一种水下原位图像的目标检测方法和系统技术方案

本申请涉及一种水下原位图像的目标检测方法和系统，其步骤包括：将原始图像进行预处理，得到灰度图像；利用滑动窗移动遍历所述灰度图像；所述滑动窗每次移动时，获取当前滑动窗对应图像子块内每个像素亮度值的第一分位数，并将遍历所获取的所有第一分位数依次排列，获得分位数列表；计算所述分位数列表的第二分位数，将所述第二分位数加上预设偏置值作为分位数阈值，之后将所述分位数阈值与所述第一分位数对比，判断所述图像子块是否为前景，并构建二值图像；利用连通域检测算法，计算所述二值图像上的连通域，获得所述连通域的外接矩形框坐标，并将所述外接矩形框坐标映射回所述灰度图像上，裁剪并获得ROI图像。裁剪并获得ROI图像。裁剪并获得ROI图像。

【技术实现步骤摘要】
一种水下原位图像的目标检测方法和系统


[0001]本申请涉及水环境监测领域，特别涉及一种水下原位图像的目标检测方法和系统。

技术介绍

[0002]浮游生物广泛分布于海洋中，它们是海洋生态系统和海洋食物网中的关键一环，其有害暴发也会造成巨大的损失，具有重要的研究价值和观测意义。
[0003]基于光学成像的浮游生物原位观测技术通常包含如下步骤：先利用原位成像仪在水下拍摄原始图像，然后进行预处理，包括目标检测，最后对目标图像进行存储、传输、识别、测量和分析，得到观测结果。其中，目标检测从原图中获取图像上目标所在区域，再进行裁剪，获得每张包含一个目标的小图(ROI)，才便于进行后续的识别、处理与分析的。目标检测的效果和运行效率很大程度影响着对后续识别分析准确性以及整个原位观测系统运行效率。
[0004]相关技术中，Campbell R等公开了一种浮游生物和微粒的原位观测方法，先对原始图像以最邻近插值下采样四倍，转换成8位图像，以减小计算量。然后应用Canny边缘检测操作获取图像中目标所在位置。接着利用形态学闭操作，将边缘的断裂部分闭合起来。再使用 OpenCV的findcontours函数检测目标的轮廓，得到目标的边界框，并对边界大于300个像素的目标的外接矩形以50％的系数从中心向外扩大。再从原始图像上分割出边界框对应的目标的ROI图像。
[0005]Yamazaki H等公开了一种用于了解浮游生态系统的综合长期、高频生物、化学、物理测量的有线观测系统，利用blob特征检测算法，检测与周围像素有明显亮度差异的的连续区域，并设定连续像素数量阈值，大于该阈值则判定其为目标，获取其边界框，再根据事先设定的因子来扩大边界框的大小，裁剪获得ROI子图。
[0006]Cheng K等公开了一种用于浮游生物识别和枚举的增强型卷积神经网络，先设定亮度阈值，对图像进行二值化。然后对图像执行形态学开操作以消除背景噪声。再通过目标边缘，获得目标所在位置，最后裁剪获得目标ROI子图。
[0007]Geraldes P等公开了一种原位实时浮游动物检测和分类，利用深度神经网络模型进行目标检测。先利用人工标注大量图像中的目标，构建训练数据集，再训练网络。训练完成后，原始图像输入网络，在输出端可得到图中目标边界框信息，并根据此裁剪ROI子图。
[0008]但是，现有技术有的检测方法背景噪声干扰导致检测效果不好，难以在高浊度海水中有效；有的检测方法参数需人工设置，当图像亮度改变时参数也许重新设置；有的检测方法容易忽略图像中较为透明的目标，造成目标漏检和依赖大量标注图像用作训练集，且神经网络模型训练时间长、计算复杂度高，不利于在低功耗、低成本、低算力的平台上部署算法。

技术实现思路

[0009]本申请实施例提供一种水下原位图像的目标检测方法和系统，以解决相关技术中易被背景噪音干扰、自适应性差、效率低，不利于在低功耗、低成本、低算力的平台上部署算法的问题。
[0010]为实现上述目的，本专利技术采用以下技术方案予以实现：
[0011]一种水下原位图像的目标检测方法，其特征在于，其步骤包括：
[0012]S1.将原始图像进行预处理，得到灰度图像；利用滑动窗移动遍历所述灰度图像；所述滑动窗每次移动时，获取当前滑动窗对应图像子块内每个像素亮度值的第一分位数，并将遍历所获取的所有第一分位数依次排列，获得分位数列表；
[0013]S2.计算所述分位数列表的第二分位数，将所述第二分位数加上预设偏置值作为分位数阈值，之后将所述分位数阈值与所述第一分位数对比，判断所述图像子块是否为前景，并构建二值图像；
[0014]S3.利用连通域检测算法，计算所述二值图像上的连通域，获得所述连通域的外接矩形框坐标，并将所述外接矩形框坐标映射回所述灰度图像上，裁剪并获得ROI图像。
[0015]一些实施例中，所述构建二值图像包括：
[0016]每个像素代表灰度图像上的一个滑动窗，其纵坐标表示滑动窗在灰度图像上所属行号，其横坐标表示滑动窗为所在行的第几个滑动窗，根据所述图像子块属于前景或背景，像素值分别用1或0表示。
[0017]一些实施例中，所述步骤S2中判断所述图像子块是否为前景包括：
[0018]判断所述列表中的所述第一分位数与所述分位数阈值的大小关系，若前者大于后者，则当前第一分位数对应的所述图像子块为前景，反之为背景。
[0019]一些实施例中，所述步骤S3包括：
[0020]S31.利用连通域检测算法，计算所述二值图像上的连通域，获取所述连通域的外接矩形框坐标；
[0021]S32.将所述外接矩形框坐标转换到所述灰度图像上，获得目标定位信息；
[0022]S33.根据所述目标定位信息从原始图像上裁剪所需矩形区域，获得包含浮游生物目标的ROI图像。
[0023]一些实施例中，所述原始图像预处理包括将原始图像转化为灰度图像并将其尺寸缩小。
[0024]一些实施例中，滑动窗的移动步长与滑动窗宽度的关系为：
[0025]Patch_step＝Factor*Patch_size/2；
[0026]其中Patch_step为滑动窗的移动步长，Factor为灰度图像的缩放倍数，Factor*Patch_size为滑动窗的宽度。
[0027]一些实施例中，当滑动窗为矩形时，将所述外接矩形框的坐标转换到灰度图像上，采用的公式为：
[0028]x1
’
＝x1*Patch_step/Factor；y1
’
＝y1*Patch_step/Factor；
[0029]x2
’
＝x2*Patch_step/Factor；y2
’
＝y2*Patch_step/Factor；
[0030]其中x1、y1、x2、y2为所述外接矩形框的坐标值，x1
’
、x2
’
、 y1
’
、y2
’
为灰度图像中所对应的矩形框的坐标值。
[0031]一些实施例中，所述滑动窗形状为正方形、长方形、圆形、梯形或三角形。
[0032]一些实施例中，所述第一分位数与第二分位数的取值范围为 25％
‑
75％。
[0033]一种水下原位图像的目标检测系统，其特征在于，包括：计算机可读存储介质和处理器；
[0034]所述计算机可读存储介质用于存储可执行指令；
[0035]所述处理器用于读取所述计算机可读存储介质中存储的可执行指令，执行上述水下原位图像的目标检测方法。
[0036]本申请提供的技术方案带来的有益效果包括：
[0037](1)本专利技术利用滑动窗，并以分位数描述滑动窗内图像特征，具有更强的自适应能力，抗背景噪声和亮度变化的干扰能力强，可满足在不同浊度海水环境下的目标检测工作精度要求。
[0038](2)本专利技术利用分位数自适应地确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下原位图像的目标检测方法，其特征在于，其步骤包括：S1.将原始图像进行预处理，得到灰度图像；利用滑动窗移动遍历所述灰度图像；所述滑动窗每次移动时，获取当前滑动窗对应图像子块内每个像素亮度值的第一分位数，并将遍历所获取的所有第一分位数依次排列，获得分位数列表；S2.计算所述分位数列表的第二分位数，将所述第二分位数加上预设偏置值作为分位数阈值，之后将所述分位数阈值与所述第一分位数对比，判断所述图像子块是否为前景，并构建二值图像；S3.利用连通域检测算法，计算所述二值图像上的连通域，获得所述连通域的外接矩形框坐标，并将所述外接矩形框坐标映射回所述灰度图像上，裁剪并获得ROI图像。2.根据权利要求1所述的目标检测方法，其特征在于，所述构建二值图像包括：每个像素代表灰度图像上的一个滑动窗，其纵坐标表示滑动窗在灰度图像上所属行号，其横坐标表示滑动窗为所在行的第几个滑动窗，根据所述图像子块属于前景或背景，像素值分别用1或0表示。3.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S2中判断所述图像子块是否为前景包括：判断所述列表中的所述第一分位数与所述分位数阈值的大小关系，若前者大于后者，则当前第一分位数对应的所述图像子块为前景，反之为背景。4.根据权利要求1所述的目标检测方法，其特征在于，所述步骤S3包括：S31.利用连通域检测算法，计算所述二值图像上的连通域，获取所述连通域的外接矩形框坐标；S32.将所述外接矩形框坐标转换到所述灰度图像上，获得目标定位信息；S33.根据所述目标定位信息从原始图像上裁剪所需矩形区域，获得包含浮游生物目标的ROI图像。5.根据权利要求1所述的目标检测方法，其特征在于，所述原始图像预处理包括将原始图像转化为灰度图...

【专利技术属性】
技术研发人员：杨振宇，李剑平，陈涛，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：