一种基于图像划分和纹理特征的海天线检测方法与流程

本发明涉及图像处理技术领域，具体涉及一种基于图像划分和纹理特征的海天线检测方法。

背景技术：

海天线检测是海上航行和海面无人探测的重要环节。随着无人船在海面航巡和海上搜救等越来越广泛的应用，图像处理技术也越来越多地被运用到海面检测。其中，海天线检测在海面检测当中具有重要意义。通过海天线检测可以将海面图像划分为海水和天空两部分，为进一步进行目标检测缩小了搜索范围，这对于减少后续工作的计算量具有十分重要的意义。同时，海天线检测将图像区域划分为两部分，可消除图像中天空云层、雾霾和海岸上背景等的影响，提高了目标检测的准确性。

目前比较常见的海天线检测方法是：通过对整幅图像进行处理得到一个其内的所有元素满足给定要求的点集，再利用得到的点集进行最佳直线拟合的方法得到海天线。常见的方法是通过canny算法(或sobel算法)提取图像的边缘特征，算法中的阈值作为判断图像的像素点是否符合点集给定条件分割值，对于边缘特征显著的点将被归类为候选点。通过最大类间方差(otsu)算法确定阈值大小。最后利用得到的点集拟合得到海天线，如hough变换法、最小二乘法和随机抽样一致性方法(ransac)等。但是，这些方法都是通过对整幅图像进行全局搜索判断得到候选点，候选点的选取与图像的边缘特征相关，因而海面波纹和天空云层中很多干扰点被选为候选点，使最后拟合得到的海天线与实际图像中的海天线产生偏差甚至拟合得到的海天线分布在云层或者波纹之间。

技术实现要素：

本发明针对现有技术的不足，提供一种基于图像划分和纹理特征的海天线检测方法，能够有效地检测海天线位置。

为达到上述目的，本发明采用如下技术方案：

一种基于图像划分和纹理特征的海天线检测方法，包括以下步骤：

1)获取原始的彩色海面图像；

2)将原始彩色图像转换为灰度图像；

3)利用高斯滤波框对灰度图像进行高斯滤波处理；

4)将滤波过的图像沿竖直方向均匀划分为若干个区域，将每个区域的灰度等级降为16级，分别计算出每个区域沿竖直向下方向、点对间距离为1的共生矩阵，并计算每个共生矩阵的对比度参数；

5)至上往下，计算每一块区域与上一块区域的共生矩阵对比度之比，其中得到比值最大的区域作为海天线所在的区域；

6)计算海天线所在的区域与其相邻的两块区域垂直方向的梯度大小，以每个像素点垂直方向的梯度大小作为原始数据，利用最大类间方差法计算出该组数据的阈值大小，将垂直方向梯度值大于阈值的像素点作为候选点，反之小于阈值的像素点舍去不予考虑；

7)利用得到的候选点进行hough变换直线检测，检测得到的最佳直线即为海天线。

本发明与现有技术方法相比，有益效果为：

1、本发明采用图像划分的方法，将图像划分为若干区域，共生矩阵用以描述每块区域的纹理特征，通过比较共生矩阵大致确定海天线所在的位置，只对海天线粗略估计所在区域进行后续处理，大大降低了天空云层以及海面波纹的影响，同时只对海天线粗略估计所在区域进行处理也大大减少了后续工作的计算量。

2、本发明采用计算选中区域垂直方向梯度值的方法，避免了水平方向纹理的干扰；同时选用最大类间方差法选出候选点，使点类别错分的概率最小。

附图说明

图1为本发明方法的流程图。

图2为本发明方法一个实施例的示意图，其中(a)为原始图像；(b)为灰度图像；(c)为经过滤波后的图像；(d)为经过区域划分后的图像；(e)为对比度变化区域最大的图像；(f)为海天线位置粗略估计图；(g)海天线检测结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清晰明了，下面结合附图，对本发明的具体实施例作详细说明。

如图1所示，一种基于图像划分和纹理特征的海天线检测方法，包括以下步骤：

1)获取原始的彩色海面图像；

2)将原始彩色图像转换为灰度图像；

3)利用高斯滤波框对灰度图像进行高斯滤波处理；

4)将滤波过的图像沿竖直方向均匀划分为若干个区域，将每个区域的灰度等级降为16级，分别计算出每个区域沿竖直向下方向、点对间距离为1的共生矩阵，并计算每个共生矩阵的对比度参数；

5)至上往下，计算每一块区域与上一块区域的共生矩阵对比度之比，其中得到比值最大的区域作为海天线所在的区域；

6)计算海天线所在的区域与其相邻的两块区域垂直方向的梯度大小，以每个像素点垂直方向的梯度大小作为原始数据，利用最大类间方差法计算出该组数据的阈值大小，将垂直方向梯度值大于阈值的像素点作为候选点，反之小于阈值的像素点舍去不予考虑；

7)利用得到的候选点进行hough变换直线检测，检测得到的最佳直线即为海天线。

进一步，所述步骤1)中的彩色海面图像为3通道24位，最大亮度等级为255的彩色海面图像。

进一步，所述步骤3)中，使用经过归一化的3×3掩模对灰度图像进行滤波处理，以减小滤波操作的计算量，其滤波具体操作为依次用掩模按照从左向右，至上而下的顺序对图像中的每一个像素进行扫描，用模板确定的领域内像素的加权平均去代替模板中心像素点的灰度值，其优点是可以减轻图像中的噪声干扰，提高图像信噪比。

进一步，所述步骤4)中，将滤波后图像的灰度等级由0～255调为0～15，则灰度共生矩阵由255×255的矩阵简化为16×16的矩阵，减少了后续工作的计算量，灰度变换公式为：

其中，f(x,y)为图像初始灰度值，g(x,y)为变换后的灰度值，[x]为不超过x的最大整数。

沿垂直方向将图像均匀划分为10等分，依次计算每部分图像方向垂直向下、点对间距离为1的灰度共生矩阵及其对比度参数。假设图像大小为m×n，其中m为图像像素的行数，n为图像像素的列数；建立坐标系，设图像左上角为坐标原点，x轴正方向为垂直向下，y轴正方向为水平向右，计算图像沿垂直方向，点对间距离为1的共生矩阵为：

p(i,j)＝#{(x,y),(x+1,y)∈m×n|f(x,y)＝i,f(x+1,y)＝j}(2)

其中，#(m)为集合m中元素的个数，i,j的取值范围为0,1,2,…,15，(x,y)和(x+1,y)为图像中的像素点的位置，f(x,y)，f(x+1,y)为该像素点处的灰度值。

灰度共生矩阵的对比度计算公式为：

其中，i,j的取值范围为0,1,2,3,…,15，p(i,j)为灰度共生矩阵在(i,j)处的值。

进一步，所述步骤5)中，通过式(2)和式(3)计算得到每块区域图像的对比度参数为con1,con2,,con3…,con10，每块区域相对上块区域的对比度之比hi为：

其中，i的取值范围为2,3,…,10。假设hm为最大值，则取第m-1,m,m+1块区域作为海天线的粗略估计位置，并保证海天线出现在该区域图像内。

进一步，所述步骤6)中，图像垂直方向的梯度计算利用一阶差分公式：

grad(x,y)＝f(x+1,y)-f(x,y)(5)

其中，f(x+1,y)，f(x,y)分别为图像中(x+1,y)和(x,y)处的灰度值。

最大类间方差法求最佳阈值的计算过程为：假设根据阈值th和梯度值grad(x,y)将图像像素点分为两类，其中梯度值大于或等于阈值的分为a类，梯度值小于阈值的分为b类，na和nb分别为a类和b类的像素点数量，则a类和b类的梯度平均值μa和μb为：

计算a、b两类的类间方差为：

当类间方差σ(th)为最大时对应的阈值th即为最佳阈值，将梯度值大于阈值的点作为候选点进行直线检测。

实施例：

下面以实例来说明本发明公开的一种基于图像划分和纹理特征的海天线检测方法。本实施例采用c++编程语言和opencv库实现，具体实施步骤如下：

(1)获取原始的彩色海面图像；

原始的海面图像为3通道24位彩色图像，分辨率为528×938，如图2a所示；

(2)将原始彩色图像转换为灰度图像；

将3通道24位的彩色图像转换为8位的灰度图像，如图2b所示；

(3)对灰度图像进行高斯滤波处理；

用3×3掩模按照从左向右，至上而下的顺序对灰度图像中的每一个像素进行扫描，用模板确定的领域内像素的加权平均去代替模板中心像素点的灰度值，结果如图2c所示；

(4)将滤波图像沿竖直方向均匀划分为若干区域，计算每个区域的共生矩阵及其对比度参数；

利用式(1)将图像的灰度等级由0～255调为0～15，沿垂直方向将图像平均划分为十块区域，如图2d所示，依据式(2)和式(3)计算得到每块区域图像的灰度共生矩阵及其对比度参数；

(5)计算每块区域相对上一块区域对比度之比，获得海天线粗略位置；

依据式(4)得出对比度变化最大的区域，并将与其相邻的两块区域作为海天线粗略估计所在区域；图2e为所计算得对比度变化最大的区域，图2f为海天线粗略估计图；

(6)计算粗略区域垂直方向的梯度大小，利用最大类间方差法计算阈值大小，选出候选点；

依据式(5)计算粗略估计区域图像沿垂直方向各像素点梯度大小，根据式(6)、式(7)和式(8)计算最佳阈值，将梯度值大于阈值的像素点作为候选点进行直线检测；

(7)利用hough变换进行直线检测，检测得到的最佳直线即为海天线，如图2g所示。