本發(fā)明涉及圖像處理領(lǐng)域，具體涉及一種基于區(qū)域分割的海天線實時檢測方法。

背景技術(shù)：

海天線檢測是海面目標檢測的重要環(huán)節(jié)。一幅?？毡尘暗膱D像可以分為三個部分：天空區(qū)域、海天線區(qū)域、海水區(qū)域。在?？毡尘爸?，海面目標只會出現(xiàn)在海天線區(qū)域和海水區(qū)域。在獲取海天線信息后，計算機可以縮小目標搜索區(qū)域，減少計算量，保證系統(tǒng)的實時性。此外，利用海天線位置信息，可以減小天空中云層對目標檢測的影響，從而提高目標檢測的準確性。

目前，許多文獻對海天檢測提出了不同算法。其中，主要包括：行映射直方圖法、直線擬合法、Hough變換法、列方向梯度法等。但是，在復雜的海天背景下，這些方法很難取得較好的效果。其中最主要的一個原因是條紋狀的海浪與海天線具有一定的相似性，容易干擾海天線的提取。除此之外，遠處的艦船和天空中的云層也會增加海天線檢測的難度。

技術(shù)實現(xiàn)要素：

本發(fā)明針對現(xiàn)有技術(shù)的不足，提供一種基于區(qū)域分割的海天線實時檢測方法。該方法不僅能夠準確的檢測出海天線的位置，而且檢測速度快，具有實時性的特點。

為達到上述目的，本發(fā)明的構(gòu)思是：對于海天背景的圖像，通常天空區(qū)域比海水區(qū)域的飽和度(S)較大，而亮度(I)較小。根據(jù)這一特性，利用K-均值聚類的方法可以將圖像分割成海水區(qū)域和天空區(qū)域。其次，在分割圖上采集海水域和天空域的相接點，然后利用隨機抽樣一致性方法(Random sample consensus,RANSAC)進行直線擬合，最終擬合出的直線即為海天線。

為達到上述目的，本發(fā)明采用如下技術(shù)方案：

一種基于區(qū)域分割的海天線實時檢測方法，包括以下步驟：

步驟一：獲取原始彩色圖像；

步驟二：將圖像從RGB顏色空間轉(zhuǎn)換到HSI顏色空間；

步驟三：根據(jù)飽和度、亮度及位置信息，計算每個像素點的特征向量；

步驟四：利用K-均值聚類算法進行圖像分割，獲得海天分割圖像；

步驟五：在海天分割圖像上，采集海水區(qū)域與天空區(qū)域的相接點；

步驟六：利用隨機抽樣一致性方法對海天區(qū)域相接點進行直線擬合，擬合出的最佳直線即為海天線。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

本發(fā)明通過K-均值聚類算法和隨機抽樣一致性方法相結(jié)合來實現(xiàn)海天線的檢測。該方法利用K-均值聚類算法進行圖像分割，能夠減小天空云層和條形波浪的干擾。相較于其它海天線檢測技術(shù)，該方法能在復雜海天背景下準確檢測出海天線。

附圖說明

圖1為本發(fā)明方法的流程圖。

圖2為本發(fā)明方法一個實施例的示意圖，其中(a)為實施例待檢測圖；(b)為實施例海天分割圖；(c)為實施例海天相接點圖；(d)為實施例海天線檢測結(jié)果圖。

圖3為實施例在復雜背景下海天線檢測結(jié)果圖。

具體實施方式

下面結(jié)合附圖，對本發(fā)明的具體實施例做進一步的說明。

如圖1所示，一種基于區(qū)域分割的海天線實時檢測方法，包括以下步驟：

(1)獲取原始彩色圖像；

(2)將圖像從RGB顏色空間轉(zhuǎn)換到HSI顏色空間；

(3)根據(jù)飽和度、亮度及位置信息，計算每個像素點的特征向量；

(4)利用K-均值聚類算法進行圖像分割，獲得海天分割圖像；

(5)在海天分割圖像上，采集海水區(qū)域和天空區(qū)域的邊界點，獲得海天邊界點集；

(6)根據(jù)海天邊界點集，利用隨機抽樣一致性方法進行直線擬合，擬合出的這條直線即為海天線。

所述步驟(2)中，圖像從RGB顏色空間到HSI顏色空間的轉(zhuǎn)換公式如下(其中，將RGB空間和HSI空間都歸一化到[0，1])：

I＝(R+G+B)/3；

S＝1-[min(R,G,B)/I]；

上述式子中，R、G和B分別為RGB顏色空間的紅、綠、藍分量，H、S和I分別為HSI顏色空間的色度、飽和度和亮度分量，W為計算中間變量。

所述步驟(3)中，對圖像任一像素點i計算相應的顏色特征值V_i＝(S_i-S_m)-(I_i-I_m)，其中，S_i和I_i分別為像素i的飽和度分量和亮度分量，S_m和I_m分別為整幅圖像的飽和度均值和亮度均值。根據(jù)顏色信息和位置信息，將每個像素點的特征向量表示為P_i＝[V_i,X_i,Y_i]^T，其中，X_i和Y_i分別為像素點的列方向和行方向的坐標值。

所述步驟(4)中，利用K-均值聚類算法對每個像素點進行聚類，確定出其所對應的類別，從而實現(xiàn)對圖像的分割。在本發(fā)明中，海天背景圖像主要分為天空和海水兩個區(qū)域，所以K-均值聚類算法的聚類數(shù)目k為2。

任意兩個特征向量間的距離公式為：

上式中，P_i和P_j分別為像素i和像素j的特征向量，w₁和w₂分別為顏色分量權(quán)重和空間分量權(quán)重。

K-均值聚類算法的評價標準：

上式中，m表示圖像的像素總數(shù)，μ_c為類別C的聚類中心。該公式將每個類中的像素點與每個聚類中心求差的平方和來評價聚類的好壞。J越小，意味著聚類的效果越好。

實施例：

下面以實例來說明本發(fā)明公開的一種基于區(qū)域分割的海天線實時檢測方法。本實施例采用C++編程語言和OpenCV庫實現(xiàn)，具體實施步驟如下：

(1)獲取原始彩色圖像；

USB攝像機獲取的原始彩色圖像是24位RGB數(shù)字圖像，分辨率為640x480，如圖2a所示。

(2)將圖像從RGB空間轉(zhuǎn)換到HSI空間；

為了保證海天線檢測的實時性，將原始圖像分辨率從640x480縮小至320x240。其次，在對圖像的RGB彩色空間進行歸一化處理后，將圖像從RGB空間轉(zhuǎn)換到HSI空間。

(3)根據(jù)飽和度、亮度及位置信息，計算每個像素點的特征向量；

對圖像任一像素點i計算顏色特征值V_i＝(S_i-S_m)-(I_i-I_m)，其中，S_i和I_i分別為像素i的飽和度分量和亮度分量，S_m和I_m分別為整幅圖像的飽和度均值和亮度均值。根據(jù)顏色信息V_i和位置信息(X_i,Y_i)，計算得到每個像素點相應的特征向量P_i＝[V_i,X_i,Y_i]^T。

(4)利用K-均值聚類算法將圖像分割成海水區(qū)域和天空區(qū)域，獲得海天分割圖像，如圖2b所示；

指定K-均值聚類算法的聚類數(shù)目k為2。在豎直方向上，從上至下將圖像分成三個區(qū)域{0，0.3}，{0.3，0.7}和{0.7，1}，然后分別計算{0，0.3}和{0.7，1}兩個區(qū)域所有像素點特征向量的平均值，將計算得到的兩個特征向量看作天空類別和海水類別的初始聚類中心。

任意兩個特征向量間的距離計算公式為：

其中，顏色分量權(quán)重w₁＝1，空間分量權(quán)重w₂＝0.000015。

聚類的終止條件為：聚類迭代次數(shù)不超過10或者(J_t-J_t+1)/J_t＜0.001。

(5)在海天分割圖像上，采集海水區(qū)域和天空區(qū)域的相接點。

將分割圖像的分辨率從320x240放大到初始分辨率640x480，其中采用的縮放方法為最近鄰插值法。為了減小計算量，沿著分割圖的列方向等距地劃分20條豎直直線，然后在每條豎直直線上采集海水區(qū)域和天空區(qū)域的相接點，從而獲得海天相接點集，如圖2c所示。

(6)利用隨機抽樣一致性方法對海天區(qū)域相接點進行直線擬合，擬合出的最佳直線即為海天線，如圖2d所示。

為了驗證本發(fā)明的可行性，本實施例選取了4組包含許多復雜狀況的海天視頻序列進行分析。其中部分結(jié)果如圖3a和圖3b所示。檢測結(jié)果表明，在低光照、低空有云層、遠處有海島和陸地等復雜狀況下，本發(fā)明能夠在兼顧實時性的要求下較為準確地檢測出相應的海天線。