【技术实现步骤摘要】
一种针对多类水下目标的图像识别方法
[0001]本专利技术涉及水下图像识别
，特别是涉及一种针对多类水下目标的图像识别方法。
技术介绍
[0002]水下图像目标识别目前在实际生产和科研中运用越来越广泛，通常使用multi
‑
SVM手段进行水下图像目标识别可以通过对有限数量的图像样本进行学习，来获得较好的目标识别效果。但由于multi
‑
SVM分类准确率会随着目标种类的增加而降低，在目标种类繁多的情况下很难获得良好的识别率，会降低识别效果。TSVM是非常典型的直推式半监督学习方法，只需要对训练集中的少量样本做标记就可以利用TSVM进行学习训练，得到想要的分类器，并且对未标记样本进行分类。为了使图像目标识别能克服目标种类繁多造成准确率下降的困难，同时又不需要增加过多的成本，满足实际应用需求，如果能使用TSVM和multi
‑
SVM互相结合生成新的水下图像目标识别方法就能够保证当目标种类繁多时可获得较高的识别率，更加符合实际需求。
技术实现思路
[0003...
【技术保护点】
【技术特征摘要】
1.一种针对多类水下目标的图像识别方法，其特征在于，包括以下步骤：S1，预处理；对获得的图片进行归一化、统一视觉效果；然后消除图片中的椒盐噪声；最后增强图片的对比度和清晰度；S2，提取纹理特征向量；根据S1处理后的图片，利用滑框和单元块提取HOG特征，作为纹理特征向量；S3，边缘检测；找出经过S1预处理后图片上目标的整体轮廓；S4，提取几何特征向量；通过简单形状描述符提取，以边缘检测的结果为依据，计算五个简单形状描述符放入一个1
×
5的向量中，作为几何特征向量；S5，构建第一层分类器；对样本集中具有典型几何特征的几类样本添加标记，结合S4中得到的几何特征向量，利用TSVM进行学习训练和分类，得到由几何性质相似的多类样本组成的样本子集；S6，构建第二层分类器；根据S5中得出的样本子集建立multi
‑
SVM分类器模型，结合S2中得出的纹理特征向量训练属于自己的多分类器；S7，图像识别；将几何特征向量代入S5构建的第一层分类器对目标进行分类，再将纹理特征向量代入S6构建的二层分类器完成识别。2.如权利要求1所述的一种针对多类水下目标的图像识别方法，其特征在于：所述步骤S1预处理首先首先将图片转化为灰度图片，然后使用gamma变换处理图片以此对获得的图片进行归一化、统一视觉效果；然后使用中值滤波技术，将图片中孤立噪声点进行消除，减少椒盐噪声；最后使用直方图均衡化的方式对图片进行强化，增强图片对比度和清晰度。3.如权利要求1所述的一种针对多类水下目标的图像识别方法，其特征在于：所述步骤S2利用滑框和单元块提取HOG特征，一个单元块由m
×
m个像素组成，一个滑框是由4个单元块组成，滑框的滑动步长为m；设置方形梯度直方图的方向为9个方向，使用滑框遍历整张图片，计算出每个滑框内的HOG，然后将他们串联起来，得到一个1
×
n维的特征向量，作为纹理特征向量。4.如权利要求1所述的一种针对多类水下目标的图像识别方法，其特征在于：所述步骤S3边缘检测的具体方法如下：首先使用高斯滤波进行图片降噪，使图像平滑的同时加大边缘的宽度，然后计算每个像素点的梯度值G(x,y)和梯度方向θ(x,y)，根据梯度大小选择灰度变化明显的点作为可能边缘集合，然后选取在梯度方向上的梯度值是最大的像素点保留下来，将多个像素宽的边缘变成一个单像素宽的边缘；最后置两个阀值max和min，其中大于max的都被检测为边缘，而小于min的都被检测为非边缘；中间部分的像素点中与确定为边缘的像素点邻接的则判定为边缘，否则为非边缘。5.如权利要求1所述的一种针对多类水下目标的图像识别方法，其特征在于：所述步骤S4中所述简单形状描述符包括：凹凸性：假设轮廓的周长为l1和轮廓凸包，所述凸包为所有凸起的覆盖轮廓，周长为l2，凹凸性为l2/l1；主轴之间比例：即过轮廓所包围的图形质心的正交轴比例，通过轮廓的协方差矩阵来计算；致密性：轮廓区域等面积圆的周长与轮廓周长之比；差异性：假设O是用于拟合轮廓形状的圆，圆心为轮廓质心，差异性为轮廓边缘与O的比
例均方误差；椭圆差异性：假设O
E
是用于拟合轮廓形状的椭圆，椭圆中心为轮廓质心，椭圆差异性为轮廓边缘与O
E
的...
【专利技术属性】
技术研发人员：张高兴，林凡太，
申请(专利权)人：中国船舶重工集团公司七五零试验场，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。