Nothing Special   »   [go: up one dir, main page]

CN113705501B - 一种基于图像识别技术的海上目标检测方法和系统 - Google Patents

一种基于图像识别技术的海上目标检测方法和系统 Download PDF

Info

Publication number
CN113705501B
CN113705501B CN202111025400.4A CN202111025400A CN113705501B CN 113705501 B CN113705501 B CN 113705501B CN 202111025400 A CN202111025400 A CN 202111025400A CN 113705501 B CN113705501 B CN 113705501B
Authority
CN
China
Prior art keywords
image
backlight
original image
gray level
preset
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.)
Active
Application number
CN202111025400.4A
Other languages
English (en)
Other versions
CN113705501A (zh
Inventor
王国庆
潘海华
邵卫华
李克祥
王春燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZHEJIANG SOS TECHNOLOGY CO LTD
Original Assignee
ZHEJIANG SOS TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZHEJIANG SOS TECHNOLOGY CO LTD filed Critical ZHEJIANG SOS TECHNOLOGY CO LTD
Priority to CN202111025400.4A priority Critical patent/CN113705501B/zh
Publication of CN113705501A publication Critical patent/CN113705501A/zh
Application granted granted Critical
Publication of CN113705501B publication Critical patent/CN113705501B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种基于图像识别技术的海上目标检测方法和系统，一方面，方法包括S1，获取待进行海上目标检测的原始图像；S2，判断原始图像是否为逆光图像；S3，若原始图像为逆光图像，则采用预设的逆光图像预处理算法对原始图像进行预处理，获得预处理图像；若原始图像为非逆光图像，则采用预设的顺光图像预处理算法对原始图像进行预处理，获得预处理图像；S4，基于预处理图像进行海上目标检测，获得检测结果。另一方面，本发明还提供了系统用于实现以上方法。本发明有效地增强了对逆光图像的预处理的针对性，从而提高本发明获得的预处理图像的准确性，进而有利于提高对于海上目标检测的准确性。

Description

一种基于图像识别技术的海上目标检测方法和系统
技术领域
本发明涉及检测领域，尤其涉及一种基于图像识别技术的海上目标检测方法和系统。
背景技术
现有技术中，使用图像识别技术对海上目标进行检测时，一般都是直接对图像进行预处理后，提取特征信息，然后基于特征信息进行目标识别。但是现有技术在预处理过程中缺少对逆光的场景考虑，在逆光条件下，海上目标的在图像上留下的像素值可能比反光的海浪小，很容易受到海浪的影响，从而导致最后的目标检测结果不够准确。
发明内容
鉴于上述问题，本发明的目的在于提供一种基于图像识别技术的海上目标检测方法和系统。
一方面，本发明提供了一种基于图像识别技术的海上目标检测方法，包括：
S1，获取待进行海上目标检测的原始图像；
S2，判断所述原始图像是否为逆光图像；
S3，若原始图像为逆光图像，则采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
若原始图像为非逆光图像，则采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
S4，基于预处理图像进行海上目标检测，获得检测结果。
作为优选，所述判断原始图像是否为逆光图像，包括：
将原始图像转换为灰度图像；
获取灰度图像的灰度直方图；
对所述灰度直方图进行归一化处理，获得归一化直方图S，S＝(s1,s2,…,s256)；
计算归一化直方图S的标准差：
其中，devst(S)表示归一化直方图S的标准差，st表示第t个灰度级所包含的像素点的总数；
对灰度图像进行海天线检测，基于海天线将所述灰度图像划分为天空区域图像和海面区域图像；
将所述天空区域图像转换为二值图像；
对所述二值图像进行连通域检测，获取所述二值图像中的平均像素值最大的连通域所包含的像素点的总数nummax；
计算所述平均像素值最大的连通域与所述天空图像之间的像素点的比例：
其中，prop表示所述最大连通域与所述天空图像之间的像素点的比例，numsky表示天空图像中包含的像素点的总数；
计算原始图像的逆光指数：
其中，bklidx表示原始图像的逆光指数，stdevst表示预设的归一化直方图的标准差的标准值，propst表示预设的比例标准值，C表示预设的常数系数，α和β表示预设的权重参数，α+β＝1；
判断bklidx是否大于预设的逆光指数判断阈值，若是，则表示所述原始图像为逆光图像，若否，则表示所述原始图像不是逆光图像。
作为优选，所述采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像；
采用图像分割算法对所述逆转图像进行分割处理，获得预处理图像。
作为优选，所述采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
获取所述灰度图像中的区域极值点图像；
对区域极值点进行调节处理，获得调节后的区域极值点图像；
基于调节后的区域极值点图像对灰度图像进行增强处理，获得预处理图像。
作为优选，所述基于预处理图像进行海上目标检测，获得检测结果，包括：
将所述预处理图像输入到预先训练的神经网络模型中进行识别，获得检测结果。
另一方面，本发明还提供了一种基于图像识别技术的海上目标检测系统，包括获取模块、判断模块、预处理模块和检测模块；
所述获取模块用于获取待进行海上目标检测的原始图像；
所述判断模块用于判断所述原始图像是否为逆光图像；
所述获取模块用于在原始图像为逆光图像时，采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
以及用于在原始图像为非逆光图像是，采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
所述检测模块用于基于预处理图像进行海上目标检测，获得检测结果。
本发明通过对原始图像进行逆光判断，然后分别对逆光图像和非逆光图像采用了不同的预处理方式进行图像预处理，有效地增强了对逆光图像的预处理的针对性，从而提高本发明获得的预处理图像的准确性，进而有利于提高对于海上目标检测的准确性。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1，为本发明一种基于图像识别技术的海上目标检测方法的一种示例性实施例图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明提供了一种基于图像识别技术的海上目标检测方法和系统。
如图1所示的一种实施例，一方面，本发明提供了一种基于图像识别技术的海上目标检测方法，包括：
S1，获取待进行海上目标检测的原始图像；
S2，判断所述原始图像是否为逆光图像；
S3，若原始图像为逆光图像，则采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
若原始图像为非逆光图像，则采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
S4，基于预处理图像进行海上目标检测，获得检测结果。
本发明通过对原始图像进行逆光判断，然后分别对逆光图像和非逆光图像采用了不同的预处理方式进行图像预处理，有效地增强了对逆光图像的预处理的针对性，从而提高本发明获得的预处理图像的准确性，进而有利于提高对于海上目标检测的准确性。
作为优选，所述判断原始图像是否为逆光图像，包括：
将原始图像转换为灰度图像；
获取灰度图像的灰度直方图；
对所述灰度直方图进行归一化处理，获得归一化直方图S，S＝(s1,s2,…,s256)；
计算归一化直方图S的标准差：
其中，devst(S)表示归一化直方图S的标准差，st表示第t个灰度级所包含的像素点的总数；
对灰度图像进行海天线检测，基于海天线将所述灰度图像划分为天空区域图像和海面区域图像；
将所述天空区域图像转换为二值图像；
对所述二值图像进行连通域检测，获取所述二值图像中的平均像素值最大的连通域所包含的像素点的总数nummax；
计算所述平均像素值最大的连通域与所述天空图像之间的像素点的比例：
其中，prop表示所述最大连通域与所述天空图像之间的像素点的比例，numsky表示天空图像中包含的像素点的总数；
计算原始图像的逆光指数：
其中，bklidx表示原始图像的逆光指数，stdevst表示预设的归一化直方图的标准差的标准值，propst表示预设的比例标准值，C表示预设的常数系数，α和β表示预设的权重参数，α+β＝1；
判断bklidx是否大于预设的逆光指数判断阈值，若是，则表示所述原始图像为逆光图像，若否，则表示所述原始图像不是逆光图像。
在对逆光图像进行判断时，主要从灰度直方图的像素值分布和天空区域的平均像素值最大的连通域两方面进行考虑，能够综合得到准确的逆光判断结果。当逆光时，在一般情况下，天空区域的像素点的像素值普遍比海面区域的大，因此，直方图的方差会比较大，从而能够根据该方差对是否逆光进行判断，但是如果仅从直方图分布上进行考虑，那么可能受到极端情况的影响，例如太阳在原始图像中所占的面积比较小时，那么即使是逆光，直方图的标准差也不会很大，存在误判断的风险。因此，本发明还从天空图像的连通域方面进行考虑，由于太阳所在的连通域为平均像素值最大的连通域，因此，还能通过对连通域和天空图像之间的像素点比例来判断逆光的程度，比例越大，逆光越厉害，从而能够保证正确地对图像是否逆光进行判断。
作为优选，所述采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像；
采用图像分割算法对所述逆转图像进行分割处理，获得预处理图像。
在逆光拍摄时，目标区域的像素点经常比被反射太阳光的海浪的像素点的像素值小，因此，造成检测困难。因此，本发明通过设置灰度逆转的过程，将原来的灰度值比较小的像素点转换为灰度值比较大的像素点，将原来的灰度值比较大的像素点转换为灰度值比较小的像素点，因此，能够有效降低目标区域的像素点被反射太阳光的海浪的像素点的影响程度。对逆转图像进行分割处理，有利于降低参与后续的目标检测过程的像素点的数量，从而提高本发明的识别速度。
作为优选，所述将所述原始图像转换为灰度图像，包括：
采用加权平均值法将所述原始图像转换为灰度图像。
作为优选，所述采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像，包括：
采用所述变换滤波器由如下构建函数构建：
其中，x和y表示灰度图像中的像素点的横坐标和纵坐标，δ1表示第一逆转参数，δ2表示第二逆转参数，δ1∈(c1+0.16h,c1+0.17h)，δ2＝c2-c3exp(-3.8)h，c1、c2、c3分别表示预设的第一常数系数、第二常数系数和第三常数系数，h表示所述灰度图像中所包含的像素点的行数；c1的取值范围为(0.49,0.59)，c2的取值范围为(2.69,2.81)，c3的取值范围为(5.99,6.19)；cvp(x,y)表示构建函数；
使用上述构建函数构建大小为Q×Q的变换滤波器；
使用变换滤波器对对灰度图像进行卷积处理，获得逆转图像。
本发明构建的变换滤波器的过程与构建高斯滤波器的过程相同，只是构建函数不同，本发明的构建函数构建的变换滤波器能够对高光区域进行压制，同时提高暗部区域的像素点的像素值，从而使得本发明的像素点的像素值分布更为均匀，有利于提高逆转图像的细节信息的含量。同时，本发明所构建的滤波器还具有一定的滤波功能，能够有效降低逆转图像中的噪声。
作为优选，所述采用图像分割算法对所述逆转图像进行分割处理，获得预处理图像，包括：
使用均值迭代分割算法对所述所述逆转图像进行分割处理，获得前景图像和背景图像；
获取所述前景图像在所述逆转图像中对应的像素点的集合S；
使用集合S中的像素点组成预处理图像。
除了均值迭代分割算法，还可以是其它能够实现前景和背景分离的算法，例如区域生长算法等。由于逆转图像是在灰度图像的基础上生成的，因此，逆转图像中的每个像素点都能在灰度图像中找到与其相对坐标一样的像素点，同理，前景图像也能在灰度图像找到相对应的像素点。
作为优选，所述采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
获取所述灰度图像中的区域极值点图像；
对区域极值点进行调节处理，获得调节后的区域极值点图像；
基于调节后的区域极值点图像对灰度图像进行增强处理，获得预处理图像。
本发明上述实施方式，通过构建区域极值点图像对灰度图像进行增强处理，能够增强待检测的目标的与周边像素点之间的差异，从而能够有效地降低波浪对后续的目标识别的影响，实现了降噪的效果。
作为优选，所述获取所述灰度图像中的区域极值点图像，包括：
采用如下方式构建计算卷积模板：
其中，lcb表示卷积模板，A×A表示卷积窗口的大小，b表示预设的常数系数，b＜A；
使用lcb对灰度图像中的每个像素点进行卷积计算，获得卷积结果：
jc＝lcb*gray
其中，jc表示卷积结果，gray表示灰度图像，*表示卷积运算；
判断卷积结果jc是否大于预设的卷积结果阈值，若是，则卷积结果对应的像素点为区域极值点，从灰度图像中获取所有的区域极值点，组成区域极值点图像。
区域极值点图像的目的就是选出与周边的像素点差异最大的像素点，因为一般在灰度图像中，目标区域的像素点与周边的像素点之间的差异都比较大，但是，波浪区域的像素点也具有这种特点，不同的是，海浪区域像素点与周边像素点之间的差异一般小于目标区域，因此，通过设置阈值能够进一步提高区域极值点图像中获得属于目标区域的像素点的准确性。
作为优选，所述对区域极值点进行调节处理，获得调节后的区域极值点图像，包括：
采用如下方式对区域极值点进行调节处理：
其中,q'(x,y)表示坐标(x,y)处区域极值点调节后的像素值，q(x,y)表示坐标(x,y)处区域极值点的像素值，qmi和qma分别表示坐标(x,y)处区域极值点的K×K大小的邻域中的区域极值点像素值的最小值和最大值，B表示预设的调节参数，sh表示取值函数，若q(x,y)-qma等于0，则sh(q(x,y)-qma)的值为1，否则，sh(q(x,y)-qma)的值为-1。
调节处理的目的是考虑了目标区域的像素点的平均像素值有可能低于波浪区域的像素点，因此，通过以上的调节处理，由于海浪区域像素点与周边像素点之间的差异一般小于目标区域，经过以上处理后，能够进一步提高目标区域像素点与周围的像素点之间的差异，有利于后续准确识别出海上目标。
作为优选，所述基于调节后的区域极值点图像对灰度图像进行增强处理，获得预处理图像，包括：
采用如下方式对灰度图像进行增强处理：
afgray(x,y)＝BL(x,y)×gray(x,y)
其中，gray(x,y)表示灰度图像中坐标(x,y)处的像素值，BL表示增强系数，afgray(x,y)表示对gray(x,y)进行增强处理后的像素值，
BL(x,y)表示增强系数，通过如下方式获取：
若小于1，则/>若/>则/>若/>大于2，则BL(x,y)等于1，其中，h1、h2、h3表示预设的比例系数，h1+h2+h3＝1。
以上的增强过程，由于增强系数与区域极值点图像相关，因此，与目标区域有关的像素点能够进一步被增强，从而加大了目标区域的像素点与海浪像素点之间的差异。
作为优选，所述基于预处理图像进行海上目标检测，获得检测结果，包括：
将所述预处理图像输入到预先训练的神经网络模型中进行识别，获得检测结果。
另一方面，本发明还提供了一种基于图像识别技术的海上目标检测系统，包括获取模块、判断模块、预处理模块和检测模块；
所述获取模块用于获取待进行海上目标检测的原始图像；
所述判断模块用于判断所述原始图像是否为逆光图像；
所述获取模块用于在原始图像为逆光图像时，采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
以及用于在原始图像为非逆光图像是，采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
所述检测模块用于基于预处理图像进行海上目标检测，获得检测结果。
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。

Claims (3)

1.一种基于图像识别技术的海上目标检测方法，其特征在于，包括：
S1，获取待进行海上目标检测的原始图像；
S2，判断所述原始图像是否为逆光图像；
S3，若原始图像为逆光图像，则采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
若原始图像为非逆光图像，则采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
S4，基于预处理图像进行海上目标检测，获得检测结果；
所述判断原始图像是否为逆光图像，包括：
将原始图像转换为灰度图像；
获取灰度图像的灰度直方图；
对所述灰度直方图进行归一化处理，获得归一化直方图S，S＝(s1,s2,…,s256)；
计算归一化直方图S的标准差：
其中，devst(S)表示归一化直方图S的标准差，st表示第t个灰度级所包含的像素点的总数；
对灰度图像进行海天线检测，基于海天线将所述灰度图像划分为天空区域图像和海面区域图像；
将所述天空区域图像转换为二值图像；
对所述二值图像进行连通域检测，获取所述二值图像中的平均像素值最大的连通域所包含的像素点的总数nummax；
计算所述平均像素值最大的连通域与所述天空区域图像之间的像素点的比例：
其中，prop表示所述平均像素值最大的连通域与所述天空区域图像之间的像素点的比例，numsky表示天空区域图像中包含的像素点的总数；
计算原始图像的逆光指数：
其中，bklidx表示原始图像的逆光指数，stdevst表示预设的归一化直方图的标准差的标准值，propst表示预设的比例标准值，C表示预设的常数系数，α和β表示预设的权重参数，α+β＝1；
判断bklidx是否大于预设的逆光指数判断阈值，若是，则表示所述原始图像为逆光图像，若否，则表示所述原始图像不是逆光图像；
所述采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
获取所述灰度图像中的区域极值点图像；
对区域极值点进行调节处理，获得调节后的区域极值点图像；
基于调节后的区域极值点图像对灰度图像进行增强处理，获得预处理图像；所述采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像；
采用图像分割算法对所述逆转图像进行分割处理，获得预处理图像；
所述采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像，包括：
采用所述变换滤波器由如下构建函数构建：
其中，x和y表示灰度图像中的像素点的横坐标和纵坐标，δ1表示第一逆转参数，δ2表示第二逆转参数，δ1∈(c1+0.16h,c1+0.17h)，δ2＝c2-c3exp(-3.8)h，c1、c2、c3分别表示预设的第一常数系数、第二常数系数和第三常数系数，h表示所述灰度图像中所包含的像素点的行数；c1的取值范围为(0.49,0.59)，c2的取值范围为(2.69,2.81)，c3的取值范围为(5.99,6.19)；cvp(x,y)表示构建函数；
使用上述构建函数构建大小为Q×Q的变换滤波器；
使用变换滤波器对灰度图像进行卷积处理，获得逆转图像。
2.根据权利要求1所述的一种基于图像识别技术的海上目标检测方法，其特征在于，所述基于预处理图像进行海上目标检测，获得检测结果，包括：
将所述预处理图像输入到预先训练的神经网络模型中进行识别，获得检测结果。
3.一种基于图像识别技术的海上目标检测系统，其特征在于，包括获取模块、判断模块、预处理模块和检测模块；
所述获取模块用于获取待进行海上目标检测的原始图像；
所述判断模块用于判断所述原始图像是否为逆光图像；
所述获取模块用于在原始图像为逆光图像时，采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
以及用于在原始图像为非逆光图像是，采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像；
所述检测模块用于基于预处理图像进行海上目标检测，获得检测结果；
所述判断原始图像是否为逆光图像，包括：
将原始图像转换为灰度图像；
获取灰度图像的灰度直方图；
对所述灰度直方图进行归一化处理，获得归一化直方图S，S＝(s1,s2,…,s256)；
计算归一化直方图S的标准差：
其中，devst(S)表示归一化直方图S的标准差，st表示第t个灰度级所包含的像素点的总数；
对灰度图像进行海天线检测，基于海天线将所述灰度图像划分为天空区域图像和海面区域图像；
将所述天空区域图像转换为二值图像；
对所述二值图像进行连通域检测，获取所述二值图像中的平均像素值最大的连通域所包含的像素点的总数nummax；
计算所述平均像素值最大的连通域与所述天空区域图像之间的像素点的比例：
其中，prop表示所述平均像素值最大的连通域与所述天空区域图像之间的像素点的比例，numsky表示天空区域图像中包含的像素点的总数；
计算原始图像的逆光指数：
其中，bklidx表示原始图像的逆光指数，stdevst表示预设的归一化直方图的标准差的标准值，propst表示预设的比例标准值，C表示预设的常数系数，α和β表示预设的权重参数，α+β＝1；
判断bklidx是否大于预设的逆光指数判断阈值，若是，则表示所述原始图像为逆光图像，若否，则表示所述原始图像不是逆光图像；
所述采用预设的顺光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
获取所述灰度图像中的区域极值点图像；
对区域极值点进行调节处理，获得调节后的区域极值点图像；
基于调节后的区域极值点图像对灰度图像进行增强处理，获得预处理图像；
所述采用预设的逆光图像预处理算法对所述原始图像进行预处理，获得预处理图像，包括：
将所述原始图像转换为灰度图像；
采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像；
采用图像分割算法对所述逆转图像进行分割处理，获得预处理图像；
所述采用变换滤波器对灰度图像进行灰度逆转处理，获得逆转图像，包括：
采用所述变换滤波器由如下构建函数构建：
其中，x和y表示灰度图像中的像素点的横坐标和纵坐标，δ1表示第一逆转参数，δ2表示第二逆转参数，δ1∈(c1+0.16h,c1+0.17h)，δ2＝c2-c3exp(-3.8)h，c1、c2、c3分别表示预设的第一常数系数、第二常数系数和第三常数系数，h表示所述灰度图像中所包含的像素点的行数；c1的取值范围为(0.49,0.59)，c2的取值范围为(2.69,2.81)，c3的取值范围为(5.99,6.19)；cvp(x,y)表示构建函数；
使用上述构建函数构建大小为Q×Q的变换滤波器；
使用变换滤波器对灰度图像进行卷积处理，获得逆转图像。
CN202111025400.4A 2021-09-02 2021-09-02 一种基于图像识别技术的海上目标检测方法和系统 Active CN113705501B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111025400.4A CN113705501B (zh) 2021-09-02 2021-09-02 一种基于图像识别技术的海上目标检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111025400.4A CN113705501B (zh) 2021-09-02 2021-09-02 一种基于图像识别技术的海上目标检测方法和系统

Publications (2)

Publication Number Publication Date
CN113705501A CN113705501A (zh) 2021-11-26
CN113705501B true CN113705501B (zh) 2024-04-26

Family

ID=78658898

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111025400.4A Active CN113705501B (zh) 2021-09-02 2021-09-02 一种基于图像识别技术的海上目标检测方法和系统

Country Status (1)

Country Link
CN (1) CN113705501B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114219992B (zh) * 2021-12-14 2022-06-03 杭州古伽船舶科技有限公司 一种基于图像识别技术的无人船避障系统
CN116758508B (zh) * 2023-08-18 2024-01-12 四川蜀道新能源科技发展有限公司 基于像素差异扩大处理的路面标线检测方法、系统及终端

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604383A (zh) * 2009-07-24 2009-12-16 哈尔滨工业大学 一种基于红外图像的海上目标检测方法
CN102542552A (zh) * 2010-12-21 2012-07-04 北京汉王智通科技有限公司 视频图像的顺逆光判断和拍摄时间检测方法
KR101172283B1 (ko) * 2012-05-31 2012-08-09 국방과학연구소 해상 표적 검출 방법
CN104408974A (zh) * 2014-07-15 2015-03-11 王晓东 船舶周边目标检测报警系统
EP2905722A1 (en) * 2014-02-10 2015-08-12 Huawei Technologies Co., Ltd. Method and apparatus for detecting salient region of image
CN106161967A (zh) * 2016-09-13 2016-11-23 维沃移动通信有限公司 一种逆光场景全景拍摄方法及移动终端
CN106570487A (zh) * 2016-11-10 2017-04-19 维森软件技术（上海）有限公司 物体间的碰撞预测方法和装置
KR101800591B1 (ko) * 2017-10-30 2017-11-24 김용오 3차원 카메라를 이용한 차량 번호 인식 시스템
JP6336693B1 (ja) * 2016-12-09 2018-06-06 株式会社日立国際電気 水上侵入検知システムおよびその方法
CN109101897A (zh) * 2018-07-20 2018-12-28 中国科学院自动化研究所 水下机器人的目标检测方法、系统及相关设备
WO2019011147A1 (zh) * 2017-07-10 2019-01-17 Oppo广东移动通信有限公司 逆光场景的人脸区域处理方法和装置
CN109242870A (zh) * 2018-07-13 2019-01-18 上海大学 一种基于图像划分和纹理特征的海天线检测方法
CN109978869A (zh) * 2019-03-29 2019-07-05 清华大学 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统
CN109993744A (zh) * 2019-04-09 2019-07-09 大连海事大学 一种海上逆光环境下的红外目标检测方法
WO2019233393A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN111489344A (zh) * 2020-04-10 2020-08-04 湖南索莱智能科技有限公司 一种图像清晰度的确定方法、系统及相关装置
CN111898633A (zh) * 2020-06-19 2020-11-06 北京理工大学 一种基于高光谱图像的海上舰船目标检测方法
CN112085753A (zh) * 2020-09-02 2020-12-15 广东海启星海洋科技有限公司 基于图像处理的水位监测方法、设备、介质及监测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4956452B2 (ja) * 2008-01-25 2012-06-20 富士重工業株式会社 車両用環境認識装置
CN103217436B (zh) * 2013-03-06 2015-05-20 京东方科技集团股份有限公司 一种背光模组瑕疵的检测方法及设备

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604383A (zh) * 2009-07-24 2009-12-16 哈尔滨工业大学 一种基于红外图像的海上目标检测方法
CN102542552A (zh) * 2010-12-21 2012-07-04 北京汉王智通科技有限公司 视频图像的顺逆光判断和拍摄时间检测方法
KR101172283B1 (ko) * 2012-05-31 2012-08-09 국방과학연구소 해상 표적 검출 방법
EP2905722A1 (en) * 2014-02-10 2015-08-12 Huawei Technologies Co., Ltd. Method and apparatus for detecting salient region of image
CN104408974A (zh) * 2014-07-15 2015-03-11 王晓东 船舶周边目标检测报警系统
CN106161967A (zh) * 2016-09-13 2016-11-23 维沃移动通信有限公司 一种逆光场景全景拍摄方法及移动终端
CN106570487A (zh) * 2016-11-10 2017-04-19 维森软件技术（上海）有限公司 物体间的碰撞预测方法和装置
JP6336693B1 (ja) * 2016-12-09 2018-06-06 株式会社日立国際電気 水上侵入検知システムおよびその方法
WO2019011147A1 (zh) * 2017-07-10 2019-01-17 Oppo广东移动通信有限公司 逆光场景的人脸区域处理方法和装置
KR101800591B1 (ko) * 2017-10-30 2017-11-24 김용오 3차원 카메라를 이용한 차량 번호 인식 시스템
WO2019233393A1 (zh) * 2018-06-08 2019-12-12 Oppo广东移动通信有限公司 图像处理方法和装置、存储介质、电子设备
CN109242870A (zh) * 2018-07-13 2019-01-18 上海大学 一种基于图像划分和纹理特征的海天线检测方法
CN109101897A (zh) * 2018-07-20 2018-12-28 中国科学院自动化研究所 水下机器人的目标检测方法、系统及相关设备
CN109978869A (zh) * 2019-03-29 2019-07-05 清华大学 一种基于灰度共生矩阵和Hough变换的海天线检测方法与系统
CN109993744A (zh) * 2019-04-09 2019-07-09 大连海事大学 一种海上逆光环境下的红外目标检测方法
CN111489344A (zh) * 2020-04-10 2020-08-04 湖南索莱智能科技有限公司 一种图像清晰度的确定方法、系统及相关装置
CN111898633A (zh) * 2020-06-19 2020-11-06 北京理工大学 一种基于高光谱图像的海上舰船目标检测方法
CN112085753A (zh) * 2020-09-02 2020-12-15 广东海启星海洋科技有限公司 基于图像处理的水位监测方法、设备、介质及监测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于海天线检测的舰船定位方法;黄英东;范宁军;李杰;;弹箭与制导学报;20081015(第05期);低86-288页 *

Also Published As

Publication number Publication date
CN113705501A (zh) 2021-11-26

Similar Documents

Publication Publication Date Title
CN112819772B (zh) 一种高精度快速图形检测识别方法
CN109086714A (zh) 表格识别方法、识别系统及计算机装置
CN113705501B (zh) 一种基于图像识别技术的海上目标检测方法和系统
CN116110053B (zh) 基于图像识别的集装箱表面信息检测方法
CN112070717B (zh) 基于图像处理的输电线路覆冰厚度检测方法
CN115984134A (zh) 一种遥感测绘图像智能增强方法
CN116152115B (zh) 基于计算机视觉的垃圾图像去噪处理方法
CN110298796B (zh) 基于改进Retinex与对数图像处理的低照度图像增强方法
Leng An improved non-local means algorithm for image denoising
CN113011433B (zh) 一种滤波参数调整方法及装置
CN109829858A (zh) 一种基于局部自适应阈值的船载雷达图像溢油监测方法
CN116485686A (zh) 一种活性污泥法的污水处理图像增强方法
CN112001858A (zh) 一种细胞病理图像处理的方法及系统
CN115861359A (zh) 一种水面漂浮垃圾图像自适应分割提取方法
Xu et al. Improved Canny Edge Detection Operator
CN114998186A (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及系统
Meenu et al. Evolution of new integrated haze removal algorithm based on haze line
CN118297837A (zh) 基于图像处理的红外模拟器虚拟图像增强系统
Samanta et al. Statistical approach for Classification of SAR Images
CN112184619A (zh) 一种基于深度学习的金属部件表面缺陷检测方法
Song et al. Design of Video Pre-processing Algorithm for High-speed Processing of Maritime Object Detection System and Deep Learning based Integrated System
CN116343051A (zh) 一种基于遥感影像的地质环境监测方法及系统
Gautam et al. A GUI for automatic extraction of signature from image document
CN116188990A (zh) 一种基于无人机遥感的地表植被识别方法及系统
CN115841632A (zh) 输电线路提取方法、装置以及双目测距方法

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