本发明涉及图像处理领域，具体涉及一种基于海天线的海面目标检测方法。
背景技术：
海面目标检测技术作为环境感知的关键步骤，是水面无人艇实现自主运行、路径规划、动态避障的先决条件。海天场景下的背景图像可以分为天空区域、海天线区域、海水区域。在此场景下，海面目标只出现在海天线区域和海水区域，检测出海天线的位置可以减少目标检测的搜索范围从而缩短计算时间，同时还可以避免其他区域的异常目标对于障碍物检测的影响。
2013年，Li等人在文献《Saliency Detection via Dense and Sparse Reconstruction》从重构误差角度，提出了一种新的显著性算法。该方法在图像四周大概率是图片的背景的假设的基础上，将图片位于四周的图像块当作背景模板，利用背景字典的重构误差来计算显著性。该方法首先对图片使用SLIC超像素分割，然后将图片四周分割块当作背景字典，对原图像使用稠密重构和稀疏重构，利用重构误差计算图像显著性。之后又对算法进行多尺度融合，再将稀疏重构以及稠密重构的显著性图像进行贝叶斯融合。
此算法将图像四周作为背景先验，并以此来突出前景目标物。这和海天场景下的图片非常相似，海天背景下，图像的四周基本都是单一的背景，以此来突出前景船只浮标等效果会很明显。但是，此算法步骤繁杂又需要进行多尺度计算，时间耗费巨大。而且在海面目标出现在图像两侧的时候会误将目标作为背景字典导致检测不到海面上的目标物。
技术实现要素：
本发明针对现有技术的不足，提供了一种基于海天线的海面目标检测方法。该方法不仅能够检测出海面目标物的位置，而且速度快检测准确。
为达到上述目的，本发明的构思分为三个部分：
本发明构思的第一部分为：对于海天背景下的图片，目标一般都是出现在海天线附近及海天线以下，所以只对海天线以下区域进行处理可以节省大约一半时间。根据这一特点，利用分块阈值分割以及RANSAC方法提取图像中的海天线，并在海天线以下区域做后续处理。
本发明构思的第二部分为：对于使用上述的显著性算法来进行海面显著物体的检测而言，由于多尺度时间耗费成本巨大，实验发现加入第三部分的改进后将多尺度以及稠密重构去掉可以达到更好的效果。
本文构思的第三部分为：根据海天背景的特点对算法进行改进。海天背景下的目标与背景之间不仅有颜色之间的差异，由于海水有波浪或者波纹，所以两者之间在纹理特征上也有较大的差异。针对这一特性，利用LBP特征将背景字典的RGB特征和Lab特征六维特征加入LBP特征扩充到七维特征。另外，当海面上的目标位于图像的两侧时会在背景字典中加入前景噪声，然而一般情况下这种前景噪声很少而且与其他背景块区别很大。针对这一特性，利用高斯分布的原则，认为与均值相差大于3倍方差的图像块为前景噪声图像块，并将其从背景字典中去除。
为达到上述目的，本发明采用如下技术方案：
一种基于海天线的海面目标检测方法，包含以下步骤：
1)获取原始海天场景下彩色图像；
2)使用分块阈值分割以及RANSAC方法提取图像中的海天线；
3)利用超像素分割SLIC的方法对海天线以下的图片区域进行分割；
4)利用位于图像四周的像素块的颜色特征以及纹理特征构建背景字典；
5)利用背景字典对每个图像块进行稀疏重构得到重构误差，作为显著图；
6)将显著图二值化得到海面目标位置。
所述步骤2)中，使用分块阈值分割以及RANSAC方法提取图像中的海天线，具体步骤是：
(1)对原始图片进行灰度化预处理；
(2)在灰度图像上等距地划分20条竖直直线，并且分别对划分的20块区域进行OTSU分割，生成相对应的二值图像；
(3)利用形态学开运算对海天分割图像进行处理，从而消除图像中孤立的细小区域；
(4)在得到的分割好的20个区域上，在每个区域的中间一条竖直线上提取直线上梯度的最大值点作为海水区域和天空区域的分界点，然后将这些分界点看作海天线候选点集；
(5)最后利用RANSAC算法确定出海天线的直线参数。
通过对图片进行分块，对每一个竖直区域都进行OTSU分割，都会分割为天空区域和海面区域两部分，当部分区域有目标物体出现会出现海天线分界点出错的情况，再利用RANSAC算法可以将误检点去除从而确定海天线。该方法可以准确的检测出海天线并且具备很高的鲁棒性。
所述步骤4)中，构建背景字典的颜色特征是RGB颜色特征和Lab颜色特征，纹理特征是LBP纹理特征，背景字典中每个图像块的特征为：
x＝{L,a,b,R,G,B,P,x,y}
上式中，L,a,b,R,G,B分别是图像块内所有像素点Lab特征的平均值和RGB特征的平均值，P是LBP特征的平均值，x,y是图像块的中心位置坐标。
所述步骤4)中，构建背景字典的图像块是海面区域的图像的左右两侧及下方图像块；设B为背景字典的集合，B＝{x1,x2...xn}，xi是背景字典中每个图像块的特征，并且依据高斯分布的原则，认为与均值相差大于3倍方差的图像块为异常图像块，并将其从背景字典中去除。
上述依据高斯分布的异常图像块去除方法，计算方法包括以下几个步骤：
(1)首先，对于每个图像块的特征x＝{L,a,b,R,G,B,P,x,y}；
(2)选取其前七个特征并求取平均值则背景模板变为
(3)计算的均值μ及其方差δ；
(4)当时认为第i个图像块是异常点并将其去除；
(5)最终得到背景字典B＝{x1,x2...xm},m≤n。
所述步骤5)中利用背景字典对每个图像块进行稀疏重构得到重构误差，使用步骤4)中得到的背景字典B作为稀疏表示的基，计算稀疏表示系数：
上式中xi是背景字典中第i块图像块的特征，B为背景字典，第一项希望用αi更好的重构xi，第二项加上一个L1范数的惩罚项将使αi尽量稀疏，αi即为所求的第i块图像块的稀疏系数；然后，由稀疏系数计算待测图像块在背景字典上的稀疏重构误差：
是图像中第i个图像块的稀疏重构误差；使用背景模板构造一个背景字典，通过各个图像块在该字典上的重构误差，便能够对图像块的显著度进行估计，重构误差越大，则说明图像块特征与背景差别越大，也就是说明其实前景的可能性就越大，反之亦然，所以将此误差作为显著性值的大小。
与现有技术相比，本发明的有益效果为：
本发明通过将海天线检测与显著性检测结合的方式来实现海面目标的检测，该方法只检测海天线以下区域并且去除了原显著性算法中不必要的冗余步骤，使得算法速度得到很大提升，可以满足快速检测的要求。另外，通过改变背景字典的特征(加入LBP纹理特征)和数量(只使用左右两侧和下方的图像块并将前景噪声图像块去除)使得目标检测更加准确，具备更强的鲁棒性。
附图说明
图1为摘要附图，即本发明方法的流程图。
图2为本方法中海天线检测部分的流程图。
图3为改变背景字典的示意图。其中，(a)为原图，(b)为原背景字典，(c)改进后背景字典。
图4为在海天背景下海面目标检测的结果图。其中，(a)为原图，(b)为结果图。
具体实施方式
下面结合附图，对本发明的具体实施方法做进一步的说明。
如图1所示，一种基于海天线的海面目标检测方法，包含以下步骤：
1)获取原始海天场景下彩色图像；
2)使用分块阈值分割以及RANSAC方法提取图像中的海天线；
3)利用超像素分割SLIC的方法对海天线以下的图片区域进行分割；
4)利用位于图像四周的像素块的颜色特征以及纹理特征构建背景字典；
5)利用背景字典对每个图像块进行稀疏重构得到重构误差，作为显著图；
6)将显著图二值化得到海面目标位置。
如图2所示，所述步骤2)中，使用分块阈值分割以及RANSAC方法提取图像中的海天线，具体步骤是：
(1)对原始图片进行灰度化预处理；
(2)在灰度图像上等距地划分20条竖直直线，并且分别对划分的20块区域进行OTSU分割，生成相对应的二值图像；
(3)利用形态学开运算对海天分割图像进行处理，从而消除图像中孤立的细小区域；
(4)在得到的分割好的20个区域上，在每个区域的中间一条竖直线上提取直线上梯度的最大值点作为海水区域和天空区域的分界点，然后将这些分界点看作海天线候选点集；
(5)最后利用RANSAC算法确定出海天线的直线参数。
本实施例中，所述步骤(1)中灰度化预处理，图像从RGB颜色空间到灰度图的颜色空间转换的公式如下：
f(x,y)＝0.299*R(x,y)+0.587*G(x,y)+0.114*B(x,y)
上述式子中，R(x,y)、G(x,y)、B(x,y)分别代表RGB颜色空间的红绿蓝分量。
所述步骤(2)中为了提高算法的鲁棒性，消除由于图像中出现其他目标物造成海天分界线的误检，在灰度图像上等距地划分20条竖直直线，并且分别对划分的20块区域进行OTSU分割，生成相对应的二值图像。
对上述每块区域进行OTSU分割的时候，最大间类方差计算方式如下：
g＝w0(μ0-μ)2+w1(μ1-μ)2
g＝w0w1(μ0-μ1)2
上述式子中，w0是属于前景区域的像素点占整个图像的比例，μ0是其平均灰度值；w1是属于背景区域的像素点占整个图像的比例，μ1其平均灰度值；μ是图像的总平均灰度，g是类间方差。找出使g最大的阈值T，进行二值分割。
所述步骤(3)中利用的开运算是对图像先进行腐蚀再进行膨胀的过程。开运算可以用来消除小物体，在纤细点处分离物体，并且在平滑较大物体的边界的同时不明显改变其面积。
所述步骤(4)中在每个区域的中间一条竖直线上提取直线上梯度的最大值点作为海水区域和天空区域的分界点，这个梯度计算方法为：
所述步骤3)中将图片进行超像素分割，将分割的图像块数设置为500，经试验发现这是一个能够很好地平衡速度和准确率的一个参数，由此得到500个图像块。
所述步骤4)中将这500个图像块中位于图片左右两侧以及下方的图像块提取出来，如图3所示。提取它们的RGB特征、Lab特征和LBP特征，并依据高斯分布原则通过特征数值将异常前景图像块去除，上述依据高斯分布的异常图像块去除方法，计算方法包括以下几个步骤：
(1)首先，对于每个图像块的特征x＝{L,a,b,R,G,B,P,x,y}；
(2)选取其前七个特征并求取平均值则背景模板变为
(3)计算的均值μ及其方差δ；
(4)当时认为第i个图像块是异常点并将其去除；
(5)最终得到背景字典B＝{x1,x2...xm},m≤n。
所述步骤5)中利用背景字典对每个图像块进行稀疏重构得到重构误差，使用步骤4)中得到的背景字典B作为稀疏表示的基，计算稀疏表示系数：
上式第一项希望用αi更好的重构xi，第二项加上一个L1范数的惩罚项将使αi尽量稀疏。
然后，由稀疏系数计算待测图像块在背景字典上的稀疏重构误差。
使用背景模板构造一个背景字典，通过各个图像块在该字典上的重构误差，便可对图像块的显著度进行估计。重构误差越大，则说明图像块特征与背景差别越大，也就是说明其实前景的可能性就越大，反之亦然。所以将此误差作为显著性值的大小。
在所述步骤6)中使用OTSU方法对其进行二值化处理得到目标位置，如图4所示。