基于能见度分级的具有海天背景的图像分类存储装置的制作方法

1.本发明属于图像处理和目标检测技术领域，具体涉及一种基于能见度分级的具有海天背景的图像分类存储装置。


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，而将目标图像根据能见度分级进行分类存储，对于后续的船舶检测会带来很大的便利。


技术实现要素：

4.鉴于上述的分析，本发明旨在公开了基于能见度分级的包括海天背景的图像的分类存储装置，解决海空背景图片的能见度分级存储问题。
5.本发明公开了一种基于能见度分级的具有海天背景的图像分类存储装置，包括：缓存器、分级处理器、第一存储器、第二存储器和第三存储器；
6.所述缓存器，用于缓存从光学探测器输出的连续帧的对海观测图像；所述对海观测图像中包括海天背景；
7.所述分级处理器与缓存器连接，用于从缓存器中读取每帧对海观测图像，对图像进行包括降分辨率、目标梯度特征提取、边缘点提取和海天线提取在内处理，根据图像的灰度均值特征、梯度特征、边缘点数特征、海天线长度特征在内的特征，将图像的能见度分为较差、一般和较好；
8.第一存储器与分级处理器连接，用于存储能见度分级为较好的对海观测图像和对应的帧号；
9.第二存储器与分级处理器连接，用于存储能见度分级为一般的对海观测图像和对应的帧号；
10.第三存储器与分级处理器连接，用于存储能见度分级为较差的对海观测图像和对应的帧号。
11.进一步地，所述分级处理器包括降分辨率模块、第一分级模块、目标梯度特征提取模块、第二分级模块、边缘点提取模块、第三分级模块、海天线提取模块、第四分级模块、第五分级模块和输出模块；
12.所述降分辨率模块，用于对输入的图像进行降分辨率操作得到降分辨率图像；
13.所述第一分级模块，用于判断降分辨率图像的图像灰度均值，当图像灰度均值小
于阈值时，将图像的能见度分级为较差；
14.所述目标梯度特征提取模块，用于将图像灰度均值不小于阈值的降分辨率图像进行滤波后，计算图像的水平梯度、垂直梯度、梯度均值和最大梯度；
15.所述第二分级模块，用于根据降分辨率图像的最大梯度是否小于第一梯度阈值；当小于梯度阈值时，将图像的能见度分级为较差；
16.所述边缘点提取模块，用于对最大梯度不小于第一梯度阈值的降分辨率图像进行边缘点提取，得到边缘图；
17.所述第三分级模块，用于判断提取的边缘点的点数，当点数小于阈值时，将图像的能见度分级为较差；
18.所述海天线提取模块，用于在边缘点数量不小于阈值的降分辨率图像的边缘图中获取指定角度范围内的海天线信息；
19.所述第四分级模块，用于判断海天线的长度，当海天线的长度小于阈值时，将图像的能见度分级为较差；
20.所述第五分级模块，用于对海天线的长度不小于阈值的降分辨率图像，进一步判断图像梯度的最大值；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；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；小于第二梯度阈值时，图像的能见度分级为较差；
21.所述输出模块，根据能见度分级结果，将能见度较好的对海观测图像和对应的帧号输出到第一存储器中，将能见度一般的对海观测图像和对应的帧号输出到第二存储器中，将能见度较差的对海观测图像和对应的帧号输出到第三存储器中。
22.进一步地，所述目标梯度特征提取模块包括自适应滤波模块和梯度计算模块；
23.所述自适应滤波模块中包括高斯滤波器对降分辨率图像进行高斯滤波；
24.所述梯度计算模块对自适应高斯滤波后的图像计算水平梯度、垂直梯度、梯度中间值和最大梯度。
25.进一步地，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)；
26.水平梯度集和垂直梯度集dx和dy为：
27.图像梯度的中间值为：value＝sqrt(dx.*dx+dy.*dy)；
28.最大梯度为：max_grad＝max(value)；
29.i为降分辨率后的图像像素矩阵。
30.进一步地，所述海天线提取模块中利用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。
31.进一步地，所述边缘点提取模块包括梯度归一化模块、直方图模块、提取模块和标记模块；
32.所述梯度归一化模块，用于根据图像的最大梯度值大小进行分段归一化得到梯度的归一化结果；
33.所述直方图模块，用于基于梯度的归一化结果建立直方图；
34.所述提取模块，用于采用canny算法提取边缘点，在提取边缘点时，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；并利用直方图提取满足条件的梯度高阈值、梯度低阈值；
35.所述标记模块，用于通过八邻域标记得到每个边缘的点数及长度信息得到图像的边缘图。
36.进一步地，所述梯度归一化模块包括第一梯度值比较模块、第一归一化模块、第二梯度值比较模块、第二归一化模块、第三梯度值比较模块、第三归一化模块、第四梯度值比较模块、第四归一化模块和第五归一化模块；
37.所述第一梯度值比较模块，用于判断输入图像的梯度最大值是否大于第一梯度分档阈值；是则，在第一归一化模块中，采用第一归一化因子对图像的梯度进行归一化；否则，到第二梯度比较模块；
38.所述第二梯度值比较模块，用于判断输入图像的梯度最大值是否大于第二梯度分档阈值；是则，在第二归一化模块中，采用第二归一化因子对图像的梯度进行归一化；否则，到第三梯度比较模块；
39.所述第三梯度值比较模块，用于判断输入图像的梯度最大值是否大于第三梯度分档阈值；是则，在第三归一化模块中，采用第三归一化因子对图像的梯度进行归一化；否则，到第四梯度比较模块；
40.所述第四梯度值比较模块，用于判断输入图像的梯度最大值是否大于第四梯度分档阈值；是则，在第四归一化模块中，采用第四归一化因子对图像的梯度进行归一化；否则，在第五归一化模块中，采用第五归一化因子对图像的梯度进行归一化。
41.进一步地，所述第一归一化因子为value1＝value/min(va1*max_grad,va2)；
42.所述第二归一化因子为value2＝value/max(va1*max_grad,va3)；
43.所述第三归一化因子为value3＝value/max(va2*max_grad,va2)；
44.所述第四归一化因子为value4＝value/va4；
45.所述第五归一化因子为value5＝value/va5；
46.式中，分档常数va1＜va2＜va3＜va4＜va5；value为图像梯度的中间值；max_grad为最大梯度。
47.进一步地，所述直方图模块，以归一化的梯度按照16等分及占比原则建立直方图。
48.进一步地，所述提取模块中并利用直方图提取满足条件的梯度高阈值、梯度低阈值；
49.梯度高阈值high_thresold＝find(add(counts)》canny_higth*δrow*δline,1,first)；
50.梯度低阈值low_thresold＝canny_lowth*high_thresold；
51.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。
52.本发明至少可实现以下有益效果之一：
53.本发明通过对能见度分级进行分类存储，为后续的目标检测带来很大的便利。并且，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
54.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。
55.图1为本发明实施例中的基于能见度分级的包括海天背景的图像的分类存储装置组成框图；
56.图2为本发明实施例中的分级处理器组成框图；
57.图3为本发明实施例中的梯度归一化模块组成框图。
具体实施方式
58.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。
59.本发明的一个实施例公开了一种基于能见度分级的具有海天背景的图像分类存储装置，如图1所示，包括：缓存器、分级处理器、第一存储器、第二存储器和第三存储器；
60.所述缓存器，用于缓存从光学探测器输出的连续帧的对海观测图像；所述对海观测图像中包括海天背景；
61.所述分级处理器与缓存器连接，用于从缓存器中读取每帧对海观测图像，对图像进行包括降分辨率、目标梯度特征提取、边缘点提取和海天线提取在内处理，根据图像的灰度均值特征、梯度特征、边缘点数特征、海天线长度特征，将图像的能见度分为较差、一般和较好；
62.第一存储器与分级处理器连接，用于存储能见度分级为较好的对海观测图像和对应的帧号；
63.第二存储器与分级处理器连接，用于存储能见度分级为一般的对海观测图像和对应的帧号；
64.第三存储器与分级处理器连接，用于存储能见度分级为较差的对海观测图像和对应的帧号。
65.优选的，所述缓存器可以采用ram(随机访问存储器)或vram(视频随机访问存储器)的形式，以进行对海观测图像的缓存。
66.第一存储器、第二存储器和第三存储器可采用包括flash存储器在内的固态存储器，其容量的大小，可根据需存储的对海观测图像的数据量决定。
67.所述分级处理器可采用fpga+dsp或fpga+arm的形式实现。
68.具体的，如图2所示，所述分级处理器包括降分辨率模块、第一分级模块、目标梯度特征提取模块、第二分级模块、边缘点提取模块、第三分级模块、海天线提取模块、第四分级模块、第五分级模块和输出模块；
69.其中，所述降分辨率模块，用于对输入的图像进行降分辨率操作得到降分辨率图像；
70.具体的，降分辨率模块中，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。
71.所述第一分级模块，用于判断降分辨率图像的图像灰度均值，当图像灰度均值小于阈值gray_th时，将图像的能见度分级为较差；
72.所述目标梯度特征提取模块，用于将图像灰度均值不小于阈值的降分辨率图像进行滤波后，计算图像的水平梯度、垂直梯度、梯度均值和最大梯度；
73.所述第二分级模块，用于判断降分辨率图像的最大梯度是否小于第一梯度阈值；当小于第一梯度阈值时，将图像的能见度分级为较差；
74.所述边缘点提取模块，用于对最大梯度不小于第一梯度阈值的降分辨率图像进行边缘点提取，得到边缘图；
75.所述第三分级模块，用于判断提取的边缘点的点数，当点数小于阈值时，将图像的能见度分级为较差；
76.所述海天线提取模块，用于在边缘点数量不小于阈值的降分辨率图像的边缘图中获取指定角度范围内的海天线信息；
77.具体的，所述海天线提取模块中利用hough变换提取指定角度范围的直线段作为海天线；
78.所述第四分级模块，用于判断海天线的长度，当海天线的长度小于阈值时，将图像的能见度分级为较差；
79.所述第五分级模块，用于对海天线的长度不小于阈值的降分辨率图像，进一步判断图像梯度的最大值；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；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；小于第二梯度阈值时，图像的能见度分级为较差；
80.所述输出模块，根据能见度分级结果，将能见度较好的对海观测图像和对应的帧号输出到第一存储器中，将能见度一般的对海观测图像和对应的帧号输出到第二存储器中，将能见度较差的对海观测图像和对应的帧号输出到第三存储器中。
81.具体的，所述目标梯度特征提取模块包括自适应滤波模块和梯度计算模块；
82.所述自适应滤波模块中包括高斯滤波器对降分辨率图像进行高斯滤波；
83.所述梯度计算模块对自适应高斯滤波后的图像计算水平梯度、垂直梯度、梯度中间值和最大梯度。
84.更具体的，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)；其中，x为高斯滤波器的输入数据，一个二维的n*n向量。
85.水平梯度集和垂直梯度集dx和dy为：
86.图像梯度的中间值为：value＝sqrt(dx.*dx+dy.*dy)；
87.最大梯度为：max_grad＝max(value)；
88.i为降分辨率后的图像像素矩阵。
89.具体的，所述边缘点提取模块包括梯度归一化模块、直方图模块、提取模块和标记模块；
90.所述梯度归一化模块，用于根据图像的最大梯度值大小进行分段归一化得到梯度的归一化结果；
91.所述直方图模块，用于基于梯度的归一化结果建立直方图；
92.具体的，所述直方图模块以归一化的梯度按照16等分及占比原则建立直方图。
93.所述提取模块，用于采用canny算法提取边缘点，在提取边缘点时，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；并利用直方图提取满足条件的梯度高阈值、梯度低阈值。
94.在采用canny算法进行图像边缘点提取时，通过得到的梯度归一化结果来改进canny算法，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。在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；并通过自适应水平和垂直梯度进行canny算法中的非极大值抑制，保留局部梯度最大的点，可达到细化边缘的目的。
95.具体的，利用直方图提取满足条件的梯度高阈值、梯度低阈值为：
96.梯度高阈值high_thresold＝find(add(counts)》canny_higth*δrow*δline,1,first)；
97.梯度低阈值low_thresold＝canny_lowth*high_thresold；
98.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。find()为matlab中用于实现查找功能的函数；add()为为matlab中求和函数。
99.所述标记模块，用于通过八邻域标记得到每个边缘的点数及长度信息得到图像的边缘图。
100.更具体的，如图3所示，所述梯度归一化模块包括第一梯度值比较模块、第一归一化模块、第二梯度值比较模块、第二归一化模块、第三梯度值比较模块、第三归一化模块、第四梯度值比较模块、第四归一化模块、第五归一化模块和归一化结果输出模块；
101.所述第一梯度值比较模块，用于判断输入图像的梯度最大值是否大于第一梯度分档阈值th1；是则，在第一归一化模块中，采用第一归一化因子对图像的梯度进行归一化；否则，到第二梯度比较模块；
102.所述第二梯度值比较模块，用于判断输入图像的梯度最大值是否大于第二梯度分档阈值th2；是则，在第二归一化模块中，采用第二归一化因子对图像的梯度进行归一化；否则，到第三梯度比较模块；
103.所述第三梯度值比较模块，用于判断输入图像的梯度最大值是否大于第三梯度分档阈值th3；是则，在第三归一化模块中，采用第三归一化因子对图像的梯度进行归一化；否则，到第四梯度比较模块；
104.所述第四梯度值比较模块，用于判断输入图像的梯度最大值是否大于第四梯度分档阈值th4；是则，在第四归一化模块中，采用第四归一化因子对图像的梯度进行归一化；否则，在第五归一化模块中，采用第五归一化因子对图像的梯度进行归一化；
105.所述归一化结果输出模块，用于将第一归一化模块、第二归一化模块、第三归一化模块、第四归一化模块或第五归一化模块的归一化结果输出。
106.其中，
107.所述第一归一化因子为value1＝value/min(va1*max_grad,va2)；
108.所述第二归一化因子为value2＝value/max(va1*max_grad,va3)；
109.所述第三归一化因子为value3＝value/max(va2*max_grad,va2)；
110.所述第四归一化因子为value4＝value/va4；
111.所述第五归一化因子为value5＝value/va5；
112.式中，分档常数va1＜va2＜va3＜va4＜va5；value为图像梯度的中间值；max_grad为最大梯度。
113.综上所述，本发明实施例通过对能见度分级进行分类存储，为后续的目标检测带来很大的便利。并且，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。
114.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：
1.一种基于能见度分级的具有海天背景的图像分类存储装置，其特征在于，包括：缓存器、分级处理器、第一存储器、第二存储器和第三存储器；所述缓存器，用于缓存从光学探测器输出的连续帧的对海观测图像；所述对海观测图像中包括海天背景；所述分级处理器与缓存器连接，用于从缓存器中读取每帧对海观测图像，对图像进行包括降分辨率、目标梯度特征提取、边缘点提取和海天线提取在内的处理，根据图像的灰度均值特征、梯度特征、边缘点数特征、海天线长度特征，将图像的能见度分为较差、一般和较好；第一存储器与分级处理器连接，用于存储能见度分级为较好的对海观测图像和对应的帧号；第二存储器与分级处理器连接，用于存储能见度分级为一般的对海观测图像和对应的帧号；第三存储器与分级处理器连接，用于存储能见度分级为较差的对海观测图像和对应的帧号。2.根据权利要求1所述的分类存储装置，其特征在于，所述分级处理器包括降分辨率模块、第一分级模块、目标梯度特征提取模块、第二分级模块、边缘点提取模块、第三分级模块、海天线提取模块、第四分级模块、第五分级模块和输出模块；所述降分辨率模块，用于对输入的图像进行降分辨率操作得到降分辨率图像；所述第一分级模块，用于判断降分辨率图像的图像灰度均值，当图像灰度均值小于阈值时，将图像的能见度分级为较差；所述目标梯度特征提取模块，用于将图像灰度均值不小于阈值的降分辨率图像进行滤波后，计算图像的水平梯度、垂直梯度、梯度均值和最大梯度；所述第二分级模块，用于判断降分辨率图像的最大梯度是否小于第一梯度阈值；当小于第一梯度阈值时，将图像的能见度分级为较差；所述边缘点提取模块，用于对最大梯度不小于第一梯度阈值的降分辨率图像进行边缘点提取，得到边缘图；所述第三分级模块，用于判断提取的边缘点的点数，当点数小于阈值时，将图像的能见度分级为较差；所述海天线提取模块，用于在边缘点数量不小于阈值的降分辨率图像的边缘图中获取指定角度范围内的海天线信息；所述第四分级模块，用于判断海天线的长度，当海天线的长度小于阈值时，将图像的能见度分级为较差；所述第五分级模块，用于对海天线的长度不小于阈值的降分辨率图像，进一步判断图像梯度的最大值；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；不小于第二梯度阈值且小于第三梯度阈值时，图像的能见度分级为一般；小于第二梯度阈值时，图像的能见度分级为较差；所述输出模块，根据能见度分级结果，将能见度较好的对海观测图像和对应的帧号输出到第一存储器中，将能见度一般的对海观测图像和对应的帧号输出到第二存储器中，将
能见度较差的对海观测图像和对应的帧号输出到第三存储器中。3.根据权利要求2所述的分类存储装置，其特征在于，所述目标梯度特征提取模块包括自适应滤波模块和梯度计算模块；所述自适应滤波模块中包括高斯滤波器对降分辨率图像进行高斯滤波；所述梯度计算模块对自适应高斯滤波后的图像计算水平梯度、垂直梯度、梯度中间值和最大梯度。4.根据权利要求3所述的分类存储装置，其特征在于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。5.根据权利要求2所述的分类存储装置，其特征在于，所述海天线提取模块中利用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。6.根据权利要求2所述的分类存储装置，其特征在于，所述边缘点提取模块包括梯度归一化模块、直方图模块、提取模块和标记模块；所述梯度归一化模块，用于根据图像的最大梯度值大小进行分段归一化得到梯度的归一化结果；所述直方图模块，用于基于梯度的归一化结果建立直方图；所述提取模块，用于采用canny算法提取边缘点，在提取边缘点时，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；并利用直方图提取满足条件的梯度高阈值、梯度低阈值；所述标记模块，用于通过八邻域标记得到每个边缘的点数及长度信息得到图像的边缘图。7.根据权利要求6所述的分类存储装置，其特征在于，所述梯度归一化模块包括第一梯度值比较模块、第一归一化模块、第二梯度值比较模块、第二归一化模块、第三梯度值比较模块、第三归一化模块、第四梯度值比较模块、第四归一化模块和第五归一化模块；所述第一梯度值比较模块，用于判断输入图像的梯度最大值是否大于第一梯度分档阈值；是则，在第一归一化模块中，采用第一归一化因子对图像的梯度进行归一化；否则，到第二梯度比较模块；所述第二梯度值比较模块，用于判断输入图像的梯度最大值是否大于第二梯度分档阈值；是则，在第二归一化模块中，采用第二归一化因子对图像的梯度进行归一化；否则，到第三梯度比较模块；所述第三梯度值比较模块，用于判断输入图像的梯度最大值是否大于第三梯度分档阈值；是则，在第三归一化模块中，采用第三归一化因子对图像的梯度进行归一化；否则，到第
四梯度比较模块；所述第四梯度值比较模块，用于判断输入图像的梯度最大值是否大于第四梯度分档阈值；是则，在第四归一化模块中，采用第四归一化因子对图像的梯度进行归一化；否则，在第五归一化模块中，采用第五归一化因子对图像的梯度进行归一化。8.根据权利要求7所述的分类存储装置，其特征在于，所述第一归一化因子为value1＝value/min(va1*max_grad,va2)；所述第二归一化因子为value2＝value/max(va1*max_grad,va3)；所述第三归一化因子为value3＝value/max(va2*max_grad,va2)；所述第四归一化因子为value4＝value/va4；所述第五归一化因子为value5＝value/va5；式中，分档常数va1＜va2＜va3＜va4＜va5；value为图像梯度的中间值；max_grad为最大梯度。9.根据权利要求8所述的分类存储装置，其特征在于，所述直方图模块，以归一化的梯度按照16等分及占比原则建立直方图。10.根据权利要求9所述的分类存储装置，其特征在于，所述提取模块中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_hight*δrow*δline,1,first)；梯度低阈值low_thresold＝canny_lowth*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。

技术总结
本发明涉及一种基于能见度分级的具有海天背景的图像分类存储装置，包括，缓存器用于缓存连续帧的对海观测图像；分级处理器与缓存器连接，用于从缓存器中读取每帧对海观测图像，对图像进行包括降分辨率、目标梯度特征提取、边缘点提取和海天线提取在内处理，根据图像的灰度均值特征、梯度特征、边缘点数特征、海天线长度特征在内的特征，将图像的能见度分为较差、一般和较好；第一存储器用于存储能见度分级为较好图像；第二存储器用于存储能见度分级为一般的图像；第三存储器用于存储能见度分级为较差图像。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。断。断。


技术研发人员：刘轩 孟祥杰 臧志鹏
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：2023/8/9