CN110443806B - 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 - Google Patents
一种基于目标增强处理的水面透明漂浮危化品图像分割方法 Download PDFInfo
- Publication number
- CN110443806B CN110443806B CN201910362259.3A CN201910362259A CN110443806B CN 110443806 B CN110443806 B CN 110443806B CN 201910362259 A CN201910362259 A CN 201910362259A CN 110443806 B CN110443806 B CN 110443806B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- gray
- pixel
- water surface
- 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.)
- Active
Links
- 239000000126 substance Substances 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000383 hazardous chemical Substances 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 28
- 238000007667 floating Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 title claims abstract description 24
- 238000003709 image segmentation Methods 0.000 title claims description 7
- 230000011218 segmentation Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000001629 suppression Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000003305 oil spill Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- CTQNGGLPUBDAKN-UHFFFAOYSA-N O-Xylene Chemical compound CC1=CC=CC=C1C CTQNGGLPUBDAKN-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 231100000481 chemical toxicant Toxicity 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000008096 xylene Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于目标增强处理的水面透明漂浮危化品图像分割方法。获取漂浮于水面的近紫外透明危化品灰度图像并预处理；预处理后的图像的灰度直方图信息，根据直方图分布特征计算图像的灰度均值与灰度众数值，进而计算背景阈值；再对图像采用Canny算子计算梯度图像，采用局部熵方法计算信息熵图像，结合梯度图像、信息熵图像和灰度图像信息计算每个像素点的增强权重系数，利用增强权重系数结合灰度图像信息获得增强后的图像；采用局部模糊聚类分割方法对目标增强后的图像进行聚类分割，提取闭合连通的感兴趣区域；筛选获得最终的分割结果。本发明解决了水面透明弱目标的分割检测问题，对危化品泄漏突发事故的应急响应措施具有重要的指导价值。
Description
技术领域
本发明涉及一种透明漂浮危化品近紫外图像分割方法，尤其涉及一种基于目标增强处理的水面透明漂浮危化品图像分割方法。
背景技术
随着世界范围内对化学品的需求不断增长以及船运单位体积与单位距离的运输费用的低廉，化学品船运的运输量再过去的20多年里增长了数倍，值得注意的是在船运化学品中，大多数化学品属于危险有毒化学品。庞大的危化品运输量，增加了水面危化品泄漏事故的发生几率，泄漏事故一旦发生将会对海洋生态环境造成严重破坏。危化品泄漏事故具有泄漏量大，泄漏扩散区域难以测算等特点，对应急处理措施的指定造成了巨大的困难。
当泄漏事故发生时，及时全面地获取事故信息是整个应急响应链中的重要环节，与之相应的对这部分的研究也是国内外学者的重点关注对象。对于溢油检测研究国内外学者已经取得了诸多进展，而关于化学品泄漏检测研究则是近年来的新热点。参考溢油检测研究，根据泄漏物质与水体不同的波谱特征，为了更全面的获取泄漏事故信息，研究人员已经提出了基于紫外、可见光、红外、微波等不同波段的传感器来捕获事故现场图像，再利用多种图像处理方法提取事故信息。除了传感器技术的不断进步以外，多种图像检测与目标识别方法也广泛应用于海洋泄漏事故检测。为了应对误报问题，需要根据海水与泄漏区域在图像中呈现出不同的纹理、灰度、分布等特征，结合不同的分割、聚类方法提从图像中分割出感兴趣区域(region of Interest,ROI)，提取ROI特征，利用分类器完成泄漏区域与其他区域的区分。
然而，相对于溢油图像危化品图像有两大特点：1)世界范围内运输量前十的危化品有八种是无色透明的，颜色特征远没有溢油明显，使用常规的图像处理方法无法区域泄漏区域。2)危化品的粘稠度远低于溢油，形成的液膜厚度甚薄，不会显著降低海面粗糙度，容易导致检测粗糙度的方法失效。这使得需要在溢油检测研究的基础上，分析化学品特性提出针对性的分割算法，提高化学品泄漏的分割识别效果。
发明内容
本发明旨在针对现有技术的不足，提供一种基于目标增强处理的水面透明漂浮危化品图像分割方法。
本发明的目标是通过以下技术方案来实现的：一种基于目标增强处理的水面透明漂浮危化品图像分割方法，该方法包括以下步骤：
(1)图像获取：获取漂浮于水面的近紫外透明危化品灰度图像I；
(2)图像预处理：对步骤(1)的图像I进行局部最大值降采样与平滑降噪处理；
(3)背景抑制：提取预处理后的图像的灰度直方图信息，根据直方图分布特征计算图像的灰度均值Imean与灰度众数值Imode，进而计算背景阈值Bth：
Bth＝k1*Imean+(1-k1)*Imode
其中k1为权重系数，为非负常数，用来平衡灰度均值与众数值对阈值影响的大小关系；根据背景阈值Bth将图像中灰度值小于Bth的点的灰度值置0，获得背景抑制后的图像Igbs；
(4)目标增强：对背景抑制处理后的图像采用Canny算子计算梯度图像，采用局部熵方法计算信息熵图像，结合梯度图像信息、信息熵图像信息和灰度图像信息Igbs计算每个像素点的增强权重系数λ(i,j)，利用增强权重系数结合灰度图像信息Igbs获得增强后的图像Iate；
(5)感兴趣区域分割：采用局部模糊聚类分割方法对目标增强后的图像Iate进行聚类分割，提取闭合连通的感兴趣区域；
(6)目标筛选：获取步骤(5)提取的所有感兴趣区域的形状特征参数、纹理特征参数，利用阈值分类法，排除误分割区域，剩余的感兴趣区域作为目标区域输出，获得最终的分割结果。
进一步的，所述步骤(2)中的局部最大值降采样具体方法为将原图像划分为M×N个网格，对于每个网格去取网格内的最大灰度值，作为该网格对应降采样后对应点的灰度值。
进一步的，所述步骤(2)中的平滑降噪处理采用高斯滤波函数，去除图像的噪声点。
进一步的，所述步骤(4)中增强权重系数计算方法具体如下：
对图像中的每个像素点，结合该点的梯度值、信息熵值、所在行灰度均值、所在行灰度标准差、计算该点的灰度增强系数，计算公式如下：
其中H，W分别为图像分辨率的行数与列数，Iate(i，j)是目标增强后获得的图像Iate第i行第j列的灰度值，Igbs(i，j)为Igbs第i行第j列的灰度值，mRi第i行的灰度值的平均值，λ(i,j)为第i行第j列的增强系数,其计算公式如下：
λ(i,j)＝[(1+exp(sgn(I(i,j)-η·mRi)))·exp(E(i,j)+G(i,j))]-1i＝1,...,H；j＝1,...,W
其中Igbs(i，j)为Igbs第i行第j列的灰度值；η为权重系数，为非负常数，用来调节灰度均值的影响程度；E(i,j)与G(i,j)为像素在(i，j)坐标的信息熵与梯度值；sgn为符号函数，定义如下：
进一步的，所述步骤(5)中局部模糊聚类分割方法具体为：
将图像中所有像素点的灰度值看作为含有M×N个样本的数据集合，M×N为像素点总数，设定将图像中像素分为危化品类和背景类两个类别，检测灰度直方图特征峰，提取最显著的两个峰的灰度值v1，v2分别作为危化品类和背景类的聚类中心；利用目标优化函数计算每个像素的模糊隶属度，生成模糊隶属度矩阵U1，其中目标优化函数定义如下：
其中Jm为目标优化函数值，C为类别总数，u(i,j,c)隶属度矩阵U1中像素(i,j)对应c分类的隶属值，为非负数，其中像素点(i,j)对应所有分类的隶属度和为1；m为隶属度模糊系数，为非负常数，用于调节模糊程度；d2(x(i,j),vc)为像素(i,j)的灰度值与所选取的聚类中心vc的欧几里德距离平方，计算公式如下：
d2(x(i,j),vc)＝(x(i,j)-vc)2i＝1,...,M；j＝1,...,N；c＝1,2
其中像素x(i,j)为像素(i,j)对应的灰度值，vc是所选特征峰对应的灰度值；
为了考虑图像周边邻域的隶属度信息，运用邻域平均聚合算子生成最终的隶属度矩阵U2；根据U2每个像素对应的归属值，选取隶属度值最大的类别作为该像素点的最终分类；其中平均值聚合算子定义如下：
其中U2(i,j，c)为U2像素像素(i,j)对应c分类的隶属值；U1(m,n，c)为U1像素(m，n)对应c分类的隶属度值，(m,n)为像素(i，j)局部邻域ηI内所有点；w(m,n)为像素(m，n)对应权重系数，为非负常数，用于调节邻域内不同位置对结果的影响程度大小。
进一步的，所述的漂浮危化品为密度小于水，不溶或微溶于水的无色透明化学品。
进一步的，所获取的近紫外明危化品图像是指使用365nm窄带滤光片获取的单通道图像。
进一步的，所述步骤(5)中，通过邻域平均聚合算子邻域窗口包含3*3邻域窗口、8*8邻域窗口以及16邻域局部窗口。
进一步的，所述步骤(6)中，感兴趣的特征包括面积特征、最小外接矩形长宽比特征、边缘轮廓灰度值标准差特征。
本发明的有益效果是：
1、本发明针对透明漂浮危化品UV图像下特征微弱难以进行分割的难题，充分考虑危化品区域在图像中的灰度特征、梯度特征、信息熵特征与几何特征，设计了全局背景阈值计算方法与针对每个像素点自适应增强系数计算方法，经过上述处理的图像显著增强了危化品区域与背景间的差异，为透明漂浮危化品的分割提供了一种创新可行的途径。
2、本发明提供的方法通过引入与危化品泄漏区域形状特征与纹理特征密切相关的面积特征、最小外接矩形长宽比特征、边缘轮廓灰度值标准差特征进行危化品区域与类似目标区域的分类，降低了透明漂浮危化品分割中误分类情况严重的问题。
附图说明
图1为本发明方法的流程示意图；
图2为本发明方法进行背景抑制与目标增强的示例图，其中(a)为降采样后的原始图像，(b)为背景抑制后的示例图，(c)为目标增强后的图像；
图3、图4与图5是三组分割结果示意图，其中(a)为降采样后的原始图像，(b)为使用本方法的分割结果，(c)为人工分割的标准结果。
具体实施方式
为了更好地说明本发明的分割方法，以下结合附图和具体实施例对本发明作进一步详细说明。
以对海上运输常见的透明漂浮危化品二甲苯进行分割为例，来详细说明本方法的实现过程(见图1)：
S1、图像获取：使用手持式单反相机配合365nm滤光片拍摄漂浮于水面的UV透明危化品图像，原始图像分辨率为4000*4000；
S2、图像预处理：对获取得图像进行灰度化、降采样与平滑降噪处理:
降采样选取8×8大小的网格作为基础网格，将原始图像划分为500×500个网格，对于每个网格去该网格内的最大灰度值，作为该网格对应降采样后对应点的灰度值，降采样后的图像如图2中的(a)所示。
平滑降噪处理采用高斯滤波函数，高斯核的标准差设置为0.5，去除图像的噪声点。
S3、背景抑制：提取预处理后的图像的灰度直方图信息，根据直方图分布特征计算图像灰度均值Imean与灰度众数值Imode，背景阈值Bth的计算公式如下：
Bth＝k1*Imean+(1-k1)*Imode
其中k1为权重系数，考虑到在整幅图像中化学品占据的比例较小，大部分为水面背景，众数值更大几率有水面背景的灰度值决定，因此将众数值的权重系数降低，将k1设置为0.65.如图2中的(b)所示，经过处理后图像周边的干扰背景像素灰度值被置为0。
S4、目标增强：对背景抑制处理后的图像采用Canny算子计算梯度图像，采用局部熵方法计算信息熵图像。对图像中的每个像素点，结合该点的梯度值、信息熵值、所在行灰度均值、所在行灰度标准计算该点的增强权重系数，计算公式如下：
其中H，W分别为图像分辨率的的行数与列数，Iate(i，j)是目标增强后获得的图像Iate第i行第j列的灰度值，Igbs(i，j)为Igbs第i行第j列的灰度值，mRi第i行的灰度值的平均值，λ(i,j)为第i行第j列的增强系数,其计算公式如下：
λ(i,j)＝[(1+exp(sgn(I(i,j)-η·mRi)))·exp(E(i,j)+G(i,j))]-1i＝1,...,H；j＝1,...,W
其中Igbs(i，j)为Igbs第i行第j列的灰度值；η为权重系数，为非负常数本例中设置为0.65，用来调节灰度均值的影响程度；E(i,j)与G(i,j)为像素在(i，j)坐标的信息熵与梯度值；sgn为符号函数，定义如下：
如图2中的(c)所示，经过目标增强处理后，靠近化学品区域的像素点的增强系数小于1，靠近背景区域的像素点的增强系数大于1。危化品周围的背景像素灰度值被进一步减弱，危化品区域与背景区域的差异得到了放大。
S5、感兴趣区域分割：采用局部模糊聚类分割方法对目标增强后的图像进行聚类分割，提取闭合连通的感兴趣区域(Region of Interest，ROI)。所述局部模糊聚类分割方法具体为：将图像中所有像素点的灰度值看作为含有500×500个样本的数据集合，设定将图像中的类别C为2(危化品区域和背景区域)，检测灰度直方图特征峰，提取最显著的两个峰的灰度值v1，v2作为聚类中心。利用目标优化函数计算每个像素的模糊隶属度，生成模糊隶属度矩阵U1，其中目标优化函数定义如下：
其中Jm为目标优化函数值，u(i,j,c)隶属度矩阵U1中像素(i,j)对应c分类的隶属值，为非负数，其中像素点(i,j)对应所有分类的隶属度和为1；m为隶属度模糊系数，为非负常数，用于调节模糊程度，本例中设置为2；d2(x(i,j),vc)为像素(i,j)的灰度值与所选取的聚类中心vc的欧几里德距离平方，计算公式如下：
d2(x(i,j),vc)＝(x(i,j)-vc)2i＝1,...,M；j＝1,...,N；c＝1,2
其中像素x(i,j)为像素(i,j)对应的灰度值，vc是所选取得特征峰对应的灰度值。
为了考虑图像周边邻域的隶属度信息，运用邻域平均聚合算子生成最终的隶属度矩阵U2。根据U2每个像素对应的归属值，选取隶属度值最大的类别作为该像素点的最终分类。其中平均值聚合算子定义如下：
其中U2(i,j，c)为U2像素像素(i,j)对应c分类的隶属值；U1(m,n，c)为U1像素(m，n)对应c分类的隶属度值，(m,n)为像素(i，j)局部邻域ηI内所有点；w(m,n)为像素(m，n)对应权重系数，为非负常数，本例中设定为1/9。
S6、目标筛选：获取S5提取的所有ROI区域，利用连通域标记法为每个分离的ROI进行编号，统计每个ROI的像素点总数即ROI的面积，记为Area；采用凸包法计算每个ROI的最小外接矩形统计每个外接矩形的长宽比w/l；计算每个ROI最外层边缘的灰度值标准差std；在本例中将Area小于400，w/l小于0.3，std大于55的ROI去除，剩余的ROI即为最终的分类结果。如图3中的(a)、图4中的(a)、图5中的(a)所示为降采样后的原始图像，图3中的(b)、图4中的(b)、图5中的(b)所示为最终的分割结果，同图3中的(c)、图4中的(c)、图5中的(c)中的人工标注结果进行对比，可以表明本方法取得了较好的分割效果。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其他多种具体实施方案实施本发明。因此，凡是采用本发明的设计结构核思路，做一些简单的变化或更改的设计，都落入本发明保护范围。
Claims (9)
1.一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于，该方法包括以下步骤：
(1)图像获取：获取漂浮于水面的近紫外透明危化品灰度图像I；
(2)图像预处理：对步骤(1)的图像I进行局部最大值降采样与平滑降噪处理；
(3)背景抑制：提取预处理后的图像的灰度直方图信息，根据直方图分布特征计算图像的灰度均值Imean与灰度众数值Imode，进而计算背景阈值Bth：
Bth＝k1*Imean+(1-k1)*Imode
其中k1为权重系数，为非负常数，用来平衡灰度均值与众数值对阈值影响的大小关系；根据背景阈值Bth将图像中灰度值小于Bth的点的灰度值置0，获得背景抑制后的图像Igbs；
(4)目标增强：对背景抑制处理后的图像采用Canny算子计算梯度图像，采用局部熵方法计算信息熵图像，结合梯度图像信息、信息熵图像信息和灰度图像信息Igbs计算每个像素点的增强权重系数λ(i,j)，利用增强权重系数结合灰度图像信息Igbs获得增强后的图像Iate；
(5)感兴趣区域分割：采用局部模糊聚类分割方法对目标增强后的图像Iate进行聚类分割，提取闭合连通的感兴趣区域；
(6)目标筛选：获取步骤(5)提取的所有感兴趣区域的形状特征参数、纹理特征参数，利用阈值分类法，排除误分割区域，剩余的感兴趣区域作为目标区域输出，获得最终的分割结果。
2.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所述步骤(2)中的局部最大值降采样具体方法为将原图像划分为M×N个网格，对于每个网格去取网格内的最大灰度值，作为该网格对应降采样后对应点的灰度值。
3.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所述步骤(2)中的平滑降噪处理采用高斯滤波函数，去除图像的噪声点。
4.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所述步骤(4)中增强权重系数计算方法具体如下：
对图像中的每个像素点，结合该点的梯度值、信息熵值、所在行灰度均值，计算该点的灰度增强系数，计算公式如下：
λ(i,j)＝[(1+exp(sgn(I(i,j)-η·mRi)))·exp(E(i,j)+G(i,j))]-1 i＝1,...,H；j＝1,...,W
其中λ(i,j)为第i行第j列的增强系数，Igbs(i，j)为Igbs第i行第j列的灰度值；η为权重系数，为非负常数，用来调节灰度均值的影响程度；E(i,j)与G(i,j)为像素在(i，j)坐标的信息熵与梯度值；sgn为符号函数，定义如下：
所述步骤(4)中增强后的图像Iate的计算公式如下：
其中H，W分别为图像分辨率的行数与列数，Iate(i，j)是目标增强后获得的图像Iate第i行第j列的灰度值，Igbs(i，j)为Igbs第i行第j列的灰度值，mRi为第i行的灰度值的平均值。
5.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所述步骤(5)中局部模糊聚类分割方法具体为：
将图像中所有像素点的灰度值看作为含有M×N个样本的数据集合，M×N为像素点总数，设定将图像中像素分为危化品类和背景类两个类别，检测灰度直方图特征峰，提取最显著的两个峰的灰度值v1，v2分别作为危化品类和背景类的聚类中心；利用目标优化函数计算每个像素的模糊隶属度，生成模糊隶属度矩阵U1，其中目标优化函数定义如下：
其中Jm为目标优化函数值，C为类别总数，u(i,j,c)隶属度矩阵U1中像素(i,j)对应c分类的隶属值，为非负数，其中像素点(i,j)对应所有分类的隶属度和为1；m为隶属度模糊系数，为非负常数，用于调节模糊程度；d2(x(i,j),vc)为像素(i,j)的灰度值与所选取的聚类中心vc的欧几里德距离平方，计算公式如下：
d2(x(i,j),vc)＝(x(i,j)-vc)2i＝1,...,M；j＝1,...,N；c＝1,2
其中像素x(i,j)为像素(i,j)对应的灰度值，vc是所选特征峰对应的灰度值；
为了考虑图像周边邻域的隶属度信息，运用邻域平均聚合算子生成最终的隶属度矩阵U2；根据U2每个像素对应的归属值，选取隶属度值最大的类别作为该像素点的最终分类；其中平均值聚合算子定义如下：
其中U2(i,j，c)为U2像素 (i,j)对应c分类的隶属值；U1(m,n，c)为U1像素(m，n)对应c分类的隶属度值，(m,n)为像素(i，j)局部邻域ηI内所有点；w(m,n)为像素(m，n)对应权重系数，为非负常数，用于调节邻域内不同位置对结果的影响程度大小。
6.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所述的漂浮危化品为密度小于水，不溶或微溶于水的无色透明化学品。
7.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于：所获取的近紫外明危化品图像是指使用365nm窄带滤光片获取的单通道图像。
8.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于，所述步骤(5)中，通过邻域平均聚合算子邻域窗口包含3*3邻域窗口、8*8邻域窗口以及16邻域局部窗口。
9.根据权利要求1所述的一种基于目标增强处理的水面透明漂浮危化品图像分割方法，其特征在于，所述步骤(6)中，感兴趣的特征包括面积特征、最小外接矩形长宽比特征、边缘轮廓灰度值标准差特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362259.3A CN110443806B (zh) | 2019-04-30 | 2019-04-30 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362259.3A CN110443806B (zh) | 2019-04-30 | 2019-04-30 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110443806A CN110443806A (zh) | 2019-11-12 |
| CN110443806B true CN110443806B (zh) | 2022-05-03 |
Family
ID=68428184
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910362259.3A Active CN110443806B (zh) | 2019-04-30 | 2019-04-30 | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110443806B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113538210A (zh) * | 2020-04-21 | 2021-10-22 | 北京沃东天骏信息技术有限公司 | 一种提取局部高光的方法和装置 |
| CN111915569B (zh) * | 2020-07-09 | 2022-04-22 | 西安交通大学 | 自由曲面类零件数字射线图像区域筛选方法、设备及介质 |
| CN113255684B (zh) * | 2021-06-28 | 2021-10-26 | 恒银金融科技股份有限公司 | 一种基于灰度图溢出的背景分离方法 |
| CN113658067B (zh) * | 2021-08-11 | 2022-08-12 | 沭阳天勤工具有限公司 | 一种基于人工智能的气密性检测中水体图像增强方法及系统 |
| CN114021969B (zh) * | 2021-11-04 | 2022-06-07 | 中国安全生产科学研究院 | 一种涉农企业安全生产风险指数分析系统 |
| CN114387272B (zh) * | 2022-03-23 | 2022-05-24 | 武汉富隆电气有限公司 | 基于图像处理的电缆桥架残次品检测方法 |
| CN114905632A (zh) * | 2022-04-22 | 2022-08-16 | 雷迈建材江苏有限公司 | 基于机器视觉的混凝土砂浆搅拌机控制方法及系统 |
| CN115131296B (zh) * | 2022-06-08 | 2024-02-27 | 广州东朝智能科技有限公司 | 一种用于图像识别的分布式计算方法及系统 |
| CN115082507B (zh) * | 2022-07-22 | 2022-11-18 | 聊城扬帆田一机械有限公司 | 一种路面切割机智能调控系统 |
| CN115046966B (zh) * | 2022-08-16 | 2022-11-04 | 山东国慈新型材料科技有限公司 | 一种环境污水可循环利用程度检测方法 |
| CN115100212B (zh) * | 2022-08-29 | 2022-11-18 | 卡松科技股份有限公司 | 一种润滑油污染程度检测方法 |
| CN115272376B (zh) * | 2022-09-27 | 2022-12-20 | 山东鑫科来信息技术有限公司 | 基于机器视觉的浮动打磨头控制方法 |
| CN115760637B (zh) * | 2022-12-01 | 2023-08-25 | 南京哈哈云信息科技有限公司 | 基于养老机器人的老年人体征健康监测方法、系统及设备 |
| CN116029941B (zh) * | 2023-03-27 | 2023-06-09 | 湖南融城环保科技有限公司 | 一种建筑垃圾的视觉图像增强处理方法 |
| CN116168026B (zh) * | 2023-04-24 | 2023-06-27 | 山东拜尔检测股份有限公司 | 基于计算机视觉的水质检测方法及系统 |
| CN116309579B (zh) * | 2023-05-19 | 2023-08-01 | 惠州市宝惠电子科技有限公司 | 一种用图像处理的变压器焊缝质量检测方法 |
| CN116310354B (zh) * | 2023-05-24 | 2023-08-01 | 青岛海关技术中心 | 基于红外图像处理的漂浮危化品识别方法 |
| CN116402693B (zh) * | 2023-06-08 | 2023-08-15 | 青岛瑞源工程集团有限公司 | 一种基于遥感技术的市政工程图像处理方法及装置 |
| CN116596928B (zh) * | 2023-07-18 | 2023-10-03 | 山东金胜粮油食品有限公司 | 基于图像特征的花生油杂质快速检测方法 |
| CN116934636B (zh) * | 2023-09-15 | 2023-12-08 | 济宁港航梁山港有限公司 | 一种水质实时监测数据智能管理系统 |
| CN117475000B (zh) * | 2023-12-28 | 2024-03-19 | 江苏恒力化纤股份有限公司 | 一种织物布边定位方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5710830A (en) * | 1994-10-05 | 1998-01-20 | United Parcel Service | Method of and apparatus for segmenting foreground and background information for optical character recognition of labels employing single layer recurrent neural network |
| CN104616303A (zh) * | 2015-02-11 | 2015-05-13 | 西安电子科技大学 | 一种基于紫外图像的水面溢油检测系统和方法 |
| WO2018000252A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳大学 | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 |
| CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
-
2019
- 2019-04-30 CN CN201910362259.3A patent/CN110443806B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5710830A (en) * | 1994-10-05 | 1998-01-20 | United Parcel Service | Method of and apparatus for segmenting foreground and background information for optical character recognition of labels employing single layer recurrent neural network |
| CN104616303A (zh) * | 2015-02-11 | 2015-05-13 | 西安电子科技大学 | 一种基于紫外图像的水面溢油检测系统和方法 |
| WO2018000252A1 (zh) * | 2016-06-29 | 2018-01-04 | 深圳大学 | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 |
| CN108230316A (zh) * | 2018-01-08 | 2018-06-29 | 浙江大学 | 一种基于偏振差分放大图像处理的漂浮危化品检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《River surface target enhancement and background suppression for unseeded LSPIV》;Zhen Zhang等;《Flow Measurement and Instrumentation》;20130109;全文 * |
| 《基于视觉的水面垃圾清理机器人目标检测算法》;汤伟 等;《科学技术与工程》;20190131;第19卷(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110443806A (zh) | 2019-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443806B (zh) | 一种基于目标增强处理的水面透明漂浮危化品图像分割方法 | |
| US11620735B2 (en) | Method for restoring video data of pipe based on computer vision | |
| CN111626190B (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
| CN104217196B (zh) | 一种遥感影像圆形油罐自动检测方法 | |
| CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
| CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
| CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
| CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
| CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
| CN112734729B (zh) | 适用于夜间补光条件的水尺水位线图像检测方法、装置及存储介质 | |
| CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
| CN107545571A (zh) | 一种图像检测方法及装置 | |
| CN113221881B (zh) | 一种多层级的智能手机屏幕缺陷检测方法 | |
| CN103996017A (zh) | 一种基于Hu不变矩和支持向量机的舰船检测方法 | |
| CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
| CN116246174B (zh) | 基于图像处理的甘薯种类识别方法 | |
| CN102254191A (zh) | 一种基于图像处理的降水粒子相态识别方法 | |
| CN106340007A (zh) | 一种基于图像处理的车身漆膜缺陷检测识别方法 | |
| Plissiti et al. | Automated segmentation of cell nuclei in PAP smear images | |
| CN113674308A (zh) | 基于图像增强与多重检测的sar图像舰船目标快速检测方法 | |
| Lee et al. | Counterfeit bill detection algorithm using deep learning | |
| CN116152115A (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
| CN105139034A (zh) | 一种结合光谱滤除的船舶检测方法 | |
| CN116934762B (zh) | 锂电池极片表面缺陷的检测系统及方法 | |
| CN112396580A (zh) | 一种圆形零件缺陷检测方法 |
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 |