一種水下生物檢測(cè)方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種水下生物檢測(cè)方法和系統(tǒng),包括:采集水下生物的樣本圖像,對(duì)樣本圖像進(jìn)行超像素分割,形成多個(gè)超像素區(qū)域;提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量;將第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī)SVM中進(jìn)行學(xué)習(xí),構(gòu)建顏色特征分類器和紋理特征分類器;采集水下生物的待測(cè)圖像的超像素區(qū)域的第二顏色特征向量和第二紋理特征向量;將第二顏色特征向量輸入顏色特征分類器,將第二紋理特征向量輸入紋理特征分類器,判斷待測(cè)圖像的超像素區(qū)域是否為水下生物區(qū)域。本發(fā)明提供的技術(shù)方案,實(shí)現(xiàn)了水下生物的檢測(cè),解決了現(xiàn)有因?yàn)樗颅h(huán)境復(fù)雜,檢測(cè)難度大的問題,以及人工捕撈困難的問題。
【專利說明】
一種水下生物檢測(cè)方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域,尤其涉及一種水下生物檢測(cè)方法和系統(tǒng)。
【背景技術(shù)】
[0002] 海參屬海參綱,水下生物的一種,距今已有六億多年的歷史,海參以海底藻類和浮 游生物為食。海參全身長(zhǎng)滿肉刺,廣布于世界各海洋中。海參生長(zhǎng)環(huán)境在海底,由于海底存 在許多的礁石,所以無法像捕魚一樣用網(wǎng)撈,目前的捕撈方式主要靠人工。由于海參生長(zhǎng)環(huán) 境特殊,導(dǎo)致捕撈作業(yè)非常復(fù)雜,需要作業(yè)人員帶上氧氣罩,潛到海底去捕撈,且長(zhǎng)久作業(yè) 對(duì)人體有一定的害處,所以為了實(shí)現(xiàn)海參捕撈自動(dòng)化迫在眉睫。面向近淺海海參捕撈機(jī)器 人的需求,迫切需要解決海參目標(biāo)的檢測(cè)問題。
[0003] 由于水下環(huán)境的影響,之前曾提出過半自動(dòng)的海參圖像分割工作,首先使用了單 尺度Retinex進(jìn)行了水下預(yù)處理。然而,在處理后的圖像中自動(dòng)檢測(cè)海參對(duì)象,但是該檢測(cè) 工作仍然是具有挑戰(zhàn)性的工作,如圖la、圖lb、圖lc、圖Id所示。由于在水下環(huán)境中光的散射 和吸收造成的照度不均,以及水中不確定性的懸浮物的存在,使得不同圖像中海參和背景 有很大的差異。還有暗陰影隱藏了圖像細(xì)節(jié),使得分析海參表面特征十分困難。海水中還有 大量的水草、纖維袋、砂石以及小貝殼等各種雜質(zhì),生成多種噪點(diǎn),對(duì)海參檢測(cè)造成干擾。部 分圖像中,海參會(huì)被水草等遮擋,在此情況下,提取海參的特征具有挑戰(zhàn)性。
[0004] 目前,因?yàn)橛?jì)算機(jī)視覺技術(shù)處理圖像的自動(dòng)化和高效,使得它在各個(gè)領(lǐng)域的應(yīng)用 越來越普及。然而,目前還沒有研究海參檢測(cè)的方法的研究者。計(jì)算機(jī)視覺檢測(cè)方法用于 人臉檢測(cè)、行人檢測(cè)、農(nóng)產(chǎn)品檢測(cè)和顯著性檢測(cè)等多種領(lǐng)域。其中將人臉檢測(cè)方法分為四 類:基于特征的檢測(cè)方法、基于外觀的檢測(cè)方法、基于知識(shí)的檢測(cè)方法以及模板匹配方法。 但與人臉有區(qū)別的是,海參嚴(yán)重的非剛性,沒有固定的形狀和姿態(tài),由于光照和個(gè)體差異的 影響,每個(gè)海參在圖像中成像也不同。自2005年Dalai等人提出基于H0G特征的行人檢測(cè)方 法后,行人檢測(cè)領(lǐng)域發(fā)展十分迅速。然而行人檢測(cè)方法也有很多缺陷,不能處理前景與背景 顏色相近,而海參的皮膚顏色與海底沙地顏色相近?,F(xiàn)有技術(shù)中也提出了一種基于固定閾 值的茄子采摘機(jī)器人快速目標(biāo)識(shí)別方法,通過實(shí)驗(yàn)和統(tǒng)計(jì),發(fā)現(xiàn)了茄子果實(shí)在生長(zhǎng)環(huán)境中 和周圍的顏色特征。G-B顏色模式是茄子圖像分割最適合的,然后通過固定的雙邊閾值完成 圖像分割。農(nóng)產(chǎn)品分級(jí)檢測(cè)中利用農(nóng)作物在顏色空間中的顯著性,例如以綠葉為背景的茄 子、番茄和草莓在一些顏色空間具有顯著性,而海參生長(zhǎng)的環(huán)境復(fù)雜,光照也不均勻,大部 分海參圖像在顏色空間中沒有顯著性,所以不適合海參檢測(cè)。綜上所述,由于海參所生長(zhǎng)環(huán) 境的復(fù)雜性和海參個(gè)體的差異性,導(dǎo)致上述方法并不適合于海參檢測(cè)。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明所要解決的技術(shù)問題是如何克服水下環(huán)境的復(fù)雜性和水下生物個(gè)體的差 異性,以實(shí)現(xiàn)水下生物的準(zhǔn)確檢測(cè)。
[0006] 為此目的,本發(fā)明提出了一種水下生物檢測(cè)方法,所述方法包括:分類器訓(xùn)練階段 和水下生物檢測(cè)階段;
[0007] 所述分類器訓(xùn)練階段包括:
[0008] 采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分割,形成多個(gè)超像素區(qū) 域;
[0009] 提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量;
[0010]將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī)SVM中進(jìn)行學(xué) 習(xí),構(gòu)建顏色特征分類器和紋理特征分類器;
[0011] 所述水下生物檢測(cè)階段包括:
[0012] 采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超像素分割,形成多個(gè)超像素區(qū) 域;
[0013] 提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理特征向量;
[0014] 將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋理特征向量輸 入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。
[0015] 優(yōu)選的,所述對(duì)所述樣本圖像進(jìn)行超像素分割具體采用簡(jiǎn)單線性迭代聚類SLIC方 法對(duì)樣本圖像進(jìn)行超像素分割。
[0016] 優(yōu)選的,所述采用簡(jiǎn)單線性迭代聚類SLIC方法對(duì)樣本圖像進(jìn)行超像素分割包括:
[0017] 將所述樣本圖像從RGB顏色空間轉(zhuǎn)換到CIELAB顏色空間,將K個(gè)聚類中心Ck均勻的 分布在所述樣本圖像中,每個(gè)聚類中心對(duì)應(yīng)一個(gè)超像素質(zhì)心的初始位置,并引入加權(quán)距離 度量 Ds來測(cè)量顏色距離與空間距離;
[0018] 根據(jù)加權(quán)距離度量Ds將圖像中每個(gè)像素和最近的聚類中心Ck關(guān)聯(lián)起來,形成一個(gè) 集群;
[0019] 將一個(gè)集群中的所有像素的數(shù)組的平均值作為新的初始位置,如此反復(fù)迭代直到 所有的聚類中心點(diǎn)收斂到穩(wěn)定位置。
[0020] 優(yōu)選的,所述引入加權(quán)距離度量Ds來測(cè)量顏色距離與空間距離,采用以下公式:
[0024]其中,由所述CIELAB顏色空間的[lab]顏色數(shù)組和圖像像素的坐標(biāo)[x,y]組成一 個(gè)5維空間,Ds為加權(quán)距離度量,dxy為空間距離,dxy由S來歸一化處理,S為兩個(gè)聚類中心之間 的距離,d lab為顏色距離,k代表對(duì)應(yīng)的K個(gè)可能的聚類中心的索引,i為給定超像素中心k區(qū) 域內(nèi)的像素,m為用來修正空間距離和顏色距離項(xiàng)的貢獻(xiàn)。
[0025]優(yōu)選的,所述提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量,具 體包括:
[0026]提取每個(gè)超像素區(qū)域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成48維的RGB顏 色特征向
[0027]提取每個(gè)超像素區(qū)域的紋理直方圖特征,其中,每個(gè)超像素區(qū)域形成59維的LBP紋 理特征向量。
[0028]優(yōu)選的,所述提取每個(gè)超像素區(qū)域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成 48維的RGB顏色特征向量,具體包括:
[0029]將每個(gè)超像素區(qū)域中的所有像素的R、G、B三個(gè)通道分別分為16個(gè)灰度級(jí)數(shù);
[0030]分別計(jì)算每個(gè)通道的直方圖特征;
[0031]將R、G、B三個(gè)通道的所述直方圖特征合并為所述超像素區(qū)域的具有48個(gè)灰度級(jí)數(shù) 的顏色直方圖。
[0032]優(yōu)選的,提取每個(gè)超像素區(qū)域的紋理直方圖特征,其中,每個(gè)超像素區(qū)域形成59維 的LBP紋理特征向量,具體包括:
[0033] 計(jì)算所述樣本圖像的均勻LBP值;其中,均勻LBP值被分為58類;
[0034] 根據(jù)所述每個(gè)超像素區(qū)域的位置信息,統(tǒng)計(jì)每個(gè)均勻LBP值出現(xiàn)的概率,得到每個(gè) 維度的紋理直方圖;
[0035]將每個(gè)維度的紋理直方圖進(jìn)行連接成為一個(gè)59維的紋理特征向量。
[0036]優(yōu)選的,所述將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋 理特征向量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域,還包 括:
[0037]將所述顏色特征分類器的分類結(jié)果和所述紋理特征分類器的分類結(jié)果進(jìn)行或運(yùn) 算,若運(yùn)算結(jié)果為1,則表示所述超像素區(qū)域?yàn)樗律飬^(qū)域,若運(yùn)算結(jié)果為0,則表示所述 超像素區(qū)域不是水下生物區(qū)域。
[0038]優(yōu)選的,所述將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋 理特征向量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域,還包括: [0039]去除代表水下生物區(qū)域的單個(gè)超像素區(qū)域;其中,所述單個(gè)超像素區(qū)域的周圍均 為非水下生物區(qū)域;
[0040] 對(duì)檢測(cè)結(jié)果的二值圖像進(jìn)行閉運(yùn)算,以填充水下生物區(qū)域內(nèi)的細(xì)小空洞,連接最 為臨近的超像素區(qū)域,以平滑水下生物的邊界。
[0041] 另一方面,本發(fā)明還提供了一種水下生物檢測(cè)系統(tǒng),所述系統(tǒng)包括:
[0042]超像素分割單元,用于采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分 害J,形成多個(gè)超像素區(qū)域;
[0043]特征提取單元,用于提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向 量;
[0044] 訓(xùn)練單元,用于將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī) SVM中進(jìn)行學(xué)習(xí),構(gòu)建顏色特征分類器和紋理特征分類器;
[0045] 所述超像素分割單元,還用于采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超 像素分割,形成多個(gè)超像素區(qū)域;
[0046] 所述特征提取單元,還用于提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理 特征向量;
[0047] 檢測(cè)單元,用于將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二 紋理特征向量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。
[0048] 本發(fā)明實(shí)施例提供的水下生物檢測(cè)方法和系統(tǒng),通過獲取樣本的圖像,對(duì)圖像進(jìn) 行超像素分割和特征提取,建立顏色特征模型和紋理特征模型,在后續(xù)使用時(shí),只需將待測(cè) 圖像的顏色特征和紋理特征輸入顏色特征模型和紋理特征模型中,就可以確定待測(cè)圖像的 水下生物的區(qū)域,從而實(shí)現(xiàn)了水下生物的檢測(cè),解決了現(xiàn)有因?yàn)樗颅h(huán)境復(fù)雜,檢測(cè)難度大 的問題,以及人工捕撈困難的問題。
【附圖說明】
[0049] 通過參考附圖會(huì)更加清楚的理解本發(fā)明的特征和優(yōu)點(diǎn),附圖是示意性的而不應(yīng)理 解為對(duì)本發(fā)明進(jìn)行任何限制,在附圖中:
[0050] 圖la、圖lb、圖lc、圖Id為現(xiàn)有水下復(fù)雜的環(huán)境對(duì)海參檢測(cè)的干擾的示意圖;
[0051] 圖2為本發(fā)明實(shí)施例提供的一種水下生物檢測(cè)方法的流程示意圖;
[0052]圖3a為水下海參圖像的示意圖;圖3b為圖3a中的圖像經(jīng)過SLIC超像素過分割后示 意圖;
[0053]圖4為一種LBP編碼模式的示意圖;
[0054]圖5為采用本發(fā)明進(jìn)行海參檢測(cè)的效果示意圖;
[0055] 圖6為現(xiàn)有技術(shù)進(jìn)行海參檢測(cè)的效果示意圖;
[0056] 圖7本發(fā)明實(shí)施例提供的海參檢測(cè)方法的詳細(xì)流程示意圖。
【具體實(shí)施方式】
[0057] 下面將結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)描述。
[0058]如圖2所示,本發(fā)明實(shí)施例提供了一種水下生物檢測(cè)方法,所述方法包括:分類器 訓(xùn)練階段和水下生物檢測(cè)階段;
[0059] 所述分類器訓(xùn)練階段包括:
[0060] S1:采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分割,形成多個(gè)超像素 區(qū)域;
[0061] 需要解釋的是,過分割是將具有相似性質(zhì)的像素組成緊湊和相鄰的區(qū)域的預(yù)處理 技術(shù)。超像素主要針對(duì)子區(qū)域而不是孤立像素的處理,這能明顯減少圖像的復(fù)雜性。定義的 超像素遵循一個(gè)原則,那就是超像素的面積應(yīng)該不大于圖像中的有關(guān)聯(lián)的圖像的子區(qū)域。 例如,圖3a為912像素 X 608像素水下圖像中的海參,圖3b為經(jīng)過超像素分割后的圖像。海參 表面的像素聚集在一起,形成幾個(gè)超像素區(qū)域。然而,并沒有獲得子區(qū)域是屬于哪部分的, 只是代表有相同顏色的像素簇。這個(gè)原則可以避免像素分組過程中的欠分割錯(cuò)誤。過分割 就是由于一些大的超像素包含了過多結(jié)果,沒有注意圖像中的細(xì)節(jié)。
[0062] 為了對(duì)圖像進(jìn)行適當(dāng)?shù)倪^分割,必須注意在分裂的過程中保留對(duì)象的內(nèi)部邊界及 對(duì)象的邊界。因此,超像素的大小至關(guān)重要,應(yīng)該根據(jù)圖像分辨率及圖像細(xì)節(jié)適當(dāng)選擇。在 圖3b中,一個(gè)超像素區(qū)域平均包含大約1600個(gè)像素。這種選擇提供了一個(gè)輪廓圖,并能準(zhǔn)確 的吻合海參的輪廓、陰影、肉刺、皮膚等。這個(gè)超像素大小對(duì)這種分辨率圖像來說,能夠很好 的捕捉海參的細(xì)節(jié)。通過引入尺寸約束,保證避免了超像素區(qū)域超過海參大小和過分割錯(cuò) 誤的產(chǎn)生。
[0063]其中,在對(duì)樣本圖像進(jìn)行超像素分割之前還可以將樣本圖像進(jìn)行單尺度Retinex 算法增強(qiáng),對(duì)增強(qiáng)后的圖像再進(jìn)行超像素分割。
[0064]優(yōu)選的,所述對(duì)所述樣本圖像進(jìn)行超像素分割具體采用簡(jiǎn)單線性迭代聚類SLIC (Simple Linear Iterative Clustering)方法對(duì)樣本圖像進(jìn)行超像素分割。其中,所述采 用簡(jiǎn)單線性迭代聚類SLIC方法對(duì)樣本圖像進(jìn)行超像素分割包括以下步驟:
[0065] S101:將所述樣本圖像從RGB顏色空間轉(zhuǎn)換到CIELAB顏色空間,將K個(gè)聚類中心Ck 均勻的分布在所述樣本圖像中,每個(gè)聚類中心對(duì)應(yīng)一個(gè)超像素質(zhì)心的初始位置,并引入加 權(quán)距離度量Ds來測(cè)量顏色距離與空間距離;
[0066] S102:根據(jù)加權(quán)距離度量Ds將圖像中每個(gè)像素和最近的聚類中心Ck關(guān)聯(lián)起來,形 成一個(gè)集群;
[0067] S103:將一個(gè)集群中的所有像素的數(shù)組的平均值作為新的初始位置,如此反復(fù)迭 代直到所有的聚類中心點(diǎn)收斂到穩(wěn)定位置。
[0068] 需要說明的是,SLIC是基于k-means的一種超像素提取方法。SLIC超像素方法計(jì)算 成本低,具有高質(zhì)量的分割,并且使用感性的CIELAB顏色空間,并保證所有超像素的緊致 性。SLIC方法基于顏色相似和圖像平面的距離需要對(duì)像素進(jìn)行聚類,運(yùn)行的時(shí)候只需要提 供超像素個(gè)數(shù)K。假設(shè)圖像中像素的總數(shù)為N,則一個(gè)超像素區(qū)域的大小則近似為S 2 = N/K。 SLIC的超像素提取方法描述如下:首先將圖像從RGB顏色空間轉(zhuǎn)換到CIELAB顏色空間,然后 將K個(gè)聚類中心Ck均勻的分布在圖像中,每個(gè)中心對(duì)應(yīng)一個(gè)超像素質(zhì)心的初始位置。由于所 有的超像素的空間范圍大約是S 2,所以假設(shè)與這個(gè)聚類中心關(guān)聯(lián)的像素在2SX2S區(qū)域內(nèi)。 SLIC方法的關(guān)鍵在于像素如何分別被分配給K個(gè)聚類中心。
[0069]為了實(shí)現(xiàn)這個(gè)目標(biāo),優(yōu)選的,引入加權(quán)距離度量Ds來測(cè)量顏色距離與空間距離:
[0073] 其中,由所述CIELAB顏色空間的[lab]顏色數(shù)組和圖像像素的坐標(biāo)[x,y]組成一個(gè) 5維空間,Ds為加權(quán)距離度量,d xy為空間距離,dxy由S來歸一化處理,S為兩個(gè)聚類中心之間的 距離,dlab為顏色距離,k代表對(duì)應(yīng)的K個(gè)可能的聚類中心的索引,i為給定超像素中心k區(qū)域 內(nèi)的像素,m為用來修正空間距離和顏色距離項(xiàng)的貢獻(xiàn)。
[0074] 需要解釋的是,由CIELAB顏色空間的[lab]顏色數(shù)組和圖像像素的坐標(biāo)[x,y]組成 一個(gè)5維空間,空間距離dxy由S來歸一化處理,S表兩個(gè)聚類中心之間的距離,由S來歸一化 處理的目的是引入一個(gè)上界來限制d xy的最大值并減少dxy的量級(jí)來和顏色距離dlab匹配。這 里的k代表對(duì)應(yīng)的K個(gè)可能的聚類中心的索引,i指的是給定超像素中心k區(qū)域內(nèi)的像素。在 求距離Ds的公式中m值是用來修正空間距離和顏色距離項(xiàng)的貢獻(xiàn)。在聚類期間,m值越小,則 顏色距離所占比例越大。之后根據(jù)加權(quán)測(cè)量距離Ds將圖像中每個(gè)像素和最近的聚類中心C k 關(guān)聯(lián)起來。然后,將一個(gè)集群中的所有像素的[labxy]數(shù)組的平均值作為新的中心點(diǎn)??梢?認(rèn)為是中心點(diǎn)移到圖像平面中新的xy位置。這個(gè)分配過程被反復(fù)迭代進(jìn)行直到所有的聚類 中心點(diǎn)收斂到穩(wěn)定位置。
[0075] S2:提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量;
[0076]需要說明的是,對(duì)所有計(jì)算機(jī)視覺系統(tǒng)來說,特征表示直觀重要,通過特征提取可 以將超像素分割的局部區(qū)域分類為水下生物區(qū)域和背景區(qū)域,如海參區(qū)域和背景區(qū)域。海 參在水下圖像中對(duì)人眼來說,顯著的特征包括顏色和紋理。給定一幅圖像I,包含了一組超 像素 SpK^SPiSP% . . .,SPK},分別提取它們的RGB顏色直方圖特征HCKiIHCiHC% . . .,HCk} 和LBP紋理直方圖特征HLk= {HL^HL% . . .,HLk}。
[0077] 優(yōu)選的,提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量,具體包 括:提取每個(gè)超像素區(qū)域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成48維的RGB顏色特 征向量;提取每個(gè)超像素區(qū)域的紋理直方圖特征,其中,每個(gè)超像素區(qū)域形成59維的LBP紋 理特征向量。下面分別對(duì)兩種特征表示進(jìn)行簡(jiǎn)單描述:
[0078] (l)RGB顏色直方圖
[0079]優(yōu)選的,所述提取每個(gè)超像素區(qū)域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成 48維的RGB顏色特征向量,具體包括:
[0080]將每個(gè)超像素區(qū)域中的所有像素的R、G、B三個(gè)通道分別分為16個(gè)灰度級(jí)數(shù);
[0081 ]分別計(jì)算每個(gè)通道的直方圖特征;
[0082]將R、G、B三個(gè)通道的所述直方圖特征合并為所述超像素區(qū)域的具有48個(gè)灰度級(jí)數(shù) 的顏色直方圖。
[0083]舉例來說,針對(duì)某個(gè)超像素區(qū)域SPmeSPK,將超像素區(qū)域中的所有像素的RGB顏色 通道進(jìn)行統(tǒng)計(jì)形成RGB顏色直方圖。將R、G、B三個(gè)通道分別分為16個(gè)bin(灰度級(jí)數(shù)),然后分 別計(jì)算每個(gè)通道的直方圖。例如,針對(duì)R通道,
這里的hR(i)是指所有在i區(qū)間 的像素總數(shù),|hm|指的是超像素區(qū)間像素總數(shù)。最后將三個(gè)通道合并為超像素區(qū)域的具有 48個(gè)bin的顏色直方圖:HCm=[HCR(l); . ? ? ;HCR(16);HCG(1); ? ? . ;HCG(16);HCB(1); ? ? ? ;HCb (16);]。因此一副圖像中的一個(gè)超像素區(qū)域的顏色特征具有48維。
[0084] (2)Uniform LBP((Uniform Local Binary Patterns,均勾局部二值模式)紋理直 方圖
[0085] LBP(Local Binary Pattern)是通過分析評(píng)估灰度圖像像素值分布的一種統(tǒng)計(jì)紋 理特征。LBP被編碼為一種模式,用于描述中心像素點(diǎn)c和其周圍鄰域內(nèi)像素點(diǎn)p的關(guān)系。中 心像素點(diǎn)c的灰度值為g。,周圍像素點(diǎn)p灰度值為g P,R代表它們之間的距離,則該中心像素點(diǎn) c的LBP值為:
[0086] LBPi>r=^s(x)2p (4) .產(chǎn)0. f 1 if x > 0 , _ v
[0087] .、tv)= (5)
[0 if x < 0
[0088] x = gp-gc (6)
[0089] 在中心像素 c的鄰域,P個(gè)像素排列為順時(shí)針的鏈表。遍歷鏈表上的像素,計(jì)算各自 的閾值函數(shù)S(x),得到結(jié)果。將此結(jié)果每個(gè)數(shù)乘以2 P。最后得到該中心像素點(diǎn)c的LBP值,遍 歷整個(gè)圖像的像素點(diǎn),重復(fù)此過程,得到整幅圖像的LBP紋理特征值圖。如圖4所示為一個(gè)計(jì) 算LBP值的例子,最后得到該中心像素點(diǎn)的LBP值為48。如果只考慮區(qū)別的符號(hào),無論灰度尺 度如何單調(diào)變換,LBP模式都能保持不變。此外,通過與中心像素點(diǎn)c距離為R的P個(gè)像素點(diǎn)可 以生成有^種不同的模式。
[0090] 當(dāng)圖像旋轉(zhuǎn)時(shí),中心像素點(diǎn)c的鄰域像素隨著參數(shù)R發(fā)生變化。因此,根據(jù)新的像素 位置產(chǎn)生了新的LBP值,然而模式卻是保持不變的。為了解決旋轉(zhuǎn)產(chǎn)生的影響,保證每個(gè)模 式有且只有一個(gè)標(biāo)識(shí)符,引入一種旋轉(zhuǎn)不變LBP(Rotation Invariant Local Binary Pattern),定義如下:
[0091] LBP^^imnlRORiLBP^J) \ P~l} (7)
[0092] 其中,ROR( LBPp, R,i)是對(duì)LBPp,R值進(jìn)行i次的順時(shí)針移位,通過這種方法,找到它們 之中的最小值,從而實(shí)現(xiàn)LBP旋轉(zhuǎn)不變性。例如,假設(shè)R = 1,P = 8,由于圓對(duì)稱,總共有36種獨(dú) 特的旋轉(zhuǎn)不變的二進(jìn)制模式。通過對(duì)比試驗(yàn)證明,在一幅圖像中分布出現(xiàn)的頻率差 異較大,不能提供很好的紋理識(shí)別。
[0093]因此,本發(fā)明使用Uniform LBP模式,Uniform指的是均勾環(huán)形結(jié)構(gòu)內(nèi)包含非常少 的空間變換。優(yōu)選的,所述提取每個(gè)超像素區(qū)域的紋理直方圖特征,其中,每個(gè)超像素區(qū)域 形成59維的LBP紋理特征向量,具體包括:
[0094] 計(jì)算所述樣本圖像的Uniform LBP值;其中,Uniform LBP值被分為58類;
[0095]根據(jù)所述每個(gè)超像素區(qū)域的位置信息,統(tǒng)計(jì)每個(gè)Uniform LBP值出現(xiàn)的概率,得到 每個(gè)維度的紋理直方圖;
[0096]將每個(gè)維度的紋理直方圖進(jìn)行連接成為一個(gè)59維的紋理特征向量。
[0097] 具體的,將的改進(jìn)版本定義如下:
[0098]
[P+1 otherwise, ( g) U(LBPp r) - - gj - s(g() - gc)\
[0099] , I ( 9 ) +z.Kgp-gc)-s(gp-1-gc)| p=i
[0100] 該Uniform LBP的個(gè)數(shù)是P(P-1)+2,P為鄰域像素點(diǎn)個(gè)數(shù)。對(duì)于8個(gè)采樣點(diǎn),uniform LBP形式有58種輸出。我們定義U(LBPp,r)來記錄空間轉(zhuǎn)換的數(shù)量,即0-1變化的次數(shù)。0-1變 化少于等于兩次的二進(jìn)制碼形成的LBP看成是一種uniform LBP,比如說11000011,01變化 次數(shù)是兩次,就是一種uniform LBP。研究者發(fā)現(xiàn)他們計(jì)算出來的大部分值都在這58種之 中,可達(dá)到90 %以上,所以他們把值分為59類,58個(gè)uniform pattern為一類,其它的所有值 為第59類。這樣直方圖從原來的256維變成59維,起到了降維的作用,并且可以減少高頻噪 聲帶來的影響。
[0101] 本發(fā)明提取紋理特征的過程中,首先計(jì)算整幅圖像的Uniform LBP值。然后根據(jù)每 個(gè)超像素區(qū)域的位置信息,統(tǒng)計(jì)每個(gè)數(shù)字出現(xiàn)的概率,同統(tǒng)計(jì)RGB顏色直放圖一樣,對(duì)該紋 理直方圖進(jìn)行歸一化處理。最后將得到的每個(gè)類別的統(tǒng)計(jì)直方圖進(jìn)行連接成為一個(gè)特征向 量,也就是該超像素區(qū)域的LBP紋理特征向量,共59維。
[0102] S3:將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī)SVM中進(jìn)行 學(xué)習(xí),構(gòu)建顏色特征分類器和紋理特征分類器;
[0103]支持向量機(jī)的基本思想是:首先將輸入向量通過非線性變換映射到一個(gè)高維空間 中,通過選取適當(dāng)?shù)膬?nèi)積函數(shù)在這個(gè)高維空間中建立最優(yōu)線分類面。將向量映射到高維空 間中只是改變了內(nèi)積運(yùn)算,而算法復(fù)雜性并未隨著維數(shù)的增加而增加。
[0104] SVM(Support Vector Machines)是一種監(jiān)督學(xué)習(xí)方法,來解決分類問題。該算法 解決一個(gè)優(yōu)化問題,包括確定高維特征空間內(nèi)的一組超平面,來區(qū)分一組特征數(shù)據(jù)為兩種 或多種類別。該方法的關(guān)鍵是它不僅尋找分類的超平面,而且提供最大可能的邊界。在預(yù)測(cè) 階段,這賦予了SVM的高泛化能力,并具有一定的靈活性。
[0105] 首先,SVM訓(xùn)練需要一組有代表性的特征數(shù)據(jù),即含標(biāo)簽的學(xué)習(xí)樣本,例如分類問 題標(biāo)簽一般為+1和-1,回歸問題一般使用真實(shí)值。對(duì)一組k對(duì)訓(xùn)練集A= {(X1,yi),. . .,(xk, 外)},其中七£?"且71^{+1,-1},為了確定最優(yōu)超平面( ¥,13),將數(shù)據(jù)分為兩類,算法使用一 個(gè)線性函數(shù)^將Xi數(shù)組映射到子空間H中。然后,定義樣本X的新的類y,y = sign (w*(HX)+b)。如果使得最相近的樣本之間的距離最大,則超平面為最優(yōu)的。
[0106] 例如,將海參區(qū)域的超像素標(biāo)記為+1,非海參區(qū)域的超像素標(biāo)記為-1,使用SVM來 分別訓(xùn)練圖像超像素區(qū)域的紋理特征向量和顏色特征向量。通過徑向基核函數(shù)(RBF),利用 特征向量^和&之間的歐式距離,將這些特征映射到能夠分開的特征空間。徑向基核函數(shù) (RBF)定義為:
[0107] it(xi,xj)= <i>t(xi) <i> (xj) = exp(-y | | xi-xj | |2) (10)
[0108] 其中y是核參數(shù)。相應(yīng)的對(duì)偶問題可以表示為決策函數(shù):
[0109] /(義)=+辦 - (11)
[0110] 這里高斯核被定義為iKxi,Xj)=巾(Xi)T<i) (Xj),{ai}和b對(duì)應(yīng)對(duì)偶問題的最優(yōu)解。 由于軟邊界模型,SVM允許在訓(xùn)練階段存在誤分類的樣本。因此,對(duì)偶問題轉(zhuǎn)換為一個(gè)約束 條件:
[0112] 受到約束:(Xi)+b)彡l_|i (12)
[0113] 其中L>0是松弛變量,來衡量錯(cuò)誤分類的程度,C>0是分類錯(cuò)誤懲罰參數(shù),W是支 持向量的超平面,b是超平面到遠(yuǎn)點(diǎn)的偏離。這些超平面參數(shù)UPC是依賴數(shù)據(jù)的并且必須 通過在訓(xùn)練集上交叉驗(yàn)證方法來確定。
[0114] 通過上述方式構(gòu)建了基于超像素顏色特征分類器和基于超像素紋理分類器兩種 分類器。
[0115] 所述水下生物檢測(cè)階段包括:
[0116] S4:采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超像素分割,形成多個(gè)超像素 區(qū)域;
[0117] S5:提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理特征向量;
[0118] 其中,步驟S4和步驟S5可以參照步驟S1和步驟S2進(jìn)行超像素分割和特征表示。
[0119] S6:將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋理特征向 量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。
[0120] 具體的,通過使用上述訓(xùn)練后的兩種分類器對(duì)每個(gè)超像素區(qū)域進(jìn)行分類,就可以 得出哪些區(qū)域?yàn)樗律飬^(qū)域。優(yōu)選的,步驟S6還包括:將所述顏色特征分類器的分類結(jié)果 和所述紋理特征分類器的分類結(jié)果進(jìn)行或運(yùn)算,若運(yùn)算結(jié)果為1,則表示所述超像素區(qū)域?yàn)?水下生物區(qū)域,若運(yùn)算結(jié)果為0,則表示所述超像素區(qū)域不是水下生物區(qū)域。
[0121]舉例來說,設(shè)置顏色、紋理特征分類結(jié)果分別為RC和Rl,結(jié)果值為1則代表判斷為正 類,0則代表判斷為負(fù)類。 " l n fl, 海參區(qū)域
[0122] 非海參區(qū)域 U3)
[0123] 優(yōu)選的,步驟S6還包括:S601:去除代表水下生物區(qū)域的單個(gè)超像素區(qū)域;其中,所 述單個(gè)超像素區(qū)域的周圍均為非水下生物區(qū)域;
[0124] S602:對(duì)檢測(cè)結(jié)果的二值圖像進(jìn)行閉運(yùn)算,以填充水下生物區(qū)域內(nèi)的細(xì)小空洞,連 接最為臨近的超像素區(qū)域,以平滑水下生物的邊界。
[0125] 舉例來說,海參目標(biāo)一般會(huì)由多個(gè)超像素區(qū)域構(gòu)成。而通過實(shí)驗(yàn)發(fā)現(xiàn),會(huì)存在誤 分類,如代表海參區(qū)域的單個(gè)超像素區(qū)域的周圍都是非海參區(qū)域,而海參目標(biāo)面積都大于 1.5S 2,通過該規(guī)則可以過濾這樣的誤分類。然后對(duì)檢測(cè)結(jié)果的二值圖像進(jìn)行閉運(yùn)算,以填 充海參區(qū)域內(nèi)的細(xì)小空洞,連接較為鄰近的超像素區(qū)域,平滑海參邊界。將最后連接起來的 分類區(qū)域上畫最小外接矩形,則為最終檢測(cè)結(jié)果。如圖5所示,為海參檢測(cè)結(jié)果效果圖,其 中,(a)列為經(jīng)過單尺度Retinex增強(qiáng)后的圖像,其中前三行為來自測(cè)試集中的912像素 X 608像素圖像,第四行為測(cè)試集中的1280像素 X720像素視頻幀,最后一行為來自網(wǎng)絡(luò)圖庫 的912像素 X608像素圖像;(b)列為通過SLIC過分割算法得到的分割圖像;(c)列為超像素 區(qū)域分類結(jié)果;(d)為海參檢測(cè)結(jié)果。
[0126] 以上對(duì)超像素級(jí)的特征分類的結(jié)果進(jìn)行了分析,下面對(duì)海參圖像整體檢測(cè)做分 析。在此需要注意,基于超像素特征的海參檢測(cè)方法,更能標(biāo)記出真實(shí)海參的形態(tài)與位置, 如圖6所示,與滑動(dòng)窗口方式檢測(cè)物體的方法相比,本發(fā)明能夠得到更加精確的海參形態(tài)和 位置信息,能更好的服務(wù)未來海參捕撈機(jī)器人的研發(fā)。如圖5所示,本發(fā)明對(duì)水草、沙地、纖 維袋及部分小貝殼背景都能很好的區(qū)分,并能夠解決海參多姿態(tài)、多目標(biāo)檢測(cè)以及光照不 均的問題。
[0127] 概括來說,本發(fā)明對(duì)采集的圖像,使用基于超像素的方法來獲取其特征,預(yù)先設(shè)定 超像素區(qū)域的大約的面積為S2,這最好地能夠描述圖像的局部特征。超像素非常有利于解 決本發(fā)明的問題,因?yàn)樗ㄟ^使用圖像顏色和位置對(duì)像素分組,簡(jiǎn)潔和高效地表示圖片局 部外觀。超像素萃取后,有許多類型的特征來表示一個(gè)局部區(qū)域。我們專注于用顏色紋理和 紋理特征來代表超像素區(qū)域,區(qū)分前景和背景。顏色特征對(duì)解決本發(fā)明的問題是很重要的, 舉例來說,它是海參皮膚的重要區(qū)分指標(biāo)。海參顏色與綠色的海草、白色的纖維袋、亮色的 砂石及與部分沙土等的背景能夠通過顏色區(qū)分,因此顏色特征對(duì)區(qū)分這些種類的區(qū)域非常 有用,進(jìn)一步對(duì)超像素區(qū)域的分類有重要的貢獻(xiàn)。相似的,紋理特征在上述的區(qū)域中也表 現(xiàn)出不同的模式,它能夠很好的表現(xiàn)海參皮膚表面的模式。比顏色特征好的一點(diǎn)是,可以將 海參區(qū)域和一些與海參皮膚相近的沙土區(qū)分開來,達(dá)到更好的區(qū)分度。所以在本發(fā)明中使 用顏色和紋理兩種特征來區(qū)分海參前景和環(huán)境背景。
[0128] 如圖7所示,為以海參為例提出的基于超像素特征海參檢測(cè)方法的流程圖。與其他 基于學(xué)習(xí)的計(jì)算機(jī)視覺系統(tǒng)一樣,本發(fā)明也包含訓(xùn)練和測(cè)試階段。在訓(xùn)練階段,給定一幅圖 像,首先利用超像素提取技術(shù),劃分為多個(gè)區(qū)域,然后分別提取各個(gè)超像素的紋理和顏色特 征直方圖特征。然后將直方圖的每個(gè)像素分別連接為48維顏色特征向量和59維的紋理特征 向量。對(duì)海參區(qū)域和非海參的背景區(qū)域的兩種特征分別訓(xùn)練分類器,生成兩種分類模型。在 測(cè)試階段,首先將提取圖像的超像素區(qū)域,然后提取各個(gè)超像素區(qū)域的紋理和顏色特征,分 別將這兩種特征作為對(duì)應(yīng)的分類器的輸入,得到分類結(jié)果,接著對(duì)兩個(gè)分類器的分類結(jié)果 進(jìn)行簡(jiǎn)單的決策,并且去掉明顯的錯(cuò)誤分類信息,得到最終的檢測(cè)結(jié)果。最后對(duì)兩個(gè)分類器 的性能進(jìn)行評(píng)估,得到兩種模型的性能指標(biāo)。
[0129] 另一方面,采用上述的水下生物檢測(cè)方法,本發(fā)明還提供了一種水下生物檢測(cè)系 統(tǒng),所述系統(tǒng)包括:
[0130] 超像素分割單元,用于采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分 害J,形成多個(gè)超像素區(qū)域;
[0131] 特征提取單元,用于提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向 量;
[0132] 訓(xùn)練單元,用于將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī) SVM中進(jìn)行學(xué)習(xí),構(gòu)建顏色特征分類器和紋理特征分類器;
[0133] 所述超像素分割單元,還用于采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超 像素分割,形成多個(gè)超像素區(qū)域;
[0134] 所述特征提取單元,還用于提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理 特征向量;
[0135] 檢測(cè)單元,用于將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二 紋理特征向量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。
[0136] 本發(fā)明實(shí)施例提供的水下生物檢測(cè)方法和系統(tǒng),通過獲取樣本的圖像,對(duì)圖像進(jìn) 行超像素分割和特征提取,建立顏色特征模型和紋理特征模型,在后續(xù)使用時(shí),只需將待測(cè) 圖像的顏色特征和紋理特征輸入顏色特征模型和紋理特征模型中,就可以確定待測(cè)圖像的 水下生物的區(qū)域,從而實(shí)現(xiàn)了水下生物的檢測(cè),解決了現(xiàn)有因?yàn)樗颅h(huán)境復(fù)雜,檢測(cè)難度大 的問題,以及人工捕撈困難的問題。
[0137] 雖然結(jié)合附圖描述了本發(fā)明的實(shí)施方式,但是本領(lǐng)域技術(shù)人員可以在不脫離本發(fā) 明的精神和范圍的情況下做出各種修改和變型,這樣的修改和變型均落入由所附權(quán)利要求 所限定的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種水下生物檢測(cè)方法,其特征在于,所述方法包括:分類器訓(xùn)練階段和水下生物檢 測(cè)階段; 所述分類器訓(xùn)練階段包括: 采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分割,形成多個(gè)超像素區(qū)域; 提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量; 將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī)SVM中進(jìn)行學(xué)習(xí),構(gòu) 建顏色特征分類器和紋理特征分類器; 所述水下生物檢測(cè)階段包括: 采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超像素分割,形成多個(gè)超像素區(qū)域; 提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理特征向量; 將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋理特征向量輸入所 述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。2. 根據(jù)權(quán)利要求1所述的一種水下生物檢測(cè)方法,其特征在于,所述對(duì)所述樣本圖像進(jìn) 行超像素分割具體采用簡(jiǎn)單線性迭代聚類SLIC方法對(duì)樣本圖像進(jìn)行超像素分割。3. 根據(jù)權(quán)利要求2所述的一種水下生物檢測(cè)方法,其特征在于,所述采用簡(jiǎn)單線性迭代 聚類SLIC方法對(duì)樣本圖像進(jìn)行超像素分割包括: 將所述樣本圖像從RGB顏色空間轉(zhuǎn)換到CIELAB顏色空間,將K個(gè)聚類中心Ck均勻的分布 在所述樣本圖像中,每個(gè)聚類中心對(duì)應(yīng)一個(gè)超像素質(zhì)心的初始位置,并引入加權(quán)距離度量 Ds來測(cè)量顏色距離與空間距離; 根據(jù)加權(quán)距離度量Ds將圖像中每個(gè)像素和最近的聚類中心Ck關(guān)聯(lián)起來,形成一個(gè)集群; 將一個(gè)集群中的所有像素的數(shù)組的平均值作為新的初始位置,如此反復(fù)迭代直到所有 的聚類中心點(diǎn)收斂到穩(wěn)定位置。4. 根據(jù)權(quán)利要求3所述的一種水下生物檢測(cè)方法,其特征在于,所述引入加權(quán)距離度量 Ds來測(cè)量顏色距離與空間距離,采用以下公式:其中,由所述CIELAB顏色空間的[Iab]顏色數(shù)組和圖像像素的坐標(biāo)[X,y]組成一個(gè)5維 空間,Ds為加權(quán)距離度量,dxy為空間距離,dxy由S來歸一化處理,S為兩個(gè)聚類中心之間的距 離,d lab為顏色距離,k代表對(duì)應(yīng)的K個(gè)可能的聚類中心的索引,i為給定超像素中心k區(qū)域內(nèi) 的像素,m為用來修正空間距離和顏色距離項(xiàng)的貢獻(xiàn)。5. 根據(jù)權(quán)利要求1所述的一種水下生物檢測(cè)方法,其特征在于,所述提取每個(gè)超像素區(qū) 域的第一顏色特征向量和第一紋理特征向量,具體包括: 提取每個(gè)超像素區(qū)域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成48維的RGB顏色特 征向量; 提取每個(gè)超像素區(qū)域的紋理直方圖特征,其中,每個(gè)超像素區(qū)域形成59維的LBP紋理特 征向量。6. 根據(jù)權(quán)利要求5所述的一種水下生物檢測(cè)方法,其特征在于,所述提取每個(gè)超像素區(qū) 域的顏色直方圖特征,其中,每個(gè)超像素區(qū)域形成48維的RGB顏色特征向量,具體包括: 將每個(gè)超像素區(qū)域中的所有像素的R、G、B三個(gè)通道分別分為16個(gè)灰度級(jí)數(shù); 分別計(jì)算每個(gè)通道的直方圖特征; 將R、G、B三個(gè)通道的所述直方圖特征合并為所述超像素區(qū)域的具有48個(gè)灰度級(jí)數(shù)的顏 色直方圖。7. 根據(jù)權(quán)利要求5所述的一種水下生物檢測(cè)方法,其特征在于,提取每個(gè)超像素區(qū)域的 紋理直方圖特征,其中,每個(gè)超像素區(qū)域形成59維的LBP紋理特征向量,具體包括: 計(jì)算所述樣本圖像的均勻LBP值;其中,均勻LBP值被分為58類; 根據(jù)所述每個(gè)超像素區(qū)域的位置信息,統(tǒng)計(jì)每個(gè)均勻LBP值出現(xiàn)的概率,得到每個(gè)維度 的紋理直方圖; 將每個(gè)維度的紋理直方圖進(jìn)行連接成為一個(gè)59維的紋理特征向量。8. 根據(jù)權(quán)利要求1所述的一種水下生物檢測(cè)方法,其特征在于, 所述將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋理特征向量輸 入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域,還包括: 將所述顏色特征分類器的分類結(jié)果和所述紋理特征分類器的分類結(jié)果進(jìn)行或運(yùn)算,若 運(yùn)算結(jié)果為1,則表示所述超像素區(qū)域?yàn)樗律飬^(qū)域,若運(yùn)算結(jié)果為〇,則表示所述超像素 區(qū)域不是水下生物區(qū)域。9. 根據(jù)權(quán)利要求8所述的一種水下生物檢測(cè)方法,其特征在于,所述將所述第二顏色特 征向量輸入所述顏色特征分類器,將所述第二紋理特征向量輸入所述紋理特征分類器,判 斷所述超像素區(qū)域是否為水下生物區(qū)域,還包括: 去除代表水下生物區(qū)域的單個(gè)超像素區(qū)域;其中,所述單個(gè)超像素區(qū)域的周圍均為非 水下生物區(qū)域; 對(duì)檢測(cè)結(jié)果的二值圖像進(jìn)行閉運(yùn)算,以填充水下生物區(qū)域內(nèi)的細(xì)小空洞,連接最為臨 近的超像素區(qū)域,以平滑水下生物的邊界。10. -種水下生物檢測(cè)系統(tǒng),其特征在于,所述系統(tǒng)包括: 超像素分割單元,用于采集水下生物的樣本圖像,對(duì)所述樣本圖像進(jìn)行超像素分割,形 成多個(gè)超像素區(qū)域; 特征提取單元,用于提取每個(gè)超像素區(qū)域的第一顏色特征向量和第一紋理特征向量; 訓(xùn)練單元,用于將所述第一顏色特征向量和第一紋理特征向量輸入到支持向量機(jī)SVM 中進(jìn)行學(xué)習(xí),構(gòu)建顏色特征分類器和紋理特征分類器; 所述超像素分割單元,還用于采集水下生物的待測(cè)圖像,對(duì)所述待測(cè)圖像進(jìn)行超像素 分割,形成多個(gè)超像素區(qū)域; 所述特征提取單元,還用于提取每個(gè)超像素區(qū)域的第二顏色特征向量和第二紋理特征 向量; 檢測(cè)單元,用于將所述第二顏色特征向量輸入所述顏色特征分類器,將所述第二紋理 特征向量輸入所述紋理特征分類器,判斷所述超像素區(qū)域是否為水下生物區(qū)域。
【文檔編號(hào)】G06K9/00GK105930815SQ201610289792
【公開日】2016年9月7日
【申請(qǐng)日】2016年5月4日
【發(fā)明人】李振波, 郭傳鑫, 李晨, 岳峻, 段作棟
【申請(qǐng)人】中國(guó)農(nóng)業(yè)大學(xué)