基于特征融合的小型水域漂浮物识别方法研究与实现

发布时间：2020-06-11 04:22

【摘要】：在河道、湖泊、水库等水域中,漂浮着各种生产、生活垃圾,严重破坏了水体生态环境。为了保证水域的清洁,清理水面漂浮物至关重要。当前水面漂浮物清理主要采用人工作业的方式,存在人力和物力成本较高的问题。为解决传统的人工清理模式效率低下的问题,有必要对漂浮物进行智能清理,而在智能清理过程中自主识别漂浮物尤为重要。为此,本文提出了一种水面漂浮物识别方法,对环保领域具有十分重要的工程应用价值。水面漂浮物识别方法主要分为三个步骤:水面图像预处理、水面漂浮物特征提取和模式识别分类。本文研究的重点和难点是图像预处理和建立有效的目标特征模型。为了解决图像预处理阶段存在的水面环境复杂所造成的前景目标难以分割的问题,提出了基于背景先验图像显著性分割方法。首先,通过中值滤波加锐化滤波对图像进行去噪处理;其次,采用改进的混合高斯背景建模法建立水面背景模型;然后,根据先验背景模型提取图像显著性区域得到显著性灰度图像;最后,利用改进的最大类间方差法分割前景目标区域得到二值图像,并用显著性灰度图像对二值图像进行二次分割。针对目标特征建模问题,提出了颜色特征模型、边缘及区域特征模型相结合的方法。采用颜色矩和目标与背景区域的颜色差异性来构建颜色特征模型;通过目标图像的紧凑性、外观比、凹凸性和不变矩来构建目标的区域特征模型;利用链码差分特征和边界到目标边缘距离的二阶差分特征来构建边缘轮廓特征模型。针对特征识别问题,提出采用支持向量机识别目标特征,判断该目标是否为漂浮物。实验结果表明,本文所提的基于背景先验图像显著性分割方法可以有效突出前景目标区域并分割出前景目标,所提出的特征模型识别漂浮物目标的成功率能达到82%。
【图文】：

原图,均值滤波,窗口大小,图像

士论文第 3 章小型水域漂( , )1( , ) ( , )3 3aveavei j Sg x y f i j 是均值滤波结果，aveS 表示均值滤波的窗口大小。均值的噪声，但会使得图像变得更为模糊[39]，可视的图像对后续边缘轮廓提取造成不利的影响。原图如 3.1 所示。

均值滤波,图像,高斯滤波,加权均值滤波

12图 3.2 均值滤波图像波是一种特殊的加权均值滤波，，相对一般均值滤波该方]，其权值系数分布近似高斯分布。常见的高斯滤波模模板如图 3.3(a)所示，高斯滤波结果如图 3.3(b)所示。滤波通常需要使用较大的模板，会造成算法的时间复高的漂浮物识别中不适合采用高斯滤波。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：X52;TP391.41

【相似文献】