CN109816006B - 一种海天线检测方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明实施例公开了一种海天线检测方法、装置及计算机可读存储介质，通过将海空红外图像划分为子图像块，并根据子图像块特征建立高斯模型，然后基于海空红外图像中所划分的海水类训练样本及天空类训练样本对高斯模型进行训练，进而再基于训练结果建立贝叶斯模型，以对待分类图像区域中的所有像素点分别进行细划分决策，最后基于决策结果确定边缘点来进行直线拟合；通过本发明的实施，对复杂环境下的海天线检测具有较强的适应性，并有效提高了检测效率和检测准确性。

Description

一种海天线检测方法、装置及计算机可读存储介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种海天线检测方法、装置及计算机可读存储介质。

背景技术

海空背景下的红外图像，一般分为三大区域：天空、海水和海天线区域，海天线是海面和天空区域的交界线，在红外图像中是灰度值变化较大的区域，是一条亮度由高到低的海天交界渐变带，并且通常具有一定的倾斜度，可以通过细化，将其拟合成一条直线。在实际应用中，当对海上目标进行观测时，远距离的目标大都出现在海天线附近，由此，通过确定海天线区域，即可确定目标出现的潜在区域。

然而，在工程应用中，红外系统的工作环境通常较为复杂，当红外辐射在潮湿海面大气中传输时，会较易产生传输衰减以及被空气散射和吸收，使得红外图像易受噪声的影响而导致图像质量显著下降，进而海空红外图像中的海天线渐变带会变得模糊不清，出于此，需要采用海天线检测方法来对海空红外图像中的海天线进行有效提取。目前所采用的海天线检测方法通常为灰度图像阈值分割方法，相关技术中通过灰度图像阈值分割方法来对海天背景图像进行分割，然后得到海、天区域之间的边缘点，最后再基于所得到的边缘点来确定海天线，由于该方法仅考虑了图像的空域灰度信息，仅适用于边缘干扰较小的情况，在光斑、海杂波等干扰较强的情况下，可能导致海天线的误检。

发明内容

本发明实施例的主要目的在于提供一种海天线检测方法、装置及计算机可读存储介质，至少能够解决相关技术中采用灰度图像阈值分割方法进行海天线检测时，算法的适用场景较为局限、检测结果的准确性较低的问题。

为实现上述目的，本发明实施例第一方面提供了一种海天线检测方法，该方法包括：

将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息；

基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从所述海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练；

基于第一训练结果建立细划分贝叶斯模型，并利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；所述剩余图像区域为所述海空红外图像中，除所述海水图像区域和天空图像区域之外的图像区域；

根据细划分决策结果确定所述海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对所述边缘点进行拟合，得到所述海空红外图像中海天线的直线模型参数。

为实现上述目的，本发明实施例第二方面提供了一种海天线检测装置，该装置包括：

特征获取模块，用于将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息；

样本训练模块，用于基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从所述海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练；

细划分决策模块，用于基于第一训练结果建立细划分贝叶斯模型，并利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；所述剩余图像区域为所述海空红外图像中，除所述海水图像区域和天空图像区域之外的图像区域；

直线拟合模块，用于根据细划分决策结果确定所述海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对所述边缘点进行拟合，得到所述海空红外图像中海天线的直线模型参数。

为实现上述目的，本发明实施例第三方面提供了一种电子装置，该电子装置包括：处理器、存储器和通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现上述任意一种海天线检测方法的步骤。

为实现上述目的，本发明实施例第四方面提供了一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任意一种海天线检测方法的步骤。

根据本发明实施例提供的海天线检测方法、装置及计算机可读存储介质，通过将海空红外图像划分为子图像块，并根据子图像块特征建立高斯模型，然后基于海空红外图像中所划分的海水类训练样本及天空类训练样本对高斯模型进行训练，进而再基于训练结果建立贝叶斯模型，以对待分类图像区域中的所有像素点分别进行细划分决策，最后基于决策结果确定边缘点来进行直线拟合；对复杂环境下的海天线检测具有较强的适应性，并有效提高了检测效率和检测准确性。

本发明其他特征和相应的效果在说明书的后面部分进行阐述说明，且应当理解，至少部分效果从本发明说明书中的记载变的显而易见。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明第一实施例提供的海天线检测方法的流程示意图；

图2.1为本发明第一实施例提供的Z字形扫描顺序示意图；

图2.2为本发明第一实施例提供的原始海空红外图像；

图2.3为本发明第一实施例提供的天空类子图像块的二维余弦谱；

图2.4为本发明第一实施例提供的海水类子图像块的二维余弦谱；

图2.5为本发明第一实施例提供的图2.2中的两个子图像块的二维余弦谱经Z字形扫描展开后的一维余弦谱；

图2.6为本发明第一实施例提供的图2.2中所有天空类子图像块主余弦谱中前3个交流系数的统计分布曲线；

图2.7为本发明第一实施例提供的图2.2中所有海水类子图像块主余弦谱中前3个交流系数的统计分布曲线；

图3为本发明第一实施例提供的子图像块粗划分示意图；

图4.1为本发明第一实施例提供的子图像块细划分示意图；

图4.2为本发明第一实施例提供的第一列中子图像块新增像素点的示意图；

图4.3为本发明第一实施例提供的最后一列中子图像块新增像素点的示意图；

图4.4为本发明第一实施例提供的中间列中子图像块新增像素点的示意图；

图5.1为本发明第一实施例提供的另一海空红外图像；

图5.2为本发明第一实施例提供的海天线拟合图像；

图6为本发明第二实施例提供的海天线检测装置的结构示意图；

图7为本发明第三实施例提供的电子装置的结构示意图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，而非全部实施例。基于本发明中的实施例，本领域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。

第一实施例：

为了解决相关技术中采用灰度图像阈值分割方法进行海天线检测时，算法的适用场景较为局限、检测结果的准确性较低的技术问题，本实施例提出了一种海天线检测方法，如图1所示为本实施例提供的海天线检测方法的基本流程示意图，本实施例提出的海天线检测方法包括以下的步骤：

步骤101、将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息。

具体的，本实施例中的海空红外图像是指对海空背景进行红外拍摄所获取的图像，该红外图像中包括海水、天空以及海天线三大区域，另外，这里对海空红外图像进行划分是指按照预设图像块大小，将海空红外图像整体划分为多个互不重叠、大小均等的子图像块。

可选的，获取每个第一子图像块的图像特征信息包括：对每个第一子图像块分别进行二维离散余弦变换，得到每个第一子图像块的二维余弦谱；分别基于每个第一子图像块的二维余弦谱获取对应的主余弦谱，并将主余弦谱作为图像特征信息。

具体的，离散余弦变换(DCT，Discrete Cosine Transform)，主要用于将数据或图像的压缩，能够将空域的信号转换到频域上，具有良好的去相关性的性能。本实施例中可以假设海空红外图像的大小为M×N，按照图像位置顺序划分成大小为W×W的子图像块，对每个子块f(x,y)进行二维离散余弦变换，计算公式如下所示:

其中，f(x,y)为子图像块中每个像素的灰度值，F(u,v)为DCT变换系数，当u＝0,v＝0时称为直流系数，其余为交流系数。应当理解的是，这里的DCT变换系数也即频谱图中的幅度或幅值。

可选的，分别基于每个第一子图像块的二维余弦谱获取对应的主余弦谱包括：按照Z字形扫描顺序对每个第一子图像块的二维余弦谱分别进行展开，得到对应的一维余弦谱；获取一维余弦谱中幅值波动超过预设波动阈值的区域，并将所获取的区域所对应的一维余弦谱作为主余弦谱。

具体的，在实际应用中，在对子图像块进行DCT变换之后，可以通过Z字形扫描顺序对图像块离散余弦变换的二维余弦谱进行展开，得到一维的余弦谱数列

其中，F_d(u,v)表示扫描序号为d的变换系数。例如，当子图像块的大小W＝8时，其二维余弦谱以图2.1所示的顺序进行系数重排。

应当说明的是，如图2.2所示为原始海空红外图像，图中实线方框和虚线方框分别标记的是一个天空类子图像块和一个海水类子图像块，图2.3所示为该天空类子图像块的二维余弦谱，图2.4所示则为该海水类子图像块的二维余弦谱，图2.5所示为图2.2中的两个子图像块的二维余弦谱经Z字形扫描展开后的一维余弦谱，分别为谱图中所绘制的两条幅度曲线，从图2.5可以看出，不管是天空类子图像块还是海水类子图像块，其一维余弦谱的前半部分系数波动较大且存在明显的差异，而后半部分系数基本接近于0，基于此，在一种优选的实施方式中，可以将子图像块一维余弦谱中系数波动较大的区域确定为主余弦谱，然后将所确定的主余弦谱作为对应的子图像块特征。图2.6所示为图2.2中所有天空类子图像块主余弦谱中前3个交流系数的统计分布曲线，图2.7所示为图2.2中所有海水类子图像块主余弦谱中前3个交流系数的统计分布曲线。从图2.6和图2.7可以看出，主余弦谱服从高斯统计分布特性。应当理解的是，为了分析余弦谱的特性，本发明中图2.3、图2.4、图2.5、图2.6和图2.7所示均为去直流后的频谱图像。

可选的，在分别获取每个第一子图像块的图像特征信息之后，基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型之前，还包括：基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第二高斯模型，并基于预设边界先验信息将第一行第一子图像块以及最后一行第一子图像块分别作为第二天空类训练样本和第二海水类训练样本，对第二高斯模型进行训练；基于第二训练结果建立粗划分贝叶斯模型，并利用粗划分贝叶斯模型对海空红外图像中的剩余行的第一子图像块分别进行粗划分决策；剩余行的第一子图像块为海空红外图像中，除第一行第一子图像块以及最后一行第一子图像块之外的第一子图像块。

具体的，在本实施例中，为提升海天线检测算法的计算效率，在进行细划分决策之前，可以先进行粗划分决策。海水、天空子图像块的粗划分是指将图像划分成相同大小且不重叠的子图像块，假设图像中第一行的子图像块均为天空类子图像块、最后一行均为海水类子图像块，基于该边界先验信息，利用子图像块的特征

来预测其余的子图像块是天空还是海水的标签ω∈{0,1}。

在本实施例中，为了实现子图像块的粗划分决策，首先根据子图像块的图像特征信息的统计分布特性，利用多元正态分布构建了两个海、天子图像块高斯模型，其中所构建的模型的公式表达如下：

Pr(z|ω＝0)＝Normz[μ₀,Σ₀]

Pr(z|ω＝1)＝Normz[μ₁,Σ₁]

在学习时，根据边界先验信息，将第一行的子图像块标记为天空类子图像块(对应ω＝0)，作为天空类的训练样本子集来估计参数μ₀和Σ₀：

根据同样的方式，根据边界先验信息，将最后一行的子图像块标记为海水类子图像块(ω＝1)，作为海水类的训练样本子集来估计参数μ₁和Σ₁：

应当说明的是，在上式中，为了增大训练样本的数据量，本实施例中的N-W表示偏移量为1个像素点时水平方向上子图像块的个数。

而为了将本实施例中除去第一行和最后一行的子图像块之外的剩余子图像块分类为天空类子图像块或海水类子图像块，本实施例中建立贝叶斯模型：

其中，似然函数用多元高斯分布的类条件概率密度函数可表示为：

在上式中，μ_k是第k类样本的d维特征均值向量，

Σ_k是第k类d×d维协方差矩阵。

应当说明的是，由于

为证据因子，对于任何一类都相等，所以，当先验概率Pr(μ_k,Σ_k)一定时，后验概率与似然函数成正比，可以表示如下：

Pr(ω＝k|z)∝Pr(z|μ_k,Σ_k)

进而，如果Pr(z|μ₀,Σ₀)>Pr(z|μ₁,Σ₁)，那么ω＝0，即该子图像块的类别判别为天空，否则ω＝1，即该子图像块的类别判别为海水。在对海空红外图像中每个子图像块均使用该模型进行贝叶斯决策之后，可得到：

在上式中，p_i,j为决策矩阵P中第i行第j列的元素，是对原始红外图像中第i行第j列个子图像块的分类结果，如图3中阴影部分所示的大小为W×W的子图像块，其中，i＝1,...,s，j＝1,...,t，

表示图像垂直方向上互不重叠的子图像块总数，

表示图像水平方向上互不重叠的子图像块总数。

步骤102、基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练。

步骤103、基于第一训练结果建立细划分贝叶斯模型，并利用细划分贝叶斯模型对海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；剩余图像区域为海空红外图像中，除海水图像区域和天空图像区域之外的图像区域。

具体的，本实施例中采用细划分的方式对海空红外图像进行分类判别，其中进行分类判别时的单位为单个像素点。

可选的，将从海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本包括：根据粗划分决策结果将海空红外图像划分为海水图像区域、天空图像区域以及剩余图像区域；将海水图像区域的所有第一子图像块作为第一海水类训练样本，以及将天空图像区域的所有第一子图像块作为第一天空类训练样本。

具体的，在实际应用中，在进行分类判别之前，需要先确定训练样本，并基于训练样本来对参数进行学习。作为本实施例的一种优选实施方式，由于可以在细划分之前先进行粗划分决策，从而基于粗划分决策结果来确定训练样本，也即根据粗划分决策矩阵来从海空红外图像中确定对应于海水类训练样本的海水图像区域、对应于天空类训练样本的天空图像区域，其它区域也即剩余图像区域。

可选的，根据粗划分决策结果将海空红外图像划分为海水图像区域、天空图像区域以及剩余图像区域包括：根据粗划分决策结果确定全天空类子图像块所在行的最大值，以及全海水类子图像块所在行的最小值；基于全天空类子图像块所在行的最大值以及全海水类子图像块所在行的最小值，确定在海空红外图像中可作为训练样本的相互不发生重叠的第一子图像块的总行数H，并将第一海水类训练样本和第一天空类训练样本的行数均确定为H；将海空红外图像下边界处H行的第一子图像块划分为海水图像区域、将上边界处H行的第一子图像块划分为天空图像区域，以及将剩余行的第一子图像块划分为剩余图像区域。

具体的，在本实施例中，首先根据子图像块粗划分得到的结果矩阵P，计算该矩阵的行均值

得到其行均值向量[R₁,...,R_i,...,R_s]^T，由该向量中最后一个零元素的位置，得到粗划分结果中全天空块所在行的最大值h₁＝max{i|R_i＝0}以及全海水块所在行的最小值h₂＝min{i|R_i＝1}。

另外，在实际应用中，为了避免h₁和h₂过大以及确保两类训练样本数量一致，令H＝min{h₁,s-h₂}，其中H表示细划分时，原图像上下边界处可作为训练样本的不重叠图像块的总行数。考虑到海空背景条件下天空与海水呈自上而下分布的情况，则本实施例将海空红外图像上边界中前H行不重叠的子图像块作为细划分模型的天空类训练样本，则按照原位置顺序进行组合可表示为天空图像区域I₀：

I₀(c,r)＝I(c,r),1≤c≤HW,1≤r≤N

在上式中，I(c,r)表示图像第c行第r列像素点的灰度值。

并且按照相同的方式，将图像下边界中最后H行图像块作为细划分模型的海水类训练样本，则按照原位置顺序进行组合可表示为海水图像区域I₁：

I₁(c,r)＝I(c,r),M-HW+1≤c≤M,1≤r≤N

然后，由以上得到的海水、天空图像区域获取已标记的海、天子图像块训练样本，而为了增大训练样本的数据量，可以将子图像I₀和I₁划分为重叠的图像块，图像块的大小仍为W×W，重叠率为87.5％，即相邻图像块的偏移量为1个像素点。

同样地，根据子图像块的图像特征信息的高斯分布统计特性，建立细化分过程中海、天子图像块的高斯模型：

Pr(z|ω＝0)＝Norm_z[μ₀′,Σ₀′]

Pr(z|ω＝1)＝Norm_z[μ₁′,Σ₁′]

其中，参数μ₀′和Σ₀′分别表示天空类的均值向量和协方差矩阵，参数μ₁′和Σ₁′分别表示天空类的均值向量和协方差矩阵。同时，利用这两类训练样本的图像特征信息，对参数μ_k′和Σ_k′分别进行学习：

此时，除了已标记的图像区域I₀和I₁，未标记的不重叠图像块按照原位置顺序组合成图像区域I₂：

I₂(c,r)＝I(c,r),HW+1≤c≤M-HW,1≤r≤N

可选的，利用细划分贝叶斯模型对海空红外图像中剩余图像区域的所有像素点分别进行细划分决策包括：在海水图像区域与剩余图像区域的交界处，选取一个占用剩余图像区域的第一行像素点的第二子图像块；以所选取的第二子图像块作为行方向上的起始块，每在行方向上顺序滑动一个像素点得到一个列方向上的起始块，并将每一个列方向上的起始块每在列方向上顺序滑动一个像素点，得到一个当前列上的第二子图像块；在重叠滑动划分至每一列上的第二子图像块与剩余图像区域的最后一行像素点重叠时，将所划分出的所有第二子图像块确定为测试样本；将第一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的第一个像素点，以及最后一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的最后一个像素点，以及所有中间列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的中间像素点，确定为剩余图像区域的所有像素点；利用细划分贝叶斯模型对所确定出的所有像素点分别进行细划分决策。

具体的，在本实施例中，不同于子图像块粗划分的是，在细划分时，作为测试样本的子图像块是采用重叠滑动的划分方法。该方法的具体过程是：首先，在图像区域I₀与I₂交界处，选取一个大小为W×W的子图像块，该子图像块的位置满足条件：其最后一行恰好为图像区域I₂的第一行像素点，如图4.1中阴影块B₁所示，然后以该子图像块作为行方向上的起始块，每向右滑动1个像素点得到一个列方向上的起始块，接着，以每一列的阴影块B₁为起始块，每向下滑动1个像素点得到当前列的一个固定大小的子块，依次重叠滑动划分，直至每一列上子图像块的最后一行恰好为图像区域I₂的最后一行，由此，将所有的子图像块组成新的测试样本。

应当理解的是，计算新的测试样本的类条件概率密度Pr(z|μk′,Σk′)可以用下式表示：

其中，μ_k′是第k类样本的d维特征均值向量，

Σ_k′是第k类d×d维协方差矩阵。

假设p_i′_,j为细划分结果矩阵P′中第i行第j列的元素，对应原图像中第i行第j列像素点的类别。那么，对于已标记的天空图像区域I₀，其每个像素点的类别标签为：

p′_i,j＝0,i＝1,...,HW,j＝1,...,N

同理，对于已标记的海水图像区域I₁，其每个像素点的类别标签为：

p′_i,j＝1,i＝M-HW+1,...,M,j＝1,...,N

而为了得到未分类区域也即剩余图像区域I₂中每个像素点的类别，本实施例再一次应用贝叶斯法则：

由于按照从左到右的顺序对剩余图像区域I₂的每一列子图像块向下依次重叠滑动划分，因此，这里通过贝叶斯法则对测试样本进行细划分决策时，将子图像块按照所在列分为以下三种情况进行讨论：

其一，对于第一列的子图像块样本z∈I₂(c,r)，c＝HW+1,...,(M-HW)，1≤r≤W，如图4.2中虚线左侧的子块所示，虚线方框为当前列的起始块B₁，当B₁向下滑动1个像素点，得到实线方框表示的子图像块B₁′，子图像块B₁′与子图像块B₁相比仅新增了1行像素点，本发明中，利用子图像块B₁′的图像特征信息对该行左半部分的新增像素点进行分类判别，如图4.2阴影区域所示。

其二，对于最后一列的子图像块样本z∈I₂(c,r)，c＝HW+1,...,(M-HW)，N-W≤r≤N，如图4.2中虚线右侧区域的子图像块所示，虚线方框为当前列的起始块B₂，当B₂向下滑动1个像素点，得到实线方框表示的图像块B₂′，子图像块B₂′与子图像块B₂相比同样新增了1行像素点，本发明中，利用子图像块B₂′的图像特征信息对该行右半部分的新增像素点进行分类判别，如图4.3阴影区域所示。

其三，对于中间列的子图像块样本z∈I₂(c,r)，c＝HW+1,...,(M-HW)，r＝W+1,...,N-W-1，如图4.4中两条竖直虚线的中间区域所示，虚线方框为第二列的起始块B₂，当B₂向下滑动1个像素点，得到实线方框表示的子图像块B₂′，该子图像块与前一时刻的子图像块B₂、B₁′相比，仅新增了最后一行的1个中间像素点，本发明中，利用子图像块B₂′的图像特征信息对该行中间的1个新增像素点进行分类判别，如图4.4阴影区域所示。

应当说明的是，当先验概率Pr(μ_k′,Σ_k′)一定时，后验概率与似然函数成正比。如果Pr(z|μ₀′,Σ₀′)>Pr(z|μ₁′,Σ₁′)，则ω＝0，该新增像素点类别判为天空，否则ω＝1，该新增像素点类别判为海水。从而可得到剩余图像区域I₂每个像素点的类别决策结果：

在上式中，i＝HW+1,...,(M-HW)，j＝1,...,N。

步骤104、根据细划分决策结果确定海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对边缘点进行拟合，得到海空红外图像中海天线的直线模型参数。

具体的，在确定海空红外图像中海空区域之间的边缘点之后，则对所确定的边缘点进行直线拟合，从而根据直线拟合结果确定海天线的直线模型参数。

可选的，采用直线拟合算法对边缘点进行拟合，而得到海空红外图像中海天线的直线模型参数包括：将边缘点作为海天线候选点，采用随机抽样一致RANSAC算法对海天线候选点进行拟合；在海天线候选点中处于容差范围内的内点数量到达预设数量阈值时，将所拟合得到的直线的直线模型参数确定为海空红外图像中海天线的直线模型参数。

具体的，在本实施例中，根据细划分结果矩阵P′，得到海空红外图像的海空细划分图像，由图像每一列海天区域之间的边缘点，可确定该列海天线上一候选点

则海天线的直线模型可表示为：

在该式中，斜率K≠0，即满足海天线倾斜度的最低要求。然后，利用RANSAC技术对该集合进行扫描，在第一次扫描得到的扫描线中随机地选择两个扫描点

和

由该两点确定的直线方程可表示为：

对比海天线的直线模型可以得到：

计算集合内其余点到直线

的距离，在这条直线一定距离阈值范围内的点称为直线的内点，构成一致性集合，其余的点为外点。不断地重复随机抽样次数，直到当前直线的内点数最大，此时的内点集合称为最大内点集，它所支持的直线方程的参数和作为最终估计结果。如图5.1所示为海空红外图像，如图5.2所示为图5.1的海空红外图像的海天线拟合图像，其中，图5.2中所拟合的白色线条即为海天线。

应当说明的是，在实际应用中，也可以采用最小二乘、霍夫变换等拟合方法来进行海天线的直线拟合，本实施例所提出的RANSAC方法仅是一种优选方法，而并不构成唯一限定。

根据本发明实施例提供的海天线检测方法，通过将海空红外图像划分为子图像块，并根据子图像块特征建立高斯模型，然后基于海空红外图像中所划分的海水类训练样本及天空类训练样本对高斯模型进行训练，进而再基于训练结果建立贝叶斯模型，以对待分类图像区域中的所有像素点分别进行细划分决策，最后基于决策结果确定边缘点来进行直线拟合；对复杂环境下的海天线检测具有较强的适应性，并有效提高了检测效率和检测准确性。

第二实施例：

本实施例示出了一种海天线检测装置，具体请参见图6，为了解决现有技术中采用灰度图像阈值分割方法进行海天线检测时，算法的适用场景较为局限、检测结果的准确性较低的技术问题，本实施例的海天线检测装置包括：

特征获取模块601，用于将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息；

样本训练模块602，用于基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练；

细划分决策模块603，用于基于第一训练结果建立细划分贝叶斯模型，并利用细划分贝叶斯模型对海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；剩余图像区域为海空红外图像中，除海水图像区域和天空图像区域之外的图像区域；

直线拟合模块604，用于根据细划分决策结果确定海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对边缘点进行拟合，得到海空红外图像中海天线的直线模型参数。

具体的，本实施例中的海空红外图像是指对海空背景进行红外拍摄所获取的图像，该红外图像中包括海水、天空以及海天线三大区域，另外，这里对海空红外图像进行划分是指按照预设图像块大小，将海空红外图像整体划分为多个互不重叠、大小均等的子图像块。本实施例中采用细划分的方式对海空红外图像进行分类判别，其中进行分类判别时的单位为单个像素点。而在通过细划分的分类判别方式确定海空红外图像中海空区域之间的边缘点之后，则对所确定的边缘点进行直线拟合，从而根据直线拟合结果确定海天线的直线模型参数。

在本实施例的一些实施方式中，特征获取模块601具体用于对每个第一子图像块分别进行二维离散余弦变换，得到每个第一子图像块的二维余弦谱；分别基于每个第一子图像块的二维余弦谱获取对应的主余弦谱，并将主余弦谱作为图像特征信息。

进一步地，在本实施例的另一些实施方式中，特征获取模块601具体用于按照Z字形扫描顺序对每个第一子图像块的二维余弦谱分别进行展开，得到对应的一维余弦谱；获取一维余弦谱中幅值波动超过预设波动阈值的区域，并将所获取的区域所对应的一维余弦谱作为主余弦谱。

在本实施例的一些实施方式中，细划分决策模块603具体用于在海水图像区域与剩余图像区域的交界处，选取一个占用剩余图像区域的第一行像素点的第二子图像块；以所选取的第二子图像块作为行方向上的起始块，每在行方向上顺序滑动一个像素点得到一个列方向上的起始块，并将每一个列方向上的起始块每在列方向上顺序滑动一个像素点，得到一个当前列上的第二子图像块；在重叠滑动划分至每一列上的第二子图像块与剩余图像区域的最后一行像素点重叠时，将所划分出的所有第二子图像块确定为测试样本；将第一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的第一个像素点，以及最后一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的最后一个像素点，以及所有中间列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的中间像素点，确定为剩余图像区域的所有像素点；利用细划分贝叶斯模型对所确定出的所有像素点分别进行细划分决策。

在本实施例的一些实施方式中，直线拟合模块604具体用于将边缘点作为海天线候选点，采用随机抽样一致RANSAC算法对海天线候选点进行拟合；在海天线候选点中处于容差范围内的内点数量到达预设数量阈值时，将所拟合得到的直线的直线模型参数确定为海空红外图像中海天线的直线模型参数。。

在本实施例的一些实施方式中，海天线检测装置还包括粗划分决策模块，粗划分决策模块用于在基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型之前，基于图像特征信息分别建立海水类子图像块以及天空类子图像块的第二高斯模型，并基于预设边界先验信息将第一行第一子图像块以及最后一行第一子图像块分别作为第二天空类训练样本和第二海水类训练样本，对第二高斯模型进行训练；基于第二训练结果建立粗划分贝叶斯模型，并利用粗划分贝叶斯模型对海空红外图像中的剩余行的第一子图像块分别进行粗划分决策；剩余行的第一子图像块为海空红外图像中，除第一行第一子图像块以及最后一行第一子图像块之外的第一子图像块。此时，细划分决策模块603则具体用于根据粗划分决策结果将海空红外图像划分为海水图像区域、天空图像区域以及剩余图像区域；将海水图像区域的所有第一子图像块作为第一海水类训练样本，以及将天空图像区域的所有第一子图像块作为第一天空类训练样本。

进一步地，在本实施例的一些实施方式中，细划分决策模块603具体用于根据粗划分决策结果确定全天空类子图像块所在行的最大值，以及全海水类子图像块所在行的最小值；基于全天空类子图像块所在行的最大值以及全海水类子图像块所在行的最小值，确定在海空红外图像中可作为训练样本的不发生重叠的第一子图像块的总行数H，并将第一海水类训练样本和第一天空类训练样本的行数均确定为H；将海空红外图像下边界处H行的第一子图像块划分为海水图像区域、将上边界处H行的第一子图像块划分为天空图像区域，以及将剩余行的第一子图像块划分为剩余图像区域。

应当说明的是，第一实施例中的海天线检测方法均可基于本实施例提供的海天线检测装置实现，所属领域的普通技术人员可以清楚的了解到，为描述的方便和简洁，本实施例中所描述的海天线检测装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

采用本实施例提供的海天线检测装置，通过将海空红外图像划分为子图像块，并根据子图像块特征建立高斯模型，然后基于海空红外图像中所划分的海水类训练样本及天空类训练样本对高斯模型进行训练，进而再基于训练结果建立贝叶斯模型，以对待分类图像区域中的所有像素点分别进行细划分决策，最后基于决策结果确定边缘点来进行直线拟合；对复杂环境下的海天线检测具有较强的适应性，并有效提高了检测效率和检测准确性。

第三实施例：

本实施例提供了一种电子装置，参见图7所示，其包括处理器701、存储器702及通信总线703，其中：通信总线703用于实现处理器701和存储器702之间的连接通信；处理器701用于执行存储器702中存储的一个或者多个计算机程序，以实现上述实施例一中的海天线检测方法中的至少一个步骤。

本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器),ROM(Read-Only Memory，只读存储器),EEPROM(Electrically Erasable Programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。

本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述实施例一中的方法的至少一个步骤。

本实施例还提供了一种计算机程序，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述实施例一中的方法的至少一个步骤；并且在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。

本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。

可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。

此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。

以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种海天线检测方法，其特征在于，包括：

将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息；

基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从所述海空红外图像中划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练；

基于对所述第一高斯模型进行训练所得到的第一训练结果建立细划分贝叶斯模型，并利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；所述剩余图像区域为所述海空红外图像中，除所述海水图像区域和天空图像区域之外的图像区域；

根据细划分决策结果确定所述海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对所述边缘点进行拟合，得到所述海空红外图像中海天线的直线模型参数；

其中，所述利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策包括：

在所述海水图像区域与所述剩余图像区域的交界处，选取一个占用所述剩余图像区域的第一行像素点的第二子图像块；

以所选取的第二子图像块作为行方向上的起始块，每在行方向上顺序滑动一个像素点得到一个列方向上的起始块，并将每一个列方向上的起始块每在列方向上顺序滑动一个像素点，得到一个当前列上的所述第二子图像块；

在重叠滑动划分至每一列上的所述第二子图像块与所述剩余图像区域的最后一行像素点重叠时，将所划分出的所有第二子图像块确定为测试样本；

将第一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的第一个像素点，以及最后一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的最后一个像素点，以及所有中间列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的中间像素点，确定为所述剩余图像区域的所有像素点；

利用所述细划分贝叶斯模型对所确定出的所有像素点分别进行细划分决策。

2.如权利要求1所述的海天线检测方法，其特征在于，所述获取每个第一子图像块的图像特征信息包括：

对每个第一子图像块分别进行二维离散余弦变换，得到所述每个第一子图像块的二维余弦谱；

分别基于所述每个第一子图像块的二维余弦谱获取对应的主余弦谱，并将所述主余弦谱作为图像特征信息。

3.如权利要求2所述的海天线检测方法，其特征在于，所述分别基于所述每个第一子图像块的二维余弦谱获取对应的主余弦谱包括：

按照Z字形扫描顺序对所述每个第一子图像块的二维余弦谱分别进行展开，得到对应的一维余弦谱；

获取所述一维余弦谱中幅值波动超过预设波动阈值的区域，并将所获取的区域所对应的一维余弦谱作为主余弦谱。

4.如权利要求1所述的海天线检测方法，其特征在于，所述采用直线拟合算法对所述边缘点进行拟合，得到所述海空红外图像中海天线的直线模型参数包括：

将所述边缘点作为海天线候选点，采用随机抽样一致RANSAC算法对所述海天线候选点进行拟合；

在所述海天线候选点中处于容差范围内的内点数量到达预设数量阈值时，将所拟合得到的直线的直线模型参数确定为所述海空红外图像中海天线的直线模型参数。

5.如权利要求1至4中任意一项所述的海天线检测方法，其特征在于，在基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型之前，还包括：

基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第二高斯模型，并基于预设边界先验信息将第一行第一子图像块以及最后一行第一子图像块分别作为第二天空类训练样本和第二海水类训练样本，对所述第二高斯模型进行训练；

基于对所述第二高斯模型进行训练所得到的第二训练结果建立粗划分贝叶斯模型，并利用所述粗划分贝叶斯模型对所述海空红外图像中的剩余行的第一子图像块分别进行粗划分决策；所述剩余行的第一子图像块为所述海空红外图像中，除所述第一行第一子图像块以及最后一行第一子图像块之外的第一子图像块；

所述将从所述海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本包括：

根据粗划分决策结果将所述海空红外图像划分为海水图像区域、天空图像区域以及剩余图像区域；

将所述海水图像区域的所有第一子图像块作为第一海水类训练样本，以及将所述天空图像区域的所有第一子图像块作为第一天空类训练样本。

6.如权利要求5所述的海天线检测方法，其特征在于，所述根据粗划分决策结果将所述海空红外图像划分为海水图像区域、天空图像区域以及剩余图像区域包括：

根据粗划分决策结果确定全天空类子图像块所在行的最大值，以及全海水类子图像块所在行的最小值；

基于所述全天空类子图像块所在行的最大值以及全海水类子图像块所在行的最小值，确定在所述海空红外图像中可作为训练样本的相互不发生重叠的第一子图像块的总行数H，并将所述第一海水类训练样本和第一天空类训练样本的行数均确定为所述H；

将所述海空红外图像下边界处所述H行的第一子图像块划分为海水图像区域、将上边界处所述H行的第一子图像块划分为天空图像区域，以及将剩余行的第一子图像块划分为剩余图像区域。

7.一种海天线检测装置，其特征在于，包括：

特征获取模块，用于将海空红外图像划分为多个第一子图像块，并分别获取每个第一子图像块的图像特征信息；

样本训练模块，用于基于所述图像特征信息分别建立海水类子图像块以及天空类子图像块的第一高斯模型，并将从所述海空红外图像中所划分出的预设海水图像区域和天空图像区域的第一子图像块分别作为第一海水类训练样本以及第一天空类训练样本，然后分别对相应的第一高斯模型进行训练；

细划分决策模块，用于基于对所述第一高斯模型进行训练所得到的第一训练结果建立细划分贝叶斯模型，并利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策；所述剩余图像区域为所述海空红外图像中，除所述海水图像区域和天空图像区域之外的图像区域；

直线拟合模块，用于根据细划分决策结果确定所述海空红外图像中海空区域之间的边缘点，并采用直线拟合算法对所述边缘点进行拟合，得到所述海空红外图像中海天线的直线模型参数；

其中，所述细划分决策模块在执行利用所述细划分贝叶斯模型对所述海空红外图像中剩余图像区域的所有像素点分别进行细划分决策时，具体用于：

在所述海水图像区域与所述剩余图像区域的交界处，选取一个占用所述剩余图像区域的第一行像素点的第二子图像块；

以所选取的第二子图像块作为行方向上的起始块，每在行方向上顺序滑动一个像素点得到一个列方向上的起始块，并将每一个列方向上的起始块每在列方向上顺序滑动一个像素点，得到一个当前列上的所述第二子图像块；

在重叠滑动划分至每一列上的所述第二子图像块与所述剩余图像区域的最后一行像素点重叠时，将所划分出的所有第二子图像块确定为测试样本；

将第一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的第一个像素点，以及最后一列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的最后一个像素点，以及所有中间列测试样本每相邻的两个测试样本之间所间隔的一行像素点中，处于行方向上的中间像素点，确定为所述剩余图像区域的所有像素点；

利用所述细划分贝叶斯模型对所确定出的所有像素点分别进行细划分决策。

8.一种电子装置，其特征在于，包括：处理器、存储器和通信总线；

所述通信总线用于实现所述处理器和存储器之间的连接通信；

所述处理器用于执行所述存储器中存储的一个或者多个程序，以实现如权利要求1至6中任意一项所述的海天线检测方法的步骤。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至6中任意一项所述的海天线检测方法的步骤。

Images