CN115908824A - 一种应用于大型无人机天空区域快速分割方法 - Google Patents
一种应用于大型无人机天空区域快速分割方法 Download PDFInfo
- Publication number
- CN115908824A CN115908824A CN202310221171.6A CN202310221171A CN115908824A CN 115908824 A CN115908824 A CN 115908824A CN 202310221171 A CN202310221171 A CN 202310221171A CN 115908824 A CN115908824 A CN 115908824A
- Authority
- CN
- China
- Prior art keywords
- band
- sky
- observation image
- pass
- channel
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于大型无人机天空区域快速分割方法，涉及无人机观测图像处理领域，包括：步骤S1：对无人机观测图像进行采样聚类，获取天空区域在观测图像中的大致分布范围，作为天空先验区域；步骤S2：基于天空先验区域内所有采样点的RGB像素值，对观测图像进行多次带通滤波，提取多张二值图；步骤S3：计算多张二值图的交集，交集所表示区域即为天空区域；本发明提出的分割方法，具有速度快、占用计算资源小、泛化性好等特点。
Description
技术领域
本发明涉及无人机观测图像处理领域，具体涉及一种应用于大型无人机天空区域快速分割方法。
背景技术
大型无人机需要利用机载相机的观测图像，通过一系列智能算法进行智能化的识别和决策；这些智能化算法进行处理时，往往需要首先滤除图像中的天空区域。
目前，天空区域的识别方法主要分为两类，一类基于深度学习方法，一类基于数字图像处理方法；其中，基于深度学习的方法依赖大量标注数据和充分的训练，且在应用中耗费GPU资源；基于数字图像处理的方法使用传统的图像处理手段识别天空，但存在泛化性和稳定性不足的问题。
发明内容
本发明的目的在于：针对背景技术中提出的问题，提供一种应用于大型无人机天空区域快速分割方法，基于传统图像处理手段的，具有良好泛化性的，占用计算资源少的快速天空区域识别方法，解决了上述问题。
本发明的技术方案如下：
一种应用于大型无人机天空区域快速分割方法，包括：
步骤S1：对无人机观测图像进行采样聚类，获取天空区域在观测图像中的大致分布范围，作为天空先验区域；
步骤S2：基于天空先验区域内所有采样点的RGB像素值，对观测图像进行多次带通滤波，提取多张二值图；
步骤S3：计算多张二值图的交集，交集所表示区域即为天空区域。
进一步地，还包括：
对于第一帧观测图像，利用步骤S1获取天空先验区域；
第一帧之后的观测图像，利用上一帧处理后的天空区域作为当前帧的天空先验区域。
进一步地，所述步骤S1，包括：
步骤S11：利用对天空区域的先验知识，划定天空的可能区域；
步骤S12：在可能区域内进行等间距的离散点采样，每个采样点是一个像素框；
步骤S13：计算所有采样点内，所有像素的平均RGB三通道值；
步骤S14：根据采样结果对所有采样点进行kmeans聚类，找出聚类数量最多的一类作为天空区域，并将其余类归为非天空区域；
步骤S15：将天空区域的聚类点视为天空区域在观测图像中的大致分布范围。
进一步地，所述步骤S2，包括：
步骤S21：统计天空先验区域内所有采样点的RGB像素值，获取最大、最小的R、G、B值；
步骤S22：基于最大、最小的R、G、B值，对观测图像进行三次带通滤波，提取三张二值图。
进一步地，所述获取最大、最小的R、G、B值，包括：
获取数值最大的R通道值，数值最小的R通道值，数值最大的G通道值，数值最小的G通道值，数值最大的B通道值，数值最小的B通道值。
进一步地，所述步骤S22，包括：
根据最大、最小的R、G、B值，分别确定针对于R、G、B通道进行带通滤波的带通区间；
从观测图像中，分别提出R、G、B通道数值在带通区间范围内的区域；
在二值图中，位于带通区间范围内的区域像素值为1，其他区域像素值为0。
进一步地，所述分别确定针对于R、G、B通道进行带通滤波的带通区间，包括：
根据最大、最小的R值，确定针对于R通道进行带通滤波的带通区间一；
根据最大、最小的G值，确定针对于G通道进行带通滤波的带通区间二；
根据最大、最小的B值，确定针对于B通道进行带通滤波的带通区间三。
进一步地，所述提取三张二值图，包括：
第一张二值图从观测图像中提取R通道数值在带通区间一范围内的区域，得到一张二值图；
第二张二值图从观测图像中提取G通道数值在带通区间二范围内的区域，得到一张二值图；
第三张二值图从观测图像中提取B通道数值在带通区间三范围内的区域，得到一张二值图。
进一步地，所述带通区间一，包括：
所述带通区间二，包括：
所述带通区间三，包括：
。
与现有的技术相比本发明的有益效果是：
一种应用于大型无人机天空区域快速分割方法，包括：步骤S1：对无人机观测图像进行采样聚类，获取天空区域在观测图像中的大致分布范围，作为天空先验区域；步骤S2：基于天空先验区域内所有采样点的RGB像素值，对观测图像进行多次带通滤波，提取多张二值图；步骤S3：计算多张二值图的交集，交集所表示区域即为天空区域；本发明提出的分割方法，具有分割速度快、占用计算资源小、泛化性好等优点。
附图说明
图1为一种应用于大型无人机天空区域快速分割方法的流程图。
具体实施方式
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合实施例对本发明的特征和性能作进一步的详细描述。
实施例一
通常情况下，大型无人机在室外飞行时，其前视相机一定可以观测到天空，且天空区域在图像上半部分。利用这一特性，本实施例通过一种应用于大型无人机天空区域快速分割方法，找出大致的天空的区域。
请参阅图1，一种应用于大型无人机天空区域快速分割方法，具体包括如下步骤：
步骤S1：对无人机观测图像进行采样聚类，获取天空区域在观测图像中的大致分布范围，作为天空先验区域；
步骤S2：基于天空先验区域内所有采样点的RGB像素值，对观测图像进行多次带通滤波，提取多张二值图；
步骤S3：计算多张二值图的交集，交集所表示区域即为天空区域。
在本实施例中，具体的，还包括：
对于第一帧观测图像，利用步骤S1获取天空先验区域；
第一帧之后的观测图像，利用上一帧处理后的天空区域作为当前帧的天空先验区域。
在本实施例中，具体的，所述步骤S1，包括：
步骤S11：利用对天空区域的先验知识，划定天空的可能区域；例如：新得到一张观测图像，首先利用对天空区域的先验知识，划定天空的可能区域；
步骤S12：在可能区域内进行等间距的离散点采样，每个采样点是一个像素框；优选地，每个离散采样点是一个3*3的像素框；
步骤S13：计算所有采样点内，所有像素的平均RGB三通道值；例如：计算所有3*3采样点内9个像素的平均RGB三通道值；
步骤S14：根据采样结果对所有采样点进行kmeans聚类，找出聚类数量最多的一类作为天空区域，并将其余类归为非天空区域；
步骤S15：将天空区域的聚类点视为天空区域在观测图像中的大致分布范围。
在本实施例中，具体的，所述步骤S2，包括：
步骤S21：统计天空先验区域内所有采样点的RGB像素值，获取最大、最小的R、G、B值；即通过采样聚类，得到了天空区域在图像中的大致范围，也得到了天空区域的所有采样点的RGB像素值；统计这些RGB像素，找到最大、最小的R、G、B值；
步骤S22：基于最大、最小的R、G、B值，对观测图像进行三次带通滤波，提取三张二值图。
在本实施例中，具体的，所述获取最大、最小的R、G、B值，包括：
获取数值最大的R通道值，数值最小的R通道值，数值最大的G通道值，数值最小的G通道值，数值最大的B通道值，数值最小的B通道值。
在本实施例中，具体的，所述步骤S22，包括：
根据最大、最小的R、G、B值，分别确定针对于R、G、B通道进行带通滤波的带通区间；
从观测图像中，分别提出R、G、B通道数值在带通区间范围内的区域；
在二值图中，位于带通区间范围内的区域像素值为1，其他区域像素值为0。
在本实施例中，具体的，所述分别确定针对于R、G、B通道进行带通滤波的带通区间，包括：
根据最大、最小的R值，确定针对于R通道进行带通滤波的带通区间一；
根据最大、最小的G值，确定针对于G通道进行带通滤波的带通区间二；
根据最大、最小的B值，确定针对于B通道进行带通滤波的带通区间三。
在本实施例中，具体的，所述提取三张二值图，包括：
第一张二值图从观测图像中提取R通道数值在带通区间一范围内的区域，得到一张二值图；
第二张二值图从观测图像中提取G通道数值在带通区间二范围内的区域，得到一张二值图；
第三张二值图从观测图像中提取B通道数值在带通区间三范围内的区域，得到一张二值图。
在本实施例中，具体的，所述带通区间一，包括：
所述带通区间二，包括：
所述带通区间三，包括：
。
以上所述实施例仅表达了本申请的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请技术方案构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。
提供本背景技术部分是为了大体上呈现本发明的上下文，当前所署名的发明人的工作、在本背景技术部分中所描述的程度上的工作以及本部分描述在申请时尚不构成现有技术的方面，既非明示地也非暗示地被承认是本发明的现有技术。
Claims (9)
1.一种应用于大型无人机天空区域快速分割方法，其特征在于，包括：
步骤S1：对无人机观测图像进行采样聚类，获取天空区域在观测图像中的大致分布范围，作为天空先验区域；
步骤S2：基于天空先验区域内所有采样点的RGB像素值，对观测图像进行多次带通滤波，提取多张二值图；
步骤S3：计算多张二值图的交集，交集所表示区域即为天空区域。
2.根据权利要求1所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，还包括：
对于第一帧观测图像，利用步骤S1获取天空先验区域；
第一帧之后的观测图像，利用上一帧处理后的天空区域作为当前帧的天空先验区域。
3.根据权利要求1所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述步骤S1，包括：
步骤S11：利用对天空区域的先验知识，划定天空的可能区域；
步骤S12：在可能区域内进行等间距的离散点采样，每个采样点是一个像素框；
步骤S13：计算所有采样点内，所有像素的平均RGB三通道值；
步骤S14：根据采样结果对所有采样点进行kmeans聚类，找出聚类数量最多的一类作为天空区域，并将其余类归为非天空区域；
步骤S15：将天空区域的聚类点视为天空区域在观测图像中的大致分布范围。
4.根据权利要求1所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述步骤S2，包括：
步骤S21：统计天空先验区域内所有采样点的RGB像素值，获取最大、最小的R、G、B值；
步骤S22：基于最大、最小的R、G、B值，对观测图像进行三次带通滤波，提取三张二值图。
5.根据权利要求4所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述获取最大、最小的R、G、B值，包括：
获取数值最大的R通道值，数值最小的R通道值，数值最大的G通道值，数值最小的G通道值，数值最大的B通道值，数值最小的B通道值。
6.根据权利要求5所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述步骤S22，包括：
根据最大、最小的R、G、B值，分别确定针对于R、G、B通道进行带通滤波的带通区间；
从观测图像中，分别提出R、G、B通道数值在带通区间范围内的区域；
在二值图中，位于带通区间范围内的区域像素值为1，其他区域像素值为0。
7.根据权利要求6所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述分别确定针对于R、G、B通道进行带通滤波的带通区间，包括：
根据最大、最小的R值，确定针对于R通道进行带通滤波的带通区间一；
根据最大、最小的G值，确定针对于G通道进行带通滤波的带通区间二；
根据最大、最小的B值，确定针对于B通道进行带通滤波的带通区间三。
8.根据权利要求7所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述提取三张二值图，包括：
第一张二值图从观测图像中提取R通道数值在带通区间一范围内的区域，得到一张二值图；
第二张二值图从观测图像中提取G通道数值在带通区间二范围内的区域，得到一张二值图；
第三张二值图从观测图像中提取B通道数值在带通区间三范围内的区域，得到一张二值图。
9.根据权利要求7所述的一种应用于大型无人机天空区域快速分割方法，其特征在于，所述带通区间一，包括：
所述带通区间二，包括：
所述带通区间三，包括：
。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221171.6A CN115908824B (zh) | 2023-03-09 | 2023-03-09 | 一种应用于大型无人机天空区域快速分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221171.6A CN115908824B (zh) | 2023-03-09 | 2023-03-09 | 一种应用于大型无人机天空区域快速分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115908824A true CN115908824A (zh) | 2023-04-04 |
| CN115908824B CN115908824B (zh) | 2023-06-06 |
Family
ID=86473085
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310221171.6A Active CN115908824B (zh) | 2023-03-09 | 2023-03-09 | 一种应用于大型无人机天空区域快速分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115908824B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927759A (zh) * | 2014-04-30 | 2014-07-16 | 武汉大学 | 一种航空图像自动云检测方法 |
| WO2015189562A1 (en) * | 2014-06-10 | 2015-12-17 | The University Court Of The University Of Edinburgh | Image capture apparatus and method |
| CN106123811A (zh) * | 2016-07-11 | 2016-11-16 | 东北林业大学 | 一种林木叶面积指数远程监测装置及其测量方法 |
| CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
| CN106934836A (zh) * | 2017-03-14 | 2017-07-07 | 潍坊学院 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
| CN107452014A (zh) * | 2017-07-11 | 2017-12-08 | 中国农业科学院农业信息研究所 | 一种图像分割方法及装置 |
| CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
| CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
| CN110415544A (zh) * | 2019-08-20 | 2019-11-05 | 深圳疆程技术有限公司 | 一种灾害天气预警方法及汽车ar-hud系统 |
| CN111052028A (zh) * | 2018-01-23 | 2020-04-21 | 深圳市大疆创新科技有限公司 | 用于自动水面和天空检测的系统和方法 |
| CN113205469A (zh) * | 2021-06-04 | 2021-08-03 | 中国人民解放军国防科技大学 | 一种基于改进暗通道的单幅图像去雾方法 |
| CN114004850A (zh) * | 2021-11-29 | 2022-02-01 | 浙江宇视科技有限公司 | 一种天空分割方法、图像去雾方法、电子设备和存储介质 |
| CN114219732A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
-
2023
- 2023-03-09 CN CN202310221171.6A patent/CN115908824B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103927759A (zh) * | 2014-04-30 | 2014-07-16 | 武汉大学 | 一种航空图像自动云检测方法 |
| WO2015189562A1 (en) * | 2014-06-10 | 2015-12-17 | The University Court Of The University Of Edinburgh | Image capture apparatus and method |
| CN106123811A (zh) * | 2016-07-11 | 2016-11-16 | 东北林业大学 | 一种林木叶面积指数远程监测装置及其测量方法 |
| CN106251301A (zh) * | 2016-07-26 | 2016-12-21 | 北京工业大学 | 一种基于暗原色先验的单幅图像去雾方法 |
| CN106934836A (zh) * | 2017-03-14 | 2017-07-07 | 潍坊学院 | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 |
| CN107452014A (zh) * | 2017-07-11 | 2017-12-08 | 中国农业科学院农业信息研究所 | 一种图像分割方法及装置 |
| CN108154118A (zh) * | 2017-12-25 | 2018-06-12 | 北京航空航天大学 | 一种基于自适应组合滤波与多级检测的目标探测系统及方法 |
| CN111052028A (zh) * | 2018-01-23 | 2020-04-21 | 深圳市大疆创新科技有限公司 | 用于自动水面和天空检测的系统和方法 |
| CN108596849A (zh) * | 2018-04-23 | 2018-09-28 | 南京邮电大学 | 一种基于天空区域分割的单幅图像去雾方法 |
| CN110415544A (zh) * | 2019-08-20 | 2019-11-05 | 深圳疆程技术有限公司 | 一种灾害天气预警方法及汽车ar-hud系统 |
| CN113205469A (zh) * | 2021-06-04 | 2021-08-03 | 中国人民解放军国防科技大学 | 一种基于改进暗通道的单幅图像去雾方法 |
| CN114004850A (zh) * | 2021-11-29 | 2022-02-01 | 浙江宇视科技有限公司 | 一种天空分割方法、图像去雾方法、电子设备和存储介质 |
| CN114219732A (zh) * | 2021-12-15 | 2022-03-22 | 大连海事大学 | 基于天空区域分割和透射率细化的图像去雾方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SOUMYABRATA DEV等: "Ground-Based Image Analysis: A tutorial on machine-learning techniques and applications", 《IEEE GEOSCIENCE AND REMOTE SENSING MAGAZINE》 * |
| 肖进胜: "基于天空约束暗通道先验的图像去雾", 《电子学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115908824B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
| CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN102289680B (zh) | 图像中肤色区域的分割方法和装置 | |
| EP3036730B1 (en) | Traffic light detection | |
| CN101238487B (zh) | 分割白细胞的方法 | |
| CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
| CN109345547B (zh) | 基于深度学习多任务网络的交通车道线检测方法及装置 | |
| CN106803257B (zh) | 一种作物病害叶片图像中病斑的分割方法 | |
| CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
| CN108090459B (zh) | 一种适用于车载视觉系统的交通标志检测识别方法 | |
| CN102324020A (zh) | 人体肤色区域的识别方法和装置 | |
| CN109145964B (zh) | 一种实现图像颜色聚类的方法和系统 | |
| WO2021013227A1 (zh) | 用于目标检测的图像处理方法及装置 | |
| CN114511770A (zh) | 道路标识标牌识别方法 | |
| CN115497010B (zh) | 一种基于深度学习的地理信息的识别方法及系统 | |
| CN113537182A (zh) | 染色体中期分裂相显微图像的自动识别方法与系统 | |
| CN110276318A (zh) | 夜间公路下雨识别方法、装置、计算机设备及存储介质 | |
| CN110674821B (zh) | 一种非机动车车牌识别方法 | |
| CN111611866B (zh) | 基于YCrCb和LAB颜色空间的火焰检测识别方法及系统 | |
| CN113221696A (zh) | 一种图像识别方法、系统、设备及存储介质 | |
| CN115908824B (zh) | 一种应用于大型无人机天空区域快速分割方法 | |
| CN113723410A (zh) | 一种数码管数字识别方法及装置 | |
| CN110390224B (zh) | 一种交通指示牌的识别方法及装置 | |
| Jeong et al. | Homogeneity patch search method for voting-based efficient vehicle color classification using front-of-vehicle image | |
| Dornaika et al. | A comparative study of image segmentation algorithms and descriptors for building detection |
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 |