一种基于图像块灰度特征和轮廓筛选的海天线检测方法技术

本发明专利技术公开了一种基于图像块灰度特征和轮廓筛选的海天线检测方法

【技术实现步骤摘要】
一种基于图像块灰度特征和轮廓筛选的海天线检测方法


[0001]本专利技术涉及了一种海天线检测方法，涉及图像处理
，具体涉及一种基于图像块灰度特征和轮廓筛选的海天线检测方法
。

技术介绍

[0002]海天线本质上是一条线或是一个区域，是海面和天空区域的分界
。
一般来说，在海天线及附近的像素具有较大的灰度梯度变化
。
在海面这样的多变场景下，海天线是无人艇
USV
利用视觉技术感知周围环境的重要因素
。
准确的海天线检测是无人艇提取感兴趣区域的重要步骤，对于目标极大地缩小检测范围，有利于提高水面目标检测工作的效率以及无人艇在海面上安全航行
。
[0003]由于海洋复杂多变的环境特点，实现准确的海天线的检测一直是一个难题
。
目前，海天线的检测流程一般分为三个步骤：
1、
由视觉传感器捕获原始的海空背景
。2、
图像预处理，对干扰因素进行抑制
。3、
检测并提取海天线
。
经典方法有基于变换域的海天线检测方法
、
基于图像分割的海天线检测方法
、
基于边缘检测算子的海天线检测和基于梯度显著性的海天线检测方法
。
但由于大部分的方法都是基于完整图像进行处理，难免会受到船只遮挡
、
海面波浪等一系列的干扰，缺乏一定的鲁棒性
。

技术实现思路

[0004]为了解决背景技术中存在的问题，本专利技术所提供一种基于图像块灰度特征和轮廓筛选的海天线检测方法
。
对海面图像先进行相应的分块，利用区域灰度行均值的变化情况来锁定海天线所在的区域，进而实现相应的海天线检测提取则可以一定程度上减少无关区域的干扰，可以使得检测更准确
。
基于图像块灰度特征和轮廓筛选的海天线检测这一方法有望帮助解决海天线检测这一难题
。
在实际场景中，可以在无人艇等设备上实现该算法的应用，有助于进一步提高海面目标检测效率
。
[0005]本专利技术采用的技术方案是：
[0006]本专利技术基于图像块灰度特征和轮廓筛选的海天线检测方法包括如下步骤：
[0007]步骤一，采集海天线图像，将海天线图像进行预处理后获得预处理海天线图像；海天线图像主要是在海天场景下，分为海面和天空两个区域，海天线是海面和天空的分界线
。
[0008]步骤二，将预处理海天线图像进行均匀分割为若干检测区域，获得各个检测区域的行灰度平均值，进而获得各个检测区域的最值差，将最值差最大的检测区域作为待检测海天线区域
。
[0009]步骤三，对待检测海天线区域依次进行边缘检测和边缘改善处理后再进行边缘检测处理获得海天线轮廓图像
。
[0010]步骤四，将海天线轮廓图像进行轮廓筛选获得最终轮廓图像，根据最终轮廓图像进行海天线的提取，当未提取出海天线时，则返回步骤二，将除了上一次选取出的检测区域的各个剩余的检测区域中最值差最大的检测区域作为待检测海天线区域，并继续进行步骤
三和步骤四，直至提取出海天线，完成海天线的检测
。
[0011]所述的步骤一中，将海天线图像进行预处理具体为将海天线图像标准化为预设尺寸然后转化为灰度图获得预处理海天线图像
。
[0012]所述的步骤二中，将预处理海天线图像进行均匀分割为若干检测区域，具体为将预处理海天线图像沿海天线的长度方向均匀划分为若干矩形的检测区域
。
[0013]所述的步骤二中，获得各个检测区域的行灰度平均值，进而获得各个检测区域的最值差，具体为针对每个检测区域，根据检测区域中的各个像素的灰度值，获得每行像素的灰度值的平均灰度值作为检测区域的行灰度平均值，行灰度平均值对应每一个检测区域中灰度行均值的变化程度，差值越大，代表该区域的图像变化越显著；然后将检测区域中的行灰度平均值的最大值和最小值作差作为检测区域的最值差
。
[0014]根据每一个区域的灰度行均值的最值差，由大到小进行排序，同时建立对应的区域索引序列
S。
在初步检测时，令
i
＝0，
S[0]即为灰度行均值的最值差最大的区域在原完整海面图像上的索引，即可进一步得到海天线的待检测区域
z
o
。
将差值最大的区域作为海天线的待检测区域，是由于分块后的海面图像，就单个区域的灰度变化而言，一般是在海天线附近的变化是最大的，这里用单个区域灰度行均值的最值差作为表征
。
[0015]所述的步骤三中，边缘检测处理具体使用
Canny
检测算子进行边缘检测处理
。
[0016]利用
Canny
检测算子对该区域进行边缘检测，
Canny
边缘检测相比于
Sobel、Prewitt
等检测算法充分利用了边缘的梯度信息以及使得输出的边缘二值图保留了一定量的边缘特征又不至于引入过多的噪声
。
海天线的待检测区域
z
o
经
Canny
边缘检测后可以得到初步的二值边缘图，但由于天空背景会有云朵的部分轮廓以及海面区域存在的波纹经检测同样会形成线形的轮廓，均会影响海天线的提取，因此需要进一步的处理
。
[0017]所述的步骤三中，边缘改善处理具体使用闭运算进行边缘改善处理
。
[0018]采用闭运算改善边缘，可以消除天空以及海面所检测出的其他轮廓的干扰，使得海天线的检测更为准确
。
闭运算是一种形态学滤波方法，对图像进行先膨胀后腐蚀的操作
。
膨胀是求局部最大值的操作
。
核
B
与图形卷积，即计算核
B
覆盖的区域的像素点的最大值，并把这个最大值赋值给参考点指定的像素
。
这样会使得图像中的高亮区域逐渐增长，将轮廓进行向外部扩充，达到边缘“加粗”的效果
。
而在海面图像的二值边缘图中，海面波纹轮廓是比较多且杂的，膨胀可使海面区域尽可能地被平滑填充，进一步减小其对海天线提取的干扰
。
腐蚀是求局部最小值的操作，是膨胀的反向操作，因此会使得图像中高亮区域变小甚至消失
。
腐蚀可以将海面上未被填充完全的区域更好地形成局部的连通域，便于下一步骤中对于轮廓的查找筛选，进而更好消除无关的轮廓区域
。
[0019]闭运算的主要作用是可以填充白色物体内细小黑色空洞的区域，连接临近物体
。
将其应用于海面图像的二值边缘图上主要作用就是尽可能使海面区域平滑，合为一体，有助于海天线的准确提取
。
[0020]所述的步骤四中，将海天线轮廓图像进行轮廓筛选获得最终轮廓图像，具体为获取海天线轮廓图像中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于图像块灰度特征和轮廓筛选的海天线检测方法，其特征在于：方法包括如下步骤：步骤一，采集海天线图像，将海天线图像进行预处理后获得预处理海天线图像；步骤二，将预处理海天线图像进行均匀分割为若干检测区域，获得各个检测区域的行灰度平均值，进而获得各个检测区域的最值差，将最值差最大的检测区域作为待检测海天线区域；步骤三，对待检测海天线区域依次进行边缘检测和边缘改善处理后再进行边缘检测处理获得海天线轮廓图像；步骤四，将海天线轮廓图像进行轮廓筛选获得最终轮廓图像，根据最终轮廓图像进行海天线的提取，当未提取出海天线时，则返回步骤二，将除了上一次选取出的检测区域的各个剩余的检测区域中最值差最大的检测区域作为待检测海天线区域，并继续进行步骤三和步骤四，直至提取出海天线，完成海天线的检测
。2.
根据权利要求1所述的基于图像块灰度特征和轮廓筛选的海天线检测方法，其特征在于：所述的步骤一中，将海天线图像进行预处理具体为将海天线图像标准化为预设尺寸然后转化为灰度图获得预处理海天线图像
。3.
根据权利要求1所述的基于图像块灰度特征和轮廓筛选的海天线检测方法，其特征在于：所述的步骤二中，将预处理海天线图像进行均匀分割为若干检测区域，具体为将预处理海天线图像沿海天线的长度方向均匀划分为若干矩形的检测区域
。4.
根据权利要求1所述的基于图像块灰度特征和轮廓筛选的海天线检测方法，其特征在于：所述...

【专利技术属性】
技术研发人员：温慧滢，卢明洋，唐建中，李贞辉，聂勇，陈正，
申请(专利权)人：浙江大学，
类型：发明
国别省市：