CN111105390B - 一种改进的海天线检测和评估方法 - Google Patents

Abstract

本发明属于计算机图像处理技术领域，具体为一种改进的海天线检测和评估方法。本发明步骤为：根据海天线图像中噪声分布特点，进行图像的预处理操作，包括：图像颜色空间的转换、图像平滑、图像照明度增强等；提取亮度信息，获得灰度图；根据海天线图像中天空区域和海洋区域的分布特点，按照图像斜对角线方向切分图像；获取天空区域和海洋区域的亮度阈值，和海天线周围区域的亮度阈值；获取海天线周围区域的像素点；经过线性拟合操作得到最终海天线的位置，并绘制出来；根据图像中预测和真实海天线的位置，使用两个原创指标进行评估。本发明方法在强光照场景、低对比度场景、复杂场景和常规场景中，都可以稳定、准确、高效的检测出海天线的位置。

Description

一种改进的海天线检测和评估方法

技术领域

本发明属于计算机图像处理技术领域，具体涉及一种海天线检测和评估方法。

背景技术

在真实场景下的海天线检测方法具有多种应用意义，是辅助完成海上视觉任务的一项重要课题。首先，当在海上进行远程检测任务时，大多数检测目标将出现在海天线区域附近。因此，海天线检测可用于缩小目标检测的范围，提高算法的检测速度和准确度。其次，包含海天线的图像通常可以分为三个区域：天空区域，海天线区域和海洋区域。因此，使用海天线检测方法，根据图像中海天线的位置进行图像分割。通过这种方式，可以将不同的检测策略应用于不同的区域，从而提高了检测方法的鲁棒性。除此之外，由于海天线的位置与摄像机的拍摄姿态有关，因此观察图像中海天线的位置可以帮助调整云台的拍摄角度，从而优化了整张拍摄图像中的布局，方便进行下一步的目标检测工作。

现阶段，大部分的海上船舶检测方法仍然单纯依赖于雷达技术，通过脉冲信号的发射实现有限区域内船舶的检测。这种检测方法的优点是不受光照的影响，可以全天候、全天时的进行检测。但是缺点是存在盲区、易被侦查。除此之外，雷达监测只能检测船舶的方位和距离，无法检测船舶的颜色、纹理、大小等细节特征。因此，可以将机器视觉技术引入船舶检测这一领域，通过合适的船舶检测算法实现对于船舶细节特征的精准检测，然后搭配双目测距算法与雷达检测的坐标信息进行匹配。这样能够对原有的雷达检测进行补充和优化，更好地完成海上船舶检测的视觉任务。基于深度学习的检测方法通常需要预先收集大量船舶图像用于前期训练，这显然不太实际，因为不同的货船之间存在很大差异。在实际应用场景中，诸如光强度，恶劣天气，船舶和海面漂浮表面等因素是不可预测的，这也使得预训练模型无法取得良好效果。因此，通过改进传统的目标检测算法完成船舶检测这一特定视觉任务是最佳方案。

发明内容

本发明的目的在于提供一种准确的、适应性强的海天线检测和评估方法，并且提出两个原创指标，根据这两个指标可以有效地评估海天线检测的准确度和鲁棒性。

本发明提供的海天线检测和评估方法，包括：进行图像的预处理操作，其中主要包括：图像颜色空间的转换、基于L0范数的图像平滑、图像照明度增强等操作；提取亮度信息，获得灰度图；根据海天线图像中天空区域和海洋区域的分布特点，按照图像斜对角线方向切分图像；获得天空区域和海洋区域的亮度阈值；获得海天线周围区域的亮度阈值；获得海天线周围区域的像素点；根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来；根据图像中预测和真实海天线的位置，使用两个用于评估检测效果的原创指标进行评估。其具体步骤如下。

(1)根据海天线图像中噪声分布特点，首先进行图像的预处理操作。

(2)提取亮度信息，获得灰度图。

(3)按照图像斜对角线方向切分图像。

(4)获得天空区域和海洋区域的亮度阈值。

(5)获得海天线周围区域的亮度阈值。

(6)获得海天线周围区域的像素点。

(7)根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来。

(8)使用两个原创指标进行性能评估。

其中：

步骤(1)所述图像的预处理操作，具体过程如下：

(11)图像颜色空间的转换：将读入的每一张海天线图像，从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式，从而更贴近于人类的视觉认知。转化过程使用的公式如下：

R′＝R/255

G′＝G/255

B′＝B/255

C_max＝max(R′,G′,B′)

C_min＝min(R′,G′,B′)

Δ＝C_max-C_min

通过上面的公式，HSV颜色空间三个通道的最终转变公式为：

V＝C_max。

(12)基于L₀范数的图像平滑：通过去除图像中较小的梯度和增强图像边缘的显著性来对海天线图像进行平滑，去除图像中的离散噪声。图像梯度中的L0范数可以表示如下：

C(f)＝#{p||f_p-f_p+1|≠0}

其中，p和p+1是图像中相邻的两个像素点，|f_p-f_p+1|是图像中的梯度，#{}表示计数操作，输出图像中满足|f_p-f_p+1|≠0条件的像素点个数，C(f)表就是图像梯度中L₀范数。

(13)图像照明度增强：利用直方图均衡化方法增强海天线图像的照明度，提高在低照明度场景中进行检测的稳定度。

步骤(2)所述提取亮度信息，获得灰度图，具体过程如下：对于使用HSV颜色空间进行表示的海天线图像，提取V通道上的图像作为整张海天线图像的灰度图。

步骤(3)所述按照图像斜对角线方向切分图像，具体过程如下：对于海天线的灰度图，从斜对角线的方向进行切分，把原本的海天线灰度图切分成左右两张图像。两张图像中的空缺部分使用像素值为0的点进行填充。

步骤(4)所述获得天空区域和海洋区域的亮度阈值，具体过程如下：对于切分后得到的两张图像，除像素值为0的像素点之外，分别使用直方图进行像素值统计。从两张图像的像素值直方图中分别获得波峰对应的像素值，将这两个像素值作为天空区域和海洋区域的亮度阈值。

步骤(5)所述获得海天线周围区域的亮度阈值，具体过程如下：在海天线灰度图上进行双峰直方图统计。两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值。在直方图中，把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值。

步骤(6)所述获得海天线周围区域的像素点，具体过程如下：找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点，统计这些像素点的纵坐标，创建一个直方图。在直方图中，找到波峰对应的纵坐标作为目的坐标。以此坐标为中心，以d作为线性拟合距离划定海天线的粗糙区域。将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点。

步骤(7)所述根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来，具体过程如下：在已经获得的海天线粗糙区域内，利用海天线周围区域的像素点进行线性拟合，从而得到最终海天线的位置，并且绘制在原海天线彩色图像上。

步骤(8)所述使用两个原创指标进行性能评估，具体过程如下：利用我们已知的海天线图像中的真实海天线位置以及我们检测出的海天线位置，使用边界框重叠比和角度差两个原创指标，进行海天线检测的性能评估。

步骤(8)中所述边界框重叠比指标，具体计算过程如下：

(81)海天线与图像左右的两个边界会产生两个交点，在两个交点的位置扩展L的距离之后确定两条水平直线，使用这两条直线组成一个矩形，从而形成边界框；

(82)使用海天线图像中真实的海天线位置和检测出的海天线位置，得到两个边界框；

(83)使用公式

得到边界框重叠比参数。其中r是边界框重叠率(BBOR)，S_x是由图像中真实海天线构建的边界框与检测到的海天线构建的边界框的重叠区域的面积，S_g是图像中真实海天线构建的边界框面积。

步骤(8)中所述角度差指标，具体计算过程如下：使用公式θ＝θ_d-θ_g直接得到角度差参数。其中θ表示角度差，θ_d表示检测到的海天线与水平线之间的角度，θ_g表示图像中真实海天线与水平线之间的角度。

与现有技术相比，本发明的有益效果为：

1、本文提出的海天线检测方法在强光照场景、低对比度场景、复杂场景和常规场景中，都可以稳定、准确、高效的检测出海天线的位置；

2、当图像中不存在海天线时，本文提出的海天线检测方法也可以准确的分辨出来，不会在图像中误判海天线的位置；

3、本文提出的两个原创指标，作为目前首次被提出的评估海天线检测的指标，可以准确的评估海天线检测的准确度和鲁棒性。

附图说明

图1为本发明的海天线检测方法和原创评估指标的总流程框图。

图2为L0范数图像平滑实验结果。第一列分别为漂浮物场景、强光照场景和白云场景的原图，第二列分别为三种场景下对应的平滑结果图。

图3为平滑前后海天线图像的亮度直方图。左图为平滑前，右图为平滑后。

图4为对角线切分前后的海天线图像。

图5为对角切分后左图和右图的亮度直方图。

图6为改进的双峰直方图分析模型。

图7为纵坐标直方图和海天线的粗糙区域。

图8为边界框重叠率模型。

图9为角度差模型。

图10为本文提出的海天线检测方法与现阶段检测效果很好的五种检测方法的检测结果比较。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

参照图1，本发明的海天线检测和评估方法，具体步骤如下。

(1)根据海天线图像中噪声分布特点，首先进行图像的预处理操作：

(11)图像颜色空间的转换：将读入的每一张海天线图像，从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式，从而更贴近于人类的视觉认知；

(12)基于L0范数的图像平滑：通过去除图像中较小的梯度和增强图像边缘的显著性来对海天线图像进行平滑，去除图像中的离散噪声，如图2，图3所示，在三种场景下，平滑之后的图像中离散噪声点明显减少，亮度直方图中的冗余波峰也明显减少；

(13)图像照明度增强：利用直方图均衡化方法增强海天线图像的照明度，提高在低照明度场景中进行检测的稳定度。

(2)提取亮度信息，获得灰度图。

(3)按照图像斜对角线方向切分图像，具体过程如下：

(31)如图4所示，对于海天线的灰度图，从斜对角线的方向进行切分，把原本的海天线灰度图切分成左右两张图像。两张图像中的空缺部分使用像素值为0的点进行填充。

(4)获得天空区域和海洋区域的亮度阈值，具体过程如下：

(41)如图5所示，对于切分后得到的两张图像，除像素值为0的像素点之外，分别使用直方图进行像素值统计。从两张图像的像素值直方图中分别获得波峰对应的像素值，将这两个像素值作为天空区域和海洋区域的亮度阈值。

(5)获得海天线周围区域的亮度阈值，具体过程如下：

(51)在海天线灰度图上进行双峰直方图统计。两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值。在直方图中，把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值。如图6所示，两条红色直线分别表示天空区域和海洋区域对应的亮度值，橙色直线表现我们最终选择的波谷对应的灰度值。绿色直线表示传统的双峰直方图会找到的错误的噪声波峰。

(6)获得海天线周围区域的像素点，具体过程如下：

(61)找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点，统计这些像素点的纵坐标，创建一个直方图，如图7(a)所示。在直方图中，找到波峰对应的纵坐标作为目的坐标。以此坐标为中心，以d作为线性拟合距离划定海天线的粗糙区域，如图7(b)所示。将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点。

(7)根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来，具体过程如下：

(71)在已经获得的海天线粗糙区域内，利用海天线周围区域的像素点进行线性拟合，从而得到最终海天线的位置，并且绘制在原海天线彩色图像上。

(8)使用两个原创指标进行性能评估，具体过程如下：

(81)利用我们已知的海天线图像中的真实海天线位置以及我们检测出的海天线位置，使用边界框重叠比和角度差两个原创指标，进行海天线检测的性能评估，如图10和表1所示。

步骤(81)中所述边界框重叠比指标，具体计算过程如下：

(811)海天线与图像左右的两个边界会产生两个交点，在两个交点的位置扩展L的距离之后确定两条水平直线，使用这两条直线组成一个矩形，从而形成边界框；

(812)使用海天线图像中真实的海天线位置和检测出的海天线位置，得到两个边界框；

(813)使用公式

得到边界框重叠比参数。其中r是边界框重叠率(BBOR)，S_x是由图像中真实海天线构建的边界框与检测到的海天线构建的边界框的重叠区域的面积，S_g是图像中真实海天线构建的边界框面积，如图8所示，其中白色阴影部分即为边框重叠部分；

步骤(81)中所述角度差指标，具体计算过程如下：

(814)如图9所示，使用公式θ＝θ_d-θ_g直接得到角度差参数。其中θ表示角度差，θ_d表示检测到的海天线与水平线之间的角度，θ_g表示图像中真实海天线与水平线之间的角度。

表1：根据两个原创指标，本发明海天线检测方法与现阶段检测效果很好的五种检测方法的指标参数比较。

Claims (1)

1.一种改进的海天线检测和评估方法，其特征在于，具体步骤如下：

(1)根据海天线图像中噪声分布特点，进行图像的预处理操作；

(2)提取亮度信息，获得灰度图；

(3)按照图像斜对角线方向切分图像；

(4)获得天空区域和海洋区域的亮度阈值；

(5)获得海天线周围区域的亮度阈值；

(6)获得海天线周围区域的像素点；

(7)根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来；

(8)使用两个指标进行性能评估；

其中：

步骤(1)所述图像的预处理操作，具体过程如下：

(11)图像颜色空间的转换：将读入的每一张海天线图像，从原本的RGB颜色空间表示方式转化为HSV颜色空间的表示方式，从而更贴近于人类的视觉认知；转化过程使用的公式如下：

R′＝R/255

G′＝G/255

B′＝B/255

C_max＝max(R′,G′,B′)

C_min＝min(R′,G′,B′)

Δ＝C_max-C_min

通过上面的公式，HSV颜色空间三个通道的最终转变公式为：

V＝C_max

(12)基于L₀范数的图像平滑：通过去除图像中较小梯度的像素点和增强图像边缘的显著性来对海天线图像进行平滑，去除图像中的离散噪声；图像梯度中的L0范数表示如下：

C(f)＝#{p||f_p-f_p+1|≠0}

其中，p和p+1是图像中相邻的两个像素点，|f_p-f_p+1|是图像中的梯度，#{}表示计数操作，输出图像中满足|f_p-f_p+1|≠0条件的像素点个数，C(f)表就是图像梯度中L₀范数；

(13)图像照明度增强：利用直方图均衡化方法增强海天线图像的照明度，提高在低照明度场景中进行检测的稳定度；

步骤(2)所述提取亮度信息，获得灰度图，具体过程如下：对于使用HSV颜色空间进行表示的海天线图像，提取V通道上的图像作为整张海天线图像的灰度图；

步骤(3)所述按照图像斜对角线方向切分图像，具体过程如下：对于海天线的灰度图，从斜对角线的方向进行切分，把原本的海天线灰度图切分成左右两张图像；两张图像中的空缺部分使用像素值为0的点进行填充；

步骤(4)所述获得天空区域和海洋区域的亮度阈值，具体过程如下：对于切分后得到的两张图像，除像素值为0的像素点之外，分别使用直方图进行像素值统计；从两张图像的像素值直方图中分别获得波峰对应的像素值，将这两个像素值作为天空区域和海洋区域的亮度阈值；

步骤(5)所述获得海天线周围区域的亮度阈值，具体过程如下：在海天线灰度图上进行双峰直方图统计；两个峰值分别为前面已经获得的天空区域和海洋区域的亮度阈值；在直方图中，把两个峰值之间的波谷像素值作为海天线周围区域的亮度阈值；

步骤(6)所述获得海天线周围区域的像素点，具体过程如下：找到海天线灰度图中像素值等于海天线周围区域亮度阈值的像素点，统计这些像素点的纵坐标，创建一个直方图；在直方图中，找到波峰对应的纵坐标作为目的坐标；以此坐标为中心，以d作为线性拟合距离划定海天线的粗糙区域；将此粗糙区域内像素值等于海天线周围区域亮度阈值的像素点作为海天线周围区域的像素点；

步骤(7)所述根据获得的像素点集合进行线性拟合操作，得到最终海天线的位置，并绘制出来，具体过程如下：在已经获得的海天线粗糙区域内，利用海天线周围区域的像素点进行线性拟合，从而得到最终海天线的位置，并且绘制在原海天线彩色图像上；

步骤(8)所述使用两个指标进行性能评估，具体过程如下：利用已知的海天线图像中的真实海天线位置以及检测出的海天线位置，使用边界框重叠比和角度差两个指标，进行海天线检测的性能评估；

步骤(8)中所述边界框重叠比指标，具体计算过程如下：

(81)海天线与图像左右的两个边界会产生两个交点，在两个交点的位置扩展L的距离之后确定两条水平直线，使用这两条直线组成一个矩形，从而形成边界框；

(82)使用海天线图像中真实的海天线位置和检测出的海天线位置，得到两个边界框；

(83)使用公式

得到边界框重叠比参数，其中r是边界框重叠率，S_x是由图像中真实海天线构建的边界框与检测到的海天线构建的边界框的重叠区域的面积，S_g是图像中真实海天线构建的边界框面积；

步骤(8)中所述角度差指标，具体计算过程如下：使用公式θ＝θ_d-θ_g直接得到角度差参数，其中θ表示角度差，θ_d表示检测到的海天线与水平线之间的角度，θ_g表示图像中真实海天线与水平线之间的角度。

Images