面向水面污染物监测的显著性检测方法，提供了一种简单有效的水面污染物检测新方法；首先利用基于分块压缩感知技术重构输入图像，通过缩小其尺寸来降低显著性计算的复杂度；然后，采用局部对比度原则计算出初级显著图；在此基础上，通过最优多维颜色系数线性组合策略将污染物区域从背景中检测出来，并通过最邻近插值后处理得到最终显著图。与传统的显着性检测算法比较具有计算量小、对于区分度低的水环境图像检测结果较好；且步骤简单，对水环境图像具有更好的检测效果。

Description

一种面向水面污染物监测的显著性检测方法

技术领域

本发明属于信息技术领域，是一种应用于水面污染物监测图像中显著性区域的识别方法；适用于无线视频传感器网络监测，感兴趣目标自动检测和目标分类等领域。

背景技术

水是人类赖以生存的生命之源，然而我国正面临着水资源短缺和水环境不断恶化的问题，并且已经进入了水环境污染事故高发期。水面污染物通常由水藻，垃圾或油污组成。它们不仅直接影响人类的健康，而且还会引起生态平衡的破坏，导致生态灾害，对人类的生存发展带来巨大的负面影响。而显著性识别作为视觉感知的一种重要技术手段，可以直观的检测出水面漂浮的污染物，将其应用到水面污染物监测中具有重要意义。

通常，图像的显著性检测方法可大致分为两种方式——自上而下和自下而上的方式。其中，自上而下的方式是利用先验知识，采用训练学习的方式进行显著性识别；自下而上的方式是通过利用图像低级特征信息进行显著区域检测。

相关技术中，自上而下的方式通常采用将图像中人脸区域作为先验知识引入显著性检测算法中，结合已有的人脸识别算法，完成图像中脸部区域的检测；下而上的方式通常采用结合上下文信息的显著性检测方法、基于剩余频谱分析的方法、基于频率调谐的检测方法、基于区域的对比度方法；相比而言，自下而上的方式步骤相对简单、计算量较小，适合应用于实时的在线监测系统。

但发明人发现，水面污染物的种类繁多，如：水藻、垃圾和油污等，它们的特征各不相同；对于某些水环境图像，其显著性区域与背景具有相同的颜色特征。上述技术主要是针对自然场景图片，很少考虑水环境图像；在面对情况复杂、对比度低的水环境图像时，检测结果通常较差；且只利用CIELAB色彩空间上的欧式距离来计算显著值，未能充分利用图像中的颜色信息，导致检测结果较差。

发明内容

有鉴于此，本发明的实施例提供了一种计算复杂度较低、步骤简单，针对水面污染物监测图片的显著性识别方法。

为解决上述技术问题，本发明实施例采用的技术方案是，一种面向水面污染物监测的显著性检测方法，包括以下步骤：

(1)利用基于块的压缩感知对采集到的水面污染物图像进行压缩重构，得到大小为原始图1/4的重构图像；

(2)对上述重构图像进行分块处理，分成大小为4×4且互不重叠的图像块A_i(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；

(3)依次对上述4×4且互不重叠的图像块A_i根据局部对比图得到初级显著值，所述初级显著值经归一化处理后得到初级显著图；

(4)根据所述初级显著图，自适应地选出初级前景区域和背景区域；

(5)根据得到的初级前景区域和背景区域，估算出参数向量；

(6)对步骤(2)中的4×4且互不重叠的图像块A_i在多个颜色空间上根据所述参数向量进行颜色系数线性组合得到次级显著图；

(7)通过最近邻插值处理，将所述次级显著图还原成和原始图具有相同大小的最终显著图。

优选地，所述步骤(1)中，对采集到的水面污染物图像进行基于块的压缩感知重构的具体步骤为：

(1-1)将采集到的水面污染物图像按照8×8大小进行分块；

(1-2)将每块图像的像素矩阵排列成64×1的列向量x_j(j＝1，2……N)，其中N代表此时图像的总块数；

(1-3)生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；

(1-4)依次对每个图像块，利用如下压缩感知公式(1)进行采样，得到对应采样向量y_j：

y_j＝Φ×x_j (1)

(1-5)将所述采样向量重新排列成4×4大小的像素矩阵；

(1-6)将得到的所述像素矩阵进行合并，得到最终的大小为原始图1/4的重构图像。

优选地，所述步骤(3)中，初级显著图的具体获得过程为：

(3-1)将重构图从RGB色彩空间转化到CIELAB色彩空间，并将L、A、B三个颜色分量归一化到0-1之间；

(3-2)求出第i个图像块A_i在CIELAB色彩空间上的平均向量(L_ai，A_ai，B_ai)；

(3-3)根据A_i对应的坐标信息(x_i，y_i)，找出该图像块对应的子图像区域M_i，M_i的横坐标范围为(x_i-x₀，x_i+x₀)，纵坐标范围为(y_i-y₀，y_i+y₀)，其中x₀，y₀由公式(2)得到：

x₀＝min(x_i,H/4-x_i)

y₀＝min(y_i,W/4-y_i) (2)；

(3-4)求出该子图像区域M_i在CIELAB色彩空间上的平均向量(L_ui，A_ui，B_ui)；

(3-5)计算该图像块与对应子图像区域的欧式距离作为其初级显著值，计算公式如下：

(3-6)计算出所有重构图像块的初级显著值，经过归一化处理后得到初级显著图。

优选地，所述步骤(4)中，选出初级前景区域、背景区域的具体方法为：

(4-1)首先对所有重构图像块，按初级显著值由大到小的顺序进行排列，从中选取前N₁作为初级前景区域，选取后N₂作为背景区域；

(4-2)统计所有重构图像块初级显著值的和sum来表示初级显著图信息量的大小，并根据如下公式计算N₁和N₂：

其中表示向上取整，k₁是常数1/3。

优选地，所述步骤(5)中，从初级前景区域、背景区域中估算出参数向量的具体方法为：

(5-1)将初级前景区域和背景区域中包含的重构图像块提取出来，依次对每个图像块在RGB、CIELAB、HSV这3个颜色空间上进行表示，构成一个9维颜色系数向量[R G B L AB₁ H S V]；

(5-2)再将所得到的所有颜色系数向量合并成一个(N₁+N₂)×9维的矩阵P，该矩阵中前N₁行为初级前景区域对应的颜色系数向量，后N₂行为背景区域对应的颜色系数向量；

(5-3)根据公式(5)和一个常数向量Y通过最小二乘拟合法来估算出参数向量b，其中Y是一个(N₁+N₂)×9维的常数向量，其前N₁行为1，后N₂行为0：

优选地，所述步骤(6)中，次级显著图计算的具体方法为：

(6-1)将步骤(2)中得到的所有重构图像块都在RGB、CIELAB、HSV这3个颜色空间上进行表示，对第i个重构图像块，其对应的颜色系数向量为T(i)＝[R_i,G_i,B_i,L_i,A_i,B_1i,H_i,S_i,V_i]；

(6-2)根据所述计算得到的参数向量b，通过公式(6)完成颜色系数线性组合，最后将组合的计算值作为该图像块的次级显著值S_c(i)：

S_c(i)＝T(i)×b (6)

(6-3)计算完所有重构图像块的次级显著值后，将其合并即可得到次级显著图。

与相关技术相比，本发明的实施例采用的技术方案的有益效果是：本发明实施例提供了一种计算复杂度较低、步骤简单，针对水面污染物监测图片的显著性识别方法；该方法首先对采集到的水面污染物图像，利用基于块的压缩感知技术进行压缩重构，在保留图像主要信息的前提下缩小其尺寸；其次，对重构图像进行分块处理，将其分解成大小相等且互不重叠的图像块，本算法将在块级别上进行显著性计算，因为这样可以提升算法的计算速度；接下来，利用局部对比度原则，求出重构图对应的初级显著图；从初级显著图中自适应地选出初级前景区域和背景区域，并根据这些区域估算出一个参数向量；然后，再对每个重构图像块，利用该参数向量在多维颜色通道上进行颜色系数线性组合，从而得到次级显著图；通过本文设计这种多维颜色系数线性组合的方式，可以充分地利用图像中的颜色信息，很好地将污染物区域与背景区域区分开；最后，通过最近邻插值处理，将次级显著图还原成和原始图大小相同的最终显著图。实际应用表明，本发明提出的面向水面污染物监测的显著性检测方法，同经典的显著性检测方法相比，对水面污染物图片具有更好的检测效果，并且计算量小、步骤简单，更适用于实际监测平台。

附图说明

图1是本发明实施例的面向水面污染物监测的显著性检测方法的流程图；

图2是本发明实施例的显著性检测方法的步骤1的具体流程图；

图3是本发明实施例的显著性检测方法的步骤3的具体流程图；

图4是本发明实施例的显著性检测方法的步骤4的具体流程图；

图5是本发明实施例的显著性检测方法的步骤5的具体流程图；

图6是本发明实施例的显著性检测方法的步骤6的具体流程图；

图7是本发明实施例的显著性检测方法与典型显著性检测算法结果对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

实施例一

请参考图1，一种面向水面污染物监测的显著性检测方法，包括以下步骤：

(1)利用基于块的压缩感知对采集到的水面污染物图像进行压缩重构，得到大小为原始图1/4的重构图像；

参照附图2，具体的重构方法为：

(1-1)将采集到的水面污染物图像按照8×8大小进行分块；

(1-2)将每块图像的像素矩阵排列成64×1的列向量x_j(j＝1，2……N)，其中N代表此时图像的总块数；

(1-3)生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；

(1-4)依次对每个图像块，利用如下压缩感知公式进行采样，得到对应采样向量y_j：

y_j＝Φ×x_j (1)

(1-5)将所述采样向量重新排列成4×4大小的像素矩阵；

(1-6)将得到的所述像素矩阵进行合并，得到最终的大小为原始图1/4的重构图像。

(2)对上述重构图像进行分块处理，分成大小为4×4且互不重叠的图像块A_i(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；

(3)依次对上述4×4且互不重叠的图像块A_i根据局部对比图得到初级显著值，所述初级显著值经归一化处理后得到初级显著图；

参照附图3，初级显著图的具体获得过程为：

(3-1)将重构图从RGB色彩空间转化到CIELAB色彩空间，并将L、A、B三个颜色分量归一化到0-1之间；，用于平衡这三个分量在计算图像块显著值时的重要性；

(3-2)求出第i个图像块A_i在CIELAB色彩空间上的平均向量(L_ai，A_ai，B_ai)；

(3-3)局部对比度原则即利用该图像块与周边某一特定区域的差异来计算其显著值。为此，本方法根据A_i对应的坐标信息(x_i，y_i)，找出该图像块对应的子图像区域M_i，M_i的横坐标范围为(x_i-x₀，x_i+x₀)，纵坐标范围为(y_i-y₀，y_i+y₀)，其中x₀，y₀由公式(2)得到：

x₀＝min(x_i,H/4-x_i)

y₀＝min(y_i,W/4-y_i) (2)；

(3-4)求出该子图像区域M_i在CIELAB色彩空间上的平均向量(L_ui，A_ui，B_ui)；

(3-5)计算该图像块与对应子图像区域的欧式距离作为其初级显著值，计算公式如下：

(3-6)计算出所有重构图像块的初级显著值，经过归一化处理后得到初级显著图。

(4)根据所述初级显著图，自适应地选出初级前景区域和背景区域；

参照附图4，选出初级前景区域、背景区域的具体方法为：

(4-1)首先对所有重构图像块，按初级显著值由大到小的顺序进行排列，从中选取前N₁作为初级前景区域，选取后N₂作为背景区域；

(4-2)统计所有重构图像块初级显著值的和sum来表示初级显著图信息量的大小，并根据如下公式计算N₁和N₂：

其中表示向上取整，k₁是常数1/3。

(5)根据得到的初级前景区域和背景区域，估算出参数向量；

参照附图5，从初级前景区域、背景区域中估算出参数向量的具体方法为：

(5-1)将初级前景区域和背景区域中包含的重构图像块提取出来，依次对每个图像块在RGB、CIELAB、HSV这3个颜色空间上进行表示，构成一个9维颜色系数向量[R G B L AB₁ H S V]，其中B₁代表CIELAB中的B分量，以此来区分RGB中的B分量；

(5-2)再将所得到的所有颜色系数向量合并成一个(N₁+N₂)×9维的矩阵P，该矩阵中前N₁行为初级前景区域对应的颜色系数向量，后N₂行为背景区域对应的颜色系数向量；

(5-3)根据公式(5)和一个常数向量Y通过最小二乘拟合法来估算出参数向量b，其中Y是一个(N₁+N₂)×9维的常数向量，其前N₁行为1，后N₂行为0：

(6)对步骤(2)中的4×4且互不重叠的图像块A_i在多个颜色空间上根据所述参数向量进行颜色系数线性组合得到次级显著图；

参照附图6，次级显著图计算的具体方法为：

(6-1)将步骤(2)中得到的所有重构图像块都在RGB、CIELAB、HSV这3个颜色空间上进行表示，对第i个重构图像块，其对应的颜色系数向量为T(i)＝[R_i,G_i,B_i,L_i,A_i,B_1i,H_i,S_i,V_i]；

(6-2)根据所述计算得到的参数向量b，通过公式(6)完成颜色系数线性组合，最后将组合的计算值作为该图像块的次级显著值S_c(i)：

S_c(i)＝T(i)×b (6)

(6-3)计算完所有重构图像块的次级显著值后，将其合并即可得到次级显著图。

(7)通过最近邻插值处理，将所述次级显著图还原成和原始图具有相同大小的最终显著图。

本发明实施例的水面污染物监测图片的显著性识别方法；计算复杂度较低、步骤简单，该方法首先对采集到的水面污染物图像，利用基于块的压缩感知技术进行压缩重构，在保留图像主要信息的前提下缩小其尺寸；其次，对重构图像进行分块处理，将其分解成大小相等且互不重叠的图像块，本算法将在块级别上进行显著性计算，因为这样可以提升算法的计算速度；通过多维颜色系数线性组合的方式，可以充分地利用图像中的颜色信息，很好地将污染物区域与背景区域区分开。

实施例二

参照附图7，对t时刻，采集到的监测RGB彩色图像Pic根据本发明实施例一的方法进行显著性检测。首先，对图像Pic按8×8大小进行分块，依次对每块进行采样，最后合并为重构图像。其次，生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ，作为压缩感知过程中的采样矩阵。依次将每块图像的像素矩阵排列成64×1的列向量x_j(j＝1，2……N)，其中N代表此时图像的总块数，再根据所述压缩感知的公式(1)得到每个图像块对应的采样向量y_j：

然后，将得到的每个图像块对应的采样向量重新排列成4×4大小的像素矩阵，再将所有图像块对应的像素矩阵进行合并，得到尺寸为原图像大小1/4的重构图像。因此后续对重构图像进行显著性检测，其计算量要远小于对原图进行计算。再对重构图像进行分块处理，分成大小为4×4且会不重叠的图像块A_i(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像I1的行数和列数。

接下求取每个重构图像块的初级显著值。局部对比度原则即利用该图像块与周边某一特定区域的差异来计算其显著值。为此，本方法首先，对第i个图像块A_i，首先求出该图像块的在CIELAB色彩空间上的平均向量(L_ai，A_ai，B_ai)；再根据该图像块对应的坐标信息(x_i，y_i)，找出该图像块对应的子图像区域M_i，而M_i的横坐标范围为(x_i-x₀，x_i+x₀)，纵坐标范围为(y_i-y₀，y_i+y₀)，其中x₀，y₀由公式(2)得到；

求出该子图像区域M_i在CIELAB色彩空间上的平均向量(L_ui，A_ui，B_ui)，最后由公式(3)计算各图像块与对应子区域在CIELAB色彩空间上平均向量的欧式距离，作为该块的初级显著值；再经过归一化处理即可得到初级显著图。

接下来，根据初级显著图选出初级前景、背景区域。首先，对所有重构图像块，按初级显著值由大到小的顺序进行排列，从中选取前N₁作为初级前景区域，选取后N₂作为背景区域。统计所有重构图像块初级显著值的和sum来表示初级显著图信息量的大小，再根据公式(4)，利用得到sum值来计算N₁和N₂：

选出的前景区域和背景区域后，接下里估算出所需的参数向量。先将初级前景区域和背景区域中包含的重构图像块提取出来，依次对每个图像块在RGB，CIELAB，HSV这3个颜色空间上进行表示，构成一个9维颜色系数向量[R G B L A B₁H S V]。再将得到的所有颜色系数向量合并成一个(N₁+N₂)×9维的矩阵P，该矩阵中前N₁行为前景区域对应的颜色系数向量，后N₂行为背景区域对应的颜色系数向量。最后，根据公式(5)，和一个常数向量Y通过最小二乘拟合法来估算出参数向量b，其中Y是一个(N₁+N₂)×9维常数向量，其前N₁行为1，后N₂行为0：

然后，再将所有的重构图像块都在RGB，CIELAB，HSV这3个颜色空间上进行表示，对第i个重构图像块，其对应的颜色系数向量为T(i)＝[R_i,G_i,B_i,L_i,A_i,B_1i,H_i,S_i,V_i]；根据计算得到的参数向量b，通过公式(6)完成颜色系数线性组合，最后将组合的计算值作为该图像块的次级显著值S_c(i)：

计算完所有重构图像块的次级显著值后，将其合并即可得到次级显著图。最后，通过最近邻插值处理，将上述得到的次级显著图还原成和原始图具有相同大小的最终显著图。其余同实施例一。

本发明实施例的面向水面污染物监测的显著性检测方法与经典的显著性检测方法的对比。其中，a列为原始图，b列为CA方法检测结果，c列为DSR方法检测结果，d列为FT方法检测结果，e列为HC方法结果，f列为MC方法检测结果，g列为MSS方法检测结果，h列为PCA方法检测结果，i列为RBD方法检测结果，j列为RC方法检测结果，k列为HDCT+Lss方法检测结果，i(OUR)列为本发明方法检测结果；本发明实施例的方法对水面污染物图片具有更好的检测效果，并且计算量小、步骤简单，更适用于实际监测平台。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种面向水面污染物监测的显著性检测方法，其特征是，包括以下步骤：

(1)利用基于块的压缩感知对采集到的水面污染物图像进行压缩重构，得到大小为原始图1/4的重构图像；

(2)对上述重构图像进行分块处理，分成大小为4×4且互不重叠的图像块A_i(i＝1，2……n)，其中n代表此时的总块数；并按照从上到下、从左往右的顺序依次指定各个图像块的位置坐标信息为(1，1)、(1，2)……(H/4，W/4)，其中H、W分别代表重构图像的行数和列数；

(3)依次对上述4×4且互不重叠的图像块A_i根据局部对比图得到初级显著值，所述初级显著值经归一化处理后得到初级显著图；

(4)根据所述初级显著图，自适应地选出初级前景区域和背景区域；

(5)根据得到的初级前景区域和背景区域，估算出参数向量；

(6)对步骤(2)中的4×4且互不重叠的图像块A_i在多个颜色空间上根据所述参数向量进行颜色系数线性组合得到次级显著图；

(7)通过最近邻插值处理，将所述次级显著图还原成和原始图具有相同大小的最终显著图。

2.根据权利要求1所述的一种面向水面污染物监测的显著性检测方法，其特征是，所述步骤(1)中，对采集到的水面污染物图像进行基于块的压缩感知重构的具体步骤为：

(1-1)将采集到的水面污染物图像按照8×8大小进行分块；

(1-2)将每块图像的像素矩阵排列成64×1的列向量x_j(j＝1，2……N)，其中N代表此时图像的总块数；

(1-3)生成一个大小为16×64且满足0-1分布的随机伯努利矩阵Φ；

(1-4)依次对每个图像块，利用如下压缩感知公式(1)进行采样，得到对应采样向量y_j：

y_j＝Φ×x_j (1)

(1-5)将所述采样向量重新排列成4×4大小的像素矩阵；

(1-6)将得到的所述像素矩阵进行合并，得到最终的大小为原始图1/4的重构图像。

3.根据权利要求1所述的一种面向水面污染物监测的显著性检测方法，其特征是，所述步骤(3)中，初级显著图的具体获得过程为：

(3-1)将重构图从RGB色彩空间转化到CIELAB色彩空间，并将L、A、B三个颜色分量归一化到0-1之间；

(3-2)求出第i个图像块A_i在CIELAB色彩空间上的平均向量(L_ai，A_ai，B_ai)；

(3-3)根据A_i对应的坐标信息(x_i，y_i)，找出该图像块对应的子图像区域M_i，M_i的横坐标范围为(x_i-x₀，x_i+x₀)，纵坐标范围为(y_i-y₀，y_i+y₀)，其中x₀，y₀由公式(2)得到：

x₀＝min(x_i,H/4-x_i)

y₀＝min(y_i,W/4-y_i) (2)；

(3-4)求出该子图像区域M_i在CIELAB色彩空间上的平均向量(L_ui，A_ui，B_ui)；

(3-5)计算该图像块与对应子图像区域的欧式距离作为其初级显著值，计算公式如下：

(3-6)计算出所有重构图像块的初级显著值，经过归一化处理后得到初级显著图。

4.根据权利要求1所述的一种面向水面污染物监测的显著性检测方法，其特征是，所述步骤(4)中，选出初级前景区域、背景区域的具体方法为：

(4-1)首先对所有重构图像块，按初级显著值由大到小的顺序进行排列，从中选取前N₁作为初级前景区域，选取后N₂作为背景区域；

(4-2)统计所有重构图像块初级显著值的和sum来表示初级显著图信息量的大小，并根据如下公式计算N₁和N₂：

其中表示向上取整，k₁是常数1/3。

5.根据权利要求1所述的一种面向水面污染物监测的显著性检测方法，其特征是，所述步骤(5)中，从初级前景区域、背景区域中估算出参数向量的具体方法为：

(5-1)将初级前景区域和背景区域中包含的重构图像块提取出来，依次对每个图像块在RGB、CIELAB、HSV这3个颜色空间上进行表示，构成一个9维颜色系数向量[R G B L A B₁H S V]，其中B₁代表CIELAB中的B分量；

(5-2)再将所得到的所有颜色系数向量合并成一个(N₁+N₂)×9维的矩阵P，该矩阵中前N₁行为初级前景区域对应的颜色系数向量，后N₂行为背景区域对应的颜色系数向量；

(5-3)根据公式(5)和一个常数向量Y通过最小二乘拟合法来估算出参数向量b，其中Y是一个(N₁+N₂)×9维的常数向量，其前N₁行为1，后N₂行为0：

6.根据权利要求1所述的一种面向水面污染物监测的显著性检测方法，其特征是，所述步骤(6)中，次级显著图计算的具体方法为：

(6-1)将步骤(2)中得到的所有重构图像块都在RGB、CIELAB、HSV这3个颜色空间上进行表示，对第i个重构图像块，其对应的颜色系数向量为T(i)＝[R_i,G_i,B_i,L_i,A_i,B_1i,H_i,S_i,V_i]；

(6-2)根据所述计算得到的参数向量b，通过公式(6)完成颜色系数线性组合，最后将组合的计算值作为该图像块的次级显著值S_c(i)：

S_c(i)＝T(i)×b (6)

(6-3)计算完所有重构图像块的次级显著值后，将其合并即可得到次级显著图。