CN109785330A - 一种基于线性分割的海面区域提取方法 - Google Patents
一种基于线性分割的海面区域提取方法 Download PDFInfo
- Publication number
- CN109785330A CN109785330A CN201811395038.8A CN201811395038A CN109785330A CN 109785330 A CN109785330 A CN 109785330A CN 201811395038 A CN201811395038 A CN 201811395038A CN 109785330 A CN109785330 A CN 109785330A
- Authority
- CN
- China
- Prior art keywords
- value
- region
- sea horizon
- weighting
- gray
- 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.)
- Withdrawn
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于线性分割的海面区域提取方法,通过加权纹理和上下文特征相结合的方法实现海天线的检测和海面区域的提取,该方法利用加权纹理对图像进行建模,提取海天区域,可以削减天空云层和海浪带来的干扰;提取一组候选海天线可以防止由于海天线直线特征不明显而造成的漏检;借助上下文特征,对候选海天线进行筛选,能够剔除被误检为海天线的云层、海浪、船只等。对比其他海天线检测方法,该方法能够在复杂的海天情况下,准确地定位到海天线的位置,提取海面区域。
Description
技术领域
本发明涉及涉及图像处理和目标检测技术领域,是一种基于线性分割的海面区域提取方法。
背景技术
在海上监控中,被检测的目标(如船只)总是出现在海面上。通过提取海面区域,可以剔除天空区域,缩小海上目标搜索范围,减少目标检测识别的计算量,提高检测速度,抑制不必要的噪声干扰。在航空领域,海面区域占整幅图像的比例可以作为飞行器调整飞行姿态的重要依据之一。海面区域的线性分割是海天背景下目标检测的重要环节。而海面区域分割的依据是基于海天线的检测。海天线是天空与海面邻接的边界,可以通过提取海天线对图像进行线性分割,从而获得海面区域。
对于海面区域的提取,现存的算法主要是基于SAR微波雷达图像。而微波雷达的成本过高,生成的图像易受天气的影响。相比之下,可见光图像的成本较低,同时可见光图像具有丰富的细节信息,对环境变化的适应性更强。在可见光图像的基础上,本文依据海天线检测算法,对图像海面区域进行提取。针对海天线检测,国内外已有众多文献对算法提出了阐述和应用。首先获取海天线边缘信息的算法大致分为:1)基于图像分割和图像分类的方法,借助灰度特征、纹理信息等确定阈值分割点和分类边界,对海天图像进行区域划分;2)基于边缘检测,利用边缘检测算子的梯度或其他信息,提取图像边缘;3)基于多尺度小波变换,在小尺度下进行边缘点定位。然后根据边缘信息提取直线特征,算法主要有最小二乘直线拟合、Hough变换、 Radon变换等,最后实现对海天线的检测。现在流行的海天线检测算法多是对上述算法的组合,包括列方向梯度法、相位编组和灰度统计法、区域方差法和小波变换法等。但是这些算法都难以满足在复杂条件下海天线检测的要求:条纹状的云层和海浪与海天线的直线特征相似,容易造成误检;大范围的云团会干扰天空区域的灰度分布,造成海天图像的误分割;船只、岛屿等对海天线的遮挡会大大削弱海天的直线特征,引起海天线的漏检。
发明内容
本发明针对现有技术的缺点,提供了一种方法不仅能够准确地检测出海天线的具体位置,对海天区域进行提取,而且具有鲁棒性高,检测速度快的特点,利用此方法解决了上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于线性分割的海面区域提取方法,包括以下步骤:
步骤一:获取原始彩色图像;
步骤二:利用蓝色通道值将RGB图像转化为单通道灰度图像;
步骤三:沿竖直方向等分海天图像,根据纹理和灰度信息计算每个区域的加权纹理值;
步骤四:对加权纹理值进行归一化处理,利用邻域信息剔除异常纹理值。
步骤五:利用位置信息进行加权纹理值建模,提取海天区域图像;
步骤六:在海天区域图像上,使用Hough变换获得一组候选海天线;
步骤七:根据灰度标准差和均值信息对候选海天线进行评分,分数最高的直线即为海天线。
步骤八:根据提取的海天线,对原始图像进行线性分割,获得海面区域。
作为优选,在步骤二中,图像从RGB颜色空间到灰度空间的转换公式如下:
f(x,y)=B(x,y)
上式中,B为RGB颜色空间的蓝色通道分量,f(x,y)为图像在(x,y) 处的灰度值。
作为优选,在步骤三中,沿灰度图像的竖直方向等分出若干个区域,从上到下编号依次为1,2,3,...,30针对每个区域中的像素对,分别构建灰度级共生矩阵P(x,y,d,θ),(x,y)为像素点的坐标,d为间隔距离,θ为共线的像素对与水平方向的夹角。#是计数函数,被用来统计集合中元素的个数。
P(x,y,d,θ)=#{[(x,y),(x+m,y+n)]|f(x,y)=i,f(x+m,y+n)=j}
加权对比度计算公式为:
上式中,gray为区域的平均灰度,p(i,j)为像素对(i,j)在灰度级共生矩阵中出现的频率,
进一步地所述,由于海水的纹理存在各向异性的特点,在四个角度(0°,45°,90°,135°)分别计算加权纹理值,并对四个值求和,作为该区域最终的加权纹理值。每个区域都有与之对应的加权纹理值,这样就会得到一组加权纹理值。选取最大的加权纹理值,利用该值对一组加权纹理值进行归一化处理。
作为优选,在步骤四中,对于序号为i的区域,如果其加权纹理值大于序号为i+1区域的加权纹理值,则将序号为i+1区域的加权纹理值赋值给序号为i的区域;否则进行空操作。过程迭代。直到整个过程不存在赋值操作,迭代结束。
计算平均加权纹理值公式为:
上式中,n为区域的数目,WeCorrelation(i)为迭代处理后对应序号为i的区域的加权纹理值。以平均加权纹理值再次对各个区域的加权纹理值进行归一化处理,计算公式为:
上式中,WeCorrelationmin为迭代处理后,所有区域中最小的加权纹理值。区域的加权纹理值越趋向于1,则该区域属于海面的概率就越大;反之,属于天空的概率就越大。
作为优选,步骤五中,以图像的高为X轴,区域的加权纹理值为Y轴建立直角坐标系,描述二者关系的数学模型为:
上式中,a是函数在X轴的偏移量;c是曲线倾斜的程度,值越大,曲线越陡峭。海天区域的加权纹理值介于天空区域与海面区域之间。定义海天区域的加权纹理上限为Plarge,下限为Psmali,则计算海天区域边界的公式为:
因此海天区域的边界在区间[xlow,xhigh]内。
作为优选,在步骤六中,利用Hough变换得到一组候选海天线。在Hough变换过程中,会对每条候选海天线投票计数,而计数值Poll可以作为后续筛选海天线的依据。如果截取的海天区域的区间比较大,则需要增加候选海天线的数量,以防海天线的漏检;如果截取的海天线区域的区间比较小,则需要减少候选海天线的数量,防止误检。
作为优选,在步骤(7)中,利用上下文特征对候选海天线进行评分。在每条候选海天线的上部和下部分别建立一个5×5的滑动窗口,滑动步长为step。在每个滑动窗口内计算灰度平均值、灰度标准差以及加权标准差。针对某一条候选海天线,取滑动窗口在滑动过程中产生的最小灰度平均值、最小灰度标准差以及最小加权标准差作为该候选海天线的上下文特征值。灰度平均值、灰度标准差以及加权标准差的计算公式为:
上式中,gray5×5是滑动窗口内的灰度平均值,Window(i,j)是滑动窗口坐标(i,j)对应下的灰度值,std5×5是灰度标准差,westd5×5是加权灰度标准差。
候选海天线的评分计算公式为:
上式中,Eval是候选海天线的评分,stdup是候选海天线上部的特征值(最小灰度标准差),w1是该特征值的权值;Poll是Hough变换时产生的投票计数值,w2是该计数值的权值;westddown是候选海天线下部滑动窗口产生的最小灰度标准差对应的加权标准差, westdxup是候选海天线上部滑动窗口产生的最小灰度标准差对应的加权标准差,w3是该特征值的权值。计算每条候选海天线的值,选取最大Eval值对应的直线为最终的海天线,并提取海面区域。
与现有的技术相比,本发明的优势在于:
本发明通过加权纹理和上下文特征相结合的方法实现海天线的检测和海面区域的提取。该方法利用加权纹理对图像进行建模,提取海天区域,可以削减天空云层和海浪带来的干扰;提取一组候选海天线可以防止由于海天线直线特征不明显而造成的漏检;借助上下文特征,对候选海天线进行筛选,能够剔除被误检为海天线的云层、海浪、船只等。对比其他海天线检测方法,该方法能够在复杂的海天情况下,准确地定位到海天线的位置,提取海面区域。
附图说明
图1为本发明方法步骤示意图;
图2为本发明实施例所述获取原始图像;
图3为本发明实施例所述将每个区域的加权纹理值归一化处理后的示意图;
图4为本发明实施例所述步骤四处理结构示意图;
图5为本发明实施例所述步骤五示意图;
图6为本发明实施例所述步骤六示意图;
图7为本发明实施例所述步骤七候选海天线示意图;
图8本发明实施例所述步骤七为最终的海天线检测结果示意图;
图9为本发明实施例所述步骤八位于海天线位置之下的像素点被划分为海面区域;
图10为本发明实施例所述步骤八部分检测结构示意图;
图11为本发明实施例所述海天图像结构示意图;
图12为本发明实施例所述海天图像结构示意图;
图13为本发明实施例所述海天图像结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图,本发明实施例中,一种基于线性分割的海面区域提取方法,采用MATLAB编程语言,具体实施步骤如下:
步骤一:获取原始彩色图像;
获取的图像是RGB数字图像,分辨率为1000×677,如图2 所示。
步骤二:将图像转换为单通道灰度图像;
步骤三:沿竖直方向等分海天图像,利用灰度级共生矩阵和加权对比度公式计算每个区域的加权纹理值;
沿竖直方向将海天图像等分为t个区域,t=30。每个区域的大小为m×N,m=M/30,M是图像的高,N是图像的宽, M=677,N=1000,m=22。构建每个区域的灰度共生矩阵:
P(x,y,d,θ)=#{[(x,y),(x+m,y+n)]|f(x,y)=i,f(x+m,y+n)=j}
分别计算每个区域的加权纹理,计算公式为:
L1是区域的高,L2是区域的宽, L1=22,L2=1000。计算得到每个区域的加权纹理值,选取其中的最大值,将每个区域的加权纹理值归一化处理,如图3所示。
步骤四:对加权纹理值进行归一化处理,利用邻域信息剔除异常纹理值;
如果序号为i+1区域的加权纹理值小于序号为i区域的加权纹理值,则将序号为i+1区域的加权纹理值赋值给序号为 i的区域,i=1,2,…,29;否则进行空操作。
迭代的终止条件:整个遍历过程中没有出现赋值操作。
迭代结束后,计算平均加权纹理值,然后借助平均值对每个区域的加权纹理值再次进行归一化处理,归一化过程描述为:
处理结果如图4所示。
步骤五:利用位置信息进行加权纹理值建模,提取海天区域图像;
以图像的高为x轴,区域的加权纹理值为y轴,建立直角坐标系。利用步骤(4)得到的一组加权纹理信息拟合数学模型,得到拟合曲线,如图4所示。定义海天区域的加权纹理上限Plarge=0.0999,下限 Psmall=0.047,获得海天区域的边界[xlow,xhigh],如图5所示。
步骤六:在海天区域图像上,使用Hough变换获得一组候选海天线;
在Hough变换过程中,会对每条直线进行投票计数,选取投票计数值最大的前30条直线作为候选海天线,如图6所示。
步骤七:根据灰度标准差和均值信息对候选海天线进行评分,分数最高的直线即为海天线。
在每条候选海天线的上部和下部分别建立一个5×5的滑动窗口,滑动步长为step,如图7所示,其中白色方块代表候选海天线,蓝色方块则是位于候选海天线上部5×5的滑动窗口。在每个滑动窗口内计算灰度平均值、灰度标准差以及加权标准差。针对某一条候选海天线,取滑动窗口在滑动过程中产生的最小灰度平均值、最小灰度标准差以及最小加权标准差作为该候选海天线的上下文特征值。候选海天线的评分计算公式为:
上式中,Eval是候选海天线的评分,stdup是候选海天线上部的特征值(最小灰度标准差);Poll是Hough变换时产生的投票计数值;westddown是候选海天线下部滑动窗口产生的最小灰度标准差对应的加权标准差,westdup是候选海天线上部滑动窗口产生的最小灰度标准差对应的加权标准差,w1,w2,w3分别为对应的权值。选取评分最高的直线作为最终的海天线检测结果,如图8所示。分两种情况设置评分计算公式中的权值:计算加权纹理值中大于0.0001小于0.5纹理值的数量,如果1)数量大于等于3则认为海天线的直线特征不明显,应该降低直线特征权值的比重,提高上下文特征的权值, w1=1,w2=2,w3=1;2)数量小于3则认为海天线的上下文特征不明显,应该降低上下文特征权值的比重,提高直线特征的权值, w1=3,w2=5,w3=1。
步骤八:对图像中像素的位置进行判定,位于海天线位置之下的像素点被划分为海面区域,如图9所示。
为了验证本发明的可行性,本实施例选取了4组包含多种复杂情况的海天图像进行分析,其中部分结果如图10-13所示。检测结果表明,在低对比度、低光照、有大面积云层和海浪和高遮挡等复杂情况下,本发明仍然能以较快的速率准确地提取海面区域。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.一种基于线性分割的海面区域提取方法,其特征在于:包括以下步骤:
步骤一:获取原始彩色图像;
步骤二:利用蓝色通道值将RGB图像转化为单通道灰度图像;
步骤三:沿竖直方向等分海天图像,根据纹理和灰度信息计算每个区域的加权纹理值;
步骤四:对加权纹理值进行归一化处理,利用邻域信息剔除异常纹理值;
步骤五:利用位置信息进行加权纹理值建模,提取海天区域图像;
步骤六:在海天区域图像上,使用Hough变换获得一组候选海天线;
步骤七:根据灰度标准差和均值信息对候选海天线进行评分,分数最高的直线即为海天线;
步骤八:根据提取的海天线,对原始图像进行线性分割,获得海面区域。
2.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:在步骤二中,图像从RGB颜色空间到灰度空间的转换公式如下:
上式中,为RGB颜色空间的蓝色通道分量,为图像在处的灰度值。
3.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:在步骤三中,沿灰度图像的竖直方向等分出若干个区域,从上到下编号依次为1,2,3,...,30针对每个区域中的像素对,分别构建灰度级共生矩阵P(x,y,d,θ),(x,y)为像素点的坐标,d为间隔距离,θ为共线的像素对与水平方向的夹角;#是计数函数,被用来统计集合中元素的个数;
P(x,y,d,θ)=#{[(x,y),(x+m,y+n)]|f(x,y)=i,f(x+m,y+n)=f}
加权对比度计算公式为:
上式中,gray为区域的平均灰度,p(i,j)为像素对(i,j)在灰度级共生矩阵中出现的频率,
由于海水的纹理存在各向异性的特点,在四个角度(0°,45°,90°,135°)分别计算加权纹理值,并对四个值求和,作为该区域最终的加权纹理值,每个区域都有与之对应的加权纹理值,这样就会得到一组加权纹理值,选取最大的加权纹理值,利用该值对一组加权纹理值进行归一化处理。
4.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:在步骤四中,对于序号为i的区域,如果其加权纹理值大于序号为i+1区域的加权纹理值,则将序号为i+1区域的加权纹理值赋值给序号为i的区域;否则进行空操作;过程迭代;直到整个过程不存在赋值操作,迭代结束;
计算平均加权纹理值公式为:
上式中,n为区域的数目,We Correlation(i)为迭代处理后对应序号为i的区域的加权纹理值;以平均加权纹理值再次对各个区域的加权纹理值进行归一化处理,计算公式为:
上式中,WeCorrelationmin为迭代处理后,所有区域中最小的加权纹理值。区域的加权纹理值越趋向于1,则该区域属于海面的概率就越大;反之,属于天空的概率就越大。
5.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:步骤五中,以图像的高为X轴,区域的加权纹理值为Y轴建立直角坐标系,描述二者关系的数学模型为:
上式中,a是函数在X轴的偏移量;c是曲线倾斜的程度,值越大,曲线越陡峭;海天区域的加权纹理值介于天空区域与海面区域之间;定义海天区域的加权纹理上限为Plarge,下限为Psmali,则计算海天区域边界的公式为:
因此海天区域的边界在区间[xlow,xhigh]内。
6.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:在步骤六中,利用Hough变换得到一组候选海天线;在Hough变换过程中,会对每条候选海天线投票计数,而计数值Poll可以作为后续筛选海天线的依据;如果截取的海天区域的区间比较大,则需要增加候选海天线的数量,以防海天线的漏检;如果截取的海天线区域的区间比较小,则需要减少候选海天线的数量,防止误检。
7.根据权利要求1所述的一种基于线性分割的海面区域提取方法,其特征在于:在步骤(7)中,利用上下文特征对候选海天线进行评分;在每条候选海天线的上部和下部分别建立一个5×5的滑动窗口,滑动步长为step;在每个滑动窗口内计算灰度平均值、灰度标准差以及加权标准差;针对某一条候选海天线,取滑动窗口在滑动过程中产生的最小灰度平均值、最小灰度标准差以及最小加权标准差作为该候选海天线的上下文特征值;灰度平均值、灰度标准差以及加权标准差的计算公式为:
上式中,gray5×5是滑动窗口内的灰度平均值,Window(i,j)是滑动窗口坐标(i,j)对应下的灰度值,std5×5是灰度标准差,westd5×5是加权灰度标准差;
候选海天线的评分计算公式为:
上式中,Eval是候选海天线的评分,stdup是候选海天线上部的特征值(最小灰度标准差),w1是该特征值的权值;Poll是Hough变换时产生的投票计数值,w2是该计数值的权值;westddown是候选海天线下部滑动窗口产生的最小灰度标准差对应的加权标准差,westdup是候选海天线上部滑动窗口产生的最小灰度标准差对应的加权标准差,w3是该特征值的权值。计算每条候选海天线的值,选取最大Eval值对应的直线为最终的海天线,并提取海面区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395038.8A CN109785330A (zh) | 2018-11-22 | 2018-11-22 | 一种基于线性分割的海面区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811395038.8A CN109785330A (zh) | 2018-11-22 | 2018-11-22 | 一种基于线性分割的海面区域提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109785330A true CN109785330A (zh) | 2019-05-21 |
Family
ID=66496579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811395038.8A Withdrawn CN109785330A (zh) | 2018-11-22 | 2018-11-22 | 一种基于线性分割的海面区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109785330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131375A (zh) * | 2022-08-29 | 2022-09-30 | 南通富莱克流体装备有限公司 | 一种矿石自动分割方法 |
-
2018
- 2018-11-22 CN CN201811395038.8A patent/CN109785330A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131375A (zh) * | 2022-08-29 | 2022-09-30 | 南通富莱克流体装备有限公司 | 一种矿石自动分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427912B (zh) | 基于稠密目标特征学习的光学遥感图像目标检测方法 | |
CN108491854B (zh) | 基于sf-rcnn的光学遥感图像目标检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN102254319B (zh) | 一种多层次分割的遥感影像变化检测方法 | |
CN102830404B (zh) | 基于距离像的激光成像雷达地面目标识别方法 | |
CN112288008B (zh) | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 | |
CN104077777B (zh) | 一种海面舰船目标检测方法 | |
CN101799921B (zh) | 一种光学遥感图像云检测方法 | |
CN102629322B (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN109271856A (zh) | 基于扩张残差卷积的光学遥感图像目标检测方法 | |
CN107392963A (zh) | 一种用于软式自主空中加油的仿鹰眼运动目标定位方法 | |
CN104951799B (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN107092890A (zh) | 基于红外视频的舰船检测及跟踪方法 | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN104778701A (zh) | 一种基于rgb-d传感器的局部图像描述方法 | |
CN102645679A (zh) | 一种基于多普勒天气雷达回波图像的中气旋识别方法 | |
CN103077515A (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN106886747B (zh) | 一种基于扩展小波变换的复杂背景下舰船检测方法 | |
CN107092876A (zh) | 基于Retinex与S‑SIFT特征结合的低照度车型识别方法 | |
CN106886760A (zh) | 一种基于空谱信息结合的高光谱舰船检测方法 | |
CN104951765A (zh) | 基于形状先验信息和视觉对比度的遥感图像目标分割方法 | |
Dong et al. | Cloud detection method for high resolution remote sensing imagery based on the spectrum and texture of superpixels | |
CN105512600A (zh) | 一种基于互信息与特征提取的车牌识别方法 | |
CN106526558B (zh) | 基于多普勒天气雷达资料的阵风锋自动识别方法 | |
CN109785330A (zh) | 一种基于线性分割的海面区域提取方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190521 |