一种针对于包括海天背景的图像能见度分级方法与流程

1.本发明属于图像处理和目标检测技术领域，具体涉及一种针对于包括海天背景的图像能见度分级方法。


背景技术：

2.近年来，船舶目标检测研究一直是目标检测领域的研究热点，海洋运输作为国际物流中最主要的运输方式，随着我国海上贸易的迅速发展，出入港口的各种船舶数量日趋增多，船舶目标检测对于提高海上交通秩序、维护海洋安全的重要意义与日俱增。当海面杂波或鱼鳞光较强时，红外图像中有大量浪峰的灰度强度接近甚至等于或大于目标像素点的最大灰度值，使检测算法的性能大幅度下降。
3.考虑到天气能见度对船舶检测的结果影响较大，能见度较好及一般时检测结果较好，能见度较差时容易发生漏检及错检现象。为了提升检测精度，可以通过判断天气能见度来辅助进行船舶检测。


技术实现要素：

4.鉴于上述的分析，本发明旨在公开了一种针对于包括海天背景的图像能见度分级方法，解决在进行船舶目标检测时，海空背景图片的能见度分级问题。
5.本发明公开了一种针对于包括海天背景的图像能见度分级方法，包括：
6.对输入的图像进行包括降分辨率、目标梯度特征提取和梯度归一化在内的预处理；
7.根据所述梯度归一化的结果提取图像的边缘点；
8.根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线；
9.对于能够提取的海天线的图像，根据最大梯度的大小对图像的能见度进行分级。
10.进一步地，所述预处理包括：
11.对输入的原始图像进行降分辨率处理，得到降分辨率图像；并将降分辨率图像中灰度均值小于灰度阈值的图像的能见度分级为较差级别；
12.对灰度均值不小于灰度阈值的降分辨率图像进行自适应的高斯滤波计算出包括图像的水平、垂直梯度和最大梯度在内的图像的目标梯度特征集；
13.将最大梯度值小于第一梯度阈值的图像的能见度分级为较差级别；
14.将最大梯度值不小于第一梯度阈值的图像，根据梯度归一化操作，得到梯度归一化结果。
15.进一步地，通过自适应高斯滤波计算图像水平和垂直梯度；
16.高斯滤波器的大小为n*n的矩阵，结合canny算子的sigma参数得到高斯滤波器为：dgau2d＝-x
·
*exp(-(x
·
*x+x
t
·
*x
t
)/(2*canny_sigma))/(2*π*canny_sigma2)；
17.水平梯度集和垂直梯度集dx和dy为：
18.图像梯度的中间值为：value＝sqrt(dx.*dx+dy.*dy)；
19.最大梯度为：max_grad＝max(value)；
20.i为降分辨率后的图像像素矩阵。
21.进一步地，所述根据最大梯度分档进行梯度归一化操作包括：
22.对最大梯度分档出5个归一化因子完成梯度归一化，归一化因子如下列公式所示：式中，分档常数va1＜va2＜va3＜va4＜va5；
23.当最大梯度max_grad大于th1时，梯度归一化为value1；否则当最大梯度大于th2时，梯度归一化为value2；否则当最大梯度大于th3时，梯度归一化为value3；否则当最大梯度大于th4时，梯度归一化为value4；当均不满足上述条件时，梯度直接归一化为value5。
24.进一步地，所述图像的边缘点提取采用canny算法。
25.进一步地，在所述图像的边缘点提取时，通过自适应水平和垂直梯度集进行canny算法中的非极大值抑制。
26.进一步地，在所述图像的边缘点提取时，采用梯度归一化结果进行canny算法的梯度高、低阈值检测；通过检测高阈值用于减少图像的假边缘；通过低阈值收集轮廓满足要求的边缘点用于形成新的边缘从而实现图像边缘的闭合。
27.进一步地，所述高、低阈值的检测，以归一化的梯度按照16等分及占比原则建立直方图，并利用直方图提取满足条件的梯度高阈值、梯度低阈值；
28.梯度高阈值high_thresold＝find(add(counts)》canny_higth*δrow*δline,1,first)；
29.梯度低阈值low_thresold＝canny_lowth*high_thresold；
30.其中，counts表示归一化的梯度直方图，canny_higth和canny_lowth分别表示预设的梯度高、低阈值，δrow和δline分别指的是图像去除边界如黑边和白边等的像素宽度和高度。
31.进一步地，根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线的方法包括：
32.通过八邻域标记得到每个边缘的点数及长度信息，当边缘的数量大于阈值时，利用hough变换提取海天线；将海天线的数量和范围不满足条件的图像确定为不能够提取的海天线的图像，能见度分级为较差级别。
33.进一步地，将海天线的数量和范围满足条件的图像确定为能够提取的海天线的图像；对于能够提取的海天线的图像使用图像的最大梯度进行阈值比较判断，当最大梯度值不小于第三梯度阈值时，图像的能见度分级为较好级别；不小于第二梯度阈值小于第三梯度阈值时，图像的能见度分级为一般级别；小于第二梯度阈值时，图像的能见度分级为较差级别。
34.本发明至少可实现以下有益效果之一：
35.本发明通过改进canny算法建立基于采集图像的最大梯度计算和加权纹理的梯度自适应规划方法来完成海天背景能见度判断。通过工程实践和试验证明，本发明的海天背景能见度分级方法能够满足外场海天背景下的天气状况的判断，实现了更加稳定有效的海天线提取及能见度判断。
附图说明
36.附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
37.图1为本发明实施例中的图像能见度分级方法流程图；
38.图2为本发明实施例中的预处理方法流程图；
39.图3为本发明实施例中的梯度归一化方法流程图；
40.图4为本发明实施例中的图像能见度分级方法流程图。
具体实施方式
41.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理。
42.本发明的一个实施例公开了一种针对于包括海天背景的图像能见度分级方法，如图1所示，包括：
43.步骤s101、对输入的图像进行包括降分辨率、目标梯度特征提取和梯度归一化在内的预处理；
44.步骤s102、根据所述梯度归一化的结果提取图像的边缘点；
45.步骤s103、根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线；
46.步骤s104、对于能够提取的海天线的图像，根据最大梯度的大小对图像的能见度进行分级。
47.具体的，如图2所示，所述预处理包括：
48.步骤s201、对输入的原始图像进行降分辨率处理，得到降分辨率图像；并将降分辨率图像中灰度均值小于灰度阈值的图像的能见度分级为较差级别；
49.对输入的原始图像(图像分辨率为640*480)进行降分辨率处理，得到降分辨率后图像(图像分辨率320*240)，从而降低计算量，同时，当图像灰度均值小于灰度阈值gray_th时，将图像的能见度分级为“较差”级别。
50.步骤s202、对灰度均值不小于灰度阈值的降分辨率图像进行自适应的高斯滤波计算出包括图像的水平、垂直梯度和最大梯度在内的图像的目标梯度特征集；
51.高斯滤波器的大小为n*n的矩阵，结合canny算子的sigma参数得到高斯滤波器为：dgau2d＝-x
·
*exp(-(x
·
*x+x
t
·
*x
t
)/(2*canny_sigma))/(2*π*canny_sigma2)；
52.其中，x为高斯滤波器的输入数据，一个二维的n*n向量。
53.水平梯度集和垂直梯度集dx和dy为：
54.图像梯度的中间值为：value＝sqrt(dx.*dx+dy.*dy)；
55.最大梯度为：max_grad＝max(value)；
56.i为降分辨率后的图像像素矩阵。
57.步骤s203、将最大梯度值小于第一梯度阈值grad1的图像的能见度分级为较差级别；
58.步骤s204、将最大梯度值不小于第一梯度阈值grad1的图像，根据梯度归一化操作，得到梯度归一化结果。
59.所述根据最大梯度分档进行梯度归一化操作包括：
60.对最大梯度分档出5个归一化因子完成梯度归一化，归一化因子为式中，分档常数va1＜va2＜va3＜va4＜va5；
61.具体的，归一化过程如图3所示，当最大梯度max_grad大于th1时，梯度归一化为value1；否则当最大梯度大于th2时，梯度归一化为value2；否则当最大梯度大于th3时，梯度归一化为value3；否则当最大梯度大于th4时，梯度归一化为value4；当均不满足上述条件时，梯度直接归一化为value5。
62.所述th1、th2、th3和th4为梯度分档的四个阈值，根据具体的应用场景进行设置。
63.通过最大梯度值分档进行归一化操作能实现对海天背景图像的细分类从而完成能见度分级，这样减少了对于图像质量的误判，提高了能见度判断的准确性。
64.具体的，在步骤s102中根据所述梯度归一化的结果提取图像的边缘点时，采用canny算法进行图像边缘点提取。而且通过得到的梯度归一化结果来改进canny算法，可完成canny自适应的算法中包含的非极大值抑制和双阈值检测。
65.更具体的，在所述图像的边缘点提取时，通过自适应水平和垂直梯度集进行canny算法中的非极大值抑制，从而保留局部梯度最大的点，可达到细化边缘的目的。
66.在所述图像的边缘点提取时，采用梯度归一化结果进行canny算法的梯度高、低阈值检测；通过检测高阈值用于减少图像的假边缘，但同时也产生了图像边缘不闭合的现象；再通过低阈值收集轮廓满足要求的边缘点用于形成新的边缘从而实现图像边缘的闭合。
67.优选的，在进行高、低阈值的检测时，以归一化的梯度按照16等分及占比原则建立直方图，并利用直方图提取满足条件的梯度高阈值、梯度低阈值；
68.梯度高阈值high_thresold＝find(add(counts)》canny_higth*δrow*δline,1,first)；
69.梯度低阈值low_thresold＝canny_lowth*high_thresold；
70.其中，counts表示归一化的梯度直方图，canny_higth和canny_lowth分别表示预设的梯度高、低阈值，δrow和δline分别指的是图像去除边界如黑边和白边等的像素宽度和高度。high_thresold是指找到梯度直方图中大于阈值条件的第一个不为零的数值。find()为matlab中用于实现查找功能的函数；add()为为matlab中求和函数。
71.具体的，步骤s103中，根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线方法包括：
72.通过八邻域标记得到每个边缘的点数及长度信息，当边缘的数量大于阈值时，利用hough变换提取海天线；将海天线的数量和范围不满足条件的图像确定为不能够提取的海天线的图像，能见度分级为较差级别。
73.具体的，在步骤s104中，将海天线的数量和范围满足条件的图像确定为能够提取的海天线的图像；对于能够提取的海天线的图像使用图像的最大梯度进行阈值比较判断，当最大梯度值不小于第三梯度阈值grad3时，图像的能见度分级为较好级别；不小于第二梯度阈值grad2小于第三梯度阈值grad3时，图像的能见度分级为一般级别；小于第二梯度阈值grad2时，图像的能见度分级为较差级别。
74.如图4所示，为本实施例的针对于包括海天背景的图像能见度分级方法更为具体的流程图。
75.综上所述，本发明实施例通过改进canny算法建立基于采集图像的最大梯度计算和加权纹理的梯度自适应规划方法来完成海天背景能见度判断。通过工程实践和试验证明，本发明的海天背景能见度分级方法能够满足外场海天背景下的天气状况的判断，实现了更加稳定有效的海天线提取及能见度判断。
76.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种针对于包括海天背景的图像能见度分级方法，其特征在于，包括：对输入的图像进行包括降分辨率、目标梯度特征提取和梯度归一化在内的预处理；根据所述梯度归一化的结果提取图像的边缘点；根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线；对于能够提取的海天线的图像，根据最大梯度的大小对图像的能见度进行分级。2.根据权利要求1所述的图像能见度分级方法，其特征在于，所述预处理包括：对输入的原始图像进行降分辨率处理，得到降分辨率图像；并将降分辨率图像中灰度均值小于灰度阈值的图像的能见度分级为较差级别；对灰度均值不小于灰度阈值的降分辨率图像进行自适应的高斯滤波计算出包括图像的水平、垂直梯度和最大梯度在内的图像的目标梯度特征集；将最大梯度值小于第一梯度阈值的图像的能见度分级为较差级别；将最大梯度值不小于第一梯度阈值的图像，根据梯度归一化操作，得到梯度归一化结果。3.根据权利要求2所述的图像能见度分级方法，其特征在于，通过自适应高斯滤波计算图像水平和垂直梯度；高斯滤波器的大小为n*n的矩阵，结合canny算子的sigma参数得到高斯滤波器为：dgau2d＝-x
·
*exp(-(x
·
*x+x
t
·
*x
t
)/(2*canny_sigma))/(2*π*canny_sigma2)；水平梯度集和垂直梯度集dx和dy为：图像梯度的中间值为：value＝sqrt(dx.*dx+dy.*dy)；最大梯度为：max_grad＝max(value)；i为降分辨率后的图像像素矩阵。4.根据权利要求3所述的图像能见度分级方法，其特征在于，所述根据最大梯度分档进行梯度归一化操作包括：对最大梯度分档出5个归一化因子完成梯度归一化，归一化因子如下列公式所示：式中，分档常数va1＜va2＜va3＜va4＜va5；当最大梯度max_grad大于th1时，梯度归一化为value1；否则当最大梯度大于th2时，梯度归一化为value2；否则当最大梯度大于th3时，梯度归一化为value3；否则当最大梯度大于th4时，梯度归一化为value4；当均不满足上述条件时，梯度直接归一化为value5。5.根据权利要求1所述的图像能见度分级方法，其特征在于，所述图像的边缘点提取采用canny算法。6.根据权利要求5所述的图像能见度分级方法，其特征在于，在所述图像的边缘点提取时，通过自适应水平和垂直梯度集进行canny算法中的非极大值抑制。
7.根据权利要求6所述的图像能见度分级方法，其特征在于，在所述图像的边缘点提取时，采用梯度归一化结果进行canny算法的梯度高、低阈值检测；通过检测高阈值用于减少图像的假边缘；通过低阈值收集轮廓满足要求的边缘点用于形成新的边缘从而实现图像边缘的闭合。8.根据权利要求7所述的图像能见度分级方法，其特征在于，所述高、低阈值的检测，以归一化的梯度按照16等分及占比原则建立直方图，并利用直方图提取满足条件的梯度高阈值、梯度低阈值；梯度高阈值high_thresold＝find(add(counts)>canny_higth*δrow*δline,1,first)；梯度低阈值low_thresold＝canny_lowtg*high_thresold；其中，counts表示归一化的梯度直方图，canny_higth和canny_lowth分别表示预设的梯度高、低阈值，δrow和δline分别指的是图像去除边界如黑边和白边等的像素宽度和高度。9.根据权利要求1所述的图像能见度分级方法，其特征在于，根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线的方法包括：通过八邻域标记得到每个边缘的点数及长度信息，当边缘的数量大于阈值时，利用hough变换提取海天线；将海天线的数量和范围不满足条件的图像确定为不能够提取的海天线的图像，能见度分级为较差级别。10.根据权利要求9所述的图像能见度分级方法，其特征在于，将海天线的数量和范围满足条件的图像确定为能够提取的海天线的图像；对于能够提取的海天线的图像使用图像的最大梯度进行阈值比较判断，当最大梯度值不小于第三梯度阈值时，图像的能见度分级为较好级别；不小于第二梯度阈值小于第三梯度阈值时，图像的能见度分级为一般级别；小于第二梯度阈值时，图像的能见度分级为较差级别。

技术总结
本发明涉及一种针对于包括海天背景的图像能见度分级方法，包括：对输入的图像进行包括降分辨率、目标梯度特征提取和梯度归一化在内的预处理；根据所述梯度归一化的结果提取图像的边缘点；根据所述边缘点的点数及长度信息，判断能否提取图像中的海天线；对于能够提取的海天线的图像，根据最大梯度的大小对图像的能见度进行分级。本发明本海天背景能见度分级方法能够满足外场海天背景下的天气状况的判断，实现了更加稳定有效的海天线提取及能见度判断。度判断。度判断。


技术研发人员：刘轩 赵英海 孟祥杰 唐银新
受保护的技术使用者：北京华航无线电测量研究所
技术研发日：2022.01.27
技术公布日：2023/8/8