融合修正OTSU和中值滤波的水上航行器障碍物视觉分割
发布时间：2021-03-20 16:29
为进一步提高水上航行器视觉避障时图像分割的精确性,提出融合修正OTSU和中值滤波的水上航行器障碍物图像分割算法。利用修正系数将原始图像从RGB模型转换为Y、Cb、Cr色度值修正的模型,进行修正OTSU的阈值分割,对分割后的二值图像实行自适应中值滤波降噪处理,并对3种水上障碍物识别算法进行测试。结果表明:与加权Otsu算法和改进阈值分割算法对比,该算法可以将检测目标区域占比稳定在80%以上,并将干扰噪声区域占比降低至28.5%,说明算法有效、可行。
【文章来源】：兵工自动化. 2020,39(07)
【文章页数】：4 页
【部分图文】：
色彩模型转换(c)桥洞YCbCr修正(d)芦苇YCbCr修正
7期吴政峰等：融合修正OTSU和中值滤波的水上航行器障碍物视觉分割第·17·YCbCr色彩模型作为水上障碍物图像视觉分割的色彩模式。RGB色彩模式转化为YCbCr色彩模型的关系如下式所示：0.2570.5040.098160.1480.2910.4391280.4560.3680.071128YRCbGCrB。(1)其中Y、Cb和Cr是YCbCr色彩模型的色度值，分别对应亮度、蓝色色度和红色色度信息。由于水面光照、水纹等变化较大，为了获得更好的转换效果，笔者对YCbCr色彩模型中各色度值按式(2)进行修正。为了抑制光照和水纹的影响，应最小化亮度Y的修正系数α。为避免天空及水波纹等干扰因素蓝色色度的影响，蓝色分量Cb的修正系数β应取较小值，且小于红色分量Cr的修正系数γ，即满足式(3)。基于此，经多组测试分析，文中α、β、γ的取值最终分别为0.110，0.235，0.655。图1(a)、(b)分别为水上常见障碍物——桥洞和芦苇的原始RGB图，基于式(1)、式(2)转换后得如图1(c)、(d)所示的YCbCr修正图像。由图可以看出：经YCbCr色度值修正，水上障碍物与背景之间的差异变得更加明显，对随后阈值选取更有利。222pImageYCbCr；(2)1＜＜。(3)(a)桥洞原图(b)芦苇原图(c)桥洞YCbCr修正(d)芦苇YCbCr修正图1色彩模型转换2OTSU分割2.1OTSU分割方法在获得修正处理后的水上障碍物YCbCr图像后，将其灰度等级设为L，取值范围为[0,255]，像素总数为N，ni是像素为i的总像素数，则其概率为iPinN。(4)从[0,255]内确定一个将图像分为2部分?
芎偷那榭觥Ｗ?适应中值滤波器也具有矩形窗口，根据下面描述的比较条件的变化而改变特定滤波器窗口大校设滤波窗口中像素最大灰度值为nm，最小灰度值为nn，平均灰度值为na，则灰度值范围为[nn,nm]。当na-nn＜0且na-nm＞0时，平均灰度值不在灰度值范围内，属于噪声，增大滤波窗口且最大到77窗口，若依旧不满足，则取平均值na为中值；当na-nn＞0且na-nm＜0时，调整当前滤波窗口大小，实行常规中值滤波。图4给出了不同芦苇荡的不同中值滤波结果。使用33窗口中值滤波后，图像边缘明显存在较多噪声如图4(a)，而使用55窗口中值滤波后目标变得模糊，具体边缘细节明显钝化如图4(b)。图4(c)是基于自适应中值滤波的测试效果，不仅消除了图像噪声，而且有效地保存了目标边缘细节。(a)33中值滤波(b)55中值滤波(c)自适应中值滤波图4中值滤波测试效果4水上障碍物识别算法测试为了验证文中算法(VSAIMOAMF)的有效性，针对芦苇、桥洞和船舶3种障碍物，对超过40个水上障碍物进行了性能检测，并将测试结果与基于目标方差加权的Otsu分割算法[11](Otsusegmentationalgorithmbasedonweightedtargetvariance，OSAWTV)和基于改进Otsu阈值分割算法[12](improvedOtsuthresholdsegmentationalgorithm，IOTSA)进行了比较。比较参数指标为目标区域占比和干扰区域占比，其定义如下：目标占比=NumI/NumK×100%；(13)干扰占比=NumJ/NumK×100%。(14)式中：NumI表示分割出来并属于原始图像水上障碍物的像素数；N
【参考文献】：
期刊论文
[1]基于HSI空间的玉米雄穗识别算法[J]. 茅正冲,孙雅慧. 传感器与微系统. 2018(09)
[2]基于双目视觉的水面障碍物识别算法[J]. 韩佳颖,周楠. 数字技术与应用. 2018(05)
[3]基于组合特征的航母目标识别方法[J]. 张润鑫,武文波,陈瑞明. 航天返回与遥感. 2018(02)
[4]基于YCbCr颜色空间手势分割[J]. 杨红玲,宣士斌,莫愿斌,赵洪. 广西民族大学学报(自然科学版). 2017(03)
[5]结合新颜色空间与Otsu的分水岭彩色图像分割算法[J]. 汪澜,张慧,张海涛. 计算机应用研究. 2017(12)
[6]基于Otsu方法的钢轨图像分割[J]. 袁小翠,吴禄慎,陈华伟. 光学精密工程. 2016(07)
[7]基于改进Otsu阈值分割的车道线分割方法[J]. 唐阳山,张贵洋,田鹏,颜新阳. 辽宁工业大学学报(自然科学版). 2016(02)
[8]基于几何特征的手势识别方法[J]. 林水强,吴亚东,陈永辉. 计算机工程与设计. 2014(02)
[9]一种基于中值滤波的图像去噪算法[J]. 耿帅,王希常. 计算机与现代化. 2011(11)
[10]最大类间方差法在图像分割中的应用[J]. 孙璐,陈洪海. 煤炭技术. 2008(07)
博士论文
[1]RGB颜色空间及其应用研究[D]. 黄国祥.中南大学 2002
本文编号：3091305
【文章来源】：兵工自动化. 2020,39(07)
【文章页数】：4 页
【部分图文】：
色彩模型转换(c)桥洞YCbCr修正(d)芦苇YCbCr修正
7期吴政峰等：融合修正OTSU和中值滤波的水上航行器障碍物视觉分割第·17·YCbCr色彩模型作为水上障碍物图像视觉分割的色彩模式。RGB色彩模式转化为YCbCr色彩模型的关系如下式所示：0.2570.5040.098160.1480.2910.4391280.4560.3680.071128YRCbGCrB。(1)其中Y、Cb和Cr是YCbCr色彩模型的色度值，分别对应亮度、蓝色色度和红色色度信息。由于水面光照、水纹等变化较大，为了获得更好的转换效果，笔者对YCbCr色彩模型中各色度值按式(2)进行修正。为了抑制光照和水纹的影响，应最小化亮度Y的修正系数α。为避免天空及水波纹等干扰因素蓝色色度的影响，蓝色分量Cb的修正系数β应取较小值，且小于红色分量Cr的修正系数γ，即满足式(3)。基于此，经多组测试分析，文中α、β、γ的取值最终分别为0.110，0.235，0.655。图1(a)、(b)分别为水上常见障碍物——桥洞和芦苇的原始RGB图，基于式(1)、式(2)转换后得如图1(c)、(d)所示的YCbCr修正图像。由图可以看出：经YCbCr色度值修正，水上障碍物与背景之间的差异变得更加明显，对随后阈值选取更有利。222pImageYCbCr；(2)1＜＜。(3)(a)桥洞原图(b)芦苇原图(c)桥洞YCbCr修正(d)芦苇YCbCr修正图1色彩模型转换2OTSU分割2.1OTSU分割方法在获得修正处理后的水上障碍物YCbCr图像后，将其灰度等级设为L，取值范围为[0,255]，像素总数为N，ni是像素为i的总像素数，则其概率为iPinN。(4)从[0,255]内确定一个将图像分为2部分?
芎偷那榭觥Ｗ?适应中值滤波器也具有矩形窗口，根据下面描述的比较条件的变化而改变特定滤波器窗口大校设滤波窗口中像素最大灰度值为nm，最小灰度值为nn，平均灰度值为na，则灰度值范围为[nn,nm]。当na-nn＜0且na-nm＞0时，平均灰度值不在灰度值范围内，属于噪声，增大滤波窗口且最大到77窗口，若依旧不满足，则取平均值na为中值；当na-nn＞0且na-nm＜0时，调整当前滤波窗口大小，实行常规中值滤波。图4给出了不同芦苇荡的不同中值滤波结果。使用33窗口中值滤波后，图像边缘明显存在较多噪声如图4(a)，而使用55窗口中值滤波后目标变得模糊，具体边缘细节明显钝化如图4(b)。图4(c)是基于自适应中值滤波的测试效果，不仅消除了图像噪声，而且有效地保存了目标边缘细节。(a)33中值滤波(b)55中值滤波(c)自适应中值滤波图4中值滤波测试效果4水上障碍物识别算法测试为了验证文中算法(VSAIMOAMF)的有效性，针对芦苇、桥洞和船舶3种障碍物，对超过40个水上障碍物进行了性能检测，并将测试结果与基于目标方差加权的Otsu分割算法[11](Otsusegmentationalgorithmbasedonweightedtargetvariance，OSAWTV)和基于改进Otsu阈值分割算法[12](improvedOtsuthresholdsegmentationalgorithm，IOTSA)进行了比较。比较参数指标为目标区域占比和干扰区域占比，其定义如下：目标占比=NumI/NumK×100%；(13)干扰占比=NumJ/NumK×100%。(14)式中：NumI表示分割出来并属于原始图像水上障碍物的像素数；N
【参考文献】：
期刊论文
[1]基于HSI空间的玉米雄穗识别算法[J]. 茅正冲,孙雅慧. 传感器与微系统. 2018(09)
[2]基于双目视觉的水面障碍物识别算法[J]. 韩佳颖,周楠. 数字技术与应用. 2018(05)
[3]基于组合特征的航母目标识别方法[J]. 张润鑫,武文波,陈瑞明. 航天返回与遥感. 2018(02)
[4]基于YCbCr颜色空间手势分割[J]. 杨红玲,宣士斌,莫愿斌,赵洪. 广西民族大学学报(自然科学版). 2017(03)
[5]结合新颜色空间与Otsu的分水岭彩色图像分割算法[J]. 汪澜,张慧,张海涛. 计算机应用研究. 2017(12)
[6]基于Otsu方法的钢轨图像分割[J]. 袁小翠,吴禄慎,陈华伟. 光学精密工程. 2016(07)
[7]基于改进Otsu阈值分割的车道线分割方法[J]. 唐阳山,张贵洋,田鹏,颜新阳. 辽宁工业大学学报(自然科学版). 2016(02)
[8]基于几何特征的手势识别方法[J]. 林水强,吴亚东,陈永辉. 计算机工程与设计. 2014(02)
[9]一种基于中值滤波的图像去噪算法[J]. 耿帅,王希常. 计算机与现代化. 2011(11)
[10]最大类间方差法在图像分割中的应用[J]. 孙璐,陈洪海. 煤炭技术. 2008(07)
博士论文
[1]RGB颜色空间及其应用研究[D]. 黄国祥.中南大学 2002
本文编号：3091305
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3091305.html
