CN112819847A - 一种过鱼通道目标鱼类图像分割方法和系统 - Google Patents
一种过鱼通道目标鱼类图像分割方法和系统 Download PDFInfo
- Publication number
- CN112819847A CN112819847A CN202110143938.9A CN202110143938A CN112819847A CN 112819847 A CN112819847 A CN 112819847A CN 202110143938 A CN202110143938 A CN 202110143938A CN 112819847 A CN112819847 A CN 112819847A
- Authority
- CN
- China
- Prior art keywords
- image
- foreground pixel
- fish
- video sequence
- foreground
- 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
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000000926 separation method Methods 0.000 claims abstract description 34
- 230000003068 static effect Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 37
- 238000003709 image segmentation Methods 0.000 claims description 32
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 11
- 230000011218 segmentation Effects 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011410 subtraction method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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
- G06T2207/20024—Filtering details
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种过鱼通道目标鱼类图像分割方法和系统。该过鱼通道目标鱼类图像分割方法包括:获取待检测鱼通道中的视频图像,并获取视频图像的视频序列图像;采用图像特征分离法获取视频序列图像中每帧图像的图像像素点,并将图像像素点转换为图像RGB三通道数据;根据图像RGB三通道数据确定视频序列图像中是否存在前景像素值;当视频序列图像中存在前景像素值时,采用无模型自适应控制方法根据前景像素值提取得到静态彩色背景图像;对视频序列图像和静态彩色背景图像进行差分运算,得到运动前景目标。本发明提供的过鱼通道目标鱼类图像分割方法和系统能够在减小计算量的同时,提高过鱼通道目标鱼类图像的分割效果。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种过鱼通道目标鱼类图像分割方法和系统
背景技术
数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点,成为计算机视觉和图像处理的重要研究对象。然而一幅图像中,研究对象往往只是某些区域中的特定对象,称之为前景,前景目标的某些信息往往与周围背景存在差异,图像分割就是根据这些信息差异将图像分割成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。到目前为止,研究者们在图像分割领域取得了大量的研究成果,这些成果源于对图像中不同特征的利用,如同一区域内的特征具有相似性和像素点之间具有连通性、目标与背景之间存在不连续性等,但是至今没有一种分割算法能用于所有的图像分割,这也促进了研究者们对图像分割进行不断地研究。早期经典的图像分割方法大多只利用到图像的低层信息,如边缘、纹理、灰度等,其中较为经典的算法有基于阈值的图像分割、基于边缘检测的图像分割基于图论的图像分割等。近年来,研究者们将研究的重点转移到图像中的高层知识,并将先验知识引入图像分割算法中,得到了一些新的图像分割理念,如小波变换模糊集、神经网络活动轮廓模型等,丰富了图像分割方法,很大程度上改善了分割效果。
目前传统的背景提取方法主要包括中值滤波法、背景平均模型法、卡尔曼滤波法和混合高斯模型方法,这些传统的方法在理想状态下往往可以得到不错的效果,但在复杂环境下提取真实背景图像比较困难,同时因为受到自然环境变化、拍摄设备的监测误差等因素的干扰,其所依赖的背景建模极易发生模型失真,从而不能有效的提取背景,进而使得检测出的前景目标也难以辨认。
鱼类生活的环境是在水下,需在水下完成影像数据的采集工作。水对光源具有很大的衰减特性,水下采集图像比平常空气中复杂很多。而且水中的气泡、泥沙等杂质给鱼类视频信息的采集造成了很大的干扰,受到水下照明条件以及水介质对光线的折射和吸收效应等因素的影响,采集到的鱼类影像数据往往会出现亮度不均、对比度低、图像模糊等问题,进一步增大了鱼类识别的难度。为了解决这些难题,国内外学者开始对水下目标图像的分割问题展开了大量研究,主要根据图像像素自身的低阶视觉信息来进行图像分割,现有方法虽然计算量小但是分割效果比较差。
发明内容
为解决上述问题,本发明提供一种过鱼通道目标鱼类图像分割方法和系统,尤其是提供一种基于无模型自适应控制方法的过鱼通道目标鱼类图像分割方法和系统。
为实现上述目的,本发明提供了如下方案:
一种过鱼通道目标鱼类图像分割方法,包括:
获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像;
采用图像特征分离法获取所述视频序列图像中每帧图像的图像像素点,并将所述图像像素点转换为图像RGB三通道数据;所述图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据;
根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值;
当所述视频序列图像中存在所述前景像素值时,采用无模型自适应控制方法根据所述前景像素值提取得到静态彩色背景图像;
对所述视频序列图像和所述静态彩色背景图像进行差分运算,得到运动前景目标;所述运动前景目标即为待检测鱼通道中的目标鱼类图像。
优选地,所述根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值,具体包括:
对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素;
当所述视频序列图像中存在所述第一前景像素时,则所述视频序列图像中存在前景像素值;
当所述视频序列图像中不存在所述第一前景像素时,则所述视频序列图像中不存在前景像素值。
优选地,所述对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素,具体包括:
对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果;
获取背景前景分离阈值;
判断所述差分结果是否大于所述背景前景分离阈值,得到判断结果;
当所述判断结果为所述差分结果大于所述背景前景分离阈值时,所述视频序列图像中存在所述第一前景像素;
当所述判断结果为所述差分结果小于等于所述背景前景分离阈值时,所述视频序列图像中不存在所述第一前景像素。
优选地,所述前景像素值的确定过程,具体包括:
对所述第一前景像素进行二值化处理,得到第二前景像素;
采用形态学对所述第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定所述第三前景像素的像素值;所述第三前景像素的像素值即为前景像素值。
优选地,所述获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像,之后还包括:
对所述视频序列图像进行预处理;所述预处理包括:滤波处理和去噪处理。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的过鱼通道目标鱼类图像分割方法,通过提取过鱼视频中的背景图像达到了获得鱼类情景目标的目的。并且,采用无模型自适应控制方法能够有效的利用图像的色彩信息,可以有效地解决依赖模型而造成的一切问题,而且其在复杂环境下提取的背景更加稳定,抗干扰能力也更强,进而以在减小计算量的同时,能够提高过鱼通道目标鱼类图像的分割效果。
此外,对应于上述提供的过鱼通道目标鱼类图像分割方法,本发明还提供了如下系统:
一种过鱼通道目标鱼类图像分割系统,包括:
获取模块,用于获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像;
RGB三通道数据转换模块,用于采用图像特征分离法获取所述视频序列图像中每帧图像的图像像素点,并将所述图像像素点转换为图像RGB三通道数据;所述图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据;
前景像素值判断模块,用于根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值;
静态彩色背景图像确定模块,用于当所述视频序列图像中存在所述前景像素值时,则采用无模型自适应控制方法根据所述前景像素值提取得到静态彩色背景图像;
目标鱼类图像确定模块,用于对所述视频序列图像和所述静态彩色背景图像进行差分运算,得到运动前景目标;所述运动前景目标即为待检测鱼通道中的目标鱼类图像。
优选地,所述前景像素值判断模块具体包括:
第一前景像素判断单元,用于对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素;
当所述视频序列图像中存在所述第一前景像素时,则所述视频序列图像中存在前景像素值;
当所述视频序列图像中不存在所述第一前景像素时,则所述视频序列图像中不存在前景像素值。
优选地,所述第一前景像素判断单元具体包括:
差分子单元,用于对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果;
阈值获取子单元,用于获取背景前景分离阈值;
判断子单元,用于判断所述差分结果是否大于所述背景前景分离阈值,得到判断结果;
当所述判断结果为所述差分结果大于所述背景前景分离阈值时,所述视频序列图像中存在所述第一前景像素;
当所述判断结果为所述差分结果小于等于所述背景前景分离阈值时,所述视频序列图像中不存在所述第一前景像素。
优选地,还包括前景像素值确定模块;所述前景像素值确定模块具体包括:
二值化处理单元,用于对所述第一前景像素进行二值化处理,得到第二前景像素;
前景像素值确定单元,用于采用形态学对所述第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定所述第三前景像素的像素值;所述第三前景像素的像素值即为前景像素值。
优选地,还包括:
预处理模块,用于对所述视频序列图像进行预处理;所述预处理包括:滤波处理和去噪处理。
因本发明提供的过鱼通道目标鱼类图像分割系统所实现的技术效果与上述本发明提供的过鱼通道目标鱼类图像分割方法所述实现的技术效果相同,在此不再进行赘述。
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,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的过鱼通道目标鱼类图像分割方法的流程图;
图2为本发明实施例提供的彩色背景图像提取框架图;
图3为本发明实施例采用无模型自适应控制方法提取静态彩色背景图像的原理图;
图4为本发明提供的过鱼通道目标鱼类图像分割系统的结构示意图。
具体实施方式
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,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
本发明的目的是提供一种过鱼通道目标鱼类图像分割方法和系统,以在减小计算量的同时,能够提高过鱼通道目标鱼类图像的分割效果。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
无模型自适应控制方法通过被控对象的输入输出数据在线估计动态线性化模型中的伪偏导数,并且根据处理对象的复杂程度不同提供了三种结构不同的控制方案。同时可以满足三维彩色空间的处理需求,充分利用图像的色彩信息,避免由于将彩色图像进行灰度化处理使得一些关键色彩信息缺失。
彩色图像的处理需要从一维输入的灰度图像扩展到三通道RGB的三维输入输出,因为背景像素在三个通道上会同时受到环境干扰和检测噪声等影响,那么生成背景图像系统可以被认作一个三输入三输出的非线性离散时间系统,也就是所谓的多入多出的无模型自适应控制方法,得到的输出结果是三通道RGB的背景结果,整合之后可得到彩色图像。
基于以上设计思想,本发明提供了一种过鱼通道目标鱼类图像分割方法,如图1所示,该过鱼通道目标鱼类图像分割方法,包括:
步骤100:获取待检测鱼通道中的视频图像,并获取视频图像的视频序列图像。
步骤101:采用图像特征分离法获取视频序列图像中每帧图像的图像像素点,并将图像像素点转换为图像RGB三通道数据。图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据。
步骤102:根据图像RGB三通道数据确定视频序列图像中是否存在前景像素值。该步骤具体包括:
对前帧图像的RGB三通道数据和上一帧图像的背景图像的RGB三通道数据进行差分运算确定视频序列图像中是否存在第一前景像素。当视频序列图像中存在第一前景像素时,则视频序列图像中存在前景像素值。当视频序列图像中不存在第一前景像素时,则视频序列图像中不存在前景像素值。
上述是否存在第一前景像素的判断过程为:
A、对前帧图像的RGB三通道数据和上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果。
B、获取背景前景分离阈值。
C、判断差分结果是否大于背景前景分离阈值,得到判断结果。当判断结果为差分结果大于背景前景分离阈值时,视频序列图像中存在第一前景像素。当判断结果为差分结果小于等于背景前景分离阈值时,视频序列图像中不存在第一前景像素。
其中,上述前景像素值的确定过程,具体包括:
A、对第一前景像素进行二值化处理,得到第二前景像素。
B、采用形态学对第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定第三前景像素的像素值。第三前景像素的像素值即为前景像素值。
步骤103:当视频序列图像中存在前景像素值时,采用无模型自适应控制方法根据前景像素值提取得到静态彩色背景图像。
步骤104:对视频序列图像和静态彩色背景图像进行差分运算,得到运动前景目标。运动前景目标即为待检测鱼通道中的目标鱼类图像。
为了进一步提高图像处理的效率和准确性,在本发明上述提供的步骤100之后,还优选包括:
对视频序列图像进行预处理。预处理包括:滤波处理和去噪处理。
下面基于图2的彩色背景图像提取框架,对本发明提供的上述过鱼通道目标鱼类图像分割方法的具体优点进行说明。在具体应用过程中,依据上述提供的过鱼通道目标鱼类图像分割方法所进行的精神领域的操作均属于本发明的保护范围。
如图2所示,彩色背景提取主要包括六个步骤,首先是对监测数据进行适当的观察从而获得稳健的数据传递,之后数据的颜色信息将被用作数据特征来简化数据驱动的模型描述,然后将像素点分解为RGB三通道数据,最后通过多入多出的无模型自适应控制方法提取彩色背景图像,最后通过背景减除法得到前景目标,具体过程为:
步骤1:通过对监控视频数据进行适当的观察,主要通过分帧算法得到视频序列,然后对其进行图像预处理,包括数字化和滤波去噪等相关操作,这是利用数据驱动滤波来进行背景图像提取的基础。
步骤2:通过颜色信息对步骤(1)所得到的图像进行图像特征分离,颜色信息被用作数据特征来简化数据驱动的模型描述。
步骤3:将步骤(2)得到的图像像素点由彩色分解为RGB三通道数据。
步骤4:通过数据特征简化数据驱动的模型将步骤(3)得到的图像RGB三通道数据通过彩色信息来表示,k时刻的RGB三通道数据像素值等于k-1时刻的RGB三通道数据像素值加上变化量。
如图3所示,步骤4具体包括:
(1)将当前帧图像和前时刻背景图像都分解为RGB三通道数据。
(2)通过当前帧图像和前时刻背景图像的RGB三通道数据进行差分运算,若小于背景前景分离阈值R,则通过MFAC方法更新背景直接合成当前帧图像RGB三通道数据得出彩色背景,此时,图像中不包含目标鱼类。若大于背景前景分离阈值,对当前时刻前景像素进行二值化处理。对二值化后的前景像素进行腐蚀膨胀相关形态学处理,输出前景像素值。
步骤5:通过将步骤(4)得到前景像素值输入到多入多出的无模型自适应控制方法(Multiple input and multiple output Model-Free Adaptive Control,MIMO MFAC)这种可在反映内在数据特征的同时调整自身参数的数据驱动方法中,能够更准确的提取彩色背景图像。
步骤6:通过背景减除法得到前景目标,即将输入的原帧图像与步骤(5)提取的静态彩色背景图像做差分,得到运动前景目标,实现前景目标的检测。
其中,图3中,y(m,n,k)为坐标点(m,n)在k时刻的背景像素值,y(m,n,k-1)为坐标点(m,n)在k-1时刻的背景像素值。
目前无模型自适应控制方法可以通过Matlab的simulink仿真平台予以实现,将MFAC当做滤波器,提取RGB三个通道慢时变的背景图像,得到真实彩色背景图像,最后运用背景减除法得到前景目标。
此外,对应于上述提供的过鱼通道目标鱼类图像分割方法,本发明还提供了一种过鱼通道目标鱼类图像分割系统,如图4所示,该过鱼通道目标鱼类图像分割系统包括:获取模块1、RGB三通道数据转换模块2、前景像素值判断模块3、静态彩色背景图像确定模块4和目标鱼类图像确定模块5。
其中,获取模块1用于获取待检测鱼通道中的视频图像,并获取视频图像的视频序列图像。
RGB三通道数据转换模块2用于采用图像特征分离法获取视频序列图像中每帧图像的图像像素点,并将图像像素点转换为图像RGB三通道数据。图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据。
前景像素值判断模块3用于根据图像RGB三通道数据确定视频序列图像中是否存在前景像素值。
静态彩色背景图像确定模块4用于当视频序列图像中存在前景像素值时,则采用无模型自适应控制方法根据前景像素值提取得到静态彩色背景图像。
目标鱼类图像确定模块5用于对视频序列图像和静态彩色背景图像进行差分运算,得到运动前景目标。运动前景目标即为待检测鱼通道中的目标鱼类图像。
作为本发明的一优选实施例,上述前景像素值判断模块3具体包括:第一前景像素判断单元。
其中,第一前景像素判断单元用于对前帧图像的RGB三通道数据和上一帧图像的背景图像的RGB三通道数据进行差分运算确定视频序列图像中是否存在第一前景像素。
当视频序列图像中存在第一前景像素时,则视频序列图像中存在前景像素值。
当视频序列图像中不存在第一前景像素时,则视频序列图像中不存在前景像素值。
作为本发明的另一优选实施例,上述第一前景像素判断单元具体包括:差分子单元、阈值获取子单元和判断子单元。
其中,差分子单元用于对前帧图像的RGB三通道数据和上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果。
阈值获取子单元用于获取背景前景分离阈值。
判断子单元用于判断差分结果是否大于背景前景分离阈值,得到判断结果。
当判断结果为差分结果大于背景前景分离阈值时,视频序列图像中存在第一前景像素。
当判断结果为差分结果小于等于背景前景分离阈值时,视频序列图像中不存在第一前景像素。
作为本发明的又一优选实施例,本发明提供的过鱼通道目标鱼类图像分割系统还包括前景像素值确定模块。前景像素值确定模块具体包括:二值化处理单元和前景像素值确定单元。
其中,二值化处理单元用于对第一前景像素进行二值化处理,得到第二前景像素。
前景像素值确定单元用于采用形态学对第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定第三前景像素的像素值。第三前景像素的像素值即为前景像素值。
作为本发明的再一优选实施例,本发明提供的过鱼通道目标鱼类图像分割系统还包括:预处理模块。
预处理模块用于对视频序列图像进行预处理。预处理包括:滤波处理和去噪处理。
综上,本发明提供的过鱼通道目标鱼类图像分割方法和系统,采用无模型自适应控制方法能够有效解决现有技术中存在的对复杂环境下(如水下)的图像分割效果比较差、极易受到干扰、对模型的依赖性极大、特别容易失真等问题,且能够根据研究对象的复杂程度可以自适应调整图像提取方案,具有更加广泛的适用性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种过鱼通道目标鱼类图像分割方法,其特征在于,包括:
获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像;
采用图像特征分离法获取所述视频序列图像中每帧图像的图像像素点,并将所述图像像素点转换为图像RGB三通道数据;所述图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据;
根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值;
当所述视频序列图像中存在所述前景像素值时,采用无模型自适应控制方法根据所述前景像素值提取得到静态彩色背景图像;
对所述视频序列图像和所述静态彩色背景图像进行差分运算,得到运动前景目标;所述运动前景目标即为待检测鱼通道中的目标鱼类图像。
2.根据权利要求1所述的过鱼通道目标鱼类图像分割方法,其特征在于,所述根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值,具体包括:
对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素;
当所述视频序列图像中存在所述第一前景像素时,则所述视频序列图像中存在前景像素值;
当所述视频序列图像中不存在所述第一前景像素时,则所述视频序列图像中不存在前景像素值。
3.根据权利要求2所述的过鱼通道目标鱼类图像分割方法,其特征在于,所述对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素,具体包括:
对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果;
获取背景前景分离阈值;
判断所述差分结果是否大于所述背景前景分离阈值,得到判断结果;
当所述判断结果为所述差分结果大于所述背景前景分离阈值时,所述视频序列图像中存在所述第一前景像素;
当所述判断结果为所述差分结果小于等于所述背景前景分离阈值时,所述视频序列图像中不存在所述第一前景像素。
4.根据权利要求2所述的过鱼通道目标鱼类图像分割方法,其特征在于,所述前景像素值的确定过程,具体包括:
对所述第一前景像素进行二值化处理,得到第二前景像素;
采用形态学对所述第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定所述第三前景像素的像素值;所述第三前景像素的像素值即为前景像素值。
5.根据权利要求2所述的过鱼通道目标鱼类图像分割方法,其特征在于,所述获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像,之后还包括:
对所述视频序列图像进行预处理;所述预处理包括:滤波处理和去噪处理。
6.一种过鱼通道目标鱼类图像分割系统,其特征在于,包括:
获取模块,用于获取待检测鱼通道中的视频图像,并获取所述视频图像的视频序列图像;
RGB三通道数据转换模块,用于采用图像特征分离法获取所述视频序列图像中每帧图像的图像像素点,并将所述图像像素点转换为图像RGB三通道数据;所述图像RGB三通道数据包括:当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据;
前景像素值判断模块,用于根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值;
静态彩色背景图像确定模块,用于当所述视频序列图像中存在所述前景像素值时,则采用无模型自适应控制方法根据所述前景像素值提取得到静态彩色背景图像;
目标鱼类图像确定模块,用于对所述视频序列图像和所述静态彩色背景图像进行差分运算,得到运动前景目标;所述运动前景目标即为待检测鱼通道中的目标鱼类图像。
7.根据权利要求6所述的过鱼通道目标鱼类图像分割系统,其特征在于,所述前景像素值判断模块具体包括:
第一前景像素判断单元,用于对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算确定所述视频序列图像中是否存在第一前景像素;
当所述视频序列图像中存在所述第一前景像素时,则所述视频序列图像中存在前景像素值;
当所述视频序列图像中不存在所述第一前景像素时,则所述视频序列图像中不存在前景像素值。
8.根据权利要求7所述的过鱼通道目标鱼类图像分割系统,其特征在于,所述第一前景像素判断单元具体包括:
差分子单元,用于对所述前帧图像的RGB三通道数据和所述上一帧图像的背景图像的RGB三通道数据进行差分运算,得到差分结果;
阈值获取子单元,用于获取背景前景分离阈值;
判断子单元,用于判断所述差分结果是否大于所述背景前景分离阈值,得到判断结果;
当所述判断结果为所述差分结果大于所述背景前景分离阈值时,所述视频序列图像中存在所述第一前景像素;
当所述判断结果为所述差分结果小于等于所述背景前景分离阈值时,所述视频序列图像中不存在所述第一前景像素。
9.根据权利要求7所述的过鱼通道目标鱼类图像分割系统,其特征在于,还包括前景像素值确定模块;所述前景像素值确定模块具体包括:
二值化处理单元,用于对所述第一前景像素进行二值化处理,得到第二前景像素;
前景像素值确定单元,用于采用形态学对所述第二前景像素进行腐蚀和膨胀处理,得到第三前景像素,确定所述第三前景像素的像素值;所述第三前景像素的像素值即为前景像素值。
10.根据权利要求7所述的过鱼通道目标鱼类图像分割系统,其特征在于,还包括:
预处理模块,用于对所述视频序列图像进行预处理;所述预处理包括:滤波处理和去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143938.9A CN112819847A (zh) | 2021-02-02 | 2021-02-02 | 一种过鱼通道目标鱼类图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110143938.9A CN112819847A (zh) | 2021-02-02 | 2021-02-02 | 一种过鱼通道目标鱼类图像分割方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112819847A true CN112819847A (zh) | 2021-05-18 |
Family
ID=75860615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110143938.9A Pending CN112819847A (zh) | 2021-02-02 | 2021-02-02 | 一种过鱼通道目标鱼类图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819847A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098331A1 (en) * | 2008-09-26 | 2010-04-22 | Sony Corporation | System and method for segmenting foreground and background in a video |
CN102163361A (zh) * | 2011-05-16 | 2011-08-24 | 公安部沈阳消防研究所 | 一种基于前景累积图像的图像型火灾探测方法 |
CN102496155A (zh) * | 2011-10-28 | 2012-06-13 | 河海大学 | 一种优化c-v模型的水下光学图像处理方法 |
CN107730526A (zh) * | 2017-09-25 | 2018-02-23 | 中国科学院声学研究所 | 一种鱼群数量的统计方法 |
-
2021
- 2021-02-02 CN CN202110143938.9A patent/CN112819847A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098331A1 (en) * | 2008-09-26 | 2010-04-22 | Sony Corporation | System and method for segmenting foreground and background in a video |
CN102163361A (zh) * | 2011-05-16 | 2011-08-24 | 公安部沈阳消防研究所 | 一种基于前景累积图像的图像型火灾探测方法 |
CN102496155A (zh) * | 2011-10-28 | 2012-06-13 | 河海大学 | 一种优化c-v模型的水下光学图像处理方法 |
CN107730526A (zh) * | 2017-09-25 | 2018-02-23 | 中国科学院声学研究所 | 一种鱼群数量的统计方法 |
Non-Patent Citations (2)
Title |
---|
庄哲民等: "基于灰度特征和自适应阈值的虚拟背景提取研究", 《电子与信息学报》 * |
鲁迪: "无模型自适应控制方法在图像识别中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Deep retinex network for single image dehazing | |
CN109872285B (zh) | 一种基于变分约束的Retinex低照度彩色图像增强方法 | |
CN107133929B (zh) | 基于背景估计和能量最小化的低质量文档图像二值化方法 | |
CN107169977B (zh) | 基于FPGA和Kirsch的自适应阈值彩色图像边缘检测方法 | |
CN111489303A (zh) | 一种低照度环境下海事图像增强方法 | |
CN111260591B (zh) | 一种基于注意力机制的图像自适应去噪方法 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
Mei et al. | Single image dehazing using dark channel fusion and haze density weight | |
CN109034070B (zh) | 一种置换混叠图像盲分离方法及装置 | |
CN111539434B (zh) | 基于相似度的红外弱小目标检测方法 | |
CN110136164B (zh) | 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法 | |
Zacheilas et al. | An FPGA-based system for video processing to detect holes in aquaculture nets | |
CN113643202B (zh) | 一种基于噪声注意力图指导的微光图像增强方法 | |
CN112819847A (zh) | 一种过鱼通道目标鱼类图像分割方法和系统 | |
CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
Shao et al. | An adaptive image contrast enhancement algorithm based on retinex | |
Liu et al. | Adaptive ideal image reconstruction for bacteria colony detection | |
CN111681176A (zh) | 自适应卷积的残差修正单幅图像去雨方法 | |
Wang et al. | Single Image Dehazing Method Based on Semi-Training Color Stripping | |
CN113284135B (zh) | 基于全局与局部上下文信息的sar舰船检测方法 | |
Ji et al. | Research on Acceleration Methods of Semi-training Color Stripping DehazeNet | |
Luo | Edge detection algorithm based on color space variables | |
CN115601560A (zh) | 一种基于自适应网络的参数更新方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210518 |