基于梯度信息融合的水面光视觉图像目标区域检测方法
【专利摘要】本发明提供的是一种基于梯度信息融合的水面光视觉图像目标区域检测方法。分别采用两种滑动窗口形式，计算水面光视觉图像的纵向梯度与横向梯度。将两个梯度信息进行融合，并采用连通检测方法标记区域的位置，根据目标的最终边界标记出目标区域。本发明主要是结合水面图像中海界线区域特点，先分别提取水面光学图像在纵向梯度与横向梯度方向上的目标边界信息，确定海界线属性和图像处理空间的划分，然后根据融合信息，确定目标边界的区域类别属性，并依据边界性质，完成像素的扫描与归类。本发明由于结合海界线特点对两个方向的梯度信息进行融合，降低了处理区域范围，减少了噪声的影响。也避免了对整个图像空间的运算处理，节约计算时间。
【专利说明】基于梯度信息融合的水面光视觉图像目标区域检测方法
【技术领域】
[0001]本发明涉及的是一种数字图像处理方法。具体地说是一种水面光视觉图像目标区域检测方法。
【背景技术】
[0002]从20世纪90年代起，图像和视频处理方法就应用于检测和识别海上弱小目标。基于可见光成像的船舶检测技术目前已经用于船只导航，在2003年国际航海大会上，日本东京商船学院提出了基于可见光视觉信息的海上运动船舶检测方法，通过与船舶自动识别系统AIS和基于雷达的视觉自动感应系统ARPA的协同，实现了船舶的自主避碰。从近来的环境信息研究看出，鉴于船舶系统的导航、各种碰撞灾难的避免、身份核查以及海上事故的人员搜救等需求，在不同状况的海面环境图像中检测到特定的目标物愈来愈重要。目前较多文献报导的是关于水面红外图像弱小目标的检测，主要基于小波变换、纹理特征(如文献
[I]和文献[2])或能量积累(如文献[3]和文献[4])等原理。这些文献虽然对于水面光视觉图像有一定的参考作用，但两类图像的成像机理存在本质上的差异，从而导致诸多处理上的问题，所以对于后者来说，仍需要深入研究适应其特点的目标区域检测方法。
[0003]文献[5]通过海天线及处于海天线上的异物检测候选目标，并根据连续帧的结果来确定真实目标。文献[6]先提取海天线，通过分析海天线上下区域的块直方图属性，确定目标区域。文献[7]利用灰度特性提取海天线，然后利用一维最大熵阈值分割法对目标进行检测，该方法在海面状况较恶劣时效果欠佳。文献[8]综合运用边缘检测、OTSU算法以及Hough变换检测出海天线，进而使用投影法提取海天线区域中的船舶目标，该方法没有兼顾目标存在于海天线区域以下的情况。如果对近海目标采用类似弱小目标的检测方法，很可能会把海面附近的强噪声点作为目标，造成很高的虚警率。文献[9]采用迭代的基于倒三角小模板的线性低通滤波方法实现粗分辨率图像上的平滑滤噪以凸显目标，需要根据海面的波浪状况来判定模板的尺寸以及迭代的次数，也不具备连续快速检测的优势。文献[10]采用基于Butterworth高通滤波器的目标检测方法，可自适应的检测出海天背景下的小目标。文献[11]采用基于图像形态学和信息熵理论的目标检测方法，实现了海天背景下的小尺度船舶检测。文献[12]采用基于小波变换的水面船舶检测方法，该方法采用多分辨率小波检测出海天背景下的海天线，通过相关小波能量合成检测出水面船舶信息。文献[13]采用基于小波变换的背景抑制技术，实现了对船舶目标的检测。文献[14]采用序列图像融合方法，通过结合小波变换和图像形态学模型，实现了船舶目标的检测。相关论文表明，暂时未见效果较好的、不受海界线属性限制的、简便快捷的水面光视觉目标区域检测方法。
[0004]本发明涉及到的参考文献:
[0005][I] Vo N., Tran Q., Dinh T.B., et al.An Efficient Human-ComputerInteraction Framework Using Skin Color Tracking and Gesture Recognition[A].1EEE RIVF International Conference on Computing and Communication Technologies, Research, Innovation, and Vision for the Future[C].Hano1:1EEE ComputerSociety,2010:1-6 ；
[0006][2] Chen Yen-Linj Wu Bing Fei，Huang Hao-Yuj et al.A Real-Time VisionSystem for Nighttime Vehicle Detection and Traffic Surveillance [J].1EEETransaction on Industrial Electronics，2011，58 (5):2030-2044 ;
[0007][3]石文君，吴中川，刘晓红，黄应顺.低对比度条件下基于能量积累和GabOT变换的海天线提取，红外技术，2010，32 (5): 283-285 ；
[0008][4] Kun A.J., Vamossy Z.Traffic Monitoring with Computer Vision [A].Proceedings of the7thInternational Symposium on Applied Machine Intelligence andInformatics[C].Slovakia:1EEE Computer Society, 2009:131-134 ；
[0009][5]Sergiy Fefilatyevj Dmitry Goldgof.Detection and Tracking of MarineVehicles in Video ；
[0010][6]G.K.Santhaliaj Nitin Sharmaj Sanatya Singh.A Method to ExtractFuture Warships in Complex Sea-Sky Background Which May Be VirtuallyInvisible.2009Third Asia International Conference on Modelling&Simulation.2009:533-539 ；
[0011][7]董宇星，刘伟宁.基于灰度特性的海天背景小目标检测.中国光学与应用光学，2010，3(3):253-256 ；
[0012][8]黄英东，范宁军，李杰.一种基于海天线检测的舰船定位方法.弹箭与制导学报，2008，28(5):286-288 ；
[0013][9]吴琦颖，李翠华.用于海上感兴趣区域实时分割的近似算法.厦门大学学报(自然科学版)，2007，46(1): 33-37 ；
[0014][10]L.Yang, J.Yangj K.Yang.Adaptive detection for infrared small targetunder sea-sky complex background.Electronics Letters，2004，40(17):1083-1085 ;
[0015][11] Jian Nan, C., et al.A detection method of infrared image smalltarget based on order morphology transformation and image entropy differencein Machine Learning and Cybernetics.Proceedings of2005InternationalConference.2005:5111-5116 ；
[0016][12]Wei Y., Z.Shij H.Yu.Wavelet analysis based detection algorithmfor infrared image small target in background of sea and sky.1mage andSignal Processing and Analysis.1SPA.Proceedings of the3rd InternationalSymposium.2003:23-28 ；
[0017][13] Yu-Qiuj S., T.Jin-Wenj L.Jian.Background suppression based-on wavelettransformation to detect infrared target in Machine Learning and Cybernetics.Proceedings of2005International Conference.2005:4611-4615 ；
[0018][14] Zhou W., K.Xuj S.L1.A Method for Ship Target Detection Basedon Image Fusion.Electronic Measurement and Instruments， InternationalConferenceon.2007:923-926。
【发明内容】
[0019]本发明的目的在于提供一种对水面目标提取有较好效果的基于梯度信息融合的水面光视觉图像目标区域检测方法。
[0020]本发明的目的是这样实现的:
[0021]1.读取待检测的原始灰度图像，并存入一个二维图像数组中，各像素点的灰度值均在O~255的范围内；
[0022]2.采用3X3滑动窗口 A，对原始灰度图像进行纵向梯度运算，得到图像Al ；
[0023]3.采用5X5滑动窗口 B，对原始灰度图像进行横向梯度运算，得到图像BI ；
[0024]4.在图像Al中，计算梯度分布信息，确定海界线属性；
[0025]5.在图像BI中，采取膨胀与腐蚀运算，剔除噪声点所引起的梯度信息，根据海界线的属性，对图像BI进行划分，计算水面目标可能出现区域内的边界信息；
[0026]6.将图像Al与图像BI进行融合运算得到图像Cl ；
[0027]7.在图像Cl中，选取由梯度信息所形成区域内的像素点作为种子，进行区域生长，对目标的轮廓类别进行标记；
[0028]8.依据步骤5所确定的边界信息和步骤7所确定的轮廓类别信息，对图像像素进行连通检测，如果像素点属于目标边界，初始化目标的边界角点信息，对同一类的目标边界进行边界角点信息更新，对非同一类的目标边界，则初始化下一个目标的边界角点信息，并随后更新；
[0029]9.重复步骤8至没有像素满足条件为止，相应得到的连通区域作为目标的最终边界；
[0030]10.根据图像中目标与海界线间的距离，设置动态阈值，剔除伪目标，所获得结果作为最终的水面光视觉图像目标区域提取结果。
[0031]本发明还可以包括这样一些特征:
[0032]1、步骤2所述纵向梯度计算方法是以原始灰度图像中每个像素点(i，j)为窗口中心，采用3X3滑动窗口遍历图像，计算窗口内两个相距最远像素点(i+l，j)与像素点(1-1, j)的灰度差Ag1，其公式定义为:
[0033]Δ gj=f (i+1, j)-f (1-1, j)
[0034]依据图像背景灰度Ct和图像中灰度差值数量百分比Y，对灰度差Ag1进行拉伸，计算得到像素点(i，j)处的纵向梯度值G1(^j),其公式定义为:
[0035]G1 (i, j) = Ag1 X y+Ct
[0036]2、步骤3所述的横向梯度计算方法是以原始灰度图像中每个像素点(i，j)为窗口中心，采用5X5滑动窗口遍历图像，计算窗口内两个相距最远像素点(i，j+2)与像素点(i, j-2)的灰度差Ag2，其公式定义为:
[0037]Δ g2=f (i, j+2) -f (i, j-2)
[0038]依据图像背景灰度Ct和图像中灰度差值数量百分比Y，对灰度差Ag2进行拉伸，计算得到像素点(i，j)处的纵向梯度值G2 (i，j)，其公式定义为:
[0039]G2 (i, j) = Ag2 X y+Ct
[0040]3、步骤4所述梯度分布信息计算方法是对梯度图像进行逐行扫描，累计每行中各像素点(i，j)处的梯度值，其公式定义为:
【权利要求】
1.一种基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是: (1).读取待检测的原始灰度图像，并存入一个二维图像数组中，各像素点的灰度值均在O~255的范围内； (2).采用3X3滑动窗口A，对原始灰度图像进行纵向梯度运算，得到图像Al ； (3).采用5X5滑动窗口 B，对原始灰度图像进行横向梯度运算，得到图像BI ； (4).在图像Al中，计算梯度分布信息，确定海界线属性； (5).在图像BI中，采取膨胀与腐蚀运算，剔除噪声点所引起的梯度信息，根据海界线的属性，对图像BI进行划分，计算水面目标可能出现区域内的边界信息； (6).将图像Al与图像BI进行融合运算得到图像Cl； (7).在图像Cl中，选取由梯度信息所形成区域内的像素点作为种子，进行区域生长，对目标的轮廓类别进行标记； (8).依据步骤(5)所确定的边界信息和步骤(7)所确定的轮廓类别信息，对图像像素进行连通检 测，如果像素点属于目标边界，初始化目标的边界角点信息，对同一类的目标边界进行边界角点信息更新，对非同一类的目标边界，则初始化下一个目标的边界角点信息，并随后更新； (9).重复步骤(8)至没有像素满足条件为止，相应得到的连通区域作为目标的最终边界； (10).根据图像中目标与海界线间的距离，设置动态阈值，剔除伪目标，所获得结果作为最终的水面光视觉图像目标区域提取结果。
2.根据权利要求1所述的基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是所述进行纵向梯度运算方法为: 采用3X3滑动窗口，以原始灰度图像中每个像素点(i，j)为窗口中心遍历整幅图像，计算窗口内两个相距最远像素点(i+1，j)与像素点(1-1，j)的灰度差Ag1,
Δ gi=f (i+1, j)-f (1-1, j) 依据图像背景灰度Ct和图像中灰度差值数量百分比Y，对灰度差Ag1进行拉伸，计算得到像素点(i，j)处的纵向梯度值G1(Lj),
G1(I1J) = Ag1X Y+Cto
3.根据权利要求2基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是所述进行横向梯度运算的方法为: 采用5X5滑动窗口，以原始灰度图像中每个像素点(i，j)为窗口中心遍历整幅图像，计算窗口内两个相距最远像素点(i，j+2)与像素点(i，j_2)的灰度差Ag2,
Ag2=f(i, j+2)-f(i, j-2), 依据图像背景灰度Ct和图像中灰度差值数量百分比Y，对灰度差Ag2进行拉伸，计算得到像素点(i，j)处的纵向梯度值62(1，j)，
G2 (i, j) = Ag2 X y +Cto
4.根据权利要求3所述的基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是所述计算梯度分布信息和确定海界线属性的方法为: 在图像Al中，对图像进行逐行扫描，累计每行中各像素点(i，j)处的梯度值，
5.根据权利要求4所述的基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是所述进行融合运算包括:其像素点(i，j)处的融合值Gr (i，j)定义为:
Gr (i, j) =max (G1 (i, j)，G2 (i, j)}。
6.根据权利要求5所述的基于梯度信息融合的水面光视觉图像目标区域检测方法，其特征是剔除伪目标的方法为: 根据图像中目标与海界线间的距离S，设置动态阈值K，
k= α.s, 其中，α表征通过摄像机标定所确定的在视场内、距离与面积变化间的比例系数，设目标区域面积为Α，如果A>k，则该区域为目标区域，反之为虚警区域，应剔除，所获得结果作为最终的水面光视觉图像目标区域提取结果。
【文档编号】G06T7/00GK103927751SQ201410158237
【公开日】2014年7月16日 申请日期:2014年4月18日 优先权日:2014年4月18日
【发明者】张铁栋, 吕欣倍, 马珊, 黄蜀玲, 曾文静, 李阳 申请人:哈尔滨工程大学