CN111612800B - 船舶图像检索方法、计算机可读存储介质和设备 - Google Patents

船舶图像检索方法、计算机可读存储介质和设备 Download PDF

Info

Publication number
CN111612800B
CN111612800B CN202010421362.3A CN202010421362A CN111612800B CN 111612800 B CN111612800 B CN 111612800B CN 202010421362 A CN202010421362 A CN 202010421362A CN 111612800 B CN111612800 B CN 111612800B
Authority
CN
China
Prior art keywords
image
ship
information
value
gray level
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
Application number
CN202010421362.3A
Other languages
English (en)
Other versions
CN111612800A (zh
Inventor
王晓原
夏媛媛
姜雨函
高杰
柴垒
朱慎超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Navigation Brilliance Qingdao Technology Co Ltd
Original Assignee
Navigation Brilliance Qingdao Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Navigation Brilliance Qingdao Technology Co Ltd filed Critical Navigation Brilliance Qingdao Technology Co Ltd
Priority to CN202010421362.3A priority Critical patent/CN111612800B/zh
Publication of CN111612800A publication Critical patent/CN111612800A/zh
Application granted granted Critical
Publication of CN111612800B publication Critical patent/CN111612800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Processing (AREA)

Abstract

本发明属于计算机技术领域，具体涉及一种船舶图像检索方法、计算机可读存储介质和设备。该方法包括：通过图像采集装置采集船舶图像，作为待检索图像；通过图像分割提取所述待检索图像中的船舶信息；基于所述船舶信息，提取所述待检索图像的颜色特征和纹理特征，得到图像检索特征向量；其中，所述颜色特征包含三个颜色分量的基于像素灰度平均值确定的统计信息，所述纹理特征包含基于灰度共生矩阵确定的图像对比度信息、能量信息和相关性信息；根据所述图像检索特征向量判断所述船舶信息与各预存图像信息的相似度，确定船舶检索目标。本发明方法可以有效地提取图像特征，大幅提高了船舶图像检索结果的正确率和可靠性。

Description

船舶图像检索方法、计算机可读存储介质和设备
技术领域
本发明属于计算机技术领域，具体涉及一种面向智能船舶的船舶图像检索方法、一种计算机可读存储介质以及一种计算机设备。
背景技术
在港口的船舶管理以及船舶航行过程中，通过图像采集装置可采集到他船图像，针对这些图像信息，通过图像检索可以获得目标船舶的相关信息。在日常运行中，系统需要处理大量的船舶图像数据。在此情况下，高效地对船舶图像进行检索是保证系统可靠运行的保证。现有的船舶图像检索技术大多是通过专业人员的标记和检索以及基于专家库进行图像匹配，这些方法导致成本高，检索时间长且无法保证准确度。而现有的自动检索方法对船舶特征提取过于单一，以至于也无法保证检索结果的可靠性。
发明内容
(一)要解决的技术问题
鉴于现有技术的上述缺点、不足，本申请提出了一种面向智能船舶的船舶图像检索方法，解决了现有船舶图像检索方法对船舶特征提取单一、检索结果正确率和可靠性低的问题。
(二)技术方案
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明实施例提供一种面向智能船舶的船舶图像检索方法，该方法包括：
通过图像采集装置采集船舶图像，作为待检索图像；
通过图像分割提取所述待检索图像中的船舶信息；
基于所述船舶信息，提取所述待检索图像的颜色特征和纹理特征，得到图像检索特征向量；其中，所述颜色特征包含三个颜色分量的基于像素灰度平均值确定的统计信息，所述纹理特征包含基于灰度共生矩阵确定的图像对比度信息、能量信息和相关性信息；
根据所述图像检索特征向量判断所述船舶信息与各预存图像信息的相似度，确定船舶检索目标，以实现船舶目标识别。
相对于现有技术而言，本发明方法通过提取船舶图像的颜色特征、纹理特征，融合得到的船舶图像检索特征向量，从而能够有效地提取待检索图像的特征；以此为依据进行船舶图像检索，大幅提高了船舶图像检索结果的正确率和可靠性。
可选地，提取所述待检索图像的颜色特征和纹理特征，得到图像检索特征向量，包括：
基于所述船舶信息，将所述待检索图像划分成多个图像子块；
计算每个图像子块的颜色特征值和纹理特征值，构建各图像子块的特征向量；
基于各图像子块的特征向量构建所述图像检索特征向量。
可选地，根据以下公式计算图像子块对比度：
Figure BDA0002497007380000021
其中，Con为对比度，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
可选地，根据以下公式计算图像子块能量：
Figure BDA0002497007380000022
其中，Asm为能量，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
可选地，根据以下公式计算图像子块相关性：
Figure BDA0002497007380000031
其中，Cor表示相关性，P(i，j)表示图像的灰度共生矩阵，δ(x，y)表示图像子块的灰度均值，γ(x，y)表示图像子块的灰度的标准差，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
可选地，根据以下公式计算图像子块三个颜色分量中每个颜色分量的第一特征值：
Figure BDA0002497007380000032
其中，E(x,y)为像素点(x，y)的颜色分量灰度值，aE(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标。
可选地，根据以下公式计算图像子块三个颜色分量中每个颜色分量的第二特征值：
Figure BDA0002497007380000033
其中，E(x,y)为像素点(x，y)的颜色分量灰度值，aE(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标。
可选地，根据以下公式计算所述船舶信息与各预存图像信息的相似度：
Figure BDA0002497007380000034
其中，D(I1,I2)为相似度，x1ab、x2ab分别表示图像I1，I2的第a个分块的第b个特征分量，c为待检索图像的图像块的数量。
通过本发明实施例确定的基于改进的距离算法对船舶图像的特征进行匹配，满足本发明方法中的多维数据特征下图像匹配的实际应用需求。
第二方面，本发明实施例提供一种计算机可读存储介质，其上存储有面向智能船舶的船舶图像检索程序，该检索程序被处理器执行时实现上述第一方面及其各种可能的实现方式所述的面向智能船舶的船舶图像检索方法。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的面向智能船舶的船舶图像检索程序，所述处理器执行所述确定程序时，实现上述第一方面及其各种可能的实现方式所述的面向智能船舶的船舶图像检索方法。
本申请中第二方面、第三方面及其各种实现方式的描述，可以参考第一方面及其各种实现方式中的详细描述；并且，第二方面、第三方面及其各种实现方式的有益效果，可以参考第一方面及其各种实现方式中的有益效果分析，此处不再赘述。
(三)有益效果
本发明的有益效果是：本发明的面向智能船舶的船舶图像检索方法、计算机可读存储介质和设备，通过提取船舶图像的颜色特征、纹理特征，融合得到的船舶图像检索特征向量，从而能够有效地提取待检索图像的特征；根据图像检索特征向量判断船舶信息与各预存图像信息的相似度，确定船舶检索目标，以实现船舶目标识别，从而大幅提高了船舶图像检索结果的正确率和可靠性，保证系统有效地进行船舶识别。
附图说明
本申请借助于以下附图进行描述：
图1为本申请一个实施例中的面向智能船舶的船舶图像检索方法流程示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
针对现有船舶图像检索方法对船舶特征提取单一、检索结果正确率和可靠性低的问题，本发明实施例提出了一种面向智能船舶的船舶图像检索方法，通过提取船舶图像的颜色特征、纹理特征，融合得到的船舶图像检索特征向量；基于图像检索特征向量确定船舶检索目标。其中，该面向智能船舶的船舶图像检索方法包括以下步骤：
通过图像采集装置采集船舶图像，作为待检索图像；
通过图像分割提取待检索图像中的船舶信息；
基于船舶信息，提取待检索图像的颜色特征和纹理特征，得到图像检索特征向量；其中，颜色特征包含三个颜色分量的基于像素灰度平均值确定的统计信息，纹理特征包含基于灰度共生矩阵确定的图像对比度信息、能量信息和相关性信息；
根据图像检索特征向量判断船舶信息与各预存图像信息的相似度，确定船舶检索目标，以实现船舶目标识别。
通过该方法进行船舶图像检索，能够有效地提取待检索图像的特征，在此基础上进行相似度判断，能够大幅提高船舶图像检索结果的正确率和可靠性。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1为本申请一个实施例中的面向智能船舶的船舶图像检索方法流程示意图。为了更清晰地对本发明进行说明，下面结合图1对该实施例中各步骤进行展开详述。
需要说明的是，本实施例的执行主体为设置于港口的船舶监控管理系统，用于港口管理人员通过视频画面结合图像检索得到港口活动的船舶的相关信息，或设置于智能船舶上的环境监测系统，主要用于船舶在航行过程中，通过监控画面动态捕捉航行船只，通过图像检索得到船舶相关信息，用于辅助船舶航行决策。
如图1所示，该面向智能船舶的船舶图像检索方法包括以下步骤：
步骤S10，通过图像采集装置采集船舶图像，作为待检索图像。
具体地，在一个实施例中，通过船端的图像采集装置或是岸端的水域监视设备获得船舶图像。图像采集装置和水域监视设备包括但不限于摄像头、球机等，在此不对图像采集装置的具体形式进行限制。
可选地，在本申请的一个实施例中，针对图像采集装置采集的图像，还通过对图像进行预处理来提升图像的清晰度和增强图像的亮度。
通过对船舶图像的处理，可以更加便于后续对船舶图像检索特征的提取，从而提高了船舶图像检索的效率以及结果的可靠性。
步骤S20，通过图像分割提取待检索图像中的船舶信息。
本实施例中，图像分割采用基于边缘的分割方法。在其他实施例中，也可以采用其他方法，本发明对此不作限定。
步骤S30，基于步骤S20得到的船舶信息，提取待检索图像的颜色特征和纹理特征，得到图像检索特征向量；其中，颜色特征包含三个颜色分量的基于像素灰度平均值确定的统计信息，纹理特征包含基于灰度共生矩阵确定的图像对比度信息、能量信息和相关性信息。
作为一个实施例，该步骤具体包括以下步骤。
步骤S31，基于步骤S20得到的船舶信息，将待检索图像划分成多个图像子块。
其中，将图像划分成多个子块时，每个子块之间没有重叠区域。
步骤S32，计算每个图像子块的颜色特征值和纹理特征值，构建各图像子块的特征向量。
颜色特征是船舶图像的关键特征之一。具体地，在一个实施例中，采用以下方法提取船舶图像的颜色特征。
对于每个图像子块，首先通过公式(1)计算子块的灰度平均值μG。
Figure BDA0002497007380000071
对每个分块内的颜色分量进行编码(颜色分量主要分为红(R)、绿 (G)、蓝(B))，当某个颜色分量的灰度值大于均值将其设置为1，否则设置为0。以红色分量为例，通过公式(2)可以得到该颜色分量灰度值的系数。
Figure BDA0002497007380000072
其中，R(x，y)为像素点(x，y)的红色分量灰度值。
根据公式(3)计算图像子块三个颜色分量中红色分量的第一特征值。
Figure BDA0002497007380000073
其中，R(x,y)为像素点(x，y)的颜色分量灰度值，aR(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标。
根据公式(4)计算图像子块三个颜色分量中红色分量的第二特征值。
Figure BDA0002497007380000074
其中，R(x,y)为像素点(x，y)的颜色分量灰度值，aR(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标。
对蓝色分量和绿色分量通过同样的方法得到相应的第一特征值和第二特征值。最终，对于每个分块，可以得到六个颜色特征值。
纹理特征也是用于识别船舶的关键特征，因为纹理是由灰度分布在空间位置上反复出现的，因此在船舶图像中相隔某距离的两个像素点之间会存在着一定的灰度关系。在本实施例中，通过建立船舶图像的灰度共生矩阵来描述船舶图像的纹理特征。可选地，具体采用以下方法提取船舶图像的颜色纹理特征。
首先通过公式(5)将彩色图像转化为灰度图像。
Figure BDA0002497007380000081
其中，f(x,y)表示彩色图像中每个像素点转化为灰度图像后的像素点的灰度值，f_R(x,y)表示彩色图像中每个像素点红色分量的灰度值， f_G(x,y)表示彩色图像中每个像素点绿色分量的灰度值，f_B(x,y)表示彩色图像中每个像素点蓝色分量的灰度值，x、y表示像素点位置坐标。
基于已知的船舶图像的每个像素点的灰度值f(x,y)，根据公式(6) 计算其邻近区域像素灰度的均值δ(x,y)。
Figure BDA0002497007380000082
其中，H表示邻域的大小，d＝(H-1)/2，当H是偶数时d取整数。
根据公式(7) 计算像素灰度的标准差γ(x,y)。
Figure BDA0002497007380000083
然后通过计算得到图像的灰度共生矩阵P(i,j),基于该矩阵依次计算用来代表纹理特征的三个特征，分别为对比度、能量和相关性。其中，对比度用来反应图像的清晰度和纹理的沟纹深浅，能量用来反应图像灰度分布均匀程度和纹理粗细度，相关性用来度量图像的灰度级在行或列方向上的相似程度。
可选地，根据公式(8)计算图像子块对比度。
Figure BDA0002497007380000091
其中，Con为对比度，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
可选地，根据公式(9)计算图像子块能量。
Figure BDA0002497007380000092
其中，Asm为能量，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
可选地，根据公式(10)计算图像子块相关性。
Figure BDA0002497007380000093
其中，Cor表示相关性，P(i，j)表示图像的灰度共生矩阵，δ(x，y)表示图像子块的灰度均值，γ(x，y)表示图像子块的灰度的标准差，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
最后，基于图像子块的六个颜色特征值和对比度、能量和相关性构建公式(11)表示的图像子块的特征向量。
xi＝{μRH，μRL，μGH，μGLμBH，μBL，Con，Asm，Cor} (11)
其中，xi表示图像子块的特征向量，μRH为红色分量的第一特征值，μRL为红色分量的第二特征值，μGH为绿色分量的第一特征值，μGL为绿色分量的第二特征值，μBH为蓝色分量的第一特征值，μBL为蓝色分量的第二特征值，Con为对比度，Asm为能量，Cor为相关性。
步骤S33，基于各图像子块的特征向量构建图像检索特征向量。
具体地，在一个实施例中，基于船舶各图像子块的特征向量，构建用于图像检索的特征向量X，如公式(11)所示。
X＝{xi)，i＝1，2，3...，c (11)
其中，C表示将图像分为C块，其中每个分块的特征向量由9个特征值组成。
步骤S40、根据图像检索特征向量判断船舶信息与各预存图像信息的相似度，确定船舶检索目标，以实现船舶目标识别。
具体地，该步骤包括：
步骤S41，根据图像检索特征向量和预存图像特征向量计算船舶信息与各预存图像信息的相似度。
可选地，在本申请的一个实施例中，通过步骤S30得到的图像检索特征向量，与船舶图像数据库中的预存图像特征向量进行相似度匹配。其中，预存图像特征向量是通过提取预设船舶图像数据库中各预存图像的颜色特征和纹理特征得到的，特征提取的方法与步骤S20中提取待检索图像的颜色特征和纹理特征的方法相同。船舶图像相似度度量方法如公式(12)所示。
Figure BDA0002497007380000101
其中，D(I1,I2)为相似度，x1ab、x2ab分别表示图像I1，I2的第a个分块的第b个特征分量，c为待检索图像的图像块的数量。
传统的相似度匹配方法只适用于单一数据特征的图像匹配，不符合本方法中的多维数据特征图像匹配，基于此，本发明实施例提出一种基于改进的距离算法对船舶图像的相似度进行特征匹配，满足多维数据特征下图像匹配的应用需求。
步骤S42，将相似度符合相似度判断条件的预存图像特征向量对应的船舶作为船舶检索目标，以实现船舶目标识别。
根据设计的船舶相似度阈值进行判断：当计算得到的船舶图像相似度值小于阈值时，则认为满足判断条件，将对应的预存图像信息作为船舶检索目标，输出结果，检索成功；否则，继续进行船舶图像特征匹配，直到检索到最终图像信息，停止进行检索。
本发明方法基于船舶图像的颜色特征、纹理特征提取，然后融合得到的船舶图像检索特征向量作为检索依据，从而能够有效地提取待检索图像的特征。基于融合船舶图像多特征的检索方法，极大地提高了船舶图像检索的正确率，再结合人工智能算法进行图像检索，可以提高检索效率，提高实时性。
岸基机构对水域监控过程中捕获得到船舶图像信息，基于图像检索方法从船舶数据库中可以有效提取船舶的相关信息，再结合增强现实等技术可以直接高效的掌握港口船舶运营情况。
在智能船舶航行过程中，通过本船的摄像头、球机可采集到他船图像，针对这些图像信息，通过图像检索可以获得目标船舶的相关信息，并可辅助实现目标船舶的快速定位。
第二方面，本发明实施例提供一种计算机可读存储介质，其上存储有面向智能船舶的船舶图像检索程序，该检索程序被处理器执行时实现上述第一方面及其各种可能的实现方式所述的面向智能船舶的船舶图像检索方法。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的面向智能船舶的船舶图像检索程序，所述处理器执行所述确定程序时，实现上述第一方面及其各种可能的实现方式所述的面向智能船舶的船舶图像检索方法。
本申请中第二方面、第三方面及其各种实现方式的描述，可以参考第一方面及其各种实现方式中的详细描述；并且，第二方面、第三方面及其各种实现方式的有益效果，可以参考第一方面及其各种实现方式中的有益效果分析，此处不再赘述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (8)

1.一种面向智能船舶的船舶图像检索方法，其特征在于，该方法包括：
通过图像采集装置采集船舶图像，作为待检索图像；
通过图像分割提取所述待检索图像中的船舶信息；
基于所述船舶信息，提取所述待检索图像的颜色特征和纹理特征，得到图像检索特征向量；其中，所述颜色特征包含三个颜色分量的基于像素灰度平均值确定的统计信息，所述纹理特征包含基于灰度共生矩阵确定的图像对比度信息、能量信息和相关性信息；提取所述待检索图像的颜色特征和纹理特征，得到图像检索特征向量，包括：
基于所述船舶信息，将所述待检索图像划分成多个图像子块；
计算每个图像子块的颜色特征值和纹理特征值，构建各图像子块的特征向量；其中，根据以下公式计算图像子块三个颜色分量中每个颜色分量的第一特征值：
Figure FDA0003625559730000011
其中，E(x,y)为像素点(x，y)的颜色分量灰度值，aE(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标；
基于各图像子块的特征向量构建所述图像检索特征向量；
根据所述图像检索特征向量判断所述船舶信息与各预存图像信息的相似度，确定船舶检索目标，以实现船舶目标识别。
2.如权利要求1所述的面向智能船舶的船舶图像检索方法，其特征在于，根据以下公式计算图像子块对比度：
Figure FDA0003625559730000012
其中，Con为对比度，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
3.如权利要求1所述的面向智能船舶的船舶图像检索方法，其特征在于，根据以下公式计算图像子块能量：
Figure FDA0003625559730000021
其中，Asm为能量，P(i，j)为图像的灰度共生矩阵，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
4.如权利要求1所述的面向智能船舶的船舶图像检索方法，其特征在于，根据以下公式计算图像子块相关性：
Figure FDA0003625559730000022
其中，Cor表示相关性，P(i，j)表示图像的灰度共生矩阵，δ(x，y)表示图像子块的灰度均值，γ(x，y)表示图像子块的灰度的标准差，i、j分别为灰度值，i、j取值范围是[0,q]，q为图像子块的像素点中灰度最大值。
5.如权利要求1所述的面向智能船舶的船舶图像检索方法，其特征在于，根据以下公式计算图像子块三个颜色分量中每个颜色分量的第二特征值：
Figure FDA0003625559730000023
其中，E(x,y)为像素点(x，y)的颜色分量灰度值，aE(x,y)为该颜色分量灰度值的系数，m为像素点的个数，x、y为像素点坐标。
6.如权利要求1所述的面向智能船舶的船舶图像检索方法，其特征在于，根据以下公式计算所述船舶信息与各预存图像信息的相似度：
Figure FDA0003625559730000031
其中，D(I1,I2)为相似度，x1ab、x2ab分别表示图像I1，I2的第a个分块的第b个特征分量，c为待检索图像的图像块的数量。
7.一种计算机可读存储介质，其特征在于，其上存储有面向智能船舶的船舶图像检索程序，该检索程序被处理器执行时实现如权利要求1-6中任一项所述的面向智能船舶的船舶图像检索方法。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的面向智能船舶的船舶图像检索程序，所述处理器执行所述确定程序时，实现如权利要求1-6中任一项所述的面向智能船舶的船舶图像检索方法。
CN202010421362.3A 2020-05-18 2020-05-18 船舶图像检索方法、计算机可读存储介质和设备 Active CN111612800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010421362.3A CN111612800B (zh) 2020-05-18 2020-05-18 船舶图像检索方法、计算机可读存储介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010421362.3A CN111612800B (zh) 2020-05-18 2020-05-18 船舶图像检索方法、计算机可读存储介质和设备

Publications (2)

Publication Number Publication Date
CN111612800A CN111612800A (zh) 2020-09-01
CN111612800B true CN111612800B (zh) 2022-08-16

Family

ID=72200806

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010421362.3A Active CN111612800B (zh) 2020-05-18 2020-05-18 船舶图像检索方法、计算机可读存储介质和设备

Country Status (1)

Country Link
CN (1) CN111612800B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111208A (zh) * 2021-05-11 2021-07-13 青岛以萨数据技术有限公司 一种以图搜图的方法、系统、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081801A (zh) * 2011-01-26 2011-06-01 上海交通大学 多特征自适应融合船舶跟踪和航迹检测方法
CN102288166A (zh) * 2011-05-13 2011-12-21 河海大学 基于视频的多模型结合水面船舶检测方法
CN103049446A (zh) * 2011-10-13 2013-04-17 中国移动通信集团公司 一种图像检索方法及装置
CN108932303A (zh) * 2018-06-12 2018-12-04 中国电子科技集团公司第二十八研究所 一种分布式可见光遥感影像动态目标检测与分析系统
CN109558771A (zh) * 2017-09-26 2019-04-02 中电科海洋信息技术研究院有限公司 海上船舶的行为状态识别方法、装置、设备及存储介质
CN109918537A (zh) * 2019-01-18 2019-06-21 杭州电子科技大学 一种基于HBase的船舶监控视频内容的快速检索方法
CN110211127A (zh) * 2019-08-01 2019-09-06 成都考拉悠然科技有限公司 基于双相关性网络的图像分割方法
CN111104398A (zh) * 2019-12-17 2020-05-05 智慧航海（青岛）科技有限公司 针对智能船舶近似重复记录的检测方法、消除方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102081801A (zh) * 2011-01-26 2011-06-01 上海交通大学 多特征自适应融合船舶跟踪和航迹检测方法
CN102288166A (zh) * 2011-05-13 2011-12-21 河海大学 基于视频的多模型结合水面船舶检测方法
CN103049446A (zh) * 2011-10-13 2013-04-17 中国移动通信集团公司 一种图像检索方法及装置
CN109558771A (zh) * 2017-09-26 2019-04-02 中电科海洋信息技术研究院有限公司 海上船舶的行为状态识别方法、装置、设备及存储介质
CN108932303A (zh) * 2018-06-12 2018-12-04 中国电子科技集团公司第二十八研究所 一种分布式可见光遥感影像动态目标检测与分析系统
CN109918537A (zh) * 2019-01-18 2019-06-21 杭州电子科技大学 一种基于HBase的船舶监控视频内容的快速检索方法
CN110211127A (zh) * 2019-08-01 2019-09-06 成都考拉悠然科技有限公司 基于双相关性网络的图像分割方法
CN111104398A (zh) * 2019-12-17 2020-05-05 智慧航海（青岛）科技有限公司 针对智能船舶近似重复记录的检测方法、消除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于二维直方图信息熵的图像检索方法;洪清启等;《广西师范大学学报(自然科学版)》;20071215(第04期);全文 *

Also Published As

Publication number Publication date
CN111612800A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN108492343B (zh) 一种扩充目标识别的训练数据的图像合成方法
CN107330439B (zh) 一种图像中物体姿态的确定方法、客户端及服务器
CN111127308B (zh) 用于局部遮挡下单样本人脸识别的镜像特征重排修复方法
US8406535B2 (en) Invariant visual scene and object recognition
Zhang et al. Detecting and extracting the photo composites using planar homography and graph cut
US20090304271A1 (en) Object region extracting device
CN106991370B (zh) 基于颜色和深度的行人检索方法
Spezialetti et al. Learning to orient surfaces by self-supervised spherical cnns
CN110210492B (zh) 一种基于深度学习的立体图像视觉显著性检测方法
CN105160686B (zh) 一种基于改进sift算子的低空多视角遥感影像匹配方法
CN117522817A (zh) 一种基于人工智能算法的医学图像处理方法及系统
CN110267101B (zh) 一种基于快速三维拼图的无人机航拍视频自动抽帧方法
CN111738113A (zh) 基于双注意力机制与语义约束的高分辨遥感图像的道路提取方法
CN111310690B (zh) 基于cn和三通道胶囊网络的森林火灾识别方法及装置
CN111104813A (zh) 二维码图像关键点检测方法、装置、电子设备及存储介质
CN114781514A (zh) 一种融合注意力机制的漂浮物目标检测方法及系统
CN110705566A (zh) 一种基于空间金字塔池的多模态融合显著性检测方法
CN116229528A (zh) 一种活体掌静脉检测方法、装置、设备及存储介质
CN111612800B (zh) 船舶图像检索方法、计算机可读存储介质和设备
CN115100542A (zh) 基于半监督学习和可变形卷积的输电塔遥感目标检测方法
CN116189162A (zh) 一种船牌检测与识别方法、装置、电子设备和储存介质
CN109657083B (zh) 纺织品图片特征库的建立方法和装置
CN112989098B (zh) 一种图像类侵权实体自动化检索方法、装置和电子设备
CN106815852A (zh) 基于四元数极谐变换的彩色图像取证方法
CN112396638A (zh) 一种图像处理方法、终端和计算机可读存储介质

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