CN109978869A - 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 - Google Patents
一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 Download PDFInfo
- Publication number
- CN109978869A CN109978869A CN201910247496.5A CN201910247496A CN109978869A CN 109978869 A CN109978869 A CN 109978869A CN 201910247496 A CN201910247496 A CN 201910247496A CN 109978869 A CN109978869 A CN 109978869A
- Authority
- CN
- China
- Prior art keywords
- image
- sea horizon
- sea
- gray level
- pixel
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于灰度共生矩阵和Hough变换的海天线检测方法,其特征在于:包括:步骤1、将采集到的原始可见光视频监控图像进行图像质量增强;步骤2、对预处理过的图像使用灰度转换公式转换成灰度图;步骤3、对得到的灰度图,计算不同角度值下的灰度共生矩阵;步骤4、根据纹理变化率确定出海天线可能存在的区域;步骤5、采用数学上的形态学方法对区域进行灰度形态学的腐蚀和膨胀操作;步骤6、使用改进的基于直方图优化的加权高斯模糊在去除噪声,得到边缘图像;步骤7、拟合为最终检测到的海天线。本发明提出的方法及系统能够精确地检测到海天线,能够有效排除云层、海面杂波、光照、遮挡物的干扰。
Description
技术领域
本发明图像处理领域,特别是涉及一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统。
背景技术
随着经济的发展,海洋经济在国民经济发展中的地位日益凸显。一个显著的表现是:所开辟的国内港口往返的航线和国际航线越来越多,航线之间纵横交错,复杂多变。而这就带来了改进的问题。随着航线的增加,海上来往舰船数量、水域交通密度和海上障碍物不断增加,与此同时,我国海上航行的船舶种类繁多,既有商业船舶,例如货船、客船、油船等等,吨位从数十吨到几十万吨不等;又有渔业船舶,大小从数吨到数千吨不等;还有公用事业的船舶,例如军事船舶、公安船舶、农用船舶等等,这些都给我国的海洋交通管理和海域安全带来了巨大的挑战。在这样的背景下,针对各种各样的海上活动,开展复杂环境下海上目标检测技术研究,对于有效的保护和管理海洋交通环境,充分利用海洋资源,实现海洋可持续发展具有重要而长远的意义。
目前的海上目标检测技术也面临着诸多挑战。首先,海上环境复杂多变,常出现下雨、雾霾等恶劣天气;其次,受光照、风、海浪等多种自然因素的影响,海面环境一直处在动态的变化过程中,在海上环境中采集的视频数据包含了大量噪声和扰动信息,如杂乱无章的鱼鳞光、不规则运动的丰富纹理的波浪等。低质量的海上视频数据直接导致视觉目标的显著性不足;最后,海上目标可视范围小、视频信息抖动剧烈,位置变化严重,实时精准定位困难。面对复杂海洋天候环境下出现的新挑战,传统的目标检测技术已经无法满足海上数据实时、高效处理的需求。
海天线是区分海岸与天空的分界线,是海面复杂环境的重要特征之一。通过对于海天线的有效检测,划分出感兴趣区域(ROI),能够有效提高海上目标检测的精度和效率。在海天线检测方面,现有的海天线检测技术大多数都是针对红外图像进行的检测,例如,公开号为CN104268877A,发明名称为“一种红外图像海天线自适应检测方法”的专利,公开了一种红外图像的海天线自适应检测方法;公开号为CN106127728B,发明名称为“一种海空背景下的红外图像海天线连通域检测方法”的专利,公开了一种海空背景下的红外图像海天线连通域检测方法;公开号为CN105787950A,发明名称为“一种基于行梯度累加的红外图像海天线检测算法”的专利,公开了一种基于行梯度累加的红外图像海天线检测算法。但是此类方法图像中丢失了大量信息,难以兼顾速度和准确性,并且无法直接应用于可见光场景下,极大的限制了应用范围,不利于后续的目标检测等等;目前可见光图像海天线检测主流的方法主要是利用海面与天空的灰度特性来检测海天线。例如计算列方向上灰度梯度最大的地方作为海天线,例如,公开号为CN102279973A,发明名称为“基于高梯度关键点的海天线检测方法”的专利,公开了一种基于高梯度关键点的海天线检测方法,但海天线在许多情况下并不是水平的,这种方法并不适用于海天线倾斜的情况,除此之外,但当云层与天空,海浪与海面存在很大灰度差异的情况下,以及存在舰船,岛屿等干扰的情况下检测也会受到极大影响。传统的大津阈值算法和Canny算法能够对海天图像进行阈值分割和边缘检测,但极容易受到图像噪声的影响,也忽略了图像背景中的局部特征。公开号为CN108776778A,发明名称为“一种基于数学形态学的海天线检测方法”的专利,公开了一种基于数学形态学去除干扰点及直线拟合的海天线检测方法,但是该方法容易受到天空连续杂乱的云层以及海面上纹理丰富的波浪影响,形成伪直线;公开号为CN108447067A,发明名称为“一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法”的专利,公开了一种基于能量缝剪裁和RANSAC拟合的可见光图像海天线检测方法,这种方法在海面与天空灰度平滑时表现较好,但是当天空中的颜色分布被云层的灰度分布严重干扰时会出现很大的偏差;
发明内容
本发明的目的在于通过对采集到的可见光视频图像进行一系列的处理和分析,首先通过改进的灰度转换公式将原图转换为灰度图,相对于常用的灰度转换公式自适应的增大天空与海面的灰度差异,对于不同的天气及复杂情况下都适用。之后计算灰度共生矩阵,并利用新提出的对比度公式计算纹理变化率,局部定位出海天线可能存在的位置,极大的减少了可能存在的海波干扰与云层干扰。该方法能够有效精确地检测出海天线的位置,有效排除云层、光照不均、海波、岛屿船只遮挡等干扰,对于不同倾斜角度的海天线均能有效检测,能够有效地提高系统对于海上目标的检测效果,并且减少计算量,提高目标检测效率,缩短检测时间。
本发明还提供了一种基于灰度共生矩阵和Hough变换的海天线检测方法,包括:
步骤1、将采集到的原始可见光视频监控图像进行图像质量增强;
步骤2、对预处理过的图像使用改进的灰度转换公式转换成灰度图;
步骤3、对得到的灰度图,计算不同角度值下的灰度共生矩阵。也即,遍历图中的每个像素对,计算不同角度值下的灰度共生矩阵;
步骤4、将图像分成n个子块,分块根据改进的对比度公式计算纹理变化率来对图像纹理特征进行量化对比,从而根据纹理变化率确定出海天线可能存在的大概区域,作为后续处理区域;
步骤5、对于前一步骤提取出的区域,采用数学上的形态学方法对该区域进行灰度形态学的腐蚀和膨胀操作,使图像的边界收缩的同时消除目标区域中的小噪声及小孔洞,使图像尽量形成大的连通域(海面和天空)。
步骤6、对形态学处理过后的图像使用改进的基于直方图优化的加权高斯模糊在去除噪声,降低伪边缘的识别的同时有效地保留原始信息。之后利用3X3的Sobel算子结合Canny算法对图像进行边缘检测,得到边缘图像。
步骤7、基于Hough变换的方法在边缘图像中迭代计算寻找出最长的连续直线,拟合为最终检测到的海天线。
进一步地,本发明还提供一种基于灰度共生矩阵和Hough变换的海天线检测系统,包括:图像质量增强模块、灰度图转换模块、纹理提取与比较模块、数学形态学处理模块、边缘检测模块、海天线拟合模块,其中:
图像质量增强模块用于图像进行预先处理,增强图像质量;
灰度图转换模块用于将预处理的图像使用改进的灰度图转换公式转换成灰度图;
纹理提取与比较模块基于灰度共生纹理矩阵方法提取灰度图像中的纹理特征,并对纹理特征进行进一步的计算和比较,划分出天空区域以及海面区域,从而确定出海天线可能存在的大概区域;
数学形态学处理模块对提取出的海天线可能存在的区域进行数学形态学上的腐蚀和膨胀处理;
边缘检测模块用于先对形态学处理过后的图像进行高斯模糊等降噪过程,然后基于改进的Canny算法提取图像的边缘,得到边缘图像;
海天线拟合模块对边缘进行直线检测,基于Hough变换方法寻找图像中的最长直线并拟合为海天线。
本发明的有益效果在于:
(1)本发明提出的方法及系统能够精确地检测到海天线,能够有效排除云层、海面杂波、光照、遮挡物的干扰。
(2)该方法通过改进的灰度转换公式,相对于常用的灰度转换公式自适应的增大天空与海面的灰度差异,对于不同的天气及复杂情况下都适用。
(3)该方法通过灰度共生矩阵以及基于改进的对比度公式计算纹理变化率,确定出海天线可能存在的大概区域,极大的减少了可能存在的海波干扰与云层干扰。
(4)该方法通过改进的对比度公式,有效考虑可能存在的不同角度的海天线,对于倾斜的海天线也能精确检测。
附图说明
图1为本发明方法的流程图;
图2为本发明的实施例的待检测图片;
图3为本发明的实施例的检测后的结果图片;
图4为不同干扰下的天空和海面纹理特征的新定义的对比度。
具体实施方式
以下将结合附图1-4对本发明的技术方案进行详细说明。
如图1所示,该实施例还提供了一种基于灰度共生矩阵和Hough变换的海天线检测方法,具体包括:
步骤1、将采集到的原始可见光视频监控图像进行图像质量增强;
首先,对于实施例提供的待检测的MxN大小的RGB图像I(x,y)。将颜色分通道处理,将每个通道分量的像素值由整数型转换为浮点数型,同时,转换到对数域(取log),以利用取对数的方法将照射光分量和反射光分量分离。定义中心环绕函数也即高斯滤波函数,其中C表示高斯环绕尺度,λ表示放缩尺度。x和y表示对应图像的像素坐标,e表示自然对数。用高斯模板对原图像作卷积,即相当于对原图像作低通滤波,得到低通滤波后的图像D(x,y),用公式表示为D(x,y)=I(x,y)*F(x,y)。之后,仍然在对数域中,用原图像I(x,y)减去低通滤波后的图像D(x,y),得到高频增强的图像H(x,y),用公式表示为H(x,y)=logI(x,y)-logD(x,y)。最后,对H(x,y)取反对数,可得到增强后的图像E(x,y),用公式表示为E(x,y)=exp(H(x,y))。
步骤2、对增强后的图像使用灰度转换公式转换成灰度图。
将待检测的图像I(x,y)进行增强后,得到增强后的图像E(x,y),这时需要将图像E(x,y)转换为灰度图Igrey。传统的将RGB图像转换为灰度图转换公式为Igrey=(R(x,y)*299+G(x,y)*587+B(x,y)*114+500)/1000,其中,R(x,y)表示坐标为(x,y)的像素的红色通道值,G(x,y)表示坐标为(x,y)的像素的绿色通道值,B(x,y)表示坐标为(x,y)的像素的蓝色通道值。但是实验过程中发现,通过单一通道来进行灰度图的转换能使得天空与海面的灰度差异增大,更有利于后续的处理。例如,当晴天时,天空大部分像素点的蓝色通道值会大于红色通道值和绿色通道值,此时以蓝色通道值作为该像素点的灰度进行灰度图的转换能使得天空与海面的灰度差异增大。类似的,黄昏和黎明时,天空大部分像素点的红色通道值会大于蓝色通道值和绿色通道值,此时以红色通道值作为该像素点的灰度进行灰度图的转换能使得天空与海面的灰度差异增大。
因此,采用改进的灰度转换公式将图像转换为灰度图Igrey,公式为:其中Igrey(x,y)表示坐标为(x,y)的像素的灰度值,R(x,y)表示坐标为(x,y)的像素的红色通道值,G(x,y)表示坐标为(x,y)的像素的绿色通道值,B(x,y)表示坐标为(x,y)的像素的蓝色通道值。
步骤3、基于灰度共生矩阵方法提取灰度图像中的纹理特征;
灰度的范围为0-255,为了减少计算量,先对图像的灰度级进行压缩。在压缩之前,将图片进行直方图均衡化处理,增加灰度值的动态范围,然后将图像的灰度级压缩到8个灰度级,公式为:
构造灰度共生矩阵的公式为Pd,θ(i,j)=#{(x1,y1),(x2,y2)∈M×N|Igrey(x1,y1)=i,Igrey(x2,y2)=j},其中#(x)表示集合x中的元素个数,d表示距离,x2=x1+d,两者与坐标横轴的夹角为θ。遍历不同的θ值,遍历图像中的每个点,计算得到所有的灰度共生矩阵。
步骤4、将图像分成n个子块,分块根据改进的对比度公式计算纹理变化率;
将灰度图Igrey横向切分为n个子块,则每个子块的大小为如此,Igrey可以用一个列向量来表示,也即Igrey=(a1,a2,a3,…,an)T,其中,ai表示第i个子块的纹理特征。
由于天空和海面的纹理特征差异较大,若两个子块之间较为相似,则判定同属于天空区域或者同属于海面区域,否则,则为可能的天空与海面的分界区域。
我们通过改进的对比度公式来定义两个子块间的相似度,传统的对比度公式定义为C=∑i∑j(i-j)2Pd,θ(i,j),其中,d表示距离,θ表示方向,Pd,θ(i,j)表示距离为d,角度为θ时的灰度共生矩阵,C表示最后获得的对比度。传统的对比度公式角度值为确定的某一值,一般为0。这种情况下,对于倾斜的海天线,传统的对比度公式就不能很好的度量每个子块的纹理特征,从而导致无法精确的检测到海天线。
本系统使用改进的对比度公式来定量表示纹理特征,也即,C=∑i∑j∑θ(i-j)2Pd,θ(i,j)。
其中,d表示距离,θ表示方向,Pd,θ(i,j)表示距离为d,角度为θ时的灰度共生矩阵。
通过这种方式,考虑不同的角度的纹理特征,可以更有利于倾斜的海天分界线的检测。
同一幅图像的纹理变化率由公式来度量,其中,Δti表示第i-1个子块和第i个子块之间的纹理变化率,ai表示第i个子块的纹理特征,||表示绝对值。
根据纹理变化率公式可以计算得到整幅图像的纹理变化梯度列向量T=(Δt2,Δt3,…,Δtk)T。由此,可以计算得到T中的最大值,记为令k=[(n-4)/8],其中k表示阈值,n为子块的个数,[]表示取整操作,则此时将锁定为原图像中可能存在海天线的区域,记为f(x,y)。
步骤5、采用数学上的形态学方法对锁定区域f(x,y)进行灰度形态学的腐蚀和膨胀操作;
自定义腐蚀结构元素用Be扫描f(x,y)的每一个像素,用结构元素Be与其覆盖的灰度图像做“与”操作,在由结构元素确定的邻域块中选取图像值与结构元素值的差的最小值,用公式可以表示为g1(x,y)=erode[f(x,y),Be]=min{f(x+x′,y+y′)-Be(x′,y′)|(x′,y′)∈Db},其中g1(x,y)为腐蚀后的灰度图像,f(x,y)为原灰度图像,Be为结构元素,x′,y′分别表示Be中对应像素的坐标,Db表示结构元素的空间。
接下来自定义膨胀结构元素用Bd扫描f(x,y)的每一个像素,用结构元素Bd与其覆盖的灰度图像做“与”操作,在由结构元素确定的邻域块中选取图像值与结构元素值的和的最大值,用公式可以表示为g2(x,y)=dilate[g1(x,y),Be]=max{g1(x-x′,y-y′)+Bd(x′,y′)|(x′,y′)∈Db},其中:
g1(x,y)为腐蚀后的灰度图像;
g2(x,y)为膨胀后的灰度图像;
Bd为结构元素;
x′,y′分别表示Bd中对应像素的坐标;
Db表示结构元素的空间。
步骤6、使用改进的加权高斯模糊去除噪声,并利用Sobel算子结合Canny算法对图像进行边缘检测;
为了使边缘检测的结果更好,需要先去除图像噪声。传统的高斯模糊的权重和像素距离中心点的距离成高斯分布,这种做法会导致被模糊后的图像细节严重丢失。在这里对传统的高斯模糊方法做出改进,采用加权的高斯模糊,设置阈值T,当中心点像素和邻域像素的距离大于T时,设置其权重为0,通过这种方式,对于像素值变化较为剧烈的边缘地带,则能够有效地保留原始信息,在降低噪音的同时保留边缘信息。
接下来使用Sobel算子计算水平和垂直方向的差分Gx和Gy,横向模板算子纵向模板算子将它们与图像作平面卷积,得出横向及纵向的亮度差分近似值。梯度的大小使用梯度的模近似表征:梯度方向由公式定义。之后与传统canny算子的算法相同,比较当前点的梯度强度和正负梯度方向点的梯度强度,如果当前点的梯度强度和同方向的其他点的梯度强度相比较为最大,保留其值。否则抑制,也即,设为0。之后,应用双阀值,即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值,则被认为是强边缘点。如果边缘梯度值小于高阀值,大于低阀值,则标记为弱边缘点。小于低阀值的点则被抑制掉。之后,搜索所有连通的弱边缘,如果一条连通的弱边缘的任何一个点和强边缘点连通,则保留这条弱边缘,否则抑制这条弱边缘。具体来说,先定义一个栈s,一个队列q,设连通指示变量connected为假。从图像的第一个点开始,如果这个点是弱边界点并且没有被标记,把它标记,并把它作为第一个元素放入栈s中,同时把它放入记录连通曲线的队列q,进入下一个过程,如果这个点不是弱边界或者已经被标记过,到图像的下一个点,重复这个过程。
从栈s中取出一个元素,查找它的8像素领域。如果一个领域像素是弱边界并且没有被标记过,把这个领域像素标记,并加入栈s中,同时加入队列q。同时查找领域对应的强边界图,如果有一个像素是强边界,表示这条弱边界曲线和强边界联通,设置connected为真。重复这个过程直到栈中没有元素了。如果connected为假,则依次从队列q中取出每个元素,清空标记。如果connected为真,保留标记。
最后清空队列q,设置connected为假,移动到图像的下一个点,继续上述过程,直到遍历图像的所有点。
至此,可以得到边缘图像Edge(x,y)。
步骤7、基于Hough变换的方法在边缘图像Edge(x,y)中迭代计算寻找出最长的连续直线,拟合为最终检测到的海天线;
在上一步骤中得到了图像的边缘点集合,将所有的点从直角坐标系下的空间变换到Hough空间(ρ,θ)。将(ρ,θ)空间量化,得到二维矩阵,M(ρ,θ)是一个二维累加器,初始值为0。之后对边缘点集合中的每一个点(xi,yi),将θ的所有量化值带入,计算出相应的ρ,并增加对应的累加器中的点个数。所有的计算结束之后,在参数计算表决结果中找到M(ρ,θ)的最大峰值,所对应的ρ、θ就是源图像中共线点数目最多(共M(ρ,θ)个共线点)的直线方程的参数,接下来可以继续寻找次峰值和第三峰值和第四峰值等等,它们对应于原图中共线点略少一些的直线。接下来将直线和点反变换回原来的坐标空间,得到直线。遍历所有直线,代计算寻找出最长的连续直线,拟合为最终检测到的海天线。
如图2所示,图2为具有代表性的包含干扰的待检测图片,为海天线倾斜的情况。如图3所示,图3为待检测图像的海天线检测结果。可以看到,本系统能够精确的处理海天线倾斜的情况。
如图4所示,图4为取d=[1,20],步长为一个像素点,将新定义的对比度进行归一化处理后在不同干扰下的天空和海面纹理特征的区别,可以看到,对于多种极端情况,尤其是倾斜情况,都能有效区别出天空与海面的纹理特征。进行归一化处理是为了方便在坐标轴中进行展示,实际过程中天空纹理与海面纹理的差距接近一个数量级之多。
此外,该实施例还提供了一种基于灰度共生矩阵和Hough变换的海天线检测系统,包括:图像质量增强模块、灰度图转换模块、纹理提取与比较模块、数学形态学处理模块、边缘检测模块、海天线拟合模块,其中:
图像质量增强模块用于图像进行预先处理,增强图像质量;
灰度图转换模块用于将预处理的图像使用灰度图转换公式转换成灰度图;
其中:灰度转换公式将图像转换为灰度图Igrey,公式为: 其中Igrey(x,y)表示坐标为(x,y)的像素的灰度值,R(x,y)表示坐标为(x,y)的像素的红色通道值,G(x,y)表示坐标为(x,y)的像素的绿色通道值,B(x,y)表示坐标为(x,y)的像素的蓝色通道值;
纹理提取与比较模块基于灰度共生纹理矩阵方法提取灰度图像中的纹理特征,并对纹理特征进行进一步的计算和比较,划分出天空区域以及海面区域,从而确定出海天线可能存在的区域;
数学形态学处理模块对提取出的海天线可能存在的区域进行数学形态学上的腐蚀和膨胀处理;
边缘检测模块用于先对形态学处理过后的图像进行高斯模糊等降噪过程,然后基于改进的Canny算法提取图像的边缘,得到边缘图像;
海天线拟合模块对边缘进行直线检测,基于Hough变换方法寻找图像中的最长直线并拟合为海天线。
虽然上面结合本发明的优选实施例对本发明的原理进行了详细的描述,本领域技术人员应该理解,上述实施例仅仅是对本发明的示意性实现方式的解释,并非对本发明包含范围的限定。实施例中的细节并不构成对本发明范围的限制,在不背离本发明的精神和范围的情况下,任何基于本发明技术方案的等效变换、简单替换等显而易见的改变,均落在本发明保护范围之内。
Claims (3)
1.一种基于灰度共生矩阵和Hough变换的海天线检测方法,其特征在于其特征在于其特征在于:包括:
步骤1、将采集到的原始可见光视频监控图像进行图像质量增强;
步骤2、对预处理过的图像使用灰度转换公式转换成灰度图;
其中,灰度转换公式将图像转换为灰度图Igrey,公式为: 其中Igrey(x,y)表示坐标为(x,y)的像素的灰度值,R(x,y)表示坐标为(x,y)的像素的红色通道值,G(x,y)表示坐标为(x,y)的像素的绿色通道值,B(x,y)表示坐标为(x,y)的像素的蓝色通道值;
步骤3、对得到的灰度图,计算不同角度值下的灰度共生矩阵,即,遍历图中的每个像素对,计算不同角度值下的灰度共生矩阵;
步骤4、将图像分成n个子块,子块根据改进的对比度公式计算纹理变化率,通过这种方式来对图像纹理特征进行量化对比,从而根据纹理变化率确定出海天线可能存在的区域,作为后续处理区域;
步骤5、对于步骤4提取出的区域,采用数学上的形态学方法对区域进行灰度形态学的腐蚀和膨胀操作,使图像的边界收缩的同时消除目标区域中的小噪声及小孔洞,使图像形成海面和天空连通域;
步骤6、对形态学处理过后的图像使用改进的基于直方图优化的加权高斯模糊在去除噪声,降低伪边缘的识别的同时有效地保留原始信息,之后利用3X3的Sobel算子结合Canny算法对图像进行边缘检测,得到边缘图像;
步骤7、基于Hough变换的方法在边缘图像中迭代计算寻找出最长的连续直线,拟合为最终检测到的海天线。
2.根据权利要求1所述的基于灰度共生矩阵和Hough变换的海天线检测方法,其特征在于:步骤4中,改进的对比度公式来定量表示纹理特征,也即,C=∑i∑j∑θ(i-j)2Pd,θ(i,j);其中,d表示距离,θ表示方向,Pd,θ(i,j)表示距离为d,角度为θ时的灰度共生矩阵。
3.利用根据权利要求1所述的基于灰度共生矩阵和Hough变换的海天线检测方法进行检测的海天线检测系统,包括:图像质量增强模块、灰度图转换模块、纹理提取与比较模块、数学形态学处理模块、边缘检测模块、海天线拟合模块,其中:
图像质量增强模块用于图像进行预先处理,增强图像质量;
灰度图转换模块用于将预处理的图像使用灰度图转换公式转换成灰度图;
其中:灰度转换公式将图像转换为灰度图Igrey,公式为: 其中Igrey(x,y)表示坐标为(x,y)的像素的灰度值,R(x,y)表示坐标为(x,y)的像素的红色通道值,G(x,y)表示坐标为(x,y)的像素的绿色通道值,B(x,y)表示坐标为(x,y)的像素的蓝色通道值;
纹理提取与比较模块基于灰度共生纹理矩阵方法提取灰度图像中的纹理特征,并对纹理特征进行进一步的计算和比较,划分出天空区域以及海面区域,从而确定出海天线可能存在的区域;
数学形态学处理模块对提取出的海天线可能存在的区域进行数学形态学上的腐蚀和膨胀处理;
边缘检测模块用于先对形态学处理过后的图像进行高斯模糊等降噪过程,然后基于改进的Canny算法提取图像的边缘,得到边缘图像;
海天线拟合模块对边缘进行直线检测,基于Hough变换方法寻找图像中的最长直线并拟合为海天线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247496.5A CN109978869A (zh) | 2019-03-29 | 2019-03-29 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910247496.5A CN109978869A (zh) | 2019-03-29 | 2019-03-29 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978869A true CN109978869A (zh) | 2019-07-05 |
Family
ID=67081506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910247496.5A Pending CN109978869A (zh) | 2019-03-29 | 2019-03-29 | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978869A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717875A (zh) * | 2019-10-18 | 2020-01-21 | 华北理工大学 | 一种高清图像处理方法 |
CN111046726A (zh) * | 2019-10-25 | 2020-04-21 | 青岛农业大学 | 一种基于ai智能视觉的水下海参识别及定位方法 |
CN111191517A (zh) * | 2019-12-06 | 2020-05-22 | 清华大学合肥公共安全研究院 | 雪强检测图像处理方法及系统 |
CN112116561A (zh) * | 2020-08-21 | 2020-12-22 | 南瑞集团有限公司 | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
CN112330587A (zh) * | 2020-07-01 | 2021-02-05 | 河北工业大学 | 一种基于边缘检测的银线型触头烧蚀区域识别方法 |
CN112529927A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于fpga形态学算子的自适应轮廓提取系统及方法 |
CN112613403A (zh) * | 2020-12-23 | 2021-04-06 | 山东建筑大学 | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 |
CN113676997A (zh) * | 2020-05-13 | 2021-11-19 | 中国移动通信集团重庆有限公司 | 干扰源定位方法及装置 |
CN113705501A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113985400A (zh) * | 2021-12-27 | 2022-01-28 | 南京易信同控制设备科技有限公司 | 一种机场跑道外来异物监测报警系统及其方法 |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
CN115314642A (zh) * | 2021-05-08 | 2022-11-08 | 四川大学 | 一种基于多像素累积的相机光通信系统及实现方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
CN116681879A (zh) * | 2023-08-03 | 2023-09-01 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像边界层转捩位置的智能判读方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN102279973A (zh) * | 2010-06-11 | 2011-12-14 | 中国兵器工业第二○五研究所 | 基于高梯度关键点的海天线检测方法 |
US20140337719A1 (en) * | 2013-05-10 | 2014-11-13 | Peking University Founder Group Co., Ltd. | Apparatus And A Method For Logically Processing A Composite Graph In A Formatted Document |
CN104268877A (zh) * | 2014-09-26 | 2015-01-07 | 中国电子科技集团公司第二十八研究所 | 一种红外图像海天线自适应检测方法 |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
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 |
CN108447067A (zh) * | 2018-03-19 | 2018-08-24 | 哈尔滨工业大学 | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 |
CN109064479A (zh) * | 2018-07-19 | 2018-12-21 | 中国石油大学(华东) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 |
CN109242870A (zh) * | 2018-07-13 | 2019-01-18 | 上海大学 | 一种基于图像划分和纹理特征的海天线检测方法 |
-
2019
- 2019-03-29 CN CN201910247496.5A patent/CN109978869A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN102279973A (zh) * | 2010-06-11 | 2011-12-14 | 中国兵器工业第二○五研究所 | 基于高梯度关键点的海天线检测方法 |
US20140337719A1 (en) * | 2013-05-10 | 2014-11-13 | Peking University Founder Group Co., Ltd. | Apparatus And A Method For Logically Processing A Composite Graph In A Formatted Document |
CN104268877A (zh) * | 2014-09-26 | 2015-01-07 | 中国电子科技集团公司第二十八研究所 | 一种红外图像海天线自适应检测方法 |
CN106127728A (zh) * | 2016-06-07 | 2016-11-16 | 电子科技大学 | 一种海空背景下的红外图像海天线连通域检测方法 |
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 |
CN108447067A (zh) * | 2018-03-19 | 2018-08-24 | 哈尔滨工业大学 | 一种基于能量缝剪裁和ransac拟合的可见光图像海天线检测方法 |
CN109242870A (zh) * | 2018-07-13 | 2019-01-18 | 上海大学 | 一种基于图像划分和纹理特征的海天线检测方法 |
CN109064479A (zh) * | 2018-07-19 | 2018-12-21 | 中国石油大学(华东) | 一种基于邻近视频帧灰度动态特征的海天线检测方法 |
Non-Patent Citations (5)
Title |
---|
刘国华: "《HALCON数字图像处理》", 30 June 2018 * |
杨帆: "《数字图像处理与分析》", 31 October 2007 * |
王文峰等: "《MATLAB计算机视觉与机器认知》", 31 August 2017 * |
穆晓芳等: "《数字图像处理技术》", 30 June 2009 * |
陈伟: "《煤矿监控图像分析方法研究》", 30 November 2011 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717875A (zh) * | 2019-10-18 | 2020-01-21 | 华北理工大学 | 一种高清图像处理方法 |
CN110717875B (zh) * | 2019-10-18 | 2023-08-08 | 华北理工大学 | 一种高清图像处理方法 |
CN111046726B (zh) * | 2019-10-25 | 2023-08-08 | 青岛农业大学 | 一种基于ai智能视觉的水下海参识别及定位方法 |
CN111046726A (zh) * | 2019-10-25 | 2020-04-21 | 青岛农业大学 | 一种基于ai智能视觉的水下海参识别及定位方法 |
CN111191517A (zh) * | 2019-12-06 | 2020-05-22 | 清华大学合肥公共安全研究院 | 雪强检测图像处理方法及系统 |
CN111191517B (zh) * | 2019-12-06 | 2023-02-28 | 清华大学合肥公共安全研究院 | 雪强检测图像处理方法及系统 |
CN113676997A (zh) * | 2020-05-13 | 2021-11-19 | 中国移动通信集团重庆有限公司 | 干扰源定位方法及装置 |
CN113676997B (zh) * | 2020-05-13 | 2023-09-19 | 中国移动通信集团重庆有限公司 | 干扰源定位方法及装置 |
CN112330587A (zh) * | 2020-07-01 | 2021-02-05 | 河北工业大学 | 一种基于边缘检测的银线型触头烧蚀区域识别方法 |
CN112330587B (zh) * | 2020-07-01 | 2022-05-20 | 河北工业大学 | 一种基于边缘检测的银线型触头烧蚀区域识别方法 |
CN112116561A (zh) * | 2020-08-21 | 2020-12-22 | 南瑞集团有限公司 | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
CN112116561B (zh) * | 2020-08-21 | 2022-07-01 | 南瑞集团有限公司 | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
CN112529927A (zh) * | 2020-12-11 | 2021-03-19 | 西安电子科技大学 | 基于fpga形态学算子的自适应轮廓提取系统及方法 |
CN112613403A (zh) * | 2020-12-23 | 2021-04-06 | 山东建筑大学 | 基于卷积神经网络的高噪声环境窑车标识识别方法及系统 |
CN115314642A (zh) * | 2021-05-08 | 2022-11-08 | 四川大学 | 一种基于多像素累积的相机光通信系统及实现方法 |
CN115314642B (zh) * | 2021-05-08 | 2024-03-12 | 四川大学 | 一种基于多像素累积的相机光通信系统及实现方法 |
CN113705501A (zh) * | 2021-09-02 | 2021-11-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113705501B (zh) * | 2021-09-02 | 2024-04-26 | 浙江索思科技有限公司 | 一种基于图像识别技术的海上目标检测方法和系统 |
CN113985400A (zh) * | 2021-12-27 | 2022-01-28 | 南京易信同控制设备科技有限公司 | 一种机场跑道外来异物监测报警系统及其方法 |
CN115147733B (zh) * | 2022-09-05 | 2022-11-25 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
CN115147733A (zh) * | 2022-09-05 | 2022-10-04 | 山东东盛澜渔业有限公司 | 一种基于人工智能的海洋垃圾识别回收方法 |
CN115330802A (zh) * | 2022-10-17 | 2022-11-11 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
CN115330802B (zh) * | 2022-10-17 | 2024-01-19 | 山东大学 | 一种碳纤维复合材料气瓶x射线图像脱粘缺陷提取方法 |
CN116681879A (zh) * | 2023-08-03 | 2023-09-01 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像边界层转捩位置的智能判读方法 |
CN116681879B (zh) * | 2023-08-03 | 2023-10-31 | 中国空气动力研究与发展中心高速空气动力研究所 | 一种光学图像边界层转捩位置的智能判读方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978869A (zh) | 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统 | |
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
Chen et al. | Ship detection from coastal surveillance videos via an ensemble Canny-Gaussian-morphology framework | |
CN104217215B (zh) | 一种水面有雾图像和清晰图像的分类识别方法 | |
CN106022288B (zh) | 基于sar图像的海洋溢油信息识别与提取方法 | |
CN109815807B (zh) | 一种基于边缘线分析和聚合通道特征的靠岸船舶检测方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN108229342B (zh) | 一种海面舰船目标自动检测方法 | |
Wang et al. | An improved faster R-CNN based on MSER decision criterion for SAR image ship detection in harbor | |
CN108121991A (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN103020975A (zh) | 一种结合多源遥感图像特征的码头和船舶分割方法 | |
US9256619B2 (en) | Method for detecting and recognizing boats | |
CN110490904B (zh) | 一种弱小目标检测与跟踪方法 | |
CN110458160A (zh) | 一种基于深度压缩神经网络的无人艇水面目标识别算法 | |
CN106530313A (zh) | 一种基于区域分割的海天线实时检测方法 | |
CN109961065B (zh) | 一种海面舰船目标检测方法 | |
CN112633274A (zh) | 一种声呐图像目标检测方法、装置、电子设备 | |
CN110298855B (zh) | 一种基于高斯混合模型和纹理分析的海天线检测方法 | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及系统 | |
CN107609537B (zh) | 一种基于hsv空间水面图像特征的水岸线检测方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
CN113205494A (zh) | 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统 | |
Hashmani et al. | A survey on edge detection based recent marine horizon line detection methods and their applications | |
CN117115193A (zh) | 基于行抑制的红外舰船定位方法 |
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: 20190705 |
|
RJ01 | Rejection of invention patent application after publication |