一种基于视觉显著性的水面物体检测和分类的方法技术

本发明专利技术公开一种基于视觉显著性的水面物体检测和分类的方法，具体包括以下步骤：第一步，对输入图像进行去雾处理；第二步，通过纹理与河岸线的检测结果进行河道区域分割；第三步，利用基于图论的视觉显著性模型计算图像的显著图；第四步，根据边缘直方图描述符计算显著性区域的特征向量，并通过基于决策树的多分类支持向量机对特征进行识别；第五步，采用基于小波变换的图像分割算法分割水面物体；第六步，统计数据，输出结果。本发明专利技术可以快速、准确地对船，水藻和垃圾等水面物体进行定位、识别和分割，在河道治理辅助领域具有重要的应用价值。值。值。

【技术实现步骤摘要】
一种基于视觉显著性的水面物体检测和分类的方法


[0001]本专利技术属于图像处理以及计算机视觉
，具体是一种基于视觉显著性的水面物体检测和分类的方法，用于对水面物体进行准确的定位、识别和分割。

技术介绍

[0002]近年来，我国全面推行的河长制是以保护水资源、防治水污染、改善水环境、修复水生态为主要任务，是落实绿色发展理念、推进生态文明建设的内在要求，是解决我国复杂水问题、维护河湖健康生命的有效举措，是完善水治理体系、保障国家水安全的制度创新。同时，随着对地观测技术的高速发展，无人机等航空影像可实现近地高精度目标获取，为河道水域上的目标物体检测和识别提供了丰富的数据源。对水面物体中船舶的检测和识别，可加强对河道的交通监控，满足河长制任务中加强河湖水域岸线管理保护和对河湖违法行为监管的工作需求，对于水面上藻类和垃圾的检测和识别，可辅助水生态环境的保护和改善，满足河长制主要任务中保护水资源、防治水污染、改善水环境、修复水生态的工作需求。
[0003]目前，现有的水面上物体检测和分类的方法大都采用面积计算以及高度和视角的比例关系来检测和识别障碍物，但不能在图像中分割出目标物体，也无法识别多个目标物体的具体种类。
[0004]公开号为CN106485200A的中国专利公开了一种环保无人机用的水面物体识别系统及其识别方法，其识别方法包括以下步骤：S1、控制无人机在高度hi悬停后控制摄像机拍摄视频Mi；控制无人机在高度hj悬停后控制摄像机拍摄视频Mj；S2、从视频Mi中抽取一帧图像并对此图像进行分析，获取此图像中疑似物体的边界Oi；从视频Mj中抽取一帧图像并对此图像进行分析，获取此图像中疑似物体的边界Oj；这种环保无人机用的水面物体识别方法采用面积计算方法，判别是否为疑似物体，采用高度和视角的比例关系，辨识是否为同一障碍物；但其不能在图像中分割出目标物体，也无法识别多个目标物体的具体种类，因此，亟需进一步改进。

技术实现思路

[0005]本专利技术的目的是针对现有技术存在的问题，提供一种基于视觉显著性的水面物体检测和分类的方法，用以快速、准确地对船，水藻和垃圾等水面物体进行定位、识别和分割；本专利技术结合现有的基于图论的视觉显著性模型(GBVS)，基于决策树的多分类支持向量机和基于小波变换的图像分割算法，提高对目标物体检测、识别和分割的速度和精度。
[0006]为实现上述目的，本专利技术采用的技术方案是：
[0007]一种基于视觉显著性的水面物体检测和分类的方法，包括以下步骤：
[0008]S1，获取水面原始图像，并对所述原始图像进行去雾的预处理；
[0009]S2，对预处理后的图像进行纹理分析和河岸线检测，并根据分析检测结果进行河道区域分割；
[0010]S3，利用基于图论的视觉显著性模型计算图像的显著图；
[0011]S4，根据边缘直方图描述符计算显著图中显著性区域的特征向量，并通过基于决策树的多分类支持向量机算法对特征进行识别；
[0012]S5，采用基于小波变换的图像分割算法分割水面物体；
[0013]S6，统计数据，输出结果。
[0014]具体地，步骤S1中，对所述原始图像进行去雾处理的方法需要采用大气中光学成像模型，所述光学成像模型为：
[0015]I(x)＝J(x)t(x)+A(1-t(x))
[0016]式中，I(x)为原始图像，J(x)为去雾后的图像，A为全局背景光，t(x)为大气透射率；对原始图像进行去雾处理的具体方法为：
[0017]将原始图像作为引导图像I，预估透射率图
[0018][0019]式中，I
c
、A
c
分别是I、A的三个颜色通道R、G、B；Ω(x)是以像素点x为中心的局部区域块；取w＝0.92，A
c
＝255；则去雾后的图像为：
[0020][0021]式中，t0为大气透射率阈值，取t0＝0.10；
[0022]考虑到在暗色先验原理可能不成立的情况下，增加参数Q作为限差；当|I(x)-A|＜Q，说明背景光与物体本身颜色相差不大，将其认为是明亮区域；当|I(x)-A|＞Q，说明背景光与物体本身颜色相差比较大，认为此区域符合暗原色先验原理，最终的去雾图像为：
[0023][0024]式中，Q的范围取50～100。
[0025]具体地，步骤S2中，进行河道区域分割的方法为：采用灰度共生矩阵分析法对去雾后的图像进行纹理分析，找出河道的大致位置；再利用结构化随机森林算法和霍夫直线拟合算法找到河岸线，并根据河岸线进行河道区域分割，具体方法为：
[0026]将去雾后图像的灰度级压缩为16级，计算灰度共生矩阵P，利用灰度共生矩阵P分别求出角二阶矩ASM、对比度con、相关性cor和熵Entropy四个主要特征值，具体公式如下：
[0027][0028][0029][0030][0031]式中，i，j分别为灰度共生矩阵P的行号和列号；式中，i，j分别为灰度共生矩阵P的行号和列号；
[0032]由得到的四个特征值计算出特征向量，并根据特征向量来判断图像的纹理复杂度，判断纹理复杂度的具体依据为：ASM的值越小、con的值越大、cor的值越小、Entropy的值越大的特征向量表示的纹理复杂度越高；反之，表示的纹理复杂度越低；纹理复杂度高的区域是地面，反之为河道，以此来确定河道区域的大致位置；
[0033]再将去雾后图像二值化，利用结构化随机森林算法对边缘进行检测，再通过霍夫直线拟合算法拟合出大致的河岸线，再根据河岸线的位置，将图像进行分割，得到河道图像。
[0034]具体地，步骤S3中，计算图像的显著图的方法为：
[0035]将河道图像进行1/2下采样，重复执行8次1/2下采样操作，得到9层高斯金字塔；
[0036]计算图像的亮度特征I，公式为：
[0037]I＝(r+g+b)/3
[0038]式中，r，g，b分别表示图像的三个颜色通道；
[0039]计算四个颜色特征：红R、绿G、蓝B、黄Y，公式如下：
[0040]R＝r-(g+b)/2
[0041]G＝g-(r+b)/2
[0042]B＝b-(r+g)/2
[0043]Y＝(r+g)/2-|r-g|/2-b
[0044]计算方向特征，使用Gabor滤波器对图像的亮度特征在0度，45度，90度和135度四个主要方向上进行滤波，得到该四个方向的特征；
[0045]计算特征图，根据计算得到的三个特征分别在高斯金字塔中的不同尺度之间做差，产生3组特征图集，共42张不同尺度的特征图；
[0046]再通过马尔可夫链方法生成与特征图对应的激活图，具体方法为：
[0047]对特征图M定义距离，公式如下：
[0048][0049]式中，M(i,j)和M(p,q)分别代表节点(i,j)和(p,q)的特征，其中i，p表示矩阵M的行号，j，q表示矩阵M的列号；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉显著性的水面物体检测和分类的方法，其特征在于，包括以下步骤：S1，获取水面原始图像，并对所述原始图像进行去雾的预处理；S2，对预处理后的图像进行纹理分析和河岸线检测，并根据分析检测结果进行河道区域分割；S3，利用基于图论的视觉显著性模型计算图像的显著图；S4，根据边缘直方图描述符计算显著图中显著性区域的特征向量，并通过基于决策树的多分类支持向量机算法对特征进行识别；S5，采用基于小波变换的图像分割算法分割水面物体；S6，统计数据，输出结果。2.根据权利要求1所述的一种基于视觉显著性的水面物体检测和分类的方法，其特征在于，步骤S1中，对所述原始图像进行去雾处理的方法需要采用大气中光学成像模型，所述光学成像模型为：I(x)＝J(x)t(x)+A(1-t(x))式中，I(x)为原始图像，J(x)为去雾后的图像，A为全局背景光，t(x)为大气透射率；对原始图像进行去雾处理的具体方法为：将原始图像作为引导图像I，预估透射率图将原始图像作为引导图像I，预估透射率图式中，I
c
、A
c
分别是I、A的三个颜色通道R、G、B；Ω(x)是以像素点x为中心的局部区域块；取w＝0.92，A
c
＝255；则去雾后的图像为：式中，t0为大气透射率阈值，取t0＝0.10；考虑到在暗色先验原理可能不成立的情况下，增加参数Q作为限差；当|I(x)-A|＜Q，说明背景光与物体本身颜色相差不大，将其认为是明亮区域；当|I(x)-A|＞Q，说明背景光与物体本身颜色相差比较大，认为此区域符合暗原色先验原理，最终的去雾图像为：式中，Q的范围取50～100。3.根据权利要求1所述的一种基于视觉显著性的水面物体检测和分类的方法，其特征在于，步骤S2中，进行河道区域分割的方法为：采用灰度共生矩阵分析法对去雾后的图像进行纹理分析，找出河道的大致位置；再利用结构化随机森林算法和霍夫直线拟合算法找到河岸线，并根据河岸线进行河道区域分割，具体方法为：将去雾后图像的灰度级压缩为16级，计算灰度共生矩阵P，利用灰度共生矩阵P分别求出角二阶矩ASM、对比度con、相关性cor和熵Entropy四个主要特征值，具体公式如下：
式中，i，j分别为灰度共生矩阵P的行号和列号；式中，i，j分别为灰度共生矩阵P的行号和列号；由得到的四个特征值计算出特征向量，并根据特征向量来判断图像的纹理复杂度，判断纹理复杂度的具体依据为：ASM的值越小、con的值越大、cor的值越小、Entropy的值越大的特征向量表示的纹理复杂度越高；反之，表示的纹理复杂度越低；纹理复杂度高的区域是地面，反之为河道，以此来确定河道区域的大致位置；再将去雾后图像二值化，利用结构化随机森林算法对边缘进行检测，再通过霍夫直线拟合算法拟合出大致的河岸线，再根据河岸线的位置，将图像进行分割，得到河道图像。4.根据权利要求1所述的一种基于视觉显著性的水面物体检测和分类的方法，其特征在于，步骤S3中，计算图像的显著图的方法为：将河道图像进行1/2下采样，重复执行8次1/2下采样操作，得到9层高斯金字塔；计算图像的亮度特征I，公式为：I＝(r+g+b)/3式中，r，g，b分别表示图像的三个颜色通道；计算四个颜色特征：红R、绿G、蓝B、黄Y，公式如下：R＝r-(g+b)/2G＝g-(r+b)/2B＝b-(r+g)/2Y＝(r+g)/2-|r-g|/2-b计算方向特征，使用Gabor滤波器对图像的亮度特征在0度，45度，90度和135度四个主要方向上进行滤波，得到该四个方向的特征；计算特征图，根据计算得到的三个特征分别在高斯金字塔中的不同尺度之间做差，产生3组特征图集，共42张不同尺度的特征图；再通过马尔可夫链方法生成与特征图对应的激活图，具体方法为：对特征图M定义距离，公式如下：式中，M(i,j)和M(p,q)分别代表节点(i,j)和(p,q)的特征，其中i，p表示矩阵M的行号，j，q表示矩阵M的列号；将特征图M上每个像素点两两连接构成图G，定义边的权重，公式如下：
ω1((i,j),(p,q))≡d((i,j)||(p,q))
·
F(i-p,j-q)式中，a，b是算法输入参数，σ是算法自由参数；对从特征图M中任何节点出去的边权重进行归一化处理，并在有向图G上定义一个马尔可夫链：将节点和马尔可夫链中的状态做一个等价，边权重和转移概率做一个等价，再根据马尔可夫链平稳分布对节点进行计算获得显著值，从而得到特征图对应的激活图；最后把激活图进行归一化合并为最终的显著图。5.根据权利要求1所述的一种基于视觉显著性的水面物体检测和分类的方法，其特征在于，步骤S4中，根据边缘直方图描述符计算显著图中显著性区域的特征向量的方法为：先随机选择显著性区域中的6个关键点，...

【专利技术属性】
技术研发人员：余志宏，周清楷，李庆武，徐畅，周亚琴，刘凯祥，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：