CN116563591A - 一种基于特征提取的海天背景下的光学烟雾检测方法 - Google Patents

一种基于特征提取的海天背景下的光学烟雾检测方法 Download PDF

Info

Publication number
CN116563591A
CN116563591A CN202210108550.XA CN202210108550A CN116563591A CN 116563591 A CN116563591 A CN 116563591A CN 202210108550 A CN202210108550 A CN 202210108550A CN 116563591 A CN116563591 A CN 116563591A
Authority
CN
China
Prior art keywords
smoke
image
sky
features
gray
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
CN202210108550.XA
Other languages
English (en)
Inventor
许静
刘轩
张品
赵国
何良
刘振
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.)
Beijing Huahang Radio Measurement Research Institute
Original Assignee
Beijing Huahang Radio Measurement Research Institute
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 Beijing Huahang Radio Measurement Research Institute filed Critical Beijing Huahang Radio Measurement Research Institute
Priority to CN202210108550.XA priority Critical patent/CN116563591A/zh
Publication of CN116563591A publication Critical patent/CN116563591A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于特征提取的海天背景下的光学烟雾检测方法，包括：建立用于分类器学习的烟雾目标、其他目标和背景目标的样本库；基于图像的灰度特征、纹理特征和梯度特征，对样本库中所有样本提取多维特征描述子；采用对所有样本提取的多维特征描述子学习训练分类器，使分类器能够识别烟雾目标；对于待识别的海天背景下的包含光学烟雾干扰的目标图像，提取多个烟雾疑似目标区域块；针对每个烟雾疑似目标区域块，分别提取所述多维特征描述子，送入训练好的分类器进行判断，检测出烟雾目标。本发明采用的烟雾特征描述子构建和分类算法，算法简单有效，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。

Description

一种基于特征提取的海天背景下的光学烟雾检测方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于特征提取的海天背景下的光学烟雾检测方法。
背景技术
目前，烟雾检测和识别技术主要集中于火灾探测领域，检测烟雾的目的为更早发现火灾，为灭火赢得宝贵时间。并且应用场景多为固定背景下的视频监控场景，研究主要集中为利用烟雾的色彩、纹理、湍流、飘动等特性的视频烟雾检测与识别技术。
而，对于海天背景下，接近水面的烟雾干扰的检测则缺乏有效的检测方法，并且通常的基于色彩、纹理、湍流、飘动等特性的视频烟雾检测与识别技术，由于图像特征不同，例如，采集的图像只是灰度图像，无法使用色彩信息等原因而不能应用于海天背景下的光学烟雾检测。并且现有的烟雾识别算法中特征提取和分类方法计算复杂度高，计算时间长且需要占用较大的存储空间。而对于硬件资源有限的平台无法满足现有的烟雾识别算法运行需求。
发明内容
鉴于上述的分析，本发明旨在公开了一种海天背景下的光学烟雾检测方法，解决海天背景下的光学烟雾检测的技术问题。
本发明公开了一种基于特征提取的海天背景下的光学烟雾检测方法，包括：
建立用于分类器学习的烟雾目标、其他目标和背景目标的样本库；
基于图像的灰度特征、纹理特征和梯度特征，对样本库中所有样本提取多维特征描述子；
采用对所有样本提取的多维特征描述子训练分类器，使分类器能够识别烟雾目标；
对于待识别的海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征对目标图像进行分割，提取多个烟雾疑似目标区域块；
针对每个烟雾疑似目标区域块，分别提取所述多维特征描述子，送入训练好的分类器进行判断，检测出烟雾目标。
进一步地，基于图像的灰度特征提取的多维特征描述子为图像的灰度均值、方差和最大值特征。
进一步地，基于图像的纹理特征提取的多维特征描述子为图像的灰度差分平均值、对比度和熵特征。
进一步地，基于图像的梯度特征提取的多维特征描述子为图像的垂直梯度均值和垂直梯度方差特征。
进一步地，所述分类器采用的分类算法为树形分类算法。
进一步地，基于烟雾灰度特征对目标图像进行分割，提取多个烟雾疑似目标区域块；包括：
1)根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；
2)基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；
3)基于海面、天空、烟雾的初始种子点，采用聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。
进一步地，对直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；
天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点。
进一步地，对直方图的平滑采用高斯平滑；
所述高斯平滑计算公式其中hi表示计算获得的图像直方图，r为平滑尺度大小，σ为标准差。
进一步地，烟雾初始种子点为其中，Vs为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。
进一步地，采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，获得多个烟雾疑似目标区域块。
本发明至少可实现以下有益效果之一：
本发明设计的基于特征提取的海天背景下的光学烟雾检测方法，结合海天背景下的烟雾场景，针对烟雾的灰度特征、纹理特征和梯度特征构建特征描述子，该特征描述子构建方法简单有效，能快速实现烟雾特征提取。采用树形分类算法实现针对构建的烟雾特征描述子的快速分类，分类算法复杂度低，占用硬件资源少，运行速度快。总之，本发明采用的烟雾特征描述子构建和分类算法，算法简单有效，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1为本发明实施例中的基于特征提取的海天背景下的光学烟雾检测方法流程图。
图2为本发明实施例中的烟雾候选区域的分割方法流程图；
图3为本发明实施例中的烟雾候选区域进行边缘的提取融合方法流程图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明的一个实施例公开了一种基于特征提取的海天背景下的光学烟雾检测方法，如图1所示，包括：
步骤S101、建立用于分类器学习的烟雾目标、其他目标和背景目标的样本库；
步骤S102、基于图像的灰度特征、纹理特征和梯度特征，对样本库中所有样本提取多维特征描述子；
步骤S103、采用对所有样本提取的多维特征描述子训练分类器，使分类器能够识别烟雾目标；
步骤S104、对于待识别的海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征对目标图像进行分割，提取多个烟雾疑似目标区域块；
步骤S105、针对每个烟雾疑似目标区域块，分别提取所述多维特征描述子，送入训练好的分类器进行判断，检测出烟雾目标。
在步骤S101中，针对所有包含烟雾的训练图像，抠取烟雾图像块构建烟雾图像作为正样本库，抠取其他目标(如船类等)和背景目标作为负样本库。
具体的，本实施例中所处理的烟雾目标在光学图像中呈现的颜色特点为存在灰度高亮区域，灰度渐变且整体灰度值较高。形态多变，有近似椭圆的形状，也有近似团云的形状。并且，烟雾的纹理相对例如船类的其他目标较为简单，存在较强的方向性，水平边缘较弱，而船类目标的船体存在较强的水平边缘。针对上述的烟雾特性分析，可对烟雾图像的灰度特征、纹理特征和梯度特征的进行提取，从而作为最终用于分类的特征。
具体的，在步骤S102中，基于灰度特征提取的多维特征描述子为图像的灰度均值、方差、最大值三维特征；
基于烟雾图像存在灰度高亮，且灰度渐变，而船类目标整体灰度较低的特征，本实施例在灰度特征上主要提取的是图像的均值、方差、最大值三维特征。
其中，均值是指图像灰度的平均值，方差是指图像灰度值的方差，最大值是指图像灰度的最大值。定义如下：
均值：
方差：
最大值：
其中，M、N为图像宽和高，Pij为像素的灰度值。
具体的，在步骤S102中，基于纹理特征提取的多维特征描述子为图像的灰度差分平均值、对比度、熵三维特征；
纹理特征描述图像或图像区域所对应物体的表面性质，它对区域内部灰度级变化的特征进行量化。
基于烟雾的纹理相对船类目标较为简单，本实施例中采用基于灰度差分法提取纹理特征。
具体为，设图像中某个像素点(m,n)，该点和它邻域点的灰度差值为：
其中，称为灰度差分。设灰度差分值的所有可能取值共有m级，求取/>的直方图。通过直方图可以计算/>取值的概率p(k)，k为灰度差值。p(k)越大说明纹理越粗糙，越小说明纹理越细致。
本实施例在的纹理特征上主要提取的是灰度差分平均值、对比度、熵三个特征。定义如下：
灰度差分均值：
对比度：
熵：
在步骤S102中，基于梯度特征提取的多维特征描述子为图像的垂直梯度均值和垂直梯度方差的二维梯度特征；
基于烟雾图像存在较强的方向性，水平边缘较弱，而船类目标的船体存在较强的水平边缘这一特点，本实施例梯度特征采用图像的垂直梯度特征。对图像的垂直梯度均值和垂直梯度方差进行计算，作为提取的2维梯度特征。
求取垂直梯度的模板采用sobel算子，如公式所示。
求取获得垂直梯度Gy，并对图像的垂直梯度求取垂直梯度均值和方差，公式如下：
垂直梯度均值：
式中，Gy(i,j)为坐标点(i,j)的垂直梯度；N为图像宽；
垂直梯度方差：
将垂直梯度均值和方差这二维特征作为梯度特征。
最终对样本库中每个样本提取的多维特征描述子符包含8维特征，分别是灰度均值、灰度方差、灰度最大值、灰度差分均值、对比度、熵、垂直梯度均值和垂直梯度方差。
具体的，在步骤S103中，采用所有样本提取的8多维特征描述子，选取分类算法完成分类器的学习和训练，从而获得可供识别使用的烟雾分类模型。
其中，分类算法可以采用树形分类算法；例如CART二叉树形分类算法等。通过树形分类算法实现快速分类，分类算法复杂度低，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。训练完成即可获得烟雾目标分类器。
在本实施例的应用场景中，海天背景下的图像内容较为单一，主要包括海面、天空和目标3部分区域，这3部分区域在灰度上具有较大的差异。为了更加准确的进行烟雾分割，可利用基于海面、天空、烟雾3分类的聚类分割算法，
为了更加快速、准确地对图像进行聚类，需要较准确地获取海面、天空及烟雾3类目标的初始分割点(即种子点)。因此，需要确定海面、天空及烟雾的大致灰度范围。
对于海天背景下的图像，由于图像中背景简单，直方图存在双峰特性，可通过直方图峰值点检测获取海面和天空的聚类初始分割点。
优选的，在步骤S104中，采用灰度聚类算法基于烟雾的灰度高亮特征对目标图像进行分割，提取多个烟雾疑似目标区域块；
具体的，如图2所示，对目标图像进行分割，提取多个烟雾疑似目标区域块包括：
步骤S201、根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；
优选的，通过对图像的直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值；天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点。
计算图像的直方图，由于直方图存在毛刺(即局部峰)，需对直方图进行平滑以消除毛刺，直方图平滑方式可选高斯平滑、均值平滑等。
其中，直方图的高斯平滑计算公式其中hi表示计算获得的图像直方图，r为平滑尺度大小，σ为标准差。
对平滑后的直方图，计算直方图的前2个极值点(即求得前2个最大峰)，极值点计算公式为Hmax＝max(Hi-k,…,Hi,…,Hi+k)，i＝0,…,255；其中Hi表示平滑后的直方图，k为求取极大值的尺度区间。
根据极值点计算公式可求得2个极大值，结合海面灰度较低、天空灰度较高的先验知识，对应的前两个极值点的灰度值即为海面和天空的灰度估计值，第一极值点(即最大的极值点)为天空初始种子点val_sky，第二极值点(即次大的极值点)为海面初始种子点val_sea。
步骤S202、基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；
如果图像中存在烟雾，根据烟雾的成像特点，其肯定存在白色高亮区域，通过对烟雾区域的白色高亮灰度范围统计分析，可知其灰度值基本在Vs以上(Vs为统计值)，通过计算图像的灰度最大值，并对最大值对应的灰度级与烟雾灰度级的统计值进行比较，从而确认烟雾的种子点。结合步骤1)中计算获得的海面和天空的灰度估计值，确认海面、天空、烟雾3类的初始种子点为：
其中，Vs为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。
烟雾灰度的统计经验值Vs，通过将所有待检测的烟雾图像构建烟雾图像库，计算图像库内的烟雾区域的灰度平均值Vs。
步骤S203、基于海面、天空、烟雾的初始种子点，采用聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。
具体的，采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，提取多个烟雾疑似目标区域块。
在本实施例中，由于初始种子点通过计算获得，该值较为准确，因此可使用较少的迭代次数即可获得准确的聚类结果。根据聚类结果，对属于烟雾这一类别的图像潜在区域进行分割提取，提取多个烟雾疑似目标区域块。
在步骤S105中针对每个烟雾疑似目标区域块，分别提取所述8多维特征描述子，送入训练好的分类器,获得分类器的判别结果，所述判别方法为是目标输出1，非目标输出0，最终将识别为烟雾的目标区域用带有颜色的框显示输出。
在本实施例中，基于灰度聚类的烟雾分割方法由于未考虑到目标的边界和对比度等信息，因此当相机过渡曝光天空背景偏亮时可能出现虚警。同时，由于烟雾呈现的形态不一，烟雾区域的灰度不均匀变化，呈现部分区域高亮部分灰度低的现象，单纯使用聚类分割算法将会导致同一目标被分割成多个子块的情况。基于以上原因，优选的，本实施例中，还对聚类分割的目标区域通过边缘提取、融合进行进一步补充和连通。
具体的，如图3所示，对确认的烟雾候选区域进行边缘提取、融合的方法包括：
步骤S301、采用边缘检测算法提取烟雾的边缘图；
由于起干扰作用的光学烟雾通常只会出现在天空和海天线附近，烟雾与背景的对比度较高，存在边缘信息。因此，采用边缘检测算法(如Canny边缘提取方法)对图像提取边缘得到烟雾的边缘图。
具体的，在对图像提取边缘时，采用hough变换提取海天线，将提取的海天线去除后，利用剩余的边缘作为烟雾的边缘图。
步骤S302、基于边缘图信息对烟雾进行确认和分割结果的补充，得到融合边缘后的分割图；
针对每个烟雾候选区域，在边缘图对应位置内进行边缘点个数的统计，确定其与烟雾候选区域的匹配度，当满足重叠率条件时，则认为二者有交集，则判定当前烟雾候选区域为烟雾目标区域；将聚类分割烟雾候选区域和与之位置对应的边缘图求取并集获得融合边缘后的分割图。
具体的，所述融合边缘后的分割图：
式中，Seg(i,j)为聚类分割图，Edge(i,j)为边缘提取图；Match(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的匹配度；
Overlap(m)为第m个烟雾候选区域对应位置的边缘图与当前第m个烟雾候选区域的重叠率；m＝1，...，boxnum；boxnum为聚类分割图中烟雾候选区域的总数；i，j为图像的纵向、横向坐标。
具体的，匹配度的计算公式为：
重叠率的计算公式；
Overlap(m)＝box[m].w*box[m].h*β
其中，box[m]为用矩形框表示的聚类分割图中的第m个烟雾候选区域对应的坐标信息，其中box[m].bottom、box[m].top、box[m].left、box[m].right分别表示检测框的上边界、下边界、左边界、右边界的坐标，box[m].w、box[m].h表示第m个矩形框的宽和高；β为可设置的比例系数。
步骤S303、对融合边缘后的分割图进行形态学膨胀，获得最终的边缘特征融合图；
步骤S304、对边缘特征融合图进行连通域标记，从而获得最终的烟雾检测结果输出。
综上所述，本发明实施例结合海天背景下的烟雾场景，针对烟雾的灰度特征、纹理特征和梯度特征构建特征描述子，该特征描述子构建方法简单有效，能快速实现烟雾特征提取。采用树形分类算法实现针对构建的烟雾特征描述子的快速分类，分类算法复杂度低，占用硬件资源少，运行速度快。本发明采用的烟雾特征描述子构建和分类算法，算法简单有效，占用硬件资源少，运行速度快，适用于资源有限的硬件平台。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，包括：
建立用于分类器学习的烟雾目标、其他目标和背景目标的样本库；
基于图像的灰度特征、纹理特征和梯度特征，对样本库中所有样本提取多维特征描述子；
采用对所有样本提取的多维特征描述子训练分类器，使分类器能够识别烟雾目标；
对于待识别的海天背景下的包含光学烟雾干扰的目标图像，基于烟雾灰度特征对目标图像进行分割，提取多个烟雾疑似目标区域块；
针对每个烟雾疑似目标区域块，分别提取所述多维特征描述子，送入训练好的分类器进行判断，检测出烟雾目标。
2.根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，基于图像的灰度特征提取的多维特征描述子为图像的灰度均值、方差和最大值特征。
3.根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，基于图像的纹理特征提取的多维特征描述子为图像的灰度差分平均值、对比度和熵特征。
4.根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，基于图像的梯度特征提取的多维特征描述子为图像的垂直梯度均值和垂直梯度方差特征。
5.根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，所述分类器采用的分类算法为树形分类算法。
6.根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，基于烟雾灰度特征对目标图像进行分割，提取多个烟雾疑似目标区域块；包括：
1)根据图像的直方图信息，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；
2)基于对烟雾区域的白色高亮灰度统计经验值和图像的灰度最大值，获取烟雾的初始种子点；
3)基于海面、天空、烟雾的初始种子点，采用聚类算法对图像灰度进行聚类，对属于烟雾目标的图像潜在区域进行分割提取，获得烟雾候选区域。
7.根据权利要求6所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，对直方图进行平滑及峰值点检测，获得海面和天空的灰度估计值，获取海面、天空的初始种子点；
天空、海面初始种子点为平滑后图像的直方图的第一极值点和第二极值点。
8.根据权利要求7所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，对直方图的平滑采用高斯平滑；
所述高斯平滑计算公式其中hi表示计算获得的图像直方图，r为平滑尺度大小，σ为标准差。
9.根据权利要求6所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，
烟雾初始种子点为其中，Vs为烟雾灰度的统计经验值，max(img)为图像的灰度最大值。
10.根据权利要求6所述根据权利要求1所述的基于特征提取的海天背景下的光学烟雾检测方法，其特征在于，采用Kmeans灰度聚类算法对图像的灰度进行聚类，获得属于烟雾目标的图像潜在区域，进行分割提取后，获得多个烟雾疑似目标区域块。
CN202210108550.XA 2022-01-28 2022-01-28 一种基于特征提取的海天背景下的光学烟雾检测方法 Pending CN116563591A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210108550.XA CN116563591A (zh) 2022-01-28 2022-01-28 一种基于特征提取的海天背景下的光学烟雾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210108550.XA CN116563591A (zh) 2022-01-28 2022-01-28 一种基于特征提取的海天背景下的光学烟雾检测方法

Publications (1)

Publication Number Publication Date
CN116563591A true CN116563591A (zh) 2023-08-08

Family

ID=87500639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210108550.XA Pending CN116563591A (zh) 2022-01-28 2022-01-28 一种基于特征提取的海天背景下的光学烟雾检测方法

Country Status (1)

Country Link
CN (1) CN116563591A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977327A (zh) * 2023-09-14 2023-10-31 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116977327A (zh) * 2023-09-14 2023-10-31 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统
CN116977327B (zh) * 2023-09-14 2023-12-15 山东拓新电气有限公司 一种滚筒驱动带式输送机烟雾检测方法及系统

Similar Documents

Publication Publication Date Title
US11282185B2 (en) Information processing device, information processing method, and storage medium
JP7113657B2 (ja) 情報処理装置、情報処理方法、及びプログラム
CN109829398B (zh) 一种基于三维卷积网络的视频中的目标检测方法
US10497121B2 (en) Method and system for extracting a main subject of an image
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
US9576201B2 (en) Method and apparatus for classifying pixels in an input image and image processing system
US9704017B2 (en) Image processing device, program, image processing method, computer-readable medium, and image processing system
US8340420B2 (en) Method for recognizing objects in images
EP3101594A1 (en) Saliency information acquisition device and saliency information acquisition method
Kumar et al. Review on image segmentation techniques
CN109427055B (zh) 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
CN109409356B (zh) 一种基于swt的多方向中文印刷体文字检测方法
Hou et al. Underwater man-made object recognition on the basis of color and shape features
Zhu et al. Automatic object detection and segmentation from underwater images via saliency-based region merging
CN111695373A (zh) 斑马线的定位方法、系统、介质及设备
Zwemer et al. Ship Detection in Harbour Surveillance based on Large-Scale Data and CNNs.
CN112633274A (zh) 一种声呐图像目标检测方法、装置、电子设备
CN116563591A (zh) 一种基于特征提取的海天背景下的光学烟雾检测方法
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
CN116563659A (zh) 一种结合先验知识和特征分类的光学烟雾检测方法
Albrecht et al. Visual maritime attention using multiple low-level features and naive bayes classification
Mou et al. Image-based maritime obstacle detection using global sparsity potentials
US10115195B2 (en) Method and apparatus for processing block to be processed of urine sediment image
CN113408615A (zh) 一种基于光学卫星遥感影像的船只自动匹配方法

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