CN117237619A - 基于机器视觉技术的水上救援探测***及方法 - Google Patents
基于机器视觉技术的水上救援探测***及方法 Download PDFInfo
- Publication number
- CN117237619A CN117237619A CN202311523130.9A CN202311523130A CN117237619A CN 117237619 A CN117237619 A CN 117237619A CN 202311523130 A CN202311523130 A CN 202311523130A CN 117237619 A CN117237619 A CN 117237619A
- Authority
- CN
- China
- Prior art keywords
- target area
- infrared image
- target
- processed
- degree
- 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.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005516 engineering process Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000008685 targeting Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000003595 mist Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及基于机器视觉技术的水上救援探测***及方法,包括:获取救援水域的红外视频,根据红外视频得到待处理红外图像,根据待处理红外图像窗口得到初始目标区域,根据初始目标区域得到目标区域,根据目标区域的面积得到目标区域的波动程度,根据目标程度得到待处理红外图像的基础层和细节层,根据待处理红外图像的基础层和细节层得到增强后的红外图像,对增强后的红外图像进行人员识别。本发明通过分析红外摄像头采集的图像水面区域,对水面区域和雾气影响的区域使用更大的平滑因子保留更少的细节,对红外图像进行增强。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及基于机器视觉技术的水上救援探测***及方法。
背景技术
我国是航运大国,拥有辽阔的海域和丰富的内河通航资源。随着社会经济的发展,海洋经济、内河水运、水上旅游等涉海、涉水的活动日益增多。我国内河支流众多、航道复杂,船只流量大且密集,船只发生事故的概率较大,水上的救援行动备受关注。在进行水上救援时,通过使用红外摄像头可以夜晚和白天同时使用并且红外摄像头的还可以穿过水上的雾气直接对大雾中的人进行检测。
通过红外图像对水上物体识别跟踪时,由于外界环境复杂多样性,水上一般会产生水雾,大雾中的水汽和悬浮物会散射红外光,导致红外图像的对比度降低。红外辐射能量会在雾霾颗粒上散射和吸收,使得图像中物体的边缘和细节变得模糊不清。影响红外图像中的物体识别和追踪,因此需要对采集的红外图像进行增强处理。
发明内容
本发明提供基于机器视觉技术的水上救援探测***及方法,以解决现有的问题。
本发明的基于机器视觉技术的水上救援探测***及方法采用如下技术方案:
本发明一个实施例提供了基于机器视觉技术的水上救援探测方法,该方法包括以下步骤:
获取待处理红外图像,预设窗口,根据预设窗口得到待处理红外图像窗口;
根据待处理红外图像窗口中像素点灰度值得到目标区域,根据目标区域的面积得到目标区域的波动程度,根据目标区域获取目标区域的拟合曲线,根据拟合曲线得到目标区域之间的相似程度,根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度;
根据目标区域的目标程度得到待处理红外图像的基础层,根据待处理红外图像的基础层得到待处理红外图像的细节层;
根据待处理红外图像的基础层和细节层得到增强后的红外图像,对增强后的红外图像进行人员识别。
进一步地,所述预设窗口,根据预设窗口得到待处理红外图像窗口,包括的具体步骤如下:
预设大小的窗口,利用窗口将待处理红外图像均等分割成若干个/>大小的待处理红外图像窗口。
进一步地,所述根据待处理红外图像窗口中像素点灰度值得到目标区域,包括的具体步骤如下:
在所有的待处理红外图像窗口中任意选取一个待处理红外图像窗口,将任意选取一个待处理红外图像窗口记为目标红外图像窗口,
对目标红外图像窗口进行连通处理,包括:
在目标红外图像窗口中选取灰度值最大的像素点,将灰度值最大的像素点记为第一初始点,在待处理红外图像中获取和第一初始点灰度值相差不超过预设灰度阈值的像素点,记为相似像素点,获取和第一初始点连通的所有相似像素点构成的区域,得到初始目标区域,将初始目标区域的像素点进行标记去除;
重新选取一个目标红外图像窗口,对重新选取的目标红外图像窗口进行相同的所述连通处理,得到另一个初始目标区域,继续重新选取目标红外图像窗口,直至待处理红外图像中所有像素点都存在于初始目标区域,最终得到若干个初始目标区域,根据初始目标区域得到目标区域。
进一步地,所述根据初始目标区域得到目标区域,包括的具体步骤如下:
预设数量阈值,将初始目标区域中包含像素点数量大于等于预设数量阈值的初始目标区域作为目标区域,得到若干个目标区域。
进一步地,所述根据目标区域的面积得到目标区域的波动程度,包括的具体步骤如下:
式中,为第i个目标区域中像素点之间的最远距离,/>为第i个目标区域的凸包面积,/>为第i个目标区域的面积,/>为sigmod函数,/>为第i个目标区域的波动程度。
进一步地,所述根据目标区域获取目标区域的拟合曲线,包括的具体步骤如下:
对目标区域进行形态学骨架提取,提取出目标区域的骨架曲线,利用DTW算法将第i个目标区域的骨架曲线和第j个目标区域的骨架曲线进行匹配,得到若干像素点对,将像素点对之间的欧式距离作为纵坐标,将像素点对的获取顺序作为横坐标,构建二维坐标系,将二维坐标系中数据点进行拟合得到第i个目标区域和第j个目标区域的拟合曲线。
进一步地,所述根据拟合曲线得到目标区域之间的相似程度,包括的具体步骤如下:
式中,为第i个目标区域和第j个目标区域之间的相似程度,/>为第i个目标区域和第j个目标区域的拟合曲线上所有像素点对欧式距离的方差,/>为自然常数e为底的指数函数。
进一步地,所述根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度,包括的具体步骤如下:
式中,为第i个目标区域的目标程度,/>为第i个目标区域的最大宽度,所述目标区域的最大宽度具体获取为:将第i个目标区域中像素点之间的最远距离记为/>,通过/>确定的线段在线段上每一个像素点位置作线段的垂线,并获取垂线与第i个目标区域边缘的两个交点,将两个交点之间的距离作为一个宽度,获取线段上所有的宽度,将最大宽度记为/>;/>为第i个目标区域的所有的宽度的均值,/>为自然常数e为底的指数函数,/>为第i个目标区域和其他所有目标区域的相似程度的最大值,/>为第i个目标区域和其他所有目标区域的相似程度大于预设相似阈值的相似程度数量,/>为第i个目标区域的波动程度,/>为/>函数。
进一步地,所述根据目标区域的目标程度得到待处理红外图像的基础层,根据待处理红外图像的基础层得到待处理红外图像的细节层,包括的具体步骤如下:
将每个目标区域的目标程度作为引导滤波的滤波窗口的灰度方差,根据灰度方差利用引导滤波算法进行引导滤波得到待处理红外图像的基础层,将待处理红外图像和待处理红外图像的基础层对应位置像素点的灰度值作差得到待处理红外图像的细节层。
本发明还提出了基于机器视觉技术的水上救援探测***,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现前述所述方法的步骤。
本发明的技术方案的有益效果是:本发明通过分析图像中的灰度分布相似像素点的连通区域,将图像分割成灰度分布相似的区域,计算区域的波动程度可以用图像的种类划分,波动程度越大的区域越有可能是本文的目标区域,分析每个区域中自身波差异和区域之间的特殊性结合区域波动成量化目标程度,根据目标程度进行引导滤波。避免传统算法中根据窗口的灰度变化剧烈程度即方差进行引导滤波,导致获取的细节层包含大量的雾气影响噪声问题,导致对图像进行增强时过度增强噪声,影响后续的物体识别。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于机器视觉技术的水上救援探测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于机器视觉技术的水上救援探测***及方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器视觉技术的水上救援探测***及方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于机器视觉技术的水上救援探测方法的步骤流程图,该方法包括以下步骤:
步骤S001、获取救援水域的红外视频,根据红外视频得到待处理红外图像。
需要说明的是,本实施例是基于机器视觉技术的水上救援探测方法,首先需要获取相应的图像并进行预处理。
具体的,通过救生船搭载的红外相机对需要救援的水域进行拍摄,得到救援水域的红外视频。需要说明的是,根据先验知识得知,如果有人员存在则红外视频的帧图像中会由于人员存在破坏尺度变换的规则性,即人员会在水域乱动,则可以根据红外视频中相邻两帧图像存在的尺度变换得到待处理红外图像。将红外视频中相邻两帧图像利用多尺度匹配算法进行匹配,得到匹配程度,预设程度阈值,本实施例中以预设程度阈值为0.7进行叙述,当匹配程度大于预设程度阈值时,将红外视频中相邻两帧图像的后一帧图像作为待处理红外图像,同理获得若干待处理红外图像。需要说明的是,待处理红外图像中即为可能存在需要救援人员的图像。
至此,得到了待处理红外图像。
需要说明的是,水上救援时重点观测的是水面的情况,在水上救援探测时,一般是在较远的地方拍摄,拍摄的图像中包含水面区域和天空区域。水面区域会产生波动(水波荡漾),天空区域不会存在水波,分析待处理红外图像中的波动程度,根据波动程度可以区分天空区域和水面区域。天空区域不是本实施例的重要区域,本实施例是基于机器视觉技术的水上救援探测,重点监控区域是水面区域。分析待处理红外图像中区域的波动程度,波动程度越大说明这个区域是目标区域,即水面区域。
进一步需要说明的是,对于目标区域进行分层时,根据窗口灰度的方差计算引导滤波的提取细节能力,细节层的内容取决于引导滤波的平滑程度,平滑程度大细节层的内容越丰富,存在噪声的可能越大,引导滤波的平滑程度通过正则化参数和窗口内的灰度方差控制,正则化参数为平滑滤波算法自带的,正则化参数远大于方差时,平滑程度最大,细节层提取的内容最丰富但是存在噪声的可能性越高。
步骤S002、预设窗口,获取待处理红外图像窗口,根据待处理红外图像窗口得到初始目标区域,根据初始目标区域得到目标区域,根据目标区域的面积得到目标区域的波动程度。
需要说明的是,根据上述分析得知水面会产生波动,分析水面产生的波动情况,波动的越剧烈越是本实施例所需要的目标区域。根据波动程度可以区分天空区域和水面区域,天空区域中的波动程度较小,水面区域的波动程度较大。根据先验知识得知水花波动处的灰度值要比水波平稳处的灰度值要大,根据灰度值和窗口周围相似灰度值区域,获取整个连续波动区域。根据灰度相似且连续将图像划分成几个灰度变化相似的区域。
具体的,以任意一张待处理红外图像为例,预设的窗口,本实施例中以n=3为例进行叙述,利用窗口将待处理红外图像均等分割成若干个/>大小的待处理红外图像窗口。需要说明的是,本实施例中待处理红外图像进行均等分割操作时,可能会超出待处理红外图像的边界,此时本实施例利用二次线性插值的方法将待处理红外图像超出边界的部分进行插值填充数据;
进一步地,分析待处理红外图像窗口的波动情况,在所有的待处理红外图像窗口中任意选取一个待处理红外图像窗口,由于波浪区域的灰度值要大于平稳区域的灰度值,将任意选取一个待处理红外图像窗口记为目标红外图像窗口,在目标红外图像窗口中选取灰度值最大的像素点,将灰度值最大的像素点记为第一初始点,在待处理红外图像中获取和第一初始点灰度值相差不超过预设灰度阈值的像素点,记为相似像素点,本实施例中以预设灰度阈值为5进行叙述,获取和第一初始点连通的所有相似像素点构成的区域,得到初始目标区域,将初始目标区域的像素点进行标记去除;
进一步地,重新选取一个目标红外图像窗口,需要说明的是,重新选取的目标红外图像窗口可以和之前的目标红外图像窗口可以是同一个窗口,对重新选取的目标红外图像窗口进行相同的处理,得到另一个初始目标区域,具体处理和上述相同,此处不再重复赘述,继续重新选取目标红外图像窗口,直至待处理红外图像中所有像素点都存在于初始目标区域,最终得到若干个初始目标区域,预设数量阈值,本实施例中以预设数量阈值为10进行叙述,将初始目标区域中包含像素点数量大于等于预设数量阈值的初始目标区域作为目标区域,最终得到若干个目标区域,目的是排除一些孤立的噪声点干扰。
进一步地,已任意一个目标区域为例,根据目标区域的面积得到目标区域的波动程度,具体如下:
式中,为第i个目标区域中像素点之间的最远距离,/>为第i个目标区域的凸包面积,具体可通过Graham扫描算法获得,所述目标区域的凸包面积是将目标区域边缘存在凹陷补充至平滑的面积,/>为第i个目标区域的面积,/>为sigmod函数,用于归一化,/>为第i个目标区域的波动程度。需要说明的是,目标区域的波动程度越大越可能属于水面区域。分析一个区域的波动程度时,一个区域越呈现波动状其区域的面积和其凸包面积之间的差异越大,但是区域面积和凸包面积作比较只能说明其规则程度,凸包面积和目标区域的面积两者差距越大说明物体越不规则,通过分析波浪区域得知波浪区域即目标区域是形状类似长条状的,再分析目标区域的长度,在凸包面积和目标区域的面积差距越大的基础上,目标区域的长度越长可以说明区域呈现长条状分布。
至此,得到了目标区域的波动程度。
步骤S003、获取拟合曲线,根据拟合曲线得到目标区域之间的相似程度,根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度,根据目标程度得到待处理红外图像的基础层和细节层。
需要说明的是,引导滤波通过窗口的灰度方差和正则化参数控制引导滤波的平滑程度,当平滑程度过大时细节层的内容丰富但是图像受到噪声的影响可能性较大,当平滑程度过低时细节层虽然受到噪声的干扰可能较小,但是其内容的提取损失过大。采用合适的正则系数控制引导滤波的平化程度至关重要。图像经过引导滤波平滑的是基础层,原图像减去基础层是细节层。本实施例采集的红外图像,由于图像在拍摄时受到大雾天气的影响非目标区域也会模糊不清晰灰度值的变化较为剧烈,在传统的引导滤波进行分层时认为这些区域也为重要区域,需要突出显示,将其分在细节层,平滑程度越大的区域,在细节层中显示的内容越多。
需要说明的是,根据上述分析得知通过窗口内的方差去分析图像的平滑程度会产生问题,步骤S002将图像分成很多的区域,将这些区域作为窗口进行计算,根据窗口内的波动程度取进行平滑程度的计算,水面区域的波动程度要大于天空区域,水面区域的平滑程度要大于天空区域。根据波动程度去计算平滑程度存在问题,根据图像分析得到,在较远处观察目标区域和水波变化呈现较为相似的变化,不容易进行区分。目标所在区域的波动和水波造成的波动存在差异,目标所在区域波动较大并且和其他区域的波动相似性较差。
具体的,对目标区域进行形态学骨架提取,提取出目标区域的骨架曲线,利用DTW算法将第i个目标区域的骨架曲线和第j个目标区域的骨架曲线进行匹配,得到若干像素点对,将获取的若干像素点对按照获取的顺序和像素点对之间的欧式距离拟合成一条曲线,具体为:将像素点对之间的欧式距离作为纵坐标,将像素点对的获取顺序作为横坐标,构建二维坐标系,将二维坐标系中数据点进行拟合得到第i个目标区域和第j个目标区域的拟合曲线。
需要说明的是,由于存在需要救援人员区域水面波动变化较为特殊,计算每个区域和其他波动区域即目标区域的相似程度,相似程度越大越说明存在和其相似的区域其目标程度越小,但是只通过分析区域的特殊性判断区域的目标程度较为片面,特殊性波动区域不一定是人造成的差异性,分析特殊程度较大的区域内自身的波动幅值的变化情况,人的存在导致波动幅值发生变化,可能很小的波动幅值中出现一个较大的波动幅值,这个特殊的波动幅值就是造成区域和其它区域的差异性的原因。分析区域的波动幅值的变化情况,自身变化的差异越大说明和其它区域的特殊性的可信程度越大,这个区域的目标程度越大。
具体的,根据拟合曲线得到目标区域之间的相似程度,具体如下:
式中,为第i个目标区域和第j个目标区域之间的相似程度,/>为第i个目标区域和第j个目标区域的拟合曲线上所有像素点对欧式距离的方差,其值越大说明第i个目标区域的骨架曲线和第j个目标区域的骨架曲线越不相似,/>为自然常数e为底的指数函数,用于归一化。分析第/>个区域和第/>个区域通过骨架提取后的曲线进行拟合出的像素点对变化曲线,分析曲线变化的平稳程度,曲线变化的越平稳说明两条待测曲线的相似程度越大。同理,获取第i个目标区域和其他所有目标区域的相似程度,预设相似阈值,本实施例中以预设相似阈值为0.7进行叙述,获取第i个目标区域和其他所有目标区域的相似程度大于预设相似阈值的相似程度数量,记为m。
进一步地,根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度,具体如下:
式中,为第i个目标区域的目标程度,/>为第i个目标区域的最大宽度,所述目标区域的最大宽度具体获取为:通过/>确定的线段,/>为第i个目标区域中像素点之间的最远距离,在线段上每一个像素点位置作线段的垂线,并获取垂线与第i个目标区域边缘的两个交点,将两个交点之间的距离作为一个宽度,获取线段上所有的宽度,将最大宽度记为;/>为第i个目标区域的所有的宽度的均值,/>为自然常数e为底的指数函数,/>为第i个目标区域和其他所有目标区域的相似程度的最大值,/>为第i个目标区域和其他所有目标区域的相似程度大于预设相似阈值的相似程度数量,/>为第i个目标区域的波动程度。同理可以获得其他目标区域的目标程度,/>为/>函数。
需要说明的是,现有的引导滤波通过滤波窗口的灰度方差和正则化参数进行引导滤波的,本实施例中将目标程度作为引导滤波通过滤波窗口的灰度方差实现滤波。
具体的,将每个目标区域的目标程度作为引导滤波的滤波窗口的灰度方差,根据灰度方差利用引导滤波算法进行引导滤波得到待处理红外图像的基础层,将待处理红外图像和待处理红外图像的基础层对应位置像素点的灰度值作差得到待处理红外图像的细节层。需要说明的是,根据灰度方差利用引导滤波算法进行引导滤波得到待处理红外图像的基础层,本实施例不再赘述。
至此,得到了待处理红外图像的基础层和细节层。
步骤S004、根据待处理红外图像的基础层和细节层得到增强后的红外图像,对增强后的红外图像进行人员识别。
需要说明的是,上述基础层中包含的是本实施例不重点关注的区域,该区域包含的噪声较多,细节层中的信息是本实施例的目标重点区域,该区域包含的噪声较小。
具体的,利用自适应直方图均衡化算法对待处理红外图像的基础层进行增强,得到增强后的基础层,利用自适应直方图均衡化算法对待处理红外图像的基础层进行增强,不仅可以增强基础层的对比度同时还可以有效抑制噪声,利用伽马变换对待处理红外图像的细节层进行增强,得到增强后的细节层,目的是增强图像中的细节部分,将增强后的基础层和增强后的细节层中对应位置像素点的灰度值进行相加,最终得到增强后的红外图像。
进一步地,利用YOLOV3神经网络获取增强后的红外图像中人员和人员位置。
至此,通过以上步骤,完成基于机器视觉技术的水上救援探测方法。
本发明的另一个实施例提供了基于机器视觉技术的水上救援探测***,所述***包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序时,执行以下操作:
获取待处理红外图像,预设窗口,根据预设窗口得到待处理红外图像窗口;根据待处理红外图像窗口中像素点灰度值得到目标区域,根据目标区域的面积得到目标区域的波动程度,根据目标区域获取目标区域的拟合曲线,根据拟合曲线得到目标区域之间的相似程度,根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度;根据目标区域的目标程度得到待处理红外图像的基础层,根据待处理红外图像的基础层得到待处理红外图像的细节层;根据待处理红外图像的基础层和细节层得到增强后的红外图像,对增强后的红外图像进行人员识别。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于机器视觉技术的水上救援探测方法,其特征在于,该方法包括以下步骤:
获取待处理红外图像,预设窗口,根据预设窗口得到待处理红外图像窗口;
根据待处理红外图像窗口中像素点灰度值得到目标区域,根据目标区域的面积得到目标区域的波动程度,根据目标区域获取目标区域的拟合曲线,根据拟合曲线得到目标区域之间的相似程度,根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度;
根据目标区域的目标程度得到待处理红外图像的基础层,根据待处理红外图像的基础层得到待处理红外图像的细节层;
根据待处理红外图像的基础层和细节层得到增强后的红外图像,对增强后的红外图像进行人员识别。
2.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述预设窗口,根据预设窗口得到待处理红外图像窗口,包括的具体步骤如下:
预设大小的窗口,利用窗口将待处理红外图像均等分割成若干个/>大小的待处理红外图像窗口。
3.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据待处理红外图像窗口中像素点灰度值得到目标区域,包括的具体步骤如下:
在所有的待处理红外图像窗口中任意选取一个待处理红外图像窗口,将任意选取一个待处理红外图像窗口记为目标红外图像窗口,
对目标红外图像窗口进行连通处理,包括:
在目标红外图像窗口中选取灰度值最大的像素点,将灰度值最大的像素点记为第一初始点,在待处理红外图像中获取和第一初始点灰度值相差不超过预设灰度阈值的像素点,记为相似像素点,获取和第一初始点连通的所有相似像素点构成的区域,得到初始目标区域,将初始目标区域的像素点进行标记去除;
重新选取一个目标红外图像窗口,对重新选取的目标红外图像窗口进行相同的所述连通处理,得到另一个初始目标区域,继续重新选取目标红外图像窗口,直至待处理红外图像中所有像素点都存在于初始目标区域,最终得到若干个初始目标区域,根据初始目标区域得到目标区域。
4.根据权利要求3所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据初始目标区域得到目标区域,包括的具体步骤如下:
预设数量阈值,将初始目标区域中包含像素点数量大于等于预设数量阈值的初始目标区域作为目标区域,得到若干个目标区域。
5.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据目标区域的面积得到目标区域的波动程度,包括的具体步骤如下:
式中,为第i个目标区域中像素点之间的最远距离,/>为第i个目标区域的凸包面积,/>为第i个目标区域的面积,/>为sigmod函数,/>为第i个目标区域的波动程度。
6.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据目标区域获取目标区域的拟合曲线,包括的具体步骤如下:
对目标区域进行形态学骨架提取,提取出目标区域的骨架曲线,利用DTW算法将第i个目标区域的骨架曲线和第j个目标区域的骨架曲线进行匹配,得到若干像素点对,将像素点对之间的欧式距离作为纵坐标,将像素点对的获取顺序作为横坐标,构建二维坐标系,将二维坐标系中数据点进行拟合得到第i个目标区域和第j个目标区域的拟合曲线。
7.根据权利要求6所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据拟合曲线得到目标区域之间的相似程度,包括的具体步骤如下:
式中,为第i个目标区域和第j个目标区域之间的相似程度,/>为第i个目标区域和第j个目标区域的拟合曲线上所有像素点对欧式距离的方差,/>为自然常数e为底的指数函数。
8.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据目标区域的波动程度和目标区域之间的相似程度得到目标区域的目标程度,包括的具体步骤如下:
式中,为第i个目标区域的目标程度,/>为第i个目标区域的最大宽度,所述目标区域的最大宽度具体获取为:将第i个目标区域中像素点之间的最远距离记为/>,通过/>确定的线段在线段上每一个像素点位置作线段的垂线,并获取垂线与第i个目标区域边缘的两个交点,将两个交点之间的距离作为一个宽度,获取线段上所有的宽度,将最大宽度记为;/>为第i个目标区域的所有的宽度的均值,/>为自然常数e为底的指数函数,/>为第i个目标区域和其他所有目标区域的相似程度的最大值,/>为第i个目标区域和其他所有目标区域的相似程度大于预设相似阈值的相似程度数量,/>为第i个目标区域的波动程度,为/>函数。
9.根据权利要求1所述基于机器视觉技术的水上救援探测方法,其特征在于,所述根据目标区域的目标程度得到待处理红外图像的基础层,根据待处理红外图像的基础层得到待处理红外图像的细节层,包括的具体步骤如下:
将每个目标区域的目标程度作为引导滤波的滤波窗口的灰度方差,根据灰度方差利用引导滤波算法进行引导滤波得到待处理红外图像的基础层,将待处理红外图像和待处理红外图像的基础层对应位置像素点的灰度值作差得到待处理红外图像的细节层。
10.基于机器视觉技术的水上救援探测***,所述***包括存储器和处理器,其特征在于,所述处理器执行所述存储器存储的计算机程序,以实现如权利要求1-9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523130.9A CN117237619B (zh) | 2023-11-16 | 2023-11-16 | 基于机器视觉技术的水上救援探测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523130.9A CN117237619B (zh) | 2023-11-16 | 2023-11-16 | 基于机器视觉技术的水上救援探测***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117237619A true CN117237619A (zh) | 2023-12-15 |
CN117237619B CN117237619B (zh) | 2024-02-02 |
Family
ID=89091623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523130.9A Active CN117237619B (zh) | 2023-11-16 | 2023-11-16 | 基于机器视觉技术的水上救援探测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237619B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730535A (zh) * | 2017-09-14 | 2018-02-23 | 北京空间机电研究所 | 一种可见光红外级联视频跟踪方法 |
US20190362511A1 (en) * | 2018-05-23 | 2019-11-28 | Apple Inc. | Efficient scene depth map enhancement for low power devices |
CN110674782A (zh) * | 2019-09-30 | 2020-01-10 | 电子科技大学 | 一种基于分数熵的红外弱小目标检测方法 |
CN114066757A (zh) * | 2021-11-16 | 2022-02-18 | 北京黉芯科技有限公司 | 基于引导滤波的数字细节增强正则化参数自适应选取方法 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制*** |
-
2023
- 2023-11-16 CN CN202311523130.9A patent/CN117237619B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730535A (zh) * | 2017-09-14 | 2018-02-23 | 北京空间机电研究所 | 一种可见光红外级联视频跟踪方法 |
US20190362511A1 (en) * | 2018-05-23 | 2019-11-28 | Apple Inc. | Efficient scene depth map enhancement for low power devices |
CN110674782A (zh) * | 2019-09-30 | 2020-01-10 | 电子科技大学 | 一种基于分数熵的红外弱小目标检测方法 |
CN114066757A (zh) * | 2021-11-16 | 2022-02-18 | 北京黉芯科技有限公司 | 基于引导滤波的数字细节增强正则化参数自适应选取方法 |
CN114638828A (zh) * | 2022-05-18 | 2022-06-17 | 数聚(山东)医疗科技有限公司 | 一种基于计算机视觉的放射影像智能分割方法 |
CN116385448A (zh) * | 2023-06-07 | 2023-07-04 | 深圳市华伟精密陶瓷有限公司 | 基于机器视觉的氧化铝陶瓷表面加工缺陷检测方法 |
CN116520915A (zh) * | 2023-06-28 | 2023-08-01 | 泰山学院 | 基于热红外图像的网络中心机房温度预警控制*** |
Non-Patent Citations (3)
Title |
---|
AVRIM BLUM .ETAL: "Approximate Convex Hull of Data Streams", ARXIV * |
佟喜峰 等: "基于DTW的手势识别算法", 计算机与数字工程, vol. 50, no. 08, pages 1782 - 1786 * |
马岱 等: "基于不变矩的海面红外目标识别", 中国科技信息, no. 18 * |
Also Published As
Publication number | Publication date |
---|---|
CN117237619B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414411B (zh) | 基于视觉显著性的海面船只候选区域检测方法 | |
CN109977798B (zh) | 用于行人重识别的掩膜池化模型训练和行人重识别方法 | |
CN107133929B (zh) | 基于背景估计和能量最小化的低质量文档图像二值化方法 | |
CN108830225B (zh) | 太赫兹图像中目标物体的检测方法、装置、设备及介质 | |
CN102360421A (zh) | 一种基于视频流的人脸识别方法及*** | |
CN116110053B (zh) | 基于图像识别的集装箱表面信息检测方法 | |
CN110458160A (zh) | 一种基于深度压缩神经网络的无人艇水面目标识别算法 | |
CN107167810A (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN116152115B (zh) | 基于计算机视觉的垃圾图像去噪处理方法 | |
CN107705313A (zh) | 一种遥感图像舰船目标分割方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN109063669B (zh) | 一种基于图像识别的桥区船舶航行态势分析方法及装置 | |
CN108647693B (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
Wang et al. | An efficient method for image dehazing | |
CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
Ma et al. | A method for infrared sea-sky condition judgment and search system: Robust target detection via PLS and CEDoG | |
CN108765439A (zh) | 一种基于无人水面艇的海天线检测方法 | |
CN116363535A (zh) | 基于卷积神经网络的无人机航拍影像中的船舶检测方法 | |
Mo et al. | Sea-sky line detection in the infrared image based on the vertical grayscale distribution feature | |
CN102509308A (zh) | 基于混合动态纹理空时显著性检测的运动分割方法 | |
CN112613565B (zh) | 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法 | |
CN103810487A (zh) | 一种海洋航拍图像的目标检测与识别方法及*** | |
Ma et al. | MSMA-Net: An Infrared Small Target Detection Network by Multi-scale Super-resolution Enhancement and Multi-level Attention Fusion | |
CN117237619B (zh) | 基于机器视觉技术的水上救援探测***及方法 | |
CN117115193A (zh) | 基于行抑制的红外舰船定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |