一种基于红外序列图像的水面溢油检测的算法制造技术

本发明专利技术公开了一种基于红外序列图像的水面溢油检测的算法，属于目标识别技术领域，本发明专利技术的算法从溢油目标本身的变化性进行考虑，依次通过将获取红外图像并进行预处理、生成超像素图像、视觉特征提取、候选种子区域生产、种子区域合并、几何形态判断和目标形态变化判断步骤在主要的红外溢油视觉特征基础上，采用形态学变化模拟海上溢油目标的时间变化，从而提高现有红外溢油检测算法的精度的算法。高现有红外溢油检测算法的精度的算法。高现有红外溢油检测算法的精度的算法。

【技术实现步骤摘要】
一种基于红外序列图像的水面溢油检测的算法


[0001]本专利技术属于目标识别
，涉及一种基于红外序列图像的水面溢油检测的算法。

技术介绍

[0002]海洋石油开采、加工、运输等诸多过程中产生的溢油污染，对海水、海表大气、海底、海岸带等都产生诸多不良影响，严重损害了海洋生态环境，并造成了巨大的经济损失。对海面溢油情况进行实时检测并及时警报显得尤为重要。
[0003]在现有的海面溢油检测设备中，基于红外图像检测设备具有适应全天候工作，成本低等优势。但同时红外图像也存在对比度低、景物边缘模度低、景物边缘模糊且噪声干扰严重等不足，影响溢油检测的精度。
[0004]基于红外图像的溢油检测算法重要的一个环节是挑选能够区别于海平面或其他非油区干扰的有效特征，对目标特征的信息利用不足会极大的影响检测精度和实际使用效果。常采用的溢油目标检测特征包括纹理、灰度、梯度、几何等特征指标。但是鲜有从溢油目标本身的变化性进行考虑。海上溢油发生后，油膜会在海面上发生扩展、离散、漂移等表面积扩大的变化，也会发生挥发、破碎风化、溶解乳化、吸附沉淀和生物降解本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于红外序列图像的水面溢油检测方法，其特征在于，包括以下步骤：步骤11：从红外序列图像中获取需要进行超像素分割的数据，对需要处理的超像素分割的数据进行预处理得到P1数据；步骤12：将步骤11得到P1数据采用SLIC算法将步骤11中的P1数据分割为k0个子区域，每个区域记为（i=1,2,
……
k0），然后分割后删除图像数据存在的一些极小区域，即生成超像素图像；步骤13：获取步骤12生成的超像素图像的灰度均值特征、纹理特征、梯度特征、帧间灰度特征四类视觉特征，生成灰度均值特征数据集、纹理特征数据集(1
‑
q)、梯度特征数据集、帧间灰度特征数据集；步骤14：基于步骤13生成的灰度均值特征数据集、纹理特征数据集(1
‑
q)、梯度特征数据集、帧间灰度特征数据集分别采用SVM分类器各自分类得到候选种子区域合集，在进行决策层融合判决提取溢油候选种子区R；步骤15：将步骤14得到的溢油候选种子区R作为生长起点，将种子区域与周围邻域中与种子区域的灰度特征与梯度特征相似的区域合并到候选区域，融合种子点相邻超像素块，更新溢油候选区域，得到疑似油污区域M0；步骤16：通过对步骤15得到疑似油污区域M0的相对坐标求取其虚拟外接矩形框，计算矩形框的长宽比，若大于其阈值则是溢油目标的概率较大，对与部分该外接矩形的长宽比接近的油膜，采用外接矩形内油膜的面积与整个外接矩形的面积比值进一步判断，具体的判断标准如下：；；；经过几何判断为溢油目标的数据集记为M1，包含M1目标的二值图像记为P3；步骤17：对经过几何判断为溢油目标的数据集M1图像进一步检验，具体检验步骤如下：步骤171，建立图像形变数据库：以t1，t2两时刻判断为疑似溢油二值图像为例（t2
‑
t1＜60s），图像数据分别记为P3t1和P3t2；建立t1时刻的图像P3t1的形变数据库Dt1，此时数据库Dt1中的目标记为Mt1*，相同的操作对t2时刻的图像P3t2，建立形变数据库Dt2；步骤172，目标相似度计算：采用hash算法对步骤171中的形变数据库Dt1和形变数据库Dt2中的两组目标进行相似度计算，完成...

【专利技术属性】
技术研发人员：蒋曼，孙广翔，梁建，张梦，周俊波，肖赟辰，徐笑，钱渠，韩慧杰，刘银年，孙德新，
申请(专利权)人：南通智能感知研究院，
类型：发明
国别省市：