CN112529853A - 一种用于水下养殖网箱的网衣破损检测方法及装置 - Google Patents
一种用于水下养殖网箱的网衣破损检测方法及装置 Download PDFInfo
- Publication number
- CN112529853A CN112529853A CN202011372756.0A CN202011372756A CN112529853A CN 112529853 A CN112529853 A CN 112529853A CN 202011372756 A CN202011372756 A CN 202011372756A CN 112529853 A CN112529853 A CN 112529853A
- Authority
- CN
- China
- Prior art keywords
- image
- netting
- damage
- processing
- underwater
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009360 aquaculture Methods 0.000 title description 6
- 244000144974 aquaculture Species 0.000 title description 6
- 238000012545 processing Methods 0.000 claims abstract description 57
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000003708 edge detection Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 21
- 238000003709 image segmentation Methods 0.000 claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 12
- 230000008030 elimination Effects 0.000 claims abstract description 9
- 238000003379 elimination reaction Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 27
- 238000005286 illumination Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000003628 erosive effect Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 125000001475 halogen functional group Chemical group 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于水下网箱的网衣破损检测方法及装置,方法包括以下过程:对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;对预处理后的网衣图像进行边缘检测;对网衣图像进行图像分割;对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;对网衣图像进行骨架提取,获得网衣破损信息。本发明方法可快速、准确获取网衣破损特征,并由此检测网衣破损程度。
Description
技术领域
本发明具体涉及一种用于水下网箱的网衣破损检测方法,还涉及一种用于水下网箱的网衣破损检测装置,属于水下养殖网箱图像识别技术领域。
背景技术
世界海洋面积达3.6×108km2,海洋生物资源开发利用的潜力巨大。随着对海产品的需求不断增长,为实现渔业的可持续发展,水下网箱养殖已逐渐成为我国海水养殖业主要发展方向。据统计,网箱养殖约三分之二的亏损是网衣破损导致的。网衣损坏不仅造成不可预计的经济损失,还会造成恶劣的生态环境问题。目前为了降低网衣破损的损失,常采用定期换网或潜水员经常检查网箱的方式,来检查网衣完整性、检查系泊***、检测淤泥堆积等,但是不仅工作效率低,还存在极大的安全隐患。所以需要一种更可靠、更安全的网箱检测解决方案来解决这一影响水下网箱养殖健康发展的关键问题。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种用于水下网箱的网衣破损检测方法及装置,可快速、准确获取网衣破损特征。
为解决上述技术问题,本发明提供了一种用于水下网箱的网衣破损检测方法,包括以下过程:
对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;
对预处理后的网衣图像进行边缘检测;
对网衣图像进行图像分割;
对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;
对网衣图像进行骨架提取,获得网衣破损信息。
进一步的,所述颜色空间的转换处理,包括:
将原始网衣图像从RGB颜色空间转换为HSV颜色空间,并增加V值来增强图像亮度。
进一步的,所述图像增强处理,包括:
采用导向滤波的Retinex算法进行图像增强处理。
进一步的,所述采用导向滤波的Retinex算法进行图像增强处理,包括:
从原始图像中基于导向滤波估计照度分量,并去除照度分量得到反射图像;
根据实际光强对照度分量的估计进行校正,并使之再映射至反射图像中。
进一步的,所述从原始图像中基于导向滤波估计照度分量,包括;
导向滤波可表示为局部线性模型:
式中:qi是图像Iv窗口ωk中i像素处的线性变换灰度值;k表示窗口ωk的中心像素;在ωk中,系数ak和bk是常数。局部线性系数ak和bk可采用下列方式进行求解:
bk=(1-ak)uk
为了获得稳定的qi,对其平均值化处理,将线性模型应用到整幅图像,得到导向滤波函数为:
其中,fj(Iv(x,y))表示对Iv图像中每个(x,y)坐标的像素点j进行导向滤波函数f的处理。
进一步的,所述对预处理后的网衣图像进行边缘检测,包括:
利用Canny边缘检测算子对预处理后的网衣图像进行边缘提取。
进一步的,所述对网衣图像进行图像分割,包括:
采用自适应最大类间方差阈值分割的算法对网衣图像进行图像分割。
相应的,本发明还提供了一种用于水下网箱的网衣破损检测装置,包括:
预处理模块,用于对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;
边缘检测模块,用于对预处理后的网衣图像进行边缘检测;
图像分割模块,用于对网衣图像进行图像分割;
图像去噪模块,用于对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;
网衣破损判断模块,用于对网衣图像进行骨架提取,获得网衣破损信息。
与现有技术相比,本发明所达到的有益效果是:
1、针对水下网衣图像存在大量的噪声干扰、边缘模糊、对比度低等现象,提出一种多尺度导向滤波的Retinex图像增强算法对水下网衣进行预处理。该算法先将水下网衣图像转换至HSV颜色空间,再对其亮度图像采用导向滤波进行平滑处理,估计出图像的照度分量。
2、针对水下网衣图像中存在对比度较低、光照不匀以及背景干扰较大等问题,将水下网衣增强图像采用结合了自适应最大类间方差阈值分割法的Canny边缘检测,把边缘提取的过程转换为求取多维函数极值的问题,能更准确、更加详细的反映边界定位信息。
3、针对图像存在大量小噪点和边缘毛刺问题,结合形态学处理与噪点剔除技术进行图像分割处理图像。检测出清晰的水下网衣二值图像与骨架图像,并通过特征参数的提取将网衣图像细化为单像素宽。
4、本发明方法,可快速、准确获取网衣破损特征,并由此检测网衣破损位置及破损程度。不仅缓解了Retinex图像增强中在高对比度边缘区域存在偏色和“光晕伪影”的问题,并且通过参数特征值的提取算法有效地提取了参数特征值来检测复杂水下环境中的网衣完整性。
附图说明
图1为水下养殖网箱检测的结构示意图;
图2为本发明方法的流程图;
图3为HSV颜色空间模型;
图4为原始网衣图像与HSV颜色模型分割的颜色通道;
图5为像素分布直方图;
图6为算法流程图;
图7为Canny边缘检测过程图;
图8为边缘检测效果对比,其中a)为原灰度图像b)为Laplacian边缘检测结果c)为Canny边缘检测结果;
图9为二值化结果图;
图10为形态学处理与噪点剔除效果图;
图11为特征参数提取效果图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明以水下网箱检测实际应用为背景,提出基于图像处理技术的水下网衣完整性检测的方法。该方法具有非接触、智能化的特点。首先针对水下养殖网箱网衣图像进行了大量分析可知:1)由于图像采集环境在水下,会受到水体光学作用的影响和拍摄硬件环境的限制导致光线偏暗且不均匀,图像中可能存在反光点;2)网衣长时间处于水下环境,其表面易受侵蚀导致纹理复杂且网格易有杂质,网衣表面会存在噪声干扰;3)水下网衣目标较弱,采集的图像往往比较模糊,尤其是被杂质干扰网格的边缘信息,甚至在水下环境的影响下出现偏色等问题。
针对水下网衣图像的特性,本发明提出了一种用于水下养殖网箱的网衣破损检测方法,处理流程图2如图所示,包括如下步骤:
步骤1,对目标网箱的原始网衣图像进行预处理,其中包括颜色空间的转换和采用导向滤波的Retinex算法进行图像去噪和增强。
图像预处理过程为,首先转换图像为HSV色彩空间图像,改善了图像色彩失真的问题,然后采用导向滤波对图像的照度分量进行估计,保持了图像的边缘信息,可以有效地解决水下网衣图像的“光晕伪影”现象,经实验验证了该算法能够更好地实现水下网衣图像的预处理。
1.1颜色空间的转换
水下网衣图像往往由于拍摄条件的限制存在着光照不足,图像整体亮度会存在较暗的现象,所以在遇到低照度图像的增强时应先要增强图像的亮度,在RGB颜色空间中,三维矢量[R,G,B]包含了颜色信息的同时也包含了亮度信息,若将灰度图像增强的方法直接用于彩色图像的增强处理中,在亮度信息发生改变时,颜色信息也会发生一定的改变,所以,要保持色彩不变的情况下实现低照度水下图像的增强,关键在于亮度信息的确定。在HSV颜色空间中,HSV颜色空间模型参见图3所示,色调(Hue)、饱和度(Saturation)和亮度(Value)三者直接对应人的视觉感知特性并且关联度低。故本发明选用HSV颜色空间模型来改善颜色失真对后期特征提取产生的不利影响。在HSV空间对亮度分量V进行操作(提高V来提高亮度,可以避免偏色),不对三原色直接操作,不改变原色相与饱和度的关系。
将目标网箱的原始网衣图像从RGB空间转为HSV空间。在HSV颜色空间内V表示亮度,取值范围[0,255],根据需要来调节数值,本实施例中增加V值来增强图像亮度。
然后采用直方图均衡化使图像在整个灰度级上均匀分布,达到改善整副图像对比度的效果,并且可以通过图5所示直方图初步确定二值化阈值。
原始网衣图像与HSV颜色模型分割的颜色通道的示意图参见图4所示。可以看出通过增加HSV空间中的V值可以达到图像亮度增强的目的,增强结果好于调节H和S。相比于左侧原图,a图调节H值导致背景和网衣的过渡不清晰,b图调节S值导致背景增强过度并且边缘干扰增加,c图既增强了图像亮度又没有发生偏色现象,基本能保留原图像特征。
1.2基于导向滤波的照度分量估计
本发明在Retinex算法的基础上提出了基于导向滤波的水下图像的增强算法,解决了传统Retinex算法中高对比度边缘区域存在的“光晕伪影”、处理增强过度等问题,主要改善了颜色的真实与图像照度分量的估计。在Retinex算法基础上优化的基于导向滤波的水下图像的增强算法流程图如图6所示。可理解为将图像分为三层,即原始图像I,反射图像R,照度图像L,其中决定图像本质属性的是R中的反射分量,图像效果的动态范围取决于L中的照度分量。
算法核心思想为从原始图像中估计并去除照度分量,这样能部分改善光照条件带来的影响并且得到反射图像,然后根据实际光强对照度分量的估计进行校正,并使之再映射至反射图像中,使图像得到恢复并得到一定程度的改善。在处理中,通常将图像转换至对数域来减少计算的复杂度,处理后再通过指数函数来复原。
本发明采用有平滑与保边功能的线性导向滤波估计照度分量,该滤波采用最小二乘法的思想,通过盒滤波(box filter)和积分图像技术(integral image technique)进行运算,降低了时间复杂度并保持了梯度,且执行速度无关于滤波窗口尺寸的大小,相较于双边滤波,更能够较高效率的估计照度分量。
导向滤波算法利用导向图像计算输出图像,导向图像可以是输入图像本身也可以是其他图像。该算法不仅被应用于图像平滑处理,还被广泛应用于图像去雾以及水下图像的处理中。
反射图像中反射分量求解公式,核心思想是原始图像去除照度分量等于反射分量。具体公式表达为:
Rv(x,y)=logIv(x,y)-log[f(Iv(x,y))]
导向滤波可表示为局部线性模型:
式中:qi是图像Iv窗口ωk中i像素处的线性变换灰度值;k表示窗口ωk的中心像素;在ωk中,系数ak和bk是常数。局部线性系数ak和bk可采用下列方式进行求解:
bk=(1-ak)uk
式中:Iv,j表示Iv图像的ωk窗口中的j个点的像素值;uk为图像窗口ωk中像素的均值;σk为图像窗口ωk中像素的标准差;为窗口ωk中的像素的数量;δ为正则化参数,其作用是平衡平滑以及边缘保持的程度,其值越大平滑性越好,而边缘保持性越差。
想要获得稳定的qi,就必须对其平均值化处理,将线性模型应用到整幅图像,得到导向滤波函数为:
其中,fj(Iv(x,y))表示对Iv图像中每个(x,y)坐标的像素点j进行导向滤波函数f的处理。
步骤2,对预处理后的网衣图像进行边缘检测以提取网衣的边缘。
目标物理特征的变化会引起图像边缘发生改变,物理特征包括成像时周围环境的亮度、目标的形状以及介质的反射系数等。在本方法中利用边缘检测技术提取网衣的边缘,以便于进一步对网衣完整性的分析与计算。
本文利用Canny边缘检测算子对实验原始图像进行了边缘提取,算法步骤如图7所示,包括:
1)、首先通过高斯滤波器对图像进行预处理,降低高频噪音的干扰。
2)、用4*4的模板核和图像每个像素坐卷积运算,计算出每个像素的梯度幅值和方向。
3)、对计算出的像素梯度幅值进行非极大值抑制,排除干扰,保留边缘部分。
4)、用双阈值算法检测和连接边缘。
双阈值分别是高阈值和低阈值,若像素梯度幅值小于低阈值,则认为不存在边缘,进行边缘排除;若像素梯度幅值大于高阈值,则认为存在边缘,进行边缘保留,若像素梯度幅值在两者之间,则观察周围相邻像素,若相邻像素有大于高阈值的,则保留。
本实验过程中设置的高低阈值之比为3.2:1。
并与Laplacian边缘提取结果进行了对比,对比结果如图8所示。相比于其他边缘检测算子,Canny算子把边缘提取的过程转换为求取函数极值的问题,在决定像素是否为边缘点时并没有简单的根据对某一个像素的梯度运算进行,而是把其它像素与处理像素关联起来综合考虑。从提取的效果来看,Canny边缘检测的边缘定位更准确、边界信息反映的更加详细。
步骤3,对网衣图像进行图像分割,把目标从背景中分离出来。
图像分割就是根据灰度、颜色、纹理以及形状等特征将图像分成若干个特定的互不交迭的区域,使得这些区域可以成功提取出感兴趣的对象,它是由图像处理到图像分析的关键步骤。针对水下网衣图像中存在对比度较低、光照不匀以及背景干扰较大等问题,本文采用自适应最大类间方差阈值分割的算法,按灰度特性可分为背景部分和目标部分,类间方差最大的时候,得到的阈值是最优的二值化阈值。
方差G的计算公式:
G=W0×W1×(U0-U1)2
式中,W0表示背景所占的图像像素总数的比例;W1表示目标所占的图像像素总数的比例;U0表示背景像素灰度均值;U1表示目标像素灰度均值;G为所求的类间方差值,当G值最大时,前景和背景的方差最大,说明两部分的差别越大,错分的可能性越小,即此时t为分割的最佳阈值。
不同t下的二值化结果如图9所示,t分别取了10,、50、100、150、200。和原图进行对比,处理结果应避免出现过处理和欠处理情况,能较准确确定轮廓边界并能得到封闭连续边缘为效果好。图9中a)为图像分割的输入图。图b)c)出现过处理,将过多的像素点定义为目标物。图d)e)处理效果较好。图f)出现欠处理将过少的像素点定义为目标物。可知最佳阈值在100-150之间。
步骤4,对分割后的图像进行形态学处理与噪点剔除处理,得到网衣破损特征图像。
本文对水下网衣图像进行了自适应阈值分割算法的实验,由实验结果可以看出,图像仍然存在着大量的小噪点和边缘毛刺,据此,本文选择采用形态学开运算对水下网衣图像进行处理。
开运算为先腐蚀后膨胀的结果。其中,侵蚀是将目标区域范围变小,使得图像的边界收缩,可以消除小且无意义的目标物。扩张使目标区域范围变大,将能将牵扯到的背景的点与所关注的物体合并在一起,使得目标边界向外移动,可以用来填补目标区域中某些空洞以及消除包含在目标区域中的小颗粒噪声。开运算优点是它能削弱狭窄的部分,除去细长的突出、边缘毛刺与孤立斑点以及平滑较大物体边界,并能够断开目标物之间粘连的噪声干扰,同时还能很好地保持物体尺寸不发生改变。其实现函数为:
dst=open(src,element)=dilate(erode(src,element),element)
其中,src为输入图像,dst为输出图像,element为结构元素,open,dilate,erode为函数名。
若用结构B腐蚀A,B中需要定义一个原点,(B的移动的过程与卷积核移动的过程一致,同卷积核与图像有重叠之后再计算),当B的原点平移到图像A的像元(x,y)时,如果B在(x,y)处,完全被包含在图像A重叠的区域,(即B中为1的元素位置上对应的A图像值全部也为1)则将输出图像对应的像元(x,y)赋值为1,否则赋值为0。B依顺序在A上移动(同卷积核在图像上移动,在B的覆盖域上进行形态学运算),当其覆盖A的区域为[1,1;1,1]或者[1,0;1,1]时,(即B中‘1’是覆盖区域的子集)对应输出图像的位置才会为1。
用结构B膨胀A,将结构元素B的原点平移到图像像元(x,y)位置。如果B在图像像元(x,y)处与A的交集不为空(即B中为1的元素位置上对应A的图像值至少有一个为1),则输出图像对应的像元(x,y)赋值为1,否则赋值为0。
无论腐蚀还是膨胀,都是把结构元素B像卷积操作在图像上平移,结构元素B中的原点相当于卷积核的核中心,结果存储在核中心对应位置的元素上。只不过腐蚀是B被完全包含在其所覆盖的区域,膨胀时B与其所覆盖的区域有交集即可。
在经过数学形态学处理后的图像中依然会存在着与目标物不吻合的直线或孤立点,本发明采用形态学与干扰噪点剔除相结合的方法来克服此缺陷,在matlab图像处理中,bwareaopen()函数可以删除小面积区域的对象,其基本思想是删除二值图像中面积小于P的对象,通过设置阈值P的大小来控制需要删除区域对象的大小,从而实现水下网衣图像孤立噪点的剔除。形态学处理与噪点剔除实验结果如图10所示,(a)为输入的边缘检测完成的图像;(b)为形态学处理图像,本案例用膨胀直线束来覆盖网衣目标;(c)为干扰噪点剔除效果图,即网衣特征图,更有利于下一步的网格破损信息识别。
步骤5,对干扰剔除后的网衣图像进行骨架提取,获得网衣破损信息。
经过以上图像处理获得网衣特征图像,其线条为水下网衣图像的破损信息,如果网衣完好,则线条应是连续无弯曲,图中出现断点和弯折证明网衣存在不同程度的破损。黑色部分为背景信息。
因此对线性网衣进行无限大骨架提取(骨架提取也叫图像细化,是将一个连续区域细化成一个像素的宽度),就可以通过统计像素点的个数估算出线性破损的长度。
将拍摄图像时所使用摄像机的分辨率在如图11所示的理想网衣特征图上作为标定,便可估算出目标破损的实际长度。
式中,E(u,v)表示所求的长度自相关函数;ω(x,y)表示测量窗口函数,I(x,y)表示原图像灰度,I(x+u,y+v)表示窗口平移后的图像灰度。估算思想是通过确定间断点的起点和重点来确定破损长度。具体为局部测量窗囗沿各方向移动,在端点的窗口灰度会产生明显变化。
获取网衣破损特征,并由此检测网衣破损位置及破损程度。
最后使用搭载摄像头的ROV在波流水槽内对所提方法进行验证,证实了该方法的有效性,能有效降低网箱养殖中因网衣破损导致的损失。
本发明的技术构思为:本发明以检测水下网箱的完整性为目的,利用水下机器人进行视频图像的采集,通过转换色彩空间、融合导向滤波的Retinex算法等预处理方法,改善了图像色彩失真并保持了图像的边缘信息,使得网箱图像更好地被计算机识别与计算;利用Canny算法进行图像边缘准确定位,使边界信息反映的更详细;采用自适应阈值分割的算法结合数学形态学开运算处理方法对水下网箱图像进行了分割处理,最后对分解的图像进行骨架提取,实现了水下网衣完整性的检测。
实施例2
相应的,本发明的一种用于水下网箱的网衣破损检测装置,包括:
预处理模块,用于对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;
边缘检测模块,用于对预处理后的网衣图像进行边缘检测;
图像分割模块,用于对网衣图像进行图像分割;
图像去噪模块,用于对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;
网衣破损判断模块,用于对网衣图像进行骨架提取,获得网衣破损信息。
本发明装置中各模块的实现方案参见上述方法的具体实现步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (8)
1.一种用于水下网箱的网衣破损检测方法,其特征是,包括以下过程:
对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;
对预处理后的网衣图像进行边缘检测;
对网衣图像进行图像分割;
对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;
对网衣图像进行骨架提取,获得网衣破损信息。
2.根据权利要求1所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述颜色空间的转换处理,包括:
将原始网衣图像从RGB颜色空间转换为HSV颜色空间,并增加V值来增强图像亮度。
3.根据权利要求1所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述图像增强处理,包括:
采用导向滤波的Retinex算法进行图像增强处理。
4.根据权利要求3所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述采用导向滤波的Retinex算法进行图像增强处理,包括:
从原始图像中基于导向滤波估计照度分量,并去除照度分量得到反射图像;
根据实际光强对照度分量的估计进行校正,并使之再映射至反射图像中。
5.根据权利要求4所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述从原始图像中基于导向滤波估计照度分量,包括;
导向滤波可表示为局部线性模型:
式中:qi是图像Iv窗口ωk中i像素处的线性变换灰度值;k表示窗口ωk的中心像素;在ωk中,系数ak和bk是常数。局部线性系数ak和bk可采用下列方式进行求解:
bk=(1-ak)uk
为了获得稳定的qi,对其平均值化处理,将线性模型应用到整幅图像,得到导向滤波函数为:
其中,fj(Iv(x,y))表示对Iv图像中每个(x,y)坐标的像素点j进行导向滤波函数f的处理。
6.根据权利要求1所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述对预处理后的网衣图像进行边缘检测,包括:
利用Canny边缘检测算子对预处理后的网衣图像进行边缘提取。
7.根据权利要求1所述的一种用于水下网箱的网衣破损检测方法,其特征是,所述对网衣图像进行图像分割,包括:
采用自适应最大类间方差阈值分割的算法对网衣图像进行图像分割。
8.一种用于水下网箱的网衣破损检测装置,其特征是,包括:
预处理模块,用于对目标网箱的原始网衣图像进行预处理,所述预处理包括颜色空间的转换处理和图像增强处理;
边缘检测模块,用于对预处理后的网衣图像进行边缘检测;
图像分割模块,用于对网衣图像进行图像分割;
图像去噪模块,用于对分割后的图像进行形态学处理与噪点剔除处理,得到网衣特征图像;
网衣破损判断模块,用于对网衣图像进行骨架提取,获得网衣破损信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372756.0A CN112529853A (zh) | 2020-11-30 | 2020-11-30 | 一种用于水下养殖网箱的网衣破损检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011372756.0A CN112529853A (zh) | 2020-11-30 | 2020-11-30 | 一种用于水下养殖网箱的网衣破损检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529853A true CN112529853A (zh) | 2021-03-19 |
Family
ID=74995093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011372756.0A Pending CN112529853A (zh) | 2020-11-30 | 2020-11-30 | 一种用于水下养殖网箱的网衣破损检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529853A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114840889A (zh) * | 2022-07-04 | 2022-08-02 | 海南浙江大学研究院 | 一种网箱网衣受力易损部位检测*** |
CN114852289A (zh) * | 2022-04-06 | 2022-08-05 | 五邑大学 | 深海渔场网箱巡检方法、装置、***及存储介质 |
CN116228757A (zh) * | 2023-05-08 | 2023-06-06 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种基于图像处理算法的深海网箱网衣检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416764A (zh) * | 2018-01-25 | 2018-08-17 | 北京农业信息技术研究中心 | 一种水下网箱养殖中的网衣破损检测装置及方法 |
CN110163798A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 渔场围网破损检测方法及*** |
CN111047583A (zh) * | 2019-12-23 | 2020-04-21 | 大连理工大学 | 一种基于机器视觉的水下网衣***破损检测方法 |
CN111882555A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于深度学习的网衣检测方法、装置、设备及存储介质 |
-
2020
- 2020-11-30 CN CN202011372756.0A patent/CN112529853A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108416764A (zh) * | 2018-01-25 | 2018-08-17 | 北京农业信息技术研究中心 | 一种水下网箱养殖中的网衣破损检测装置及方法 |
CN110163798A (zh) * | 2019-04-18 | 2019-08-23 | 中国农业大学 | 渔场围网破损检测方法及*** |
CN111047583A (zh) * | 2019-12-23 | 2020-04-21 | 大连理工大学 | 一种基于机器视觉的水下网衣***破损检测方法 |
CN111882555A (zh) * | 2020-08-07 | 2020-11-03 | 中国农业大学 | 基于深度学习的网衣检测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈文静: "水下堤坝裂缝图像检测方法的研究", 中国优秀硕士学位论文全文数据库 (农业科技辑), pages 3 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114852289A (zh) * | 2022-04-06 | 2022-08-05 | 五邑大学 | 深海渔场网箱巡检方法、装置、***及存储介质 |
CN114852289B (zh) * | 2022-04-06 | 2024-03-26 | 五邑大学 | 深海渔场网箱巡检方法、装置、***及存储介质 |
CN114840889A (zh) * | 2022-07-04 | 2022-08-02 | 海南浙江大学研究院 | 一种网箱网衣受力易损部位检测*** |
CN114840889B (zh) * | 2022-07-04 | 2022-10-28 | 海南浙江大学研究院 | 一种网箱网衣受力易损部位检测*** |
CN116228757A (zh) * | 2023-05-08 | 2023-06-06 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种基于图像处理算法的深海网箱网衣检测方法 |
CN116228757B (zh) * | 2023-05-08 | 2023-08-29 | 山东省海洋科学研究院(青岛国家海洋科学研究中心) | 一种基于图像处理算法的深海网箱网衣检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109596634B (zh) | 电缆缺陷的检测方法及装置、存储介质、处理器 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和*** | |
CN112529853A (zh) | 一种用于水下养殖网箱的网衣破损检测方法及装置 | |
CN110163219B (zh) | 基于图像边缘识别的目标检测方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN109118466B (zh) | 一种红外图像与可见光图像融合的处理方法 | |
CN113034399A (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
CN113592782B (zh) | 一种复合材料碳纤维芯棒x射线图像缺陷提取方法及*** | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测*** | |
CN109850518B (zh) | 一种基于红外图像的实时矿用胶带预警撕裂检测方法 | |
CN115272362A (zh) | 一种数字病理全场图像有效区域分割方法、装置 | |
Wang et al. | An efficient method for image dehazing | |
CN112435272A (zh) | 一种基于图像轮廓分析的高压输电线连通域去除方法 | |
CN110348442B (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
CN117541582B (zh) | 一种高频变频器igbt绝缘质量检测方法 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、***、设备和存储介质 | |
CN117830134A (zh) | 基于混合滤波分解和图像融合的红外图像增强方法及*** | |
CN111127450B (zh) | 一种基于图像的桥梁裂缝检测方法及*** | |
CN110298816B (zh) | 一种基于图像重生成的桥梁裂缝检测方法 | |
Yu et al. | MSER based shadow detection in high resolution remote sensing image | |
CN116739943A (zh) | 图像平滑处理方法及目标轮廓提取方法 | |
CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
CN109191481B (zh) | 不良曝光条件下的鞋印图像快速阈值分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |