海面背景下红外图像分类方法研究
发布时间：2021-08-09 14:01
近年来,海上船舶遇险事件时有发生,而能够对遇险目标展开快速、精准的搜救是一个迫切的而且具有挑战性的任务。在对海面遇险目标的搜救过程中,主要应用的是红外成像技术。由于海面环境的复杂多变,导致搜救时影响成像中的目标检测,进而影响搜救的效率。由于目前的海面目标检测算法通常适用在某一特定环境下,因此,为了更好地适应多种复杂海上环境场景下的图像目标检测处理,有必要将获取到的海面图像按照不同的海面背景进行场景分类,进而可以有针对性地对后续各类海面图像进行目标检测,有助于提高遇险目标的搜救成功率。显然,将海面图像按照不同的海况环境进行场景分类是急需的且实用的。为此,本文主要研究不同海况环境下的海面红外图像场景分类。通过对海面红外图像的分析,以及根据海面搜救时的环境和目标检测算法设计的实际需求,本文将海面红外图像中不同的海面环境条件分为五类不同的场景,即大风浪场景、逆光场景、海天线场景、海雾场景以及平静场景,随后将海面图像按照上述五类场景进行分类。针对海面红外图像根据提取的特征以及结合的分类方式提出了两种分类方法,一种是基于提取图像特征值的分类方法,一种是基于提取图像特征向量的分类方法。本文基于特征值...
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．２海天线海面图像??Ｆｉｇ．?２．２?Ｓｅａ?ｈｏｒｉｚｏｎ?ｂａｃｋｇｒｏｕｎｄ??通常图像提取不同类别的特征，包括其颜色、灰度、纹理、轮廓、区域等几个方面
??海面背景下红外图像分类方法研究???—平静?一—平静??１００１?Ｉ?ｔ?／Ｗ＇Ｖ＼?ＦＴ?ｆ＊＊＊＾ＪＴ?ａ?—＊—海天线?—海天线??釋Ｔ??３０－??－１０?０?１０?２０?３０?４０?５０?６０?－１０?０?１０?２０?３０?４０?５０?６０??１）各类图像Ｎ１分布情况?２）各类图像Ｎ２分布情况??图２．５各类图像灰度分布集中度表现??Ｆｉｇ．?２．５?Ｃｏｎｃｅｎｔｒａｔｉｏｎ?ｅｘｐｒｅｓｓｉｏｎ?ｏｆ?ｇｒａｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｖａｒｉｏｕｓ?ｉｍａｇｅｓ??从各类图像Ｎ１和Ｎ２值分布情况可以看到平静海面图像的灰度分布比较集中在灰??度值偏低的区域，而海雾海面图像灰度分布较平稳。同时，从Ｎ１的分布情况可以看出??逆光海面图像分布也较为集中，其它类图像的灰度值分布则是范围较大且不平稳。??（２）灰度小梯度占比??从灰度直方图中可以看到平静海面与海雾海面图像的灰度分布都比较集中，尤其是??平静海面图像的灰度分布。但由于其它类海面图像例如大风浪图像的波浪凸起具有不同??的边缘分布，因此通过计算４个方向（水平、竖直、斜向４５°、反斜向１３５°?）上的灰??度梯度对各类图像进行特征分析。如图２．６所示为各类图像灰度小梯度占比变化示意图。??－１４?－??
大连海事大学硕士学位论文??２．３基于阈值处理的分类方法??当用特征值作为图像描述结合阈值处理法对海面图像分类时，基本原理是根据各类??图像特征参数变化趋势的差异，设定一个或多个阈值，对图像进行分类。选取合适的特??征参数，观察其各个参数分布与图像特点之间的关联程度或与不同图像之间的区分度，??以此来确定分类所需要用到的特征参数及其阈值。通过比较分析得出相同类型图像的统??计特性的相似以及不同类型图像的统计特性的不同，根据这些规律来完成对海面红外图??像的分类。??结合阈值处理分类流程如图２．９。首先利用灰度小梯度分布快速将所有图像分为整??体平滑图像和整体复杂图像两类，然后再主要根据灰度共生矩阵的熵平均值、熵标准差、??相关性平均值和标准差以及Ｎｌ、Ｎ２等参数区分平静海面图像和海雾海面图像，再利用??行差分布情况分出海天线图像，最后用灰度共生矩阵的惯性矩平均值、惯性矩标准差、??能量平均值和能量标准差以及Ｎｌ、Ｎ２等参数来最后分辨逆光海面图像和大风浪海面图??像。??（输入眺）?????度小悌噔分布ｍ？ａ??????—丨瞧樹ｓｒ辦ｙ、？丨，???????！?｜??”?”??ｖ???ｍ拟从数及灰哎央屮?＾输出为河ｘ线阳像＾?＾?＾?ｆ输出为荠旧像）???ｙ???；；???＾输出为逆）ｔ阁悚＾?ｆ输出为大阁悚ｊ??图２．９阈值分类框图??Ｆｉｇ．?２．９?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｒｅｓｈｏｌｄ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??－１９?－??
【参考文献】：
期刊论文
[1]分块Gabor结合梯度直方图的特征提取算法[J]. 林克正,张元铭,李昊天. 小型微型计算机系统. 2019(12)
[2]基于多尺度局部特征编码与多通道特征融合的图像场景分类[J]. 秦芳,顾广华. 燕山大学学报. 2019(04)
[3]基于深度学习的铁路图像场景分类优化研究[J]. 赵冰,李平,代明睿,马小宁. 计算机系统应用. 2019(06)
[4]图像场景分类技术综述[J]. 田艳玲,张维桐,张锲石,路纲,吴晓军. 电子学报. 2019(04)
[5]一种多特征融合的场景分类方法[J]. 李志欣,李艳红,张灿龙. 小型微型计算机系统. 2018(05)
[6]局部和全局特征融合的红外图像显著性检测[J]. 刘松涛,姜康辉,刘振兴,姜宁. 光电子·激光. 2018(03)
[7]海上遇险目标漂移与搜寻区域优化确定分析[J]. 王光源,刘建东,章尧卿,毛世超. 舰船电子工程. 2017(12)
[8]一种基于LBP特征提取和稀疏表示的肝病识别算法[J]. 韩秀芝,赵希梅,于可歆,王国栋. 中国生物医学工程学报. 2017(06)
[9]融合直方图高阶统计特征与GLCM特征的室内红外图像人群密度分类[J]. 李熙莹,黄秋筱. 红外技术. 2017(07)
[10]基于顶帽变换和LBP算子的纹理特征提取方法[J]. 王升峰,杨永全. 软件导刊. 2016(12)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]海面目标红外检测方法研究[D]. 王斌.大连海事大学 2018
[3]基于细节空间关系信息的视觉特征表达及图像分类应用[D]. 刘东.吉林大学 2016
[4]图像特征表示的学习算法研究[D]. 谢博鋆.北京交通大学 2016
[5]面向局部特征和特征表达的图像分类算法研究[D]. 张旭.合肥工业大学 2016
[6]图像纹理特征表示方法研究与应用[D]. 温智婕.大连理工大学 2008
硕士论文
[1]多类别天气图像分类算法研究[D]. 王珊.北京交通大学 2019
[2]融合深度学习的图像分类算法研究[D]. 张婉.南京邮电大学 2018
[3]基于卷积神经网络的场景分类算法研究[D]. 苏亚伟.南昌航空大学 2018
[4]基于改进LBP算子的图像纹理分类研究[D]. 高攀.西南交通大学 2018
[5]基于图像中层描述的场景分类算法研究[D]. 刘泽霞.燕山大学 2018
[6]场景图像分类的若干问题研究[D]. 谢可.东南大学 2016
[7]一种快速的支持向量机算法研究[D]. 吕文汉.重庆大学 2012
[8]红外图像目标特征提取与分类算法研究[D]. 赵大恒.西安电子科技大学 2010
[9]海洋图像中特征提取方法的研究与应用[D]. 廖紫君.大连理工大学 2009
[10]图像特征提取方法研究及应用[D]. 常昌.华中科技大学 2009
本文编号：3332200
【文章来源】：大连海事大学辽宁省 211工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．２海天线海面图像??Ｆｉｇ．?２．２?Ｓｅａ?ｈｏｒｉｚｏｎ?ｂａｃｋｇｒｏｕｎｄ??通常图像提取不同类别的特征，包括其颜色、灰度、纹理、轮廓、区域等几个方面
??海面背景下红外图像分类方法研究???—平静?一—平静??１００１?Ｉ?ｔ?／Ｗ＇Ｖ＼?ＦＴ?ｆ＊＊＊＾ＪＴ?ａ?—＊—海天线?—海天线??釋Ｔ??３０－??－１０?０?１０?２０?３０?４０?５０?６０?－１０?０?１０?２０?３０?４０?５０?６０??１）各类图像Ｎ１分布情况?２）各类图像Ｎ２分布情况??图２．５各类图像灰度分布集中度表现??Ｆｉｇ．?２．５?Ｃｏｎｃｅｎｔｒａｔｉｏｎ?ｅｘｐｒｅｓｓｉｏｎ?ｏｆ?ｇｒａｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｖａｒｉｏｕｓ?ｉｍａｇｅｓ??从各类图像Ｎ１和Ｎ２值分布情况可以看到平静海面图像的灰度分布比较集中在灰??度值偏低的区域，而海雾海面图像灰度分布较平稳。同时，从Ｎ１的分布情况可以看出??逆光海面图像分布也较为集中，其它类图像的灰度值分布则是范围较大且不平稳。??（２）灰度小梯度占比??从灰度直方图中可以看到平静海面与海雾海面图像的灰度分布都比较集中，尤其是??平静海面图像的灰度分布。但由于其它类海面图像例如大风浪图像的波浪凸起具有不同??的边缘分布，因此通过计算４个方向（水平、竖直、斜向４５°、反斜向１３５°?）上的灰??度梯度对各类图像进行特征分析。如图２．６所示为各类图像灰度小梯度占比变化示意图。??－１４?－??
大连海事大学硕士学位论文??２．３基于阈值处理的分类方法??当用特征值作为图像描述结合阈值处理法对海面图像分类时，基本原理是根据各类??图像特征参数变化趋势的差异，设定一个或多个阈值，对图像进行分类。选取合适的特??征参数，观察其各个参数分布与图像特点之间的关联程度或与不同图像之间的区分度，??以此来确定分类所需要用到的特征参数及其阈值。通过比较分析得出相同类型图像的统??计特性的相似以及不同类型图像的统计特性的不同，根据这些规律来完成对海面红外图??像的分类。??结合阈值处理分类流程如图２．９。首先利用灰度小梯度分布快速将所有图像分为整??体平滑图像和整体复杂图像两类，然后再主要根据灰度共生矩阵的熵平均值、熵标准差、??相关性平均值和标准差以及Ｎｌ、Ｎ２等参数区分平静海面图像和海雾海面图像，再利用??行差分布情况分出海天线图像，最后用灰度共生矩阵的惯性矩平均值、惯性矩标准差、??能量平均值和能量标准差以及Ｎｌ、Ｎ２等参数来最后分辨逆光海面图像和大风浪海面图??像。??（输入眺）?????度小悌噔分布ｍ？ａ??????—丨瞧樹ｓｒ辦ｙ、？丨，???????！?｜??”?”??ｖ???ｍ拟从数及灰哎央屮?＾输出为河ｘ线阳像＾?＾?＾?ｆ输出为荠旧像）???ｙ???；；???＾输出为逆）ｔ阁悚＾?ｆ输出为大阁悚ｊ??图２．９阈值分类框图??Ｆｉｇ．?２．９?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｒｅｓｈｏｌｄ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??－１９?－??
【参考文献】：
期刊论文
[1]分块Gabor结合梯度直方图的特征提取算法[J]. 林克正,张元铭,李昊天. 小型微型计算机系统. 2019(12)
[2]基于多尺度局部特征编码与多通道特征融合的图像场景分类[J]. 秦芳,顾广华. 燕山大学学报. 2019(04)
[3]基于深度学习的铁路图像场景分类优化研究[J]. 赵冰,李平,代明睿,马小宁. 计算机系统应用. 2019(06)
[4]图像场景分类技术综述[J]. 田艳玲,张维桐,张锲石,路纲,吴晓军. 电子学报. 2019(04)
[5]一种多特征融合的场景分类方法[J]. 李志欣,李艳红,张灿龙. 小型微型计算机系统. 2018(05)
[6]局部和全局特征融合的红外图像显著性检测[J]. 刘松涛,姜康辉,刘振兴,姜宁. 光电子·激光. 2018(03)
[7]海上遇险目标漂移与搜寻区域优化确定分析[J]. 王光源,刘建东,章尧卿,毛世超. 舰船电子工程. 2017(12)
[8]一种基于LBP特征提取和稀疏表示的肝病识别算法[J]. 韩秀芝,赵希梅,于可歆,王国栋. 中国生物医学工程学报. 2017(06)
[9]融合直方图高阶统计特征与GLCM特征的室内红外图像人群密度分类[J]. 李熙莹,黄秋筱. 红外技术. 2017(07)
[10]基于顶帽变换和LBP算子的纹理特征提取方法[J]. 王升峰,杨永全. 软件导刊. 2016(12)
博士论文
[1]基于深度卷积神经网络的图像分类方法研究及应用[D]. 高震宇.中国科学技术大学 2018
[2]海面目标红外检测方法研究[D]. 王斌.大连海事大学 2018
[3]基于细节空间关系信息的视觉特征表达及图像分类应用[D]. 刘东.吉林大学 2016
[4]图像特征表示的学习算法研究[D]. 谢博鋆.北京交通大学 2016
[5]面向局部特征和特征表达的图像分类算法研究[D]. 张旭.合肥工业大学 2016
[6]图像纹理特征表示方法研究与应用[D]. 温智婕.大连理工大学 2008
硕士论文
[1]多类别天气图像分类算法研究[D]. 王珊.北京交通大学 2019
[2]融合深度学习的图像分类算法研究[D]. 张婉.南京邮电大学 2018
[3]基于卷积神经网络的场景分类算法研究[D]. 苏亚伟.南昌航空大学 2018
[4]基于改进LBP算子的图像纹理分类研究[D]. 高攀.西南交通大学 2018
[5]基于图像中层描述的场景分类算法研究[D]. 刘泽霞.燕山大学 2018
[6]场景图像分类的若干问题研究[D]. 谢可.东南大学 2016
[7]一种快速的支持向量机算法研究[D]. 吕文汉.重庆大学 2012
[8]红外图像目标特征提取与分类算法研究[D]. 赵大恒.西安电子科技大学 2010
[9]海洋图像中特征提取方法的研究与应用[D]. 廖紫君.大连理工大学 2009
[10]图像特征提取方法研究及应用[D]. 常昌.华中科技大学 2009
本文编号：3332200
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3332200.html
