一种水域环境下目标船舶图像的数据挖掘算法制造技术

本发明专利技术公开了一种水域环境下目标船舶图像的数据挖掘算法，涉及图像识别领域，包括S1：在水域环境下通过智能采集摄像头采集目标船舶图像；S2：通过图像分割算法对采集到的船舶图像进行先分割再寻找平衡阈值；S3：利用船舶图像边缘点提取公式，将船舶图像边缘提取出来；S4：对S3处理后的目标船舶图像采用神经网络进行有效特征点提取；S5：对S4所提取的目标船舶图像特征点进行神经网络训练；S6：利用目标图像像素值与期望像素值之间的误差，来修改目标图像之间的连接权值，使目标图像得到优化；S7：输出目标船舶图像识别结果。本发明专利技术可以提高目标图像的质量，并且在多种环境下都能达到良好的实时性、有效性和鲁棒性。有效性和鲁棒性。有效性和鲁棒性。

【技术实现步骤摘要】
一种水域环境下目标船舶图像的数据挖掘算法


[0001]本专利技术涉及图像识别领域，更具体地说，涉及一种水域环境下目标船舶图像的数据挖掘算法。

技术介绍

[0002]根据船舶运输“散、乱、差”的现状以及船舶监管平台存在盲区、安全隐患多等问题，现代技术依靠信息技术手段，采用船舶智能终端设备应用，构建了船舶智能监管与服务平台，实现了辖区内船舶的实时动态监控。在此基础上，船舶监管平台需要对船舶图像进行实时动态处理，识别其船舶姿态，速度，船号轨迹等核心安全数据。
[0003]传统的图像识别算法应用在模糊水域环境中，难以有效提取出有用的识别特征，并且面对数据量较多的情况下，传统方法识别效果和效率均不佳。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种水域环境下目标船舶图像的数据挖掘算法，从而能够提高目标图像质量，有效缩短在模糊水域环境下目标船舶图像处理的识别时间。
[0005]为了达到上述目的，本专利技术采取以下技术方案：
[0006]一种水域环境下目标船舶图像的数据挖掘算法，包括如下步骤：
[0007]S1：在水域环境下通过智能采集摄像头采集目标船舶图像；
[0008]S2：通过图像分割算法对采集到的船舶图像进行先分割再寻找平衡阈值；
[0009]S3：利用船舶图像边缘点提取公式，将船舶图像边缘提取出来；
[0010]S4：对S3处理后的目标船舶图像采用神经网络进行有效特征点提取；
[0011]S5：对S4所提取的目标船舶图像特征点进行神经网络训练；
[0012]S6：利用目标图像像素值与期望像素值之间的误差，来修改目标图像之间的连接权值，使目标图像得到优化；
[0013]S7：输出目标船舶图像识别结果。
[0014]更具体的：
[0015]S1中所采集的船舶图像包括的船舶的姿态、船号和轨迹。
[0016]S2具体包括：
[0017]S2.1：求出目标船舶图像的最大灰度值Z
max
和最小灰度值Z
min
，计算初始阈值：
[0018]S2.2：计算此迭代公式中，h
k
为目标图像像素灰度值大小为k的像素个数，T
k
为第k次计算得到的阈值，若T
k
非整数，则向左取整；
[0019]S2.3：将目标船舶图像分割成前景图和背景图，分别求出其平均灰度值Z0和Z1；求出目标船舶图像分割的新阈值
[0020]S2.4：如果T
k
＝T
k+1
，则得到的就是所求阈值，否则参与步骤S2.2重新进行迭代运算。
[0021]基于数据挖掘在图像边缘处取得最大值的规律，S3中所采取的边缘点提取公式为：
[0022][0023]其中f(i,j)表示图像边缘的坐标。
[0024]S6包括如下步骤：
[0025]S6.1：通过公式得到预处理后的目标图像像素值与期望像素值之间的均方误差，其中r
q
为期望像素值，N
q
为目标图像层数，X为目标图像识别的输出层，O
q
为真实像素值；
[0026]S6.2：采用智能采集摄像头拍摄有如下关系:式中η表示步长,O
q
是I
q
的函数.因此可以得到:
[0027]S6.3：采用基于数据挖掘的目标图像识别算法:
[0028]Δw＝η(1
‑
α)D(k)+αD(k
‑
1)对目标图像进行识别，D(k)表示k时刻目标船舶图像的负梯度，D(k
‑
1)表示k
‑
1时刻目标船舶图像的负梯度，η表示识别效率，α表示动量系数，其中，η和α的范围为0<η，α<1。
[0029]S7包括：
[0030]S7.1：处理后得到N个图像特征点，每一个特征点的尺度为m
i
，则N个目标图像特征点尺度信息组成特征向量:
[0031]M
N
＝(m1,m2,
···
,m(N
‑
1),m
N
)；
[0032]S7.2：对N个目标图像特征点的信息进行快速排序，可以得到:P
N
＝sort(M
N
',descend')；
[0033]S7.3：截取前L个P值作为目标图像的特征向量；
[0034]S7.4：将目标图像的前L个特征向量提取并分类，转S5基于训练好的目标图像权值进行图像识别，得到图像识别结果。
[0035]本专利技术相对于现有技术的优点在于，与传统图像识别算法在模糊水域环境下的应用相比，本专利技术能够有效缩短在模糊水域环境下目标船舶图像处理的识别时间，提高目标图像的质量，并且在多种环境下都能达到良好的实时性、有效性和鲁棒性。
附图说明
[0036]图1是本专利技术流程图。
具体实施方式
[0037]下面结合附图对本专利技术的具体实施方式作描述。
[0038]如图1所示，本专利技术包括如下步骤：
[0039]S1：在水域环境下通过智能采集摄像头采集目标船舶图像；S1中所采集的船舶图像包括的船舶的姿态、船号和轨迹等核心安全数据。
[0040]S2：通过图像分割算法对采集到的船舶图像进行先分割再寻找平衡阈值；
[0041]S2具体包括：
[0042]S2.1：求出目标船舶图像的最大灰度值Z
max
和最小灰度值Z
min
，计算初始阈值：
[0043]S2.2：计算此迭代公式中，h
k
为目标图像像素灰度值大小为k的像素个数，T
k
为第k次计算得到的阈值，若T
k
非整数，则向左取整；
[0044]S2.3：将目标船舶图像分割成前景图和背景图，分别求出其平均灰度值Z0和Z1；求出目标船舶图像分割的新阈值
[0045]S2.4：如果T
k
＝T
k+1
，则得到的就是所求阈值，否则参与步骤S2.2重新进行迭代运算。
[0046]S3：利用船舶图像边缘点提取公式，将船舶图像边缘提取出来；
[0047]基于数据挖掘在图像边缘处取得最大值的规律，S3中所采取的边缘点提取公式为：
[0048][0049]其中f(i,j)表示图像边缘的坐标。
[0050]S4：对S3处理后的目标船舶图像采用神经网络进行有效特征点提取；
[0051]S5：对S4所提取的目标船舶图像特征点进行神经网络训练；
[0052]S6：利用目标图像像素值与期望像素值之间的误差，来修改目标图像之间的连接权值，使目标图像得到优化；
[0053]S6包括如下步骤：
[0054]S6.1：通过公式得到预处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水域环境下目标船舶图像的数据挖掘算法，其特征在于，包括如下步骤：S1：在水域环境下通过智能采集摄像头采集目标船舶图像；S2：通过图像分割算法对采集到的船舶图像进行先分割再寻找平衡阈值；S3：利用船舶图像边缘点提取公式，将船舶图像边缘提取出来；S4：对S3处理后的目标船舶图像采用神经网络进行有效特征点提取；S5：对S4所提取的目标船舶图像特征点进行神经网络训练；S6：利用目标图像像素值与期望像素值之间的误差，来修改目标图像之间的连接权值，使目标图像得到优化；S7：输出目标船舶图像识别结果。2.根据权利要求1所述水域环境下目标船舶图像的数据挖掘算法，其特征在于，S1中所采集的船舶图像包括的船舶的姿态、船号和轨迹。3.根据权利要求1所述水域环境下目标船舶图像的数据挖掘算法，其特征在于，S2具体包括：S2.1：求出目标船舶图像的最大灰度值Z
max
和最小灰度值Z
min
，计算初始阈值：S2.2：计算此迭代公式中，h
k
为目标图像像素灰度值大小为k的像素个数，T
k
为第k次计算得到的阈值，若T
k
非整数，则向左取整；S2.3：将目标船舶图像分割成前景图和背景图，分别求出其平均灰度值Z0和Z1；求出目标船舶图像分割的新阈值S2.4：如果T
k
＝T
k+1
，则得到的就是所求阈值，否则参与步骤S2.2重新进行迭代运算。4.根据权利要求1所述水域环境下目标船舶图像的数据挖掘算法，其特征在于，基于数据挖掘在图像边缘处取得最大值的规律，S3中所采取的边缘点提取公式为：其中f(i,j)表示图像边缘的坐标。5.根据权利要求1所述水域环境下目标船舶图像的数据挖掘算法，其特征在于，...

【专利技术属性】
技术研发人员：范德军，何冲，梅浩俊，叶铭，陈杨，张连胜，王俊杰，谈昀，杨庆生，江晓明，方迪，
申请(专利权)人：江苏联盟信息工程有限公司，
类型：发明
国别省市：