一种水下机器人自适应图像增强和特征提取方法与流程

文档序号：11627946阅读：250来源：国知局

本发明涉及一种水下机器人，特别涉及一种水下机器人自适应图像增强方法。

背景技术：

我国是个海洋大国，海洋资源的探索和开发对我国的国民经济和国防安全都有重要的意义和价值。随着人类对海洋的研究，越来越多的国内外学者把精力投入到了水下机器人的研究。水下机器人在海洋资源勘探开发、海洋生态监测，以及军事等领域都有广泛应用。现在的水下机器人大都配备了光学成像及图像处理识别系统，而可见光图像是水下机器人的主要信息来源之一。但受到水下恶劣成像环境的限制，获取到的水下图像普遍存在对比度低、模糊、偏色等不利因素。图像可视质量的下降会严重影响后续特征提取和目标识别等过程的性能。因此，借助图像处理技术提高原始水下图像视觉质量，从而更好地进行图像特征提取具有重要的科学意义，得到了越来越多研究者的关注，相关研究日益增多。

近年来对水下图像处理国内外学者均有一些成果出现，已有的水下图像处理方法主要被分为图像增强和图像恢复两类，由于图像恢复的各种方法都需要用到环境的先验知识，如场景深度、空间位置、光学长度、光照、温度和电导率等，使得图像恢复模型的处理时间远远超过图像增强方法。因此图像增强方法具有简单快速，能够有效增强图像的优势。而在图像增强方面，基于空域增强的直方图均衡化(简称he)是最常用的一种方法，he方法考虑了各通道取值的统计分布，但没有考虑位置信息，容易将噪声和图像细节一起增强。因此，为了克服he方法的不足，采用一种对比度受限自适应直方图均衡化clahe技术用于水下图像处理，其基本思想是通过限制局部直方图的高度，从而可以限制噪声放大和削弱局部对比度的过增强。该方法不仅可以拉伸图像灰度的动态范围，突出一些细节，同时可以通过限制对比度来减少图像的失真现象，从而得到视觉效果更好的图像。

在图像特征提取方面，sift(scaleinvariantfeaturetransform)，即尺度不变特征变换，经过研究学者的不断探索，在对多种描述子进行实验分析后证实sift描述子具有最强的鲁棒性，能够在图像发生旋转、缩放、平移、光照、仿射变换及部分遮挡等条件下提取稳定的特征。基于以上特性，sift在图像特征提取、目标识别与跟踪等领域中都得到了广泛应用，尤其针对由于水下复杂环境造成拍摄图像失真的问题，采用sift算法能够很好的解决。因此，sift算法已成为国内外图像处理和计算机视觉研究领域的热点之一。

技术实现要素：

本发明的目的是针对水下图像由于水中存在众多的悬浮物质，光线能量衰减以及管的散射作用，导致图像模糊质量降低这一现象，提供了一种水下机器人自适应图像增强和特征提取方法，以保证采集到的图像数据更加清晰准确。

本发明的目的是这样实现的：一种水下机器人自适应图像增强和特征提取方法，包括以下步骤：

1)利用水下机器人携带的摄像机进行图像拍摄并进行存储；

2)采用clahe技术进行图像处理；

3)采用sift算法进行图像特征提取；

4)利用特征进行定位识别。

作为本发明的进一步限定，步骤2)的具体方法为：

2-1)将步骤1)原图分割为k个大小为m×n的连续不重叠的子区域。[mn]的取值决定着图像的细节增强程度，一般情况下其值越小，增强效果越弱；

2-2)计算每个子区域的灰度直方图；

2-3)确定每个子区域灰度直方图“剪切”值；

首先由式(1)计算每个子区域内像素个数平均分配到每个灰度级的平均值naver：

其中，ngray是子区域中灰度级的数量；是子区域x轴方向的像素数；是子区域y轴方向的像素数。实际“剪切”值为ncl：

ncl＝nclip·naver(2)

其中，nclip是截取限制系数，其含义是限制子区域每个灰度级所包含的像素数不超过平均像素数的nclip倍；

2-4)剪切每个子区域的灰度直方图，余下来的像素数目重新分配到各直方图的各灰度级中；

设已被剪切的像素总数为nσclip，于是得到每个灰度级均分的剪切像素数nacp：

2-5)经过重新分配后，剪切下来像素点剩余数为nlp，被分配像素的步进值由如下公式给出：

对剩余像素从最小灰度级开始按上述步进值进行循环分配至像素数为0，最终得到新的直方图；

2-6)对每个子区域内对比度“剪切”后的灰度直方图进行均衡化；

2-7)按照新的直方图分布，对图像进行灰度双线性插值，生成增强后的结果图像。

作为本发明的进一步限定，步骤3)的具体方法为：

3-1)读入步骤2-7)中得到的增强后的结果图像，生成高斯差分尺度空间：针对特征点在尺度空间上不稳定的现象，采用高斯差分尺度空间来解决这个问题，它由不同尺度的高斯差分核与图像进行卷积而得，如式(5)：

d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)(5)

其中，σ为正态分布标准差，*为卷积符号，i(x,y)表示输入图像，g(x,y,σ)为尺度可变的高斯函数，(x,y)表示图像像素的位置，k为每两个相邻尺度之间的相隔线型比例因子；

3-2)尺度空间极值点检测：极值点的获取需要通过采样点和与其相邻的一定范围内的点进行比较，该范围为同一尺度下的周围8个点和上下两个邻域内的2*9共26个点，看该点是否为最大或最小值；

3-3)关键点精确定位：关键点的精确定位可以提高其匹配准确性，为此，需对关键点做以下处理：

①通过三维二次函数的拟合来确定关键点的位置和尺度信息(达到亚像素级)；

②通过设置合适的阈值(一般取0.03)对低对比度的关键点进行滤除；

③设定阈值(通常取10)对边缘响应不稳定的关键点进行滤除；

3-4)确定关键点主梯度方向：根据已经检测到的特征点和该特征点的尺度值σ，得到接近这一尺度值的高斯图像：

l(x,y,σ)＝g(x,y,σ)*i(x,y)(6)

则可得到该关键点的梯度大小和方向如下：

m(x,y)＝[(l(x+1,y)-l(x-1,y))²+(l(x,y+1)-l(x,y-1))²]^1/2(7)

其中，l(x,y,σ)表示图像的尺度空间，m(x,y)和θ(x,y)分别为高斯金字塔(x,y)处的梯度大小和方向，l所用方向为各关键点尺度下的方向；

得到m(x,y)和θ(x,y)之后，在以关键点为中心的邻域范围内采样，采样后统计其像素梯度方向，然后用直方图表示。直方图的峰值代表该关键点的邻域梯度的主方向，作为该关键点的方向；至此，特征点检测完毕，每一个特征点都包含位置、尺度和方向3方面信息；

3-5)生成特征点描述子：特征点描述通过对关键点周围区域进行图像分块，计算各块内的梯度直方图，生成独特性的向量描述符，具体方法是：以关键点为中心取16×16的采样区域，将该区域分成大小为4×4的16个种子点，在每个种子点区域内分别计算8个方向的梯度累加值，绘制梯度方向的方向直方图；最终获得一个4×4×8的128维的特征描述子。

与现有技术相比，本发明的有益效果在于：

1)本专利中所采用的对比度受限自适应直方图均衡化clahe方法相对于其他的图像处理方法来说，通过拉伸图像灰度的动态范围，突出图像细节，同时限制噪声放大，对水下图像处理后能够提高图像质量，并且保持图像细节方面的特征；

2)本专利所采用的尺度不变特征变换sift方法相对于其他图像特征提取方法来说，所提取的特征具有平移、旋转及缩放不变等特性，同时对光照、噪声、微小视角变化也有一定的适应性，此外，所提取的特征向量在目标部分遮挡情况下的检测率也相当高，是一种鲁棒的提取局部特征的算法；

3)本专利中所采用的图像处理和特征提取方法在水下机器人的应用中，针对水下图像由于水中存在众多的悬浮物质，光线能量衰减以及管的散射作用，导致图像模糊质量降低这一现象，提供了一种高效可行的方法，能够提高水下机器人在水下的识别及定位准确度。本发明可用于海洋资源探索研究中。

附图说明

图1为本发明工作流程图。

图2为本发明中clahe法进行图像处理方法流程图。

图3为本发明中sift法进行图像特征提取方法流程图。

具体实施方式

如图1-3所示的一种水下机器人自适应图像增强和特征提取方法，包括以下步骤：