面向无人机航拍图像的船只识别系统及方法

摘要

本发明公开了一种面向无人机航拍图像的船只识别系统及方法，该系统包括海面航拍图像数据库、海面模板选择模块、背景Trimap模型自动获取模块和基于背景模型的Grabcut算法模块，构建海面模板库，构建图像特征值，使用投票法进行模板选择；设计一个模板匹配的方法，使得到的种子点可以生长出优质背景，通过模板信息获得距离阈值参数，进行区域生长，根据背景mask图生成背景Trimap；使用Trimap初始化grabcut算法的背景模型，找出可以得到最好效果的最少迭代次数。本发明可以实现对船只的更精确、自动识别，当用户提供分离了陆地与海面的图像时，便可迅速得到该方法的处理结果，得到船只识别的结果。

主权项

一种面向无人机航拍图像的船只识别系统，其特征在于，该系统包括海面航拍图像数据库、海面模板选择模块、背景Trimap模型自动获取模块和基于背景模型的Grabcut算法模块，其中：海面模板选择模块，根据用户提供的目标图像，从模板库中选择能反应此海面信息的模板，该模块的具体处理包括：构建海面模板库，随机抽取待分割图像中50个像素点，此分割图像即为无人机航拍高分辨率图像，分割处理的具体做法包括：分离陆地及海面，并计算其特征值：M(x)＝αG(x)+βV(x)+(1‑α‑β)H(x)      (1)其中，M(x)是特征图像的特征值，0≤α,β≤1且α+β＝1，α,β为权重变量，G(x)是图像的灰度均值、V(x)是亮度均值以及H(x)是色调均值，此处α＝β＝1/3；计算样本特征与模板库内模板特征之间的欧式距离：$n:=\arg {\min }_{y_n\in Y}\underset{‾}{M}(x,y,\alpha ,\beta )---\left(2\right)$其中，模板库Y＝(y₁,…,y_n,…,y₁₀₀₀)有1000样本，y_n是样本库中第n个样本，M(·)表示特征图像与模板之间的差异值；使用投票法进行模板选择，其中，公式(2)中为投票法的具体实现；构造计数器对模板特征值进行统计，将数目最多的特征值作为样本图像的特征值，并反向找到特征值对应的模板图像；背景Trimap模型自动获取模块，利用海面模板得到海面种子点，利用种子进行区域生长并得到优质的背景区域，生成背景Trimap，该模块的具体处理包括：首先使用SSD模板匹配算法，即采用平方差方法进行匹配，最小匹配值的点即为目标图像中匹配得到的海面种子点；$SSD(x,y)=\frac{{\Sigma }_{x^{\prime }{y}^{\prime }}{[T(x^{\prime },y^{\prime })-I(x+x^{\prime },y+y^{\prime })]}^2}{\sqrt{{\Sigma }_{x^{\prime }{y}^{\prime }}T{(x^{\prime },y^{\prime })}^2{\Sigma }_{x^{\prime }{y}^{\prime }}I{(x+x^{\prime },y+y^{\prime })}^2}}---\left(3\right)$其中，T(x,y)是海面模板，I(x,y)是目标图像中跟T大小相同的区域；其中x′∈(0,w‑1),y′∈(0,h‑1)；w是T的宽度，h是T的高度；使用海面种子点进行邻域生长算法，结合模板距离阈值参数，进行生长优质背景，邻域生长算法的具体处理包括：输入种子点坐标；创建邻接列表；如果分割区域中最新加入的像素与区域像素均值的距离小于给定先验距离阈值；以种子点为中心，遍历其周围四个像素，如果该相邻像素在分割区内但不是该区域一部分，将其加入分割区域；将像素强度最接近平均值的像素加入到该区域，标记后，从邻接表中去除此像素；输出背景标记图；转换背景mask图为Trimap图，设图像z＝(z₁,…,z_n,…,z_N)，若$z_n=\left\{\begin{array}{cc}0& z_n\left(1\right)=0\\ 3& z_n\left(1\right)\ne 0\end{array}\right.---\left(4\right)$其中z_n(·)表示z_n处第·维的值；背景Trimap模型自动获取模块中使用的平方差匹配算法找到的种子点在其灰度值上更接近模板灰度均值，优质种子即以此点为种子识别出背景像素占总背景区域90％以上，使用此种子邻域生长的距离阈值能够最大化的实现背景尽可能多的标记而不标记前景；由此生成的Trimap图；基于背景模型的Grabcut算法模块，利用背景Trimap进行海面背景与目标前景进行分割，也即分离出前景船只，实现对海面的精确分离，具体包括船只识别模块和经纬度信息标注模块，该模块的具体处理包括：使用Trimap初始化grabcut算法的背景模型，即使用Trimap图像作为模型的输入；使用grabcut算法对海面背景进行进一步的经纬度信息标注，通过迭代过程，找到最小迭代次数，具体处理包括：输入背景Trimap，其中背景值为0、可能的前景值为3；计算机通过Trimap建立初始的图像分割，将TrimapBackground中的像素分配到MattingBackground类，将TrimapPossibleForeground中的像素分配到MattingForeground类；其中k∈{1,…,K}，K为GMM模型前景背景组件个数k：＝min_kD_n(m)      (5)；利用初始分割获取高斯混合模型(GMMs)参数；像素m和n之间的N‑Links权重为：$N(m,n)=\frac{Alpha}{dist(m,n)}{e}^{-\beta \left|\right|z_m-z_n|{|}^2}---\left(6\right)$其中Alpha的值为先验参数；像素m的T‑Links权重为：$D\left(m\right)=-\log [\pi ({\alpha }_m,i)\frac{1}{\sqrt{\det \Sigma ({\alpha }_m,i)}}\times e^{\left(\frac{1}{2}{[z_m-\mu ({\alpha }_m,i)]}^T\Sigma {({\alpha }_m,i)}^{-1}\right)[z_m-\mu ({\alpha }_m,i\left)\right]}]---\left(7\right)$θ：＝arg min U(α,k,θ,z)     (8)；经过计算，构建出新的GMMs；计算Gibbs能量方程E(α,k,θ,z)的最小值，得到最小分割，其中：E(m,n)＝U(m)+N(m,n)      (9)其中，U(m)＝∑_kD(m)，是颜色高斯混合模型的数据项；应用border matting对图片边缘进行处理；输出结果图像。