• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于視覺(jué)顯著性的水面垃圾目標(biāo)檢測(cè)

      2019-12-03 09:49:16
      測(cè)控技術(shù) 2019年11期
      關(guān)鍵詞:直方圖水面像素

      (西南科技大學(xué) 信息工程學(xué)院,四川 綿陽(yáng) 621000)

      隨著社會(huì)的發(fā)展和人們生活水平的提高,人們生活和生產(chǎn)產(chǎn)生的垃圾也相應(yīng)增多,由于一部分人環(huán)保意識(shí)不夠強(qiáng),導(dǎo)致一些垃圾被傾倒在水中,如不及時(shí)清理將會(huì)對(duì)人們的生活生產(chǎn)造成嚴(yán)重的影響。傳統(tǒng)的人工清理水面垃圾的方式不僅耗時(shí)耗力,并且作業(yè)人員的危險(xiǎn)系數(shù)極高,因此一種水面智能清污機(jī)器人孕育而生[1],而水面垃圾目標(biāo)檢測(cè)則是水面智能清污機(jī)器人的核心。

      水面垃圾目標(biāo)檢測(cè)可以歸為水面目標(biāo)檢測(cè)范疇,近幾年涌現(xiàn)出一批水面目標(biāo)檢測(cè)算法。黃銀君[2]等人通過(guò)分析水體的顏色和紋理特征,提出了基于水體邊界特征和顏色分布模型的水面目標(biāo)檢測(cè)算法。Hou[3]等人使用基于變化檢測(cè)背景建模法檢測(cè)水面顯著性目標(biāo),當(dāng)目標(biāo)背景變化差異較小時(shí)該算法檢測(cè)精度會(huì)有所降低。劉茜[4]在HSI顏色空間中分別在H、S和I分量中進(jìn)行邊緣檢測(cè),然后將邊緣信息進(jìn)行融合,從而檢測(cè)出水面目標(biāo)。方晶[5]等人使用基于視覺(jué)注意模型的艦船目標(biāo)檢測(cè)方法,采用圖像高斯金字塔和歸一化算子來(lái)融合小波變換提取的低頻、高頻特征和HSV空間中的色度、飽和度和透明度特征,從而檢測(cè)出水面的艦船目標(biāo)。

      現(xiàn)存的大多數(shù)水面目標(biāo)檢測(cè)算法都是針對(duì)水面艦船的檢測(cè),與之相比水面垃圾目標(biāo)檢測(cè)更容易受到水面水波、倒影和反光等干擾因素影響,因此算法不僅要求檢測(cè)的有效性而且需要能夠去除水面干擾因素的影響以提高檢測(cè)的精度。綜合以上考慮,提出一種基于視覺(jué)顯著性的水面垃圾目標(biāo)檢測(cè)算法,將水面垃圾目標(biāo)檢測(cè)看成水面顯著性目標(biāo)檢測(cè)問(wèn)題,從超像素中提取顯著性特征并使用隨機(jī)森林回歸器將其融合得到顯著性圖,然后使用紋理特征去除水面的干擾因素,進(jìn)一步提升檢測(cè)的精度。

      為了便于描述,以下將可能存在水面干擾因素的圖像稱為疑似圖。本文提出的基于視覺(jué)顯著性的水面垃圾目標(biāo)檢測(cè)算法整體描述如下。

      1 算法結(jié)構(gòu)

      算法的整體流程如圖1所示,整體結(jié)構(gòu)主要包括顯著性特征提取、疑似顯著性圖的生成和去除水面干擾。首先對(duì)輸入圖像使用超像素分割算法得到圖像的超像素,緊接著對(duì)每一個(gè)超像素分別在CIELab、RGB和HSV顏色空間中提取全局顯著性特征、局部顯著性特征和直方圖顯著性特征。然后訓(xùn)練一個(gè)隨機(jī)森林回歸器,以超像素級(jí)的顯著性特征作為隨機(jī)森林回歸器的輸入來(lái)對(duì)圖像中的每一個(gè)超像素的顯著性進(jìn)行評(píng)估,從而得到輸入圖像的疑似顯著性圖,對(duì)疑似顯著性圖使用一種自適應(yīng)閾值分割方法得到疑似二值顯著性圖,并由二值圖在輸入圖像中得到疑似垃圾目標(biāo)區(qū)域。最后使用多層感知器(Multi-Layer Perceptron,MLP)分類(lèi)器對(duì)原始圖像中的疑似垃圾目標(biāo)區(qū)域進(jìn)行判別,去除只含水波、倒影和反光的區(qū)域,保留含有垃圾目標(biāo)的區(qū)域,最終檢測(cè)出水面的垃圾目標(biāo)。

      圖1 算法整體流程圖

      1.1 顯著性特征提取

      使用簡(jiǎn)單線性迭代聚類(lèi)[6](Simple Linear Iterative Clustering,SLIC)算法把輸入圖像分割成K個(gè)超像素SP(i),i=1,2,…,K,SLIC算法與其他超像素分割算法相比具有的較低計(jì)算代價(jià)并且有較高的分割性能,用較少的超像素代替大量的像素來(lái)表達(dá)圖像特征可以降低圖像后續(xù)處理的復(fù)雜度[7],并且與像素和區(qū)塊相比,從超像素中能夠提取更高效的特征并且邊緣保留度更好[8]。SLIC超像素分割算法充分考慮了圖像的顏色相似性和空間距離的關(guān)系,該算法是通過(guò)構(gòu)造CIELab顏色空間和二維坐標(biāo)下的5維的特征向量,然后對(duì)圖像像素使用局部K均值聚類(lèi)算法(K-Means Clustering Algorithm)聚類(lèi)得到圖像的超像素。SLIC超像素分割算法的具體步驟為:

      ② 計(jì)算每一個(gè)種子點(diǎn)的n×n領(lǐng)域內(nèi)所有像素的梯度(一般n=3),將種子點(diǎn)移到該領(lǐng)域內(nèi)梯度最小的位置。

      ③ 對(duì)每一個(gè)聚類(lèi)中心Ck根據(jù)式(1)在一個(gè) 2S×2S的方形領(lǐng)域內(nèi)搜索與其相似性最小的像素,將該像素分配給聚類(lèi)中心對(duì)應(yīng)的超像素標(biāo)簽。

      ④ 重復(fù)步驟③直至計(jì)算前后兩次聚類(lèi)中心的距離小于給定的閾值。

      其中兩個(gè)像素點(diǎn)間的相似性度量為

      (1)

      式中,Ds越大,表明兩個(gè)像素點(diǎn)之間的相似性越高;m為平衡參數(shù),用來(lái)平衡空間信息與顏色值在相似度衡量中的比例;s為種子點(diǎn)的間距;dlab為像素點(diǎn)l與k之間的顏色差異,dxy為其空間距離。dlab和dxy計(jì)算公式如下:

      (2)

      (3)

      式中,l、a、b分別為CIELab空間中的3個(gè)顏色分量值;(x,y)為其空間位置。

      由SLIC超像素分割算法得到圖像的超像素之后再分別計(jì)算每一個(gè)超像素在CIELab、RGB和HSV顏色空間中的全局顯著性特征、局部顯著性特征和直方圖顯著性特征。

      1.1.1 全局顯著性特征

      顯著性從生物視覺(jué)方面可以理解為視覺(jué)系統(tǒng)中視覺(jué)信號(hào)對(duì)對(duì)比度的敏感度,人類(lèi)視覺(jué)系統(tǒng)對(duì)外觀和顏色對(duì)比度更加敏感,如果一個(gè)超像素與圖像中其他的超像素相比在外觀和顏色上差異較大,那么這個(gè)超像素就具有較高的顯著性,全局顯著性特征可以用來(lái)表征超像素在整個(gè)圖像中的對(duì)比度。全局圖像對(duì)比度是通過(guò)一個(gè)區(qū)域與整個(gè)圖像的對(duì)比來(lái)估計(jì)顯著性[9]。使用超像素中所有像素的像素平均值來(lái)代表該超像素的像素值,表示為sci,使用超像素中所有像素坐標(biāo)的平均值來(lái)表示該超像素的像素坐標(biāo),表示為spi,則超像素的全局顯著性特征計(jì)算公式為

      (4)

      式中,K為圖像的超像素個(gè)數(shù);dvalue(sci,scj)為sci與scj超像素像素值的歐式距離;wij=e-0.002dposition(spi,spj);dpositon(spi,spj)為超像素spi與spj空間位置的歐式距離。根據(jù)式(4)分別在CIELab、RGB和HSV顏色空間中得到每一個(gè)超像素的全局顯著性特征。

      1.1.2 局部顯著性特征

      顯著性目標(biāo)經(jīng)常與其周?chē)沫h(huán)境有較大差異,如果一個(gè)超像素與其周?chē)某袼叵啾扔休^大的對(duì)比度,那么意味著這個(gè)超像素有較高的顯著性值,局部顯著性能夠表征超像素與其周?chē)袼氐膶?duì)比度。超像素的局部顯著性特征計(jì)算公式為

      (5)

      1.1.3 直方圖顯著性特征

      直方圖特征是一種最有效評(píng)估顯著性特征的方法之一。直方圖特征是通過(guò)使用卡方校驗(yàn)來(lái)測(cè)量?jī)蓚€(gè)直方圖之間的距離[10],第i個(gè)超像素的直方圖特征定義為

      (6)

      式中,b為超像素直方圖bin的數(shù)量,本文中bin為8;hik為第i個(gè)超像素在b=k時(shí)的直方圖對(duì)應(yīng)的取值。根據(jù)式(6)分別在CIELab、RGB和HSV顏色空間中由公式得到每一個(gè)超像素的直方圖顯著性特征。

      1.2 疑似顯著性圖

      由式(4)~式(6)得到輸入圖像的超像素級(jí)顯著性特征值后,再使用一個(gè)隨機(jī)森林[11](Random Forest)回歸器來(lái)評(píng)估每一個(gè)超像素的顯著性分?jǐn)?shù),實(shí)現(xiàn)顯著性特征的融合,從而得到輸入圖像的疑似顯著性圖。最后由以下的自適應(yīng)閾值得到二值顯著性圖,閾值計(jì)算公式為

      (7)

      式中,W與H分別為圖像的寬和高;S(x,y)為疑似顯著性圖;λ為平衡因子,用來(lái)調(diào)節(jié)自適應(yīng)分割的閾值,通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),在收集到的數(shù)據(jù)集中當(dāng)λ=5時(shí)得到的顯著性二值圖效果最好。圖2為由隨機(jī)森林回歸器得到的疑似顯著性圖與自適應(yīng)閾值分割得到的疑似二值圖。

      圖2 疑似顯著性圖與疑似顯著性二值圖

      圖像從上到下依次為原圖、疑似顯著性圖和疑似顯著性二值圖,最右邊為只含反光的水面,由檢測(cè)結(jié)果可以看出水面的干擾因素會(huì)影響垃圾目標(biāo)的檢測(cè)。

      1.3 去除水面干擾

      圖像紋理特征是一種區(qū)域特征,是對(duì)圖像各像元之間的空間分布的一種描述[12]。實(shí)驗(yàn)中發(fā)現(xiàn)在含有垃圾目標(biāo)的區(qū)域和不含垃圾目標(biāo)的區(qū)域紋理特征差異較大。圖像的灰度共生矩陣是描述紋理常用的統(tǒng)計(jì)分析方法之一[13],為了從灰度共生矩陣中獲得能夠唯一描述圖像紋理特征,從灰度共生矩陣中獲取能量、對(duì)比度、相關(guān)性、熵和逆差矩來(lái)表征圖像的紋理特征,并使用MLP[14](Multi-Layer Perceptron)分類(lèi)器,以所提的紋理特征為輸入來(lái)對(duì)疑似垃圾目標(biāo)區(qū)域進(jìn)行識(shí)別,在收集到的數(shù)據(jù)集中截取大約3000張包含垃圾目標(biāo)的水面區(qū)域和大約3000張不包含垃圾目標(biāo)的水面區(qū)域,并進(jìn)行人工標(biāo)記,將圖片按照7∶3分為訓(xùn)練集和測(cè)試集來(lái)對(duì)MLP分類(lèi)器進(jìn)行訓(xùn)練。

      去除水面干擾的具體實(shí)施方法為:根據(jù)疑似二值顯著性圖在原始圖像中截取出對(duì)應(yīng)的疑似垃圾目標(biāo)區(qū)域,將該區(qū)域的紋理特征作為MLP分類(lèi)器的輸入來(lái)判斷該區(qū)域是否包含垃圾目標(biāo),如果該區(qū)域包含垃圾目標(biāo),則在疑似顯著性圖中保留的對(duì)應(yīng)區(qū)域;若該區(qū)域不包含垃圾目標(biāo),則在疑似顯著性圖中去除對(duì)應(yīng)區(qū)域;最后再進(jìn)行非極大值抑制[15]即可以得到最終的檢測(cè)結(jié)果。

      2 實(shí)驗(yàn)結(jié)果與分析

      2.1 實(shí)驗(yàn)平臺(tái)和實(shí)驗(yàn)數(shù)據(jù)集

      實(shí)驗(yàn)的硬件環(huán)境為Windows 7 64-bit操作系統(tǒng)平臺(tái),處理器為Intel i5 3.20 GHz,內(nèi)存為8 GB,GPU的型號(hào)為GTX1060。

      實(shí)驗(yàn)收集3000張包含垃圾的水面圖片,圖片的平均尺寸大小為704像素×576像素,隨機(jī)選取2000張圖片用做訓(xùn)練集,剩余1000張圖片用做測(cè)試集,并進(jìn)行人工標(biāo)注。為了保證實(shí)驗(yàn)對(duì)比結(jié)果的有效性,實(shí)驗(yàn)中的所有算法包括隨機(jī)森林回歸器的訓(xùn)練均使用相同的訓(xùn)練集和測(cè)試集,對(duì)于訓(xùn)練集中的圖片使用隨機(jī)裁剪、隨機(jī)顏色調(diào)整和翻轉(zhuǎn)操作來(lái)對(duì)樣本進(jìn)行擴(kuò)充。為了驗(yàn)證所提算法的有效性,將本文算法與目前較為流行的3種適用于水面垃圾目標(biāo)檢測(cè)的算法:FT[16]、LC[17]和YOLO[18]進(jìn)行比較,并采用了相關(guān)研究結(jié)果,其中FT和LC顯著性目標(biāo)檢測(cè)算法得到的顯著性圖使用與本文相同的自適應(yīng)閾值分割方法得到二值顯著性圖。除了YOLO算法使用Python實(shí)現(xiàn)之外,其他算法均使用C++ 實(shí)現(xiàn)。因?yàn)閷?shí)驗(yàn)訓(xùn)練所用的數(shù)據(jù)集對(duì)于深度學(xué)習(xí)來(lái)說(shuō)屬于小樣本,所以YOLO算法需要使用遷移學(xué)習(xí)[19]方法來(lái)進(jìn)行訓(xùn)練,并使用GPU進(jìn)行加速。

      2.2 實(shí)驗(yàn)結(jié)果與性能比較

      圖3為所提的水面垃圾目標(biāo)檢測(cè)算法與其他3種算法在收集到的數(shù)據(jù)集中運(yùn)行的部分效果圖,圖像從左到右依次為原始圖像和每一種算法檢測(cè)的效果圖,從中可以看出所提算法能夠有效地檢測(cè)出水面垃圾目標(biāo),并且能夠去除水面干擾。性能分析主要評(píng)估每一種算法的準(zhǔn)確率和檢測(cè)一張圖片所需的平均時(shí)間,實(shí)驗(yàn)結(jié)果如表1所示。

      圖3 本文算法與可用于水面垃圾目標(biāo)檢測(cè)算法的檢測(cè)結(jié)果

      表1 每一種算法在數(shù)據(jù)集上運(yùn)行的性能對(duì)比

      從表1可以看出,所提的基于視覺(jué)顯著性的水面垃圾目標(biāo)檢測(cè)算法的準(zhǔn)確度要高于其他算法。與FT和LC算法相比,所提的顯著性目標(biāo)檢測(cè)算法魯棒性較強(qiáng),能夠精準(zhǔn)地提取出水面垃圾目標(biāo),并且考慮到了水面水波、倒影和反光的干擾因素,將顯著性檢測(cè)算法得到的顯著性圖看成疑似顯著性圖,并使用紋理特征+MLP分類(lèi)器去除水面干擾,從而進(jìn)一步提升檢測(cè)精度。與YOLO算法相比,將水面垃圾目標(biāo)檢測(cè)看成水面顯著性目標(biāo)檢測(cè)問(wèn)題,檢測(cè)的對(duì)象不針對(duì)特定的垃圾目標(biāo),因此普適性更強(qiáng),能夠檢測(cè)出不同場(chǎng)景和類(lèi)型的水面垃圾目標(biāo)。當(dāng)使用將SLIC加入GPU中執(zhí)行的gSLICr[20]進(jìn)行超像素分割后,可以進(jìn)一步提升算法的速度。

      3 結(jié)束語(yǔ)

      針對(duì)水面垃圾檢測(cè)中的特殊情況提出了一種基于視覺(jué)顯著性的水面垃圾目標(biāo)檢測(cè)算法。首先對(duì)原始圖像進(jìn)行超像素分割,提取超像素級(jí)的顯著性特征;接著使用隨機(jī)森林回歸器將顯著性特征進(jìn)行融合得到疑似顯著性圖;然后使用自適應(yīng)閾值分割得到疑似顯著性二值圖;最后使用MLP分類(lèi)器對(duì)疑似垃圾目標(biāo)進(jìn)行判別,最終檢測(cè)出水面垃圾目標(biāo)。為了提高檢測(cè)精度,將顯著性目標(biāo)檢測(cè)算法得到的顯著性圖當(dāng)做包含水面干擾因素的疑似顯著性圖,并使用紋理特征+MLP分類(lèi)器的方法來(lái)去除水面的干擾。此外所提的顯著性目標(biāo)檢測(cè)方法也具有一定的普適性,可以將其用于其他場(chǎng)景中進(jìn)行顯著性目標(biāo)檢測(cè)。

      猜你喜歡
      直方圖水面像素
      統(tǒng)計(jì)頻率分布直方圖的備考全攻略
      趙運(yùn)哲作品
      藝術(shù)家(2023年8期)2023-11-02 02:05:28
      符合差分隱私的流數(shù)據(jù)統(tǒng)計(jì)直方圖發(fā)布
      像素前線之“幻影”2000
      水黽是怎樣浮在水面的
      “像素”仙人掌
      用直方圖控制畫(huà)面影調(diào)
      創(chuàng)造足以亂真的水面反光
      爭(zhēng)奪水面光伏
      能源(2016年3期)2016-12-01 05:11:02
      高像素不是全部
      CHIP新電腦(2016年3期)2016-03-10 14:22:03
      项城市| 明溪县| 平乐县| 新沂市| 永嘉县| 丁青县| 邹平县| 调兵山市| 简阳市| 资阳市| 盐亭县| 滕州市| 锡林浩特市| 吉林省| 海宁市| 隆昌县| 鲜城| 涪陵区| 西盟| 兰坪| 上高县| 汝南县| 芦溪县| 金山区| 黄大仙区| 惠来县| 甘德县| 诸城市| 大姚县| 堆龙德庆县| 宁河县| 迁西县| 东至县| 白河县| 朝阳市| 荆门市| 阿克| 东明县| 鞍山市| 枣庄市| 莱芜市|