CN113158715A - 一种船只检测方法及装置 - Google Patents

一种船只检测方法及装置 Download PDF

Info

Publication number
CN113158715A
CN113158715A CN202011224354.6A CN202011224354A CN113158715A CN 113158715 A CN113158715 A CN 113158715A CN 202011224354 A CN202011224354 A CN 202011224354A CN 113158715 A CN113158715 A CN 113158715A
Authority
CN
China
Prior art keywords
value
image
color
pixel point
detected
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
Application number
CN202011224354.6A
Other languages
English (en)
Inventor
李宁鸟
方丽
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.)
Xi'an Tianwei Electronic System Engineering Co ltd
Original Assignee
Xi'an Tianwei Electronic System Engineering 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 Xi'an Tianwei Electronic System Engineering Co ltd filed Critical Xi'an Tianwei Electronic System Engineering Co ltd
Priority to CN202011224354.6A priority Critical patent/CN113158715A/zh
Publication of CN113158715A publication Critical patent/CN113158715A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种船只检测方法及装置，涉及图像处理技术领域，能够有效提高对海面上船只的检测准确率。该方法包括：获取待检测图像中各个像素点的亮度特征值和颜色特征值；根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；通过对所述待检测图像进行特征点检测，获取所述待检测图像对应的响应值图像；对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；从所述第二显著性图像中检测到目标船只。

Description

一种船只检测方法及装置
技术领域
本申请涉及图像处理技术领域，尤其涉及一种船只检测方法及装置。
背景技术
海上船只的识别对于海上安防具有重要的战略意义，对于我国海洋强国战略实施具有极大的帮助。为了适应新时期打私工作的要求，海关部门积极参与建立多维船只智能识别系统。该智能识别系统很大程度上需采用光电设备对航道经过的船只进行实时照片和视频信息采集和智能分析，从而根据风险等级对船只进行分类处理。其中智能分析中涉及到的关键技术为船只检测，但现有的船只检测会受到一些复杂场景(例如海面线不明显，或者，船只和海面对比度较低等)的影响，从而导致无法准确检测到船只。
发明内容
本申请实施例提供了一种船只检测方法及装置，能够提高海上船只的检测准确率。
第一方面，本申请提供一种船只检测方法，包括：获取待检测图像中各个像素点的亮度特征值和颜色特征值；根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；通过对所述待检测图像进行特征点检测，获取所述待检测图像对应的响应值图像；对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；从所述第二显著性图像中检测到目标船只。
可选地，所述获取待检测图像中各个像素点的亮度特征值和颜色特征值，包括：将所述待检测图像从RGB颜色空间转换至Lab颜色空间，得到所述待检测图像中各个像素点的亮度特征值和颜色特征值。
可选地，所述根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像，包括：根据所述亮度特征值，获取所述各个像素点的初始亮度显著性值；根据所述颜色特征值，获取所述各个像素点的初始颜色显著性值；根据所述初始亮度显著性值和所述初始颜色显著性值，获取所述待检测图像对应的第一显著性图像。
可选地，所述根据所述亮度特征值，获取所述各个像素点的初始亮度显著性值，包括：计算所述各个像素点的亮度特征值之间的均值，得到亮度特征均值；根据所述亮度特征均值和所述各个像素点的亮度特征值，获取所述各个像素点的初始亮度显著性值；
所述根据所述颜色特征值，获取所述各个像素点的初始颜色显著性值，包括：计算所述各个像素点的颜色特征值之间的均值，得到颜色特征均值；根据所述颜色特征均值和所述各个像素点的颜色特征值，获取所述各个像素点的初始颜色显著性值。
可选地，所述根据所述亮度特征均值和所述各个像素点的亮度特征值，获取所述各个像素点的初始亮度显著性值，包括：通过对所述待检测图像中各个像素点的亮度特征值进行平滑处理，得到所述各个像素点对应的亮度平滑值；根据所述亮度平滑值和所述亮度特征均值，得到所述各个像素点的初始亮度显著性值；
所述根据所述颜色特征均值和所述各个像素点的颜色特征值，获取所述各个像素点的初始颜色显著性值，包括：通过对所述待检测图像中各个像素点的颜色特征值进行平滑处理，得到所述各个像素点对应的颜色平滑值；根据所述颜色平滑值与所述颜色特征均值，得到所述各个像素点的初始颜色显著性值。
可选地，所述根据所述初始亮度显著性值和所述初始颜色显著性值，获取所述待检测图像对应的第一显著性图像，包括：对所述初始亮度显著性值进行归一化处理，得到亮度归一化值；对所述初始颜色显著性值进行归一化处理，得到颜色归一化值；根据所述亮度归一化值和所述颜色归一化值，获取所述待检测图像对应的第一显著性图像。
可选地，所述通过对所述待检测图像进行特征点检测，获取所述待检测图像对应的响应值图像，包括：根据预设高斯核函数对所述待检测图像进行特征点检测，得到所述待检测图像对应的响应值图像。
可选地，所述从所述第二显著性图像中检测到目标船只，包括：获取所述第二显著性图像对应的二值化图像；从所述二值化图像中检测到目标船只。
可选地，所述获取所述第二显著性图像对应的二值化图像，包括：确定待使用阈值；通过所述待使用阈值，对所述第二显著性图像进行二值化处理，得到所述第二显著性图像对应的二值化图像。
可选地，所述确定所述待使用阈值，包括：对所述待检测图像进行灰度处理得到灰度化图像；获取所述灰度化图像对应的灰度均值和灰度方差；根据所述灰度均值和所述灰度方差，确定所述待使用阈值。
可选地，所述根据所述灰度均值和所述灰度方差，确定所述待使用阈值，包括：获取所述待检测图像的采集时刻所属时间段；根据所述时间段确定第一调节数值；根据所述第一调节数值、所述灰度均值以及所述灰度方差，确定所述待使用阈值。
可选地，所述根据所述灰度均值和所述灰度方差，确定所述待使用阈值，包括：根据所述灰度均值和所述灰度方差之间的差值，确定第二调节数值；根据所述第二调节数值、所述灰度均值以及所述灰度方差，确定所述待使用阈值。
可选地，所述从所述二值化图像中检测目标船只，包括：获取所述二值化图像中目标像素点的坐标信息，所述目标像素点的像素值为指定数值；根据所述目标像素点的坐标信息，对所述目标像素点进行聚块，得到初始对象；对所述初始对象进行剔除处理，得到目标船只。
可选地，所述对所述初始对象进行剔除处理，得到目标船只，包括：获取所述初始对象所在的对象区域；在所述对象区域的尺寸满足预设条件，以及所述对象区域中目标像素点的数量大于预设阈值的情况下，将所述对象区域中的初始对象作为所述目标船只；或者，在所述对象区域的尺寸不满足预设条件，和/或，所述对象区域中目标像素点的数量小于等于预设阈值的情况下，将所述对象区域中的初始对象进行剔除；
其中，所述预设条件包括：所述对象区域的长度在第一预设范围内，所述对象区域的宽度在第二预设范围内；所述预设阈值为所述对象区域中总像素的数量与预设比例之间的乘积。
采用本申请实施例所述的船只检测方法，可以通过亮度特征值和颜色特征值，获取待检测图像对应的第一显著性图像，以及通过对待检测图像进行特征点检测，得到响应值图像。由于第一显著性图像包括Lab颜色空间中获取到的船只信息，响应值图像包括RGB颜色空间中获取到的船只信息，故本申请可以通过两种不同的方式获取到船只信息，这样结合两种船只信息，可以获取到较为完整的船只信息，进而通过较为完整的船只信息检测到船只，一定程度上提高了船只检测的准确率。
第二方面，本申请提供一种船只检测装置，包括：
获取模块，用于获取待检测图像中各个像素点的亮度特征值和颜色特征值；
根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；以及，
获取所述待检测图像对应的响应值图像；
融合模块，用于对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；
检测模块，用于从所述第二显著性图像中检测到目标船只。
第三方面，本申请提供一种船只检测设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面或第一方面的任意可选方式所述的方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面或第一方面的任意可选方式所述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在船只检测设备上运行时，使得船只检测设备执行上述第一方面或第一方面的任意可选方式所述方法的步骤。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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是本申请实施例提供的一种船只检测方法的流程示意图；
图2是本申请实施例提供的不同时间段内采集的待检测图像之间的对比示意图；
图3是本申请实施例提供的一种待检测图像和对应的二值化图像之间的对比示意图；
图4是本申请实施例提供的另一种待检测图像和对应的二值化图像之间的对比示意图；
图5是本申请实施例提供的一种二值化图像和对二值化图像进行剔除处理得到的图像之间的对比示意图；
图6是本申请实施例提供的一种船只检测装置的结构示意图；
图7是本申请实施例提供的一种船只检测设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
还应当理解，在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
首先，对申请的应用场景进行说明，本申请可以应用于海面上船只监控场景。在该应用场景中，通过船只监控系统对海面上的船只进行监测。其中，船只监控系统可以包括：在监控平台上安装的摄像头，以及与摄像头连接的终端设备(如电脑，智能手机，可穿戴设备等)。这样，摄像头可以实时或者周期性地对海面进行图像采集，并将采集到的海面图像向终端设备发送，从而终端设备可以对海面图像进行船只检测。
下面通过具体实施例，对本申请提供的船只检测方法进行示例性的说明。
请参见图1，图1是本申请提供的一种船只检测方法的示意流程图。本实施例中船只检测方法的执行主体可以为上述所述的船只监控系统，还可以是船只检测设备，该船只检测设备包括但不限于智能手机、电脑、可穿戴设备等具备摄像头的设备，还可以是具备数据处理能力的摄像机等等。
如图1所示，该船只检测方法可以包括：
S101，获取待检测图像中各个像素点的亮度特征值和颜色特征值。
其中，待检测图像可以为摄像头在当前时刻采集到的关于海面上的图像，也可以为通过摄像头采集到的关于海面上的视频中的一帧图像，本申请对此不作特殊限制。
在一个示例中，摄像头采集的待检测图像可以为RGB颜色空间，RGB颜色空间包括R颜色通道、G颜色通道以及B颜色通道，且三个颜色通道都包含了亮度信息，故三个颜色通道的信息之间相关性较强。而本申请考虑到Lab颜色空间将亮度通道和颜色通道分开，更加接近人眼对颜色视觉的感知，这样可以根据各个通道分别进行特征提取，从而避免了不同通道之间的干扰。另外，Lab颜色空间的色域相对RGB颜色空间的色域更加宽阔，以及Lab颜色空间的色彩分布均匀，故为了使得后续可以准确地对船只进行检测，本申请可以将待检测图像从RGB颜色空间转换至Lab颜色空间，得到待检测图像中各个像素点的亮度特征值和颜色特征值。
应理解，颜色特征值可以包括颜色分量a的特征值，以及颜色分量b的特征值，其中，颜色分量a可以表示从洋红色至绿色的颜色范围，颜色分量b可以表示从黄色至蓝色的颜色范围；亮度特征值可以为亮度分量L的特征值。
S102，根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像。
在本申请实施例中，考虑到用户可能会对一幅图像中的部分像素点比较关注，而对另一部分像素点并不关心；其中，用户比较关注的部分像素点可以为颜色比较显著的像素点，也可以为亮度比较显著的点，还可以为颜色和亮度综合起来比较显著的像素点等等。这样，本申请可以对待检测图像进行显著性检测，得到第一显著性图像，以便后续可以针对比较显著的像素点进行处理，从而降低数据处理量。
应理解，第一显著性图像可以为将待检测图像进行轮廓提取得到图像，其中，第一显著性图像中各个像素点的像素值可以为根据各个像素点的初始亮度显著性值和初始颜色显著性值得到的初始显著性值。
进一步地，本申请可以根据亮度特征值，获取各个像素点的初始亮度显著性值；根据颜色特征值，获取各个像素点的初始颜色显著性值；然后根据初始亮度显著性值和初始颜色显著性值，获取待检测图像对应的第一显著性图像。
下面针对初始亮度显著性值和初始颜色显著性值分别进行说明：
其中，根据亮度特征值，获取各个像素点的初始亮度显著性值可以包括：计算各个像素点的亮度特征值之间的均值，得到亮度特征均值；根据亮度特征均值和各个像素点的亮度特征值，获取各个像素点的初始亮度显著性值。
可选地，亮度特征均值的计算过程如公式1所示：
Figure BDA0002763160910000081
其中，ML表示待检测图像对应的亮度特征均值，w表示待检测图像的宽度，h表示待检测图像的高度，L(i，j)表示待检测图像中第i行第j列的像素点的亮度特征值。
可选地，一种实施例中，初始亮度显著性值的计算过程如公式2所示：
dL(i,j)＝(fL(i,j)-ML)2 公式2
其中，dL(i,j)表示待检测图像中第i行第j列的像素点对应的初始亮度显著性值，fL(i,j)表示待检测图像中第i行第j列的像素点对应的亮度特征值，ML表示待检测图像对应的亮度特征均值。
可选地，另一种实施例中，本申请还可以通过对待检测图像中各个像素点的亮度特征值进行平滑处理，得到各个像素点对应的亮度平滑值；根据亮度平滑值和亮度特征均值，得到各个像素点的初始亮度显著性值。其中，本申请可以采用均值滤波、中值滤波、高斯滤波、双边滤波等中的任一种或者多种对亮度特征值进行平滑处理，本申请对平滑处理的具体方法不作限制，通过平滑处理可以减少待检测图像中的噪声，减少突变。
这样，初始亮度显著性值的计算过程还可以如公式3所示：
DL(i,j)＝(FL(i,j)-ML)2 公式3
其中，DL(i,j)表示待检测图像中第i行第j列的像素点对应的初始亮度显著性值，FL(i,j)表示待检测图像中第i行第j列的像素点对应的亮度平滑值，ML表示待检测图像对应的亮度特征均值。
其中，根据颜色特征值，获取各个像素点的初始颜色显著性值，可以包括：计算各个像素点的颜色特征值之间的均值，得到颜色特征均值；根据颜色特征均值和各个像素点的颜色特征值，获取各个像素点的初始颜色显著性值。
可选地，由于颜色特征值可以包括颜色分量a的特征值，以及颜色分量b的特征值，故本申请需要针对颜色分量a和颜色分量b分别计算对应的颜色特征均值。
进一步地，颜色分量a的颜色特征均值的计算过程如公式4所示：
Figure BDA0002763160910000091
其中，Ma表示待检测图像中颜色分量a对应的颜色特征均值，w表示待检测图像的宽度，h表示待检测图像的高度，a(i，j)表示待检测图像中第i行第j列的像素点关于颜色分量a的颜色特征值。
颜色分量b的颜色特征均值的计算过程如公式5所示：
Figure BDA0002763160910000092
其中，Mb表示待检测图像中颜色分量b对应的颜色特征均值，w表示待检测图像的宽度，h表示待检测图像的高度，b(i，j)表示待检测图像中第i行第j列的像素点关于颜色分量b的颜色特征值。
可选地，一种实施例中，颜色分量a的初始颜色显著性值的计算过程如公式6所示：
da(i,j)＝(fa(i,j)-Ma)2 公式6
其中，da(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的初始颜色显著性值，fa(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的颜色特征值，Ma表示待检测图像中颜色分量a对应的颜色特征均值。
相应地，颜色分量b的初始颜色显著性值的计算过程如公式7所示：
db(i,j)＝(fb(i,j)-Mb)2 公式7
其中，db(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的初始颜色显著性值，fb(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的颜色特征值，Mb表示待检测图像中颜色分量b对应的颜色特征均值。
可选地，另一种实施例中，本申请还可以通过对待检测图像中各个像素点的颜色特征值进行平滑处理，得到各个像素点对应的颜色平滑值；根据颜色平滑值和颜色特征均值，得到各个像素点的初始颜色显著性值。同样地，本申请可以采用均值滤波、中值滤波、高斯滤波、双边滤波等中的任一种或者多种对颜色特征值进行平滑处理，本申请对平滑处理的具体方法不作限制，通过平滑处理可以减少待检测图像中的噪声，减少突变。
这样，颜色分量a的初始颜色显著性值的计算过程还可以如公式8所示：
Da(i,j)＝(Fa(i,j)-Ma)2 公式8
其中，Da(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的初始亮度显著性值，Fa(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的颜色平滑值，Ma表示待检测图像中颜色分量a对应的颜色特征均值。
相应地，颜色分量b的初始颜色显著性值的计算过程还可以如公式9所示：
Db(i,j)＝(Fb(i,j)-Mb)2 公式9
其中，Db(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的初始亮度显著性值，Fb(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的颜色平滑值，Mb表示待检测图像中颜色分量b对应的颜色特征均值。
在本申请可选实施例中，在通过上述方式获取到各个像素点的初始亮度显著性值以及初始颜色显著性值之后，一种方式为：对第一像素点的初始亮度显著性值以及初始颜色显著性值计算加权值，得到第一像素点的初始显著性值，第一像素点为待检测图像中的任一像素点。这样，第一显著性图像可以包括各个像素点的初始显著性值。
另一种方式为：本申请考虑到颜色特征值和亮度特征值用于表征不同特征，故属于不同量纲，基于此，本申请可以对不同类型的特征值分别进行归一化处理，使得不同类型的特征值可以处于同一变化幅度范围内。
进一步地，本申请可以对初始亮度显著性值进行归一化处理，得到亮度归一化值；对初始颜色显著性值进行归一化处理，得到颜色归一化值；以及根据亮度归一化值和颜色归一化值，获取待检测图像对应的第一显著性图像。
初始亮度显著性值的归一化过程可以如公式10所示：
Figure BDA0002763160910000111
其中，NL(i,j)表示待检测图像中第i行第j列的像素点的亮度归一化值；DL(i,j)表示待检测图像中第i行第j列的像素点对应的初始亮度显著性值；min(DL)表示待检测图像中各个像素点的初始亮度显著性值中的最小初始亮度显著性值；max(DL)表示待检测图像中各个像素点的初始亮度显著性值中的最大初始亮度显著性值。
关于颜色分量a的初始颜色显著性值的归一化过程可以如公式11所示：
Figure BDA0002763160910000112
其中，Na(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的颜色归一化值；Da(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的初始颜色显著性值；min(Da)表示待检测图像中各个像素点关于颜色分量a的初始颜色显著性值中的最小初始颜色显著性值；max(Da)表示待检测图像中各个像素点关于颜色分量a的初始颜色显著性值中的最大初始颜色显著性值。
关于颜色分量b的初始颜色显著性值的归一化过程可以如公式12所示：
Figure BDA0002763160910000121
其中，Nb(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的颜色归一化值；Db(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的初始颜色显著性值；min(Db)表示待检测图像中各个像素点关于颜色分量b的初始颜色显著性值中的最小初始颜色显著性值；max(Db)表示待检测图像中各个像素点关于颜色分量b的初始颜色显著性值中的最大初始颜色显著性值。
可见，通过上述归一化过程，亮度归一化值和颜色归一化值可以分别处于[0，255]的变化幅度范围内。这样，可以通过公式13，获取待检测图像对应的第一显著性图像：
S(i,j)＝ω1NL(i,j)+ω2Na(i,j)+ω3Nb(i,j) 公式13
其中，S(i,j)表示第一显著性图像中第i行第j列的像素点的初始显著性值；NL(i,j)表示待检测图像中第i行第j列的像素点的亮度归一化值；Na(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量a的颜色归一化值；Nb(i,j)表示待检测图像中第i行第j列的像素点关于颜色分量b的颜色归一化值；ω1表示亮度特征对应的第一权重；ω2表示关于颜色分量a的颜色特征对应的第二权重；ω3表示关于颜色分量b的颜色特征对应的第三权重；ω1、ω2以及ω3的取值范围为[0，1]，且ω1+ω2+ω3＝1。
需要说明的是，上述第一显著性图像的获取过程只是示例性说明，本申请对此不作特殊限制。
S103，通过对所述待检测图像进行特征点检测，获取所述待检测图像对应的响应值图像。
可以理解的是，第一显著性图像为在Lab颜色空间中得到的图像，而响应值图像为在RGB颜色空间中得到的图像。这样，本申请可以获取到待检测图像关于不同颜色空间的图像，以便后续步骤中可以基于不同颜色空间的图像进行融合，从而可以获取到较完整的船只信息。
需要说明的是，本申请可以通过特征点检测方法，获取到待检测图像对应的响应值图像。应理解，响应值图像中可以包括待检测图像的灰度值发生剧烈变化的像素点，和/或，待检测图像边缘上曲率较大的像素点。故在本步骤中，本申请可以首先对待检测图像进行灰度化处理得到灰度化图像，接着对灰度化图像进行特征点检测，获取待检测图像对应的响应值图像。
其中，特征点检测方法可以包括但不限于高斯差分特征点检测方法、尺度不变特征变换(scale-invariant feature transform，sift)方法等等，本申请对此不作特殊限制。
示例性的，以特征点检测方法包括高斯差分特征点检测方法为例进行说明。在本申请的一种实施例中，本申请可以基于高斯差分特征点检测方法，获取待检测图像对应的第一图像和第二图像，即利用第一高斯核函数对待检测图像进行滤波得到第一图像，以及利用第二高斯核函数对待检测图像进行滤波得到第二图像；其中，第一图像和第二图像为两个相邻高斯尺度空间的图像，第一高斯核函数与第二高斯核函数二者中的元素之间的和值为0。这样，本申请可以根据第一图像和第二图像，获取待检测图像对应的响应值图像。
其中，第一图像的计算过程如公式14所示，第二图像的计算过程如公式15所示：
Figure BDA0002763160910000131
Figure BDA0002763160910000132
其中，p(i,j)表示灰度化图像中第i行第j列的像素点的初始灰度值；Gσ1表示第一高斯核函数，Gσ2表示第二高斯核函数；g1(i,j)表示利用第一高斯核函数对灰度化图像中第i行第j列的像素点的初始灰度值进行滤波后，得到的第一图像中第i行第j列的像素点的第一灰度值；g2(i,j)表示利用第二高斯核函数对灰度化图像中第i行第j列的像素点的初始灰度值进行滤波后，得到的第二图像中第i行第j列的像素点的第二灰度值。
这样，第一图像可以包括各个像素点的第一灰度值，第二图像可以包括各个像素点的第二灰度值。此时，根据第一图像和第二图像，获取待检测图像对应的响应值图像可以包括：将第一图像中各个像素点的第一灰度值和第二图像中各个像素点的第二灰度值对应进行作差，得到响应值图像中各个像素点的第三灰度值，第三灰度值的计算过程如公式16所示：
g(i,j)＝g1(i,j)-g2(i,j) 公式16
其中，g(i,j)表示响应值图像中第i行第j列的像素点的第三灰度值，g1(i,j)表示利用第一高斯核函数对灰度化图像中第i行第j列的像素点的初始灰度值进行滤波后，得到的第一图像中第i行第j列的像素点的第一灰度值；g2(i,j)表示利用第二高斯核函数对灰度化图像中第i行第j列的像素点的初始灰度值进行滤波后，得到的第二图像中第i行第j列的像素点的第二灰度值。
在本申请的另一种实施例中，由于上述所述的g(i,j)＝g1(i,j)-g2(i,j)，
Figure BDA0002763160910000141
以及，
Figure BDA0002763160910000142
故本申请可以基于此得到：
Figure BDA0002763160910000143
这样，本申请还可以将
Figure BDA0002763160910000144
作为一个整体的高斯核函数，即可以将
Figure BDA0002763160910000145
作为预设高斯核函数。基于此，本申请可以根据预设高斯核函数对待检测图像进行特征点检测，得到待检测图像对应的响应值图像。
可以理解的是，由于本申请应用于海面上船只检测的场景，考虑到船只的尺寸通常较大，故该预设高斯核函数可以为13×13的高斯核函数，本申请对此不作特殊限制。
S104，对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像。
可以理解的是，第二显著性图像包括第一显著性图像和响应值图像二者中综合起来的船只信息，故避免了采用单一的第一显著性图中或者单一的响应值图像造成的船只信息监测完整性较差的问题。
在本申请实施例中，第二显著性图像的获取过程如公式17所示：
H(i,j)＝ε1S(i,j)+ε2g(i,j) 公式17
其中，H(i,j)表示第二显著性图像中第i行第j列的像素点的目标显著性值；S(i,j)表示第一显著性图像中第i行第j列的像素点的初始显著性值；g(i,j)表示响应值图像中第i行第j列的像素点的第三灰度值；ε1表示第一显著性图像对应的第四权重；ε2表示响应值图像对应的第五权重，ε1与ε2的取值范围可以为[0，1]，且ε1+ε2＝1。
S105，从所述第二显著性图像中检测到目标船只。
在本申请实施例中，可以通过步骤S10和S11检测目标船只：
S10，获取所述第二显著性图像对应的二值化图像。
在本申请实施例中，本申请可以首先确定待使用阈值；并且通过待使用阈值，对第二显著性图像进行二值化处理，得到第二显著性图像对应的二值化图像。
可以理解的是，待使用阈值可以使用最大类间方差、自适应阈值等方法确定。下面以采用自适应阈值获取待使用阈值为例进行说明。
其中，本申请可以对待检测图像进行灰度化处理得到灰度化图像；获取灰度化图像对应的灰度均值和灰度方差；以及根据灰度均值和灰度方差，确定待使用阈值。其中，灰度均值为灰度化图像中各个像素点的灰度值之间的均值，灰度方差为根据灰度化图像中各个像素点的灰度值计算得到的方差。
进一步地，可以通过但不限于以下方式，根据灰度均值和灰度方差确定待使用阈值：
方式一，待使用阈值的计算过程如公式18所示：
TH＝m+n*sd 公式18
其中，TH表示待使用阈值，m表示灰度均值，sd表示灰度方差，n表示预设的调节数值。
方式二，本申请考虑到在不同时间段内，船只与海面之间的对比度不同，并且对比度越大，待检测图像中的船只比较容易识别，相反，对比度越小，待检测图像中的船只较难识别。故本申请可以针对不同时间段设置不同第一调节数值，该第一调节数值用于确定待使用阈值。基于此，本申请可以获取待检测图像的采集时刻所属时间段；根据时间段确定第一调节数值；根据第一调节数值、灰度均值以及灰度方差，确定待使用阈值，其中，具体计算公式可以参考公式17，但公式17中n表示为第一调节数值。
示例性的，本申请可以将时间段划分上午时间段和下午时间段，并且由于上午时间段内船只与海面之间的对比度较高，下午时间段内船只与海面之间的对比度较低，故可以在上午时间段内将n值设置为第一数值，在下午时间段内将n值设置为第二数值，例如，第一数值大于第二数值。
例如，如图2所示，图2中的(a)图示出了一种在上午时间段内采集到的待检测图像，图2中的(b)图示出了一种在下午时间段内采集到的待检测图像。可见，图2中的(a)图的待检测图像中的船只比较容易识别，图2中的(b)图的待检测图像中的船只比较难识别。
方式三，本申请还考虑到灰度均值与灰度方差之间的差值越小，待检测图像中的船只比较容易识别，相反，灰度均值与灰度方差之间的差值越大，待检测图像中的船只较难识别。这样，为了可以准确地识别到船只，本申请可以根据灰度均值和灰度方差之间的差值，确定第二调节数值；以及根据第二调节数值、灰度均值以及灰度方差，确定所述待使用阈值，其中，具体计算公式可以参考公式17，但公式17中n表示为第二调节数值。
可以理解的是，本申请可以预先划分多个预置的数值区间，并且每个数值区间设置有对应的第二调节数值。其中，一个数值区间中的最大数值大于另一个数值区域中的最大数值，则该一个数值区间对应的第二调节数值小于该另一个数值区域对应的第二调节数值。例如，若该数值区间包括：(e1，e2]，(e2，e3]，且e3大于e2，则(e2，e3]对应的第二调节数值小于(e1，e2]对应的第二调节数值。
在通过上述任一种方式确定待使用阈值之后，在一种实施方式中，将第二显著性图像中目标显著性值大于待使用阈值的像素点，设置像素值为1，以便船只显示为白色；将第二显著性图像中目标显著性值小于等于待使用阈值的像素点，设置像素值为0，以便非船只的对象显示为黑色。这样，通过待使用阈值对第二显著性图像中各个像素点重新设置像素值，从而得到二值化图像。
示例性的，如图3所示，图3中的(a)图示出了一种在上午时间段内采集到的待检测图像，图3中的(b)图示出了一种通过本申请实施例所述的方法得到的二值化图像。
图3中的(a)图中船只占据待检测图像整个图像的像素点较少，且容易被海浪淹没，故存在船只检测较难的问题。鉴于此情况，通过本申请可以将该船只从海面场景中准确检测。
示例性的，如图4所示，图4中的(a)图示出了一种在下午时间段内采集到的待检测图像，图4中的(b)图示出了一种通过本申请实施例所述的方法得到的二值化图像。
图4中的(a)图中海面与船只之间的对比度相对比较小，两者几乎接近，这样造成船只检测较难的问题。鉴于此情况，通过本申请可以将船只从海面场景中准确检测，且本申请中的方法具有一定的鲁棒性。
在另一种实施例中，本申请还可以将第二显著性图像中目标显著性值大于待使用阈值的像素点，设置像素值为0，以便船只显示为黑色；将第二显著性图像中目标显著性值小于等于待使用阈值的像素点，设置像素值为1，以便非船只的对象显示为白色。
S11，从所述二值化图像中检测到目标船只。
在本申请实施例中，本申请可以获取二值化图像中目标像素点的坐标信息，目标像素点的像素值为指定数值；以及根据目标像素点的坐标信息，对目标像素点进行聚块，得到初始对象；对初始对象进行剔除处理，得到目标船只。
可以理解的是，若二值化图像中船只显示为白色，则上述所述的指定数值为1；若二值化图像中船只显示为黑色，则上述所述的指定数值为0。
还应理解，本申请识别到的目标船只可以为完整船只，也可以为部分船只。
上述所述的聚块过程可以理解为：由于上述所述的坐标信息可以包括横坐标和纵坐标，故在第一目标像素点的横坐标与第二目标像素点的横坐标之间的绝对差小于第三数值，且第一目标像素点的纵坐标与第二目标像素点的纵坐标之间的绝对差小于第四数值的情况下，则可以确定第一目标像素点与第二目标像素点为同一对象的像素点，故可以将第一目标像素点与第二目标像素点进行聚块。
在第一目标像素点的横坐标与第二目标像素点的横坐标之间的绝对差大于等于第三数值，和/或，第一目标像素点的纵坐标与第二目标像素点的纵坐标之间的绝对差大于等于第四数值的情况下，则可以确定第一目标像素点与第二目标像素点为不同对象的像素点。
其中第一目标像素点和第二目标像素点为上述所述目标像素点中的像素点，以及上述所述的第三数值与第四数值可以为同一数值，也可以为不同数值，本申请对此不作特殊限制，其中，第一数值和第二数值的设置可以根据目标像素点的分布情况进行设置，或者可以为经验值。可见，通过上述所述的聚块过程可以将同一对象的目标像素点聚块为一个初始对象。
在本申请实施例中，在获取到初始对象之后，考虑到有的初始对象的尺寸较小，故不便于对该初始对象进行后续的追踪或者定位等。基于此，本申请可以进一步地对初始对象进行剔除处理。
进一步地，本申请可以获取初始对象所在的对象区域；以及在对象区域的尺寸满足预设条件，以及对象区域中目标像素点的数量大于预设阈值的情况下，将对象区域中的初始对象作为目标船只。
可选地，在对象区域的尺寸不满足预设条件，和/或，对象区域中目标像素点的数量小于等于预设阈值的情况下，将对象区域中的初始对象进行剔除。
其中，预设条件可以包括：对象区域的长度在第一预设范围内，对象区域的宽度在第二预设范围内；预设阈值为对象区域中总像素的数量与预设比例之间的乘积。
还应理解，上述所述的获取初始对象所在的对象区域可以理解为：获取初始对象的最长宽度和最长高度，并根据最长高度和最长宽度构成初始对象所在的对象区域，即根据最长高度和最长宽度构成一个矩形框的对象区域。
示例性的，如图5所示，图5中的(a)图示出了一种二值化图像，图5中的(b)图示出了对二值化图像中的部分初始对象进行剔除处理得到的二值化图像，即将图5中的(a)图中椭圆框选的初始对象进行剔除，得到图5中的(b)图所示的图像。
需要说明的是，本申请还可以首先对第二显著性图像进行灰度化处理得到目标灰度化图像，并根据待使用阈值对目标灰度化图像进行二值化处理得到二值化图像，然后从该二值化图像中检测到目标船只。
采用本申请实施例所述的方法，通过亮度特征值和颜色特征值，获取待检测图像对应的第一显著性图像，以及通过对待检测图像进行特征点检测，得到响应值图像。由于第一显著性图像包括Lab颜色空间中获取到的船只信息，响应值图像包括RGB颜色空间中获取到的船只信息，故本申请可以通过两种不同的方式获取到船只信息，这样结合两种船只信息，可以获取到较为完整的船只信息，进而通过较为完整的船只信息检测到船只，一定程度上提高了船只检测的准确率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
基于上述实施例所提供的船只识别方法，本发明实施例进一步给出实现上述方法实施例的装置实施例。
请参见图6，图6是本申请实施例提供的船只识别装置的示意图。包括的各模块用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明，仅示出了与本实施例相关的部分。参见图6，船只识别装置6包括：
获取模块61，用于获取待检测图像中各个像素点的亮度特征值和颜色特征值；
根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；以及，
获取所述待检测图像对应的响应值图像；
融合模块62，用于对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；
检测模块63，用于从所述第二显著性图像中检测到目标船只。
可选地，获取模块61，进一步用于将所述待检测图像从RGB颜色空间转换至Lab颜色空间，得到所述待检测图像中各个像素点的亮度特征值和颜色特征值。
可选地，获取模块61，进一步用于根据所述亮度特征值，获取所述各个像素点的初始亮度显著性值；
根据所述颜色特征值，获取所述各个像素点的初始颜色显著性值；
根据所述初始亮度显著性值和所述初始颜色显著性值，获取所述待检测图像对应的第一显著性图像。
可选地，获取模块61，进一步用于计算所述各个像素点的亮度特征值之间的均值，得到亮度特征均值；
根据所述亮度特征均值和所述各个像素点的亮度特征值，获取所述各个像素点的初始亮度显著性值；
获取模块61，进一步用于计算所述各个像素点的颜色特征值之间的均值，得到颜色特征均值；
根据所述颜色特征均值和所述各个像素点的颜色特征值，获取所述各个像素点的初始颜色显著性值。
可选地，获取模块61，进一步用于通过对所述待检测图像中各个像素点的亮度特征值进行平滑处理，得到所述各个像素点对应的亮度平滑值；
根据所述亮度平滑值和所述亮度特征均值，得到所述各个像素点的初始亮度显著性值；
获取模块61，进一步用于通过对所述待检测图像中各个像素点的颜色特征值进行平滑处理，得到所述各个像素点对应的颜色平滑值；
根据所述颜色平滑值与所述颜色特征均值，得到所述各个像素点的初始颜色显著性值。
可选地，获取模块61，进一步用于对所述初始亮度显著性值进行归一化处理，得到亮度归一化值；
对所述初始颜色显著性值进行归一化处理，得到颜色归一化值；
根据所述亮度归一化值和所述颜色归一化值，获取所述待检测图像对应的第一显著性图像。
可选地，获取模块61，进一步用于根据预设高斯核函数对所述待检测图像进行特征点检测，得到所述待检测图像对应的响应值图像。
可选地，检测模块63，进一步用于获取所述第二显著性图像对应的二值化图像；
从所述二值化图像中检测到目标船只。
可选地，检测模块63，进一步用于确定待使用阈值；
通过所述待使用阈值，对所述第二显著性图像进行二值化处理，得到所述第二显著性图像对应的二值化图像。
可选地，检测模块63，进一步用于对所述待检测图像进行灰度处理得到灰度化图像；
获取所述灰度化图像对应的灰度均值和灰度方差；
根据所述灰度均值和所述灰度方差，确定所述待使用阈值。
可选地，检测模块63，进一步用于获取所述待检测图像的采集时刻所属时间段；
根据所述时间段确定第一调节数值；
根据所述第一调节数值、所述灰度均值以及所述灰度方差，确定所述待使用阈值。
可选地，检测模块63，进一步用于根据所述灰度均值和所述灰度方差之间的差值，确定第二调节数值；
根据所述第二调节数值、所述灰度均值以及所述灰度方差，确定所述待使用阈值。
可选地，检测模块63，进一步用于获取所述二值化图像中目标像素点的坐标信息，所述目标像素点的像素值为指定数值；
根据所述目标像素点的坐标信息，对所述目标像素点进行聚块，得到初始对象；
对所述初始对象进行剔除处理，得到目标船只。
可选地，检测模块63，进一步用于获取所述初始对象所在的对象区域；
在所述对象区域的尺寸满足预设条件，以及所述对象区域中目标像素点的数量大于预设阈值的情况下，将所述对象区域中的初始对象作为所述目标船只；或者，在所述对象区域的尺寸不满足预设条件，和/或，所述对象区域中目标像素点的数量小于等于预设阈值的情况下，将所述对象区域中的初始对象进行剔除；
其中，所述预设条件包括：所述对象区域的长度在第一预设范围内，所述对象区域的宽度在第二预设范围内；所述预设阈值为所述对象区域中总像素的数量与预设比例之间的乘积。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图7是本申请实施例提供的船只检测设备的示意图。如图7所示，该实施例的船只检测设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，例如船只检测程序。处理器70执行所述计算机程序72时实现上述各个船只检测方法实施例中的步骤，例如图1所示的步骤101-105。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块61-63的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述船只检测设备7中的执行过程。例如，所述计算机程序72可以被分割成获取模块、融合模块、检测模块，各模块具体功能请参阅图1对应地实施例中地相关描述，此处不赘述。
所述船只检测设备可包括，但不仅限于，处理器70、存储器71。本领域技术人员可以理解，图7仅仅是船只检测设备7的示例，并不构成对船只检测设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述船只检测设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述船只检测设备7的内部存储单元，例如船只检测设备7的硬盘或内存。所述存储器71也可以是所述船只检测设备7的外部存储设备，例如所述船只检测设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器71还可以既包括所述船只检测设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述船只检测设备所需的其他程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述船只检测方法。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在船只检测设备上运行时，使得船只检测设备执行时实现可实现上述船只检测方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种船只检测方法，其特征在于，包括：
获取待检测图像中各个像素点的亮度特征值和颜色特征值；
根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；
通过对所述待检测图像进行特征点检测，获取所述待检测图像对应的响应值图像；
对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；
从所述第二显著性图像中检测到目标船只。
2.根据权利要求1所述的方法，其特征在于，所述根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像，包括：
根据所述亮度特征值，获取所述各个像素点的初始亮度显著性值；
根据所述颜色特征值，获取所述各个像素点的初始颜色显著性值；
根据所述初始亮度显著性值和所述初始颜色显著性值，获取所述待检测图像对应的第一显著性图像。
3.根据权利要求2所述的方法，其特征在于，所述根据所述亮度特征值，获取所述各个像素点的初始亮度显著性值，包括：
计算所述各个像素点的亮度特征值之间的均值，得到亮度特征均值；
根据所述亮度特征均值和所述各个像素点的亮度特征值，获取所述各个像素点的初始亮度显著性值；
所述根据所述颜色特征值，获取所述各个像素点的初始颜色显著性值，包括：
计算所述各个像素点的颜色特征值之间的均值，得到颜色特征均值；
根据所述颜色特征均值和所述各个像素点的颜色特征值，获取所述各个像素点的初始颜色显著性值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述亮度特征均值和所述各个像素点的亮度特征值，获取所述各个像素点的初始亮度显著性值，包括：
通过对所述待检测图像中各个像素点的亮度特征值进行平滑处理，得到所述各个像素点对应的亮度平滑值；
根据所述亮度平滑值和所述亮度特征均值，得到所述各个像素点的初始亮度显著性值；
所述根据所述颜色特征均值和所述各个像素点的颜色特征值，获取所述各个像素点的初始颜色显著性值，包括：
通过对所述待检测图像中各个像素点的颜色特征值进行平滑处理，得到所述各个像素点对应的颜色平滑值；
根据所述颜色平滑值与所述颜色特征均值，得到所述各个像素点的初始颜色显著性值。
5.根据权利要求1至4任一项所述方法，其特征在于，所述从所述第二显著性图像中检测到目标船只，包括：
获取所述第二显著性图像对应的二值化图像；
从所述二值化图像中检测到目标船只。
6.根据权利要求5所述方法，其特征在于，所述获取所述第二显著性图像对应的二值化图像，包括：
确定待使用阈值；
通过所述待使用阈值，对所述第二显著性图像进行二值化处理，得到所述第二显著性图像对应的二值化图像。
7.根据权利要求6所述的方法，其特征在于，所述确定所述待使用阈值，包括：
对所述待检测图像进行灰度处理得到灰度化图像；
获取所述灰度化图像对应的灰度均值和灰度方差；
根据所述灰度均值和所述灰度方差，确定所述待使用阈值。
8.一种船只检测装置，其特征在于，包括：
获取模块，用于获取待检测图像中各个像素点的亮度特征值和颜色特征值；
根据所述亮度特征值和所述颜色特征值，获取所述待检测图像对应的第一显著性图像；以及，
获取所述待检测图像对应的响应值图像；
融合模块，用于对所述第一显著性图像和所述响应值图像进行融合，得到第二显著性图像；
检测模块，用于从所述第二显著性图像中检测到目标船只。
9.一种船只检测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202011224354.6A 2020-11-05 2020-11-05 一种船只检测方法及装置 Pending CN113158715A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011224354.6A CN113158715A (zh) 2020-11-05 2020-11-05 一种船只检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011224354.6A CN113158715A (zh) 2020-11-05 2020-11-05 一种船只检测方法及装置

Publications (1)

Publication Number Publication Date
CN113158715A true CN113158715A (zh) 2021-07-23

Family

ID=76882334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011224354.6A Pending CN113158715A (zh) 2020-11-05 2020-11-05 一种船只检测方法及装置

Country Status (1)

Country Link
CN (1) CN113158715A (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063623A (zh) * 2010-12-28 2011-05-18 中南大学 一种结合自底向上和自顶向下的图像感兴趣区域提取方法
CN102789637A (zh) * 2012-07-12 2012-11-21 北方工业大学 基于改进的susan算子的显著性区域提取
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN104392231A (zh) * 2014-11-07 2015-03-04 南京航空航天大学 基于分块与稀疏主特征提取的快速协同显著性检测方法
CN105046681A (zh) * 2015-05-14 2015-11-11 江南大学 一种基于SoC的图像显著性区域检测方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN107506738A (zh) * 2017-08-30 2017-12-22 深圳云天励飞技术有限公司 特征提取方法、图像识别方法、装置及电子设备
CN108921820A (zh) * 2018-05-30 2018-11-30 咸阳师范学院 一种基于特征聚类和颜色对比度的图像显著性目标检测方法
CN109410171A (zh) * 2018-09-14 2019-03-01 安徽三联学院 一种用于雨天图像的目标显著性检测方法
CN109492528A (zh) * 2018-09-29 2019-03-19 天津卡达克数据有限公司 一种基于高斯和深度特征的行人再识别方法
US10534948B1 (en) * 2019-03-18 2020-01-14 Capital One Services, Llc Optimizing detection of images in relation to targets based on colorspace transformation techniques

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063623A (zh) * 2010-12-28 2011-05-18 中南大学 一种结合自底向上和自顶向下的图像感兴趣区域提取方法
CN102789637A (zh) * 2012-07-12 2012-11-21 北方工业大学 基于改进的susan算子的显著性区域提取
CN102867301A (zh) * 2012-08-29 2013-01-09 西北工业大学 一种根据信息熵得到图像显著性特征的方法
CN103714537A (zh) * 2013-12-19 2014-04-09 武汉理工大学 一种图像显著性的检测方法
CN104392231A (zh) * 2014-11-07 2015-03-04 南京航空航天大学 基于分块与稀疏主特征提取的快速协同显著性检测方法
CN105046681A (zh) * 2015-05-14 2015-11-11 江南大学 一种基于SoC的图像显著性区域检测方法
CN106384344A (zh) * 2016-08-30 2017-02-08 中国科学院长春光学精密机械与物理研究所 一种光学遥感图像海面舰船目标检测与提取方法
CN107506738A (zh) * 2017-08-30 2017-12-22 深圳云天励飞技术有限公司 特征提取方法、图像识别方法、装置及电子设备
CN108921820A (zh) * 2018-05-30 2018-11-30 咸阳师范学院 一种基于特征聚类和颜色对比度的图像显著性目标检测方法
CN109410171A (zh) * 2018-09-14 2019-03-01 安徽三联学院 一种用于雨天图像的目标显著性检测方法
CN109492528A (zh) * 2018-09-29 2019-03-19 天津卡达克数据有限公司 一种基于高斯和深度特征的行人再识别方法
US10534948B1 (en) * 2019-03-18 2020-01-14 Capital One Services, Llc Optimizing detection of images in relation to targets based on colorspace transformation techniques

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于乃昭;姚志均;杨波;: "一种改进的频率调谐显著性检测方法", 舰船电子对抗, no. 01 *
占善华;陈晓明;: "基于聚类分割和特征点的显著区域检测算法", 计算机系统应用, no. 06 *
徐金婧;徐熙平;: "基于时空显著特征的运动目标检测方法研究", 长春理工大学学报(自然科学版), no. 04, pages 44 - 45 *

Similar Documents

Publication Publication Date Title
CN110473242B (zh) 一种纹理特征提取方法、纹理特征提取装置及终端设备
TWI686774B (zh) 人臉活體檢測方法和裝置
CN111080661B (zh) 基于图像的直线检测方法、装置以及电子设备
JP5701182B2 (ja) 画像処理装置、画像処理方法及びコンピュータプログラム
KR20210149848A (ko) 피부질 검출 방법, 피부질 등급 분류 방법, 피부질 검출 장치, 전자 기기 및 저장 매체
CN108197546A (zh) 人脸识别中光照处理方法、装置、计算机设备及存储介质
US20130342702A1 (en) Systems and method for facial verification
CN110390643B (zh) 一种车牌增强方法、装置及电子设备
CN109214996B (zh) 一种图像处理方法及装置
CN111047615A (zh) 基于图像的直线检测方法、装置以及电子设备
CN111861938B (zh) 图像去噪方法、装置、电子设备及可读存储介质
CN105184771A (zh) 一种自适应运动目标检测系统及检测方法
CN112070739A (zh) 图像处理方法、装置、电子设备及存储介质
CN111626967A (zh) 图像增强方法、装置、计算机装置及可读存储介质
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN107424134B (zh) 图像处理方法、装置、计算机可读存储介质和计算机设备
CN111429727B (zh) 一种开放式停车位中车牌识别方法及系统
CN108805883B (zh) 一种图像分割方法、图像分割装置及电子设备
LU501796B1 (en) Intelligent calculation method of multi-camera earthwork coverage based on blockchain technology
CN113158715A (zh) 一种船只检测方法及装置
CN110532993A (zh) 一种人脸防伪方法、装置、电子设备及介质
CN116228861A (zh) 探针台标记物定位方法、装置、电子设备及存储介质
CN115830513A (zh) 一种图像场景变化确定的方法、装置、系统及存储介质
CN111160363B (zh) 特征描述子生成方法、装置、可读存储介质及终端设备
CN117501326A (zh) 图像处理方法及装置、电子设备、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