基于距离选通成像的水下线状目标检测算法
北京理工大学科技成果——基于水下距离选通成像的水下考察勘探成像观察仪
北京理工大学科技成果——基于水下距离选通成像
的水下考察勘探成像观察仪
成果简介
距离选通技术利用脉冲激光器和选通摄像机，脉冲发射和开启成像时间的先后分开不同距离上的散射光和目标场景反射光，使被目标场景反射回来的辐射脉冲刚好在摄像机选通开启时间内到达摄像机并成像。
利用激光距离选通夜视成像技术，研制水下考察勘探成像观察仪，实现对海洋、湖泊、水库等的水下观察、勘探和救援等。
实现水下图像的对比度增强，适合深水或夜间使用，其观察距离较裸眼远5-7倍，较传统摄像装置远2-4倍。
项目来源自行开发
技术领域电子信息
应用范围本项目的产品化在军事、公安和民用等领域具有广泛的应用前景，包括水下有人/无人运载器的观察与导航；水下资源勘探，例如海底考古观察等；水库大坝、水下管道的检测；水下救援：海难水下救援等。
应用拓展：与地理信息系统、惯导技术等的结合，
可实现更高层次的救援装备，如水下救援。
所在阶段小规模生产
成果转让方式合作开发
市场状况及效益分析目前除军口外，其它领域尚未全面应用，关键是尚难提供合适的产品，此外还有许多有待扩展的应用领域，技术的产业化前景广阔。
水下目标探测与识别技术
2.3.5 选通ICCD摄像机的方法
❖ ICCD摄像机主要分为非选通型和选通型两类： ❖ 非选通ICCD摄像机本身没有光快门，不具有快速开关的功能，
主要用于对微弱光图像信号的增强和放大； ❖ 选通ICCD摄像机是由具有快速开关功能的像增强器通过光纤
光在水下的衰减
❖ 水对光谱中紫外和红外部分表现出强烈 的吸收。这是由于水分子在这些谱带上 强烈的共振造成的。紫外共振起因于电 子的激发，红外共振起因于分子激发。
❖ 大部分波段的光在水下传播时都会受到强烈的吸收衰减，只有波长 在 0.5nm 左右波段的蓝绿光在水中的吸收衰减系数最小，穿透能力 最强，而且此波段又处于电磁波的“大气窗口”。
实现方法：
❖ Matlab图像处理函数； ❖ VC6.0以上版本编程； ❖ OpenCV（Open Source Computer Vision Library）专
业图像处理软件，结合Visual Studio 2005以上版本实现； ❖ Kinect ， OpenGL （ Graphics Library ） ， OpenNI
长基线带来的问题：
❖ 但实际上，长基线会引起下面两个问题: ❖ 引起双目系统联合视域缩小。随着基线的增加，区域离双目摄像机
会越来越远，使这个距离内的目标不可见。换用大视角镜头可以克 服这个难题，但同时大视角镜头又会引发严重畸变等其他问题。 ❖ 增加立体匹配的难度。两个摄像机分别从不同角度观察同一目标， 所以观察到的目标有轻微不同，当基线加长，两摄像机观察到的目 标的差异增大，两幅图像的相关性下降，导致立体匹配更加困难。
❖ 在该系统中，非常短的激光脉冲照射物体，照相机快门打开的时间相 对于照射物体的激光发射时间有一定的延迟，并且快门打开的时间很 短，在这段时间内，探测器接收从物体返回的光束，从而排除了大部 分的后向散射光。
水下目标搜索与识别技术
水下目标搜索与识别技术水下目标搜索与识别系统一般分为光视觉系统和声视觉系统，当距离物体十米以内，一般采用光视觉系统，当距离物体大于十米以上时则用声视觉系统。
当前流行的趋势是采用激光的方式来进行目标搜索与识别。
一．光视觉系统传统的光视觉系统包括水下摄像机、照明等设备用来满足获取光学图像和视频信息等基本的要求。
而现在的光视觉系统不仅要求满足上述要求，还要求具备对图像和视频信息进行处理、特征提取以及分类识别的功能。
总之，只能水下机器人中光视觉系统的使命是：快速、准确德获取水下目标的相关信息，并对信息进行实时处理，将处理结果反馈给计算机，从而指导机器人进行正确的作业。
1.光视觉系统框架水下光视觉系统主要分为三大块：(1)底层模块:图像采集系统，包括专用水下CCD感光摄像头和图像采集卡，这部分属于硬件部分；(2)中层模块：图像处理，包括图像预处理、图像分割、特征提取、根据目标模型进行学习，形成知识库和逻辑推理机制，得到单幅图像的初步理解和评价。
(3)高层模块：分类是水下目标识别最为核心的技术，也是最终实现部分。
1.1硬件组成光视觉系统硬件包括光视觉计算机、水下CCD摄像头、云台和辅助照明灯。
光视觉计算机完成视觉建模、高层视觉信息处理和理解、与机器人主控计算机的网络通讯，实时监控系统每个时间节拍的运行状态与处理参数。
1.2软件体系水下光视觉系统的软件体系涵盖了两个部分：中层模块和高层模块。
中层模块主要负责图像处理工作(图像处理一般包括图像预处理、图像分割和特征提取三方面)。
高层模块是水下目标识别系统的最终实现部分，一般采用的是神经网络识别算法进行识别分类。
二．声视觉系统理想的声视觉系统作为智能水下机器人的传感设备，应该具备灵敏度高、空间分辨率高、隐蔽性好、抗干扰能力强、自主调节和全天候作业等特点，能适合探测弱目标和鉴别多目标的需要。
同时它能在比较复杂的人为干扰和自然干扰下，实现对目标的自动识别和跟踪选择。
声视觉系统最终要完成的任务是目标的自动定位、分类识别以及对运动目标实现跟踪，而完成这一任务的核心和前提条件是拥有一台高分辨率水声探测设备。
水下激光距离选通成像理论及技术研究
TTHG 相函数
pTTGH ( ) pOTHG ( , g1 ) (1 ) pOTHG ( , g2 )
θ为散射角，0 ≤ g1 , g2≤ 1， 0 ≤ α ≤ 1为常数
v 1 1 v 1 πv 1 2 p FF 2 4 16π(1 ) v 3 cos 1 v 4π 1 2 1 v v 1 π π u
偏振区分技术
当自然光或主动光照明时，利用水体散射光与目标反射光间的偏振信 息差异来滤除传输路径上的水体后向散射光；不仅能提高成像对比度 ，还能修正场景颜色。复原图像的可视距离比原图像提高近一倍。
多视角图像重构技术
采用多个主动成像系统，使照明与成像系统分离开来，以尽量减小照 明与成像视场的重叠区域，可进一步提升系统作用距离。
粒径分布已知的4 种单组分多分散系 的米氏理论相函数
C1 C2 C3 C4
6 5
1000
pMie / sr-1
Turbid seawater
Volume (%)
p(θ) / sr-1
4 3 2 1
10
10 0.1
C1 C2 C3 C4
0.1
0.001
0.1 1 10 100 Scattering angle θ / º
2013-7-12
一、国内外研究现状
国外典型距离选通成像系统性能指标
技术指标 激光器
瑞典 Aqua Lynx
YAG
加拿大
LUCIE YLF LUCIE2 YVO4
美国
See-Ray YAG 超短门 宽系统 YAG
丹麦 3-D激 光雷达 YAG
基于距离选通成像系统的水下目标探测技术研究
基 于 距 离 选 通 成 像 系统 的水 下 目标 探 测 技 术 研 究
陈 超 ， 鸿儒 ， 高 平 ， 杨 黎 吴 磊 ， 俞 兵 ， 杨 斌 ， 宝 宁 ， 博妮 ， 李 鹏 吴 张 吴
（ 安应用光学研究所 ， 西 陕西 西 安 ７ ０ ６ ） １０ ５
摘 要 ： 于 距 离选 通 原 理 ， 用 波 长 为 ５ ２ｎ 、 冲 宽 度 为 ２ ｓ Ｎｄ： 基 采 ３ ｍ 脉 ０ｎ 的 ＹＡＧ 激 光 器 和 距 离
ｓ ｏ ｔ ａ ｈ ａ ｇ — ａ ｅ ｍ ａ ｉ ｇ ｍｅ ｈ ｄ ｉ ａ ｉ ｎ ｆ ｅ ｔｖ ｅ ｈ ｏ ｏ ｙ ｆ ｒ ｕ ｄ ｒ ｔ ｒ ｈ ｗ ｈ ｔ ｔ ｅ ｒ ｎ ｅ ｇ ｔ ｄ ｉ ｇ ｎ ｔ ｏ ｓ ａ ｒ ｐ ｄ ａ ｄ ｅ ｆ ｃ ｉ ｅ ｔ ｃ ｎ ｌ ｇ ｏ ｎ ｅ ｗａ ｅ
ｏ ｊｃ ｅ ｅ ｔ ｎ ａ ｄ ｒ ｏ ｇ ｎｚ ｔｏ ． ｂｅ ｔｄ ｔｃ ｉ ｎ ｅ ｒ ａ ｉａ ｉｎ ｏ
Ｋｅ ｒ ｓ ｉ ｇ ｎ ｙ ｔｍ ；ｒｎ ｅ ｇ ｔｄ；Ｉ ｙ ｗｏ ｄ ： ｍａ ｉｇ ｓ ｓｅ ａ ｇ —ａｅ ＣＣＤ；ｕ ｄ ｒ ｔ ｒｏ ｊｃｓｄ ｔ ｃｉｎ ｎ ｅ ｗａ ｅ ｂｅ ｔ ｅｅ ｔｏ
引 言
近 年来 ， 下 目标 的 探 测 和 识 别 一 直是 成像 水
领 域 的具 有挑 战性 的课 题 之 一 。由于 水 体 的后 向
实 验 ， 出 了不 同条 件 下 水 下 目标 的选 通 图 像 和 给
分 析结 果 。
散射 致使 较远 距 离 的 目标 信 号 淹没 在 水 体 后 向散 射信 号 中 ， 致 对 比 度 差 及 成 像 距 离 显 著 下 降 。 导
距离 选 通成像 作 为 一种 远 距 离 和 复 杂环 境 下 目标
基于声纳成像的水下目标检测技术研究
基于声纳成像的水下目标检测技术研究第一章绪论随着水下工作的不断深入，对水下目标检测和成像的需求变得越来越迫切。
水下环境复杂多变，由于光线的折射和吸收而导致可见光线受到了严重的限制。
因此，传统的光学成像技术并不适用，必须采用其他技术。
声波作为一种无需介质传导的物理信号，在水下环境下有广泛的应用，因为它的传播损失异常小。
声纳成像正是一种基于声波传播的水下目标检测技术。
本文将对声纳成像的原理、技术以及应用进行详细介绍。
第二章声纳成像的原理声波在水中的传播速度远远高于空气中的传播速度，同时水中的介质也非常清晰、易于穿透。
声纳成像技术就是利用这一特点来检测水下目标的位置、形状和大小。
声波的信号传输可以被分为两种类型：主被动式和剖面式。
主被动声纳系统首先使用主动声学发生器发生声波信号，这些信号到达水中的物体表面并返回声波接收器。
接收到的反射信号会被处理，以生成一幅声波图像。
剖面式声纳则是由一组声线组成的剖面显示图像，每条线都代表了从声纳探头到水下目标的最短距离。
这种成像方法需要多次扫描以获取完整的目标轮廓。
第三章声纳成像的技术声纳成像技术包括能量、分辨率、带宽、灵敏度、动态范围、目标检测和跟踪等方面，下面分别进行介绍。
3.1 能量能量是声纳系统的重要参数，因为它越高，系统的探测范围就越远。
为了实现高能量输出，声纳系统一般使用宽频带的电子扫描器或高功率放大器。
在一些需要较长探测距离的应用中，声纳系统还需要使用特殊的信号算法，比如脉冲压缩，使得波形获得更高的信噪比和方向性。
3.2 分辨率分辨率是用于描述声纳系统对于目标结构的检测能力。
基本的分辨率与声纳系统的发送电源和探头大小有关。
在为海洋测量而设计的声纳系统中，改变发射器和接收器之间的距离，就能改变目标的分辨率。
此外，改进系统的精度和分辨率还需要在处理过程中加强。
3.3 带宽波形带宽和声纳系统的信噪比、时间分辨率和空间分辨率等密切相关。
一个较高的频谱范围、一个较窄的中心带宽比定义了一个基于声纳原理的信号处理设备。
基于深度学习的水下图像目标检测与识别
基于深度学习的水下图像目标检测与识别水下图像目标检测与识别是近年来深度学习技术在水下领域的研究热点之一。
由于水下环境的特殊性，如水下浑浊、光照不均等，传统的图像处理方法在水下图像处理方面存在一定的局限性。
利用深度学习技术，可以提高水下图像目标检测与识别的准确度和效率，对水下探测、海洋科研、水下机器人等领域具有重要意义。
深度学习是一种模仿人类神经网络的机器学习方法，通过建立多层神经网络，使得计算机可以从数据中进行学习和自主发现模式。
在水下图像目标检测与识别中，深度学习技术主要包括卷积神经网络（Convolutional Neural Network，CNN）和目标检测模型。
卷积神经网络是深度学习在图像处理领域的重要应用之一。
其特点在于可以自动从原始数据中提取特征，通过多个卷积、池化等层次的处理，逐渐提取出具有语义信息的特征。
针对水下图像目标检测与识别，研究者们通过构建不同的卷积神经网络模型来提高模型对水下图像的理解能力。
例如，YOLO（You Only Look Once）模型将目标检测问题视为一个回归问题，通过一次前向传播即可得到目标的坐标和类别信息，大大提高了检测速度。
Mask R-CNN则结合了目标检测和目标分割的任务，可以实现对水下图像中目标的精确定位。
除了卷积神经网络，另一个关键技术是目标检测模型。
传统的目标检测方法如滑动窗口、图像分割等在水下图像处理中的适应性较差。
随着深度学习的发展，基于深度学习的目标检测方法逐渐成为主流。
其中，常用的目标检测模型包括FasterR-CNN、SSD等。
这些模型通过提供边界框和类别信息，实现对水下图像中的目标进行快速而准确的定位。
在具体的水下图像目标检测与识别任务中，首先需要建立一个包含大量水下图像的训练集。
这些图像需要包含不同种类的水下目标，如鱼类、珊瑚、海藻等。
在选择训练集时需要注意，图像的数量越多、种类越丰富，模型对不同目标的识别能力就越强。
其次，需要进行数据预处理，包括图像增强、尺寸调整等，以提高模型的泛化能力。
基于侧扫声纳图像海底目标物提取方法
T echno logy on the Ex traction of Seabed T arget B ased on H igh R eso lution S ide-scan Sonar
L I H a-i b in1, T ENG H u-i zhong1, SO NG H a-i y ing1, DUA N D ong-fang2, HU AN G Y i3
摘要: 分析了侧扫声纳数据成像原理, 利用凹凸目标成像 与阴影的关系, 依次采用二值化处理、中值滤波处理、
开启与闭合操作、Canny边缘提取等多种图像处理的手段, 实现了 海底目标物 的提取与 定位, 并通过 实验验 证了本
方法的可行性。
关键词: 侧扫声纳; 边缘检测 ; 数学形态学; Canny算子
当前, XTF ( ex tended triton form at) 格式 数据是 一种常用的侧扫声纳数据格式, 其创建主要是为了 满足保存侧扫、导航、测量记录以及浅剖等许多不同 类型的数据, 这种数据结构有利于以后的扩展, 以便 包含更多的海洋数据。
XTF 数据结构可以被想象为一种数据池, 在采 集数据时用这种数据格式, 可以在任何时候写入数 据, 而不必考虑各种类型的数据包之间的同步问题, 对于 XTF 格式数据的读取请参考文献 [ 3]。 312 目标边缘检测
xtf数据结构可以被想象为一种数据池集数据时用这种数据格式可以在任何时候写入数而不必考虑各种类型的数据包之间的同步问题对于xtf格式数据的读取请参考文献312目标边缘检测经典的边缘检测算法主要表现为影像上局部区域特征的不连续性从而关于边缘检测算子的研究主要集中在灰度图像梯度的研究并将图像中的边缘划分为阶跃形屋顶形线条形三种并提出了robertscannysobel等算子通过实验测试发现这些算子对于声图处理均得不出较好的边缘效果这是由于声图较普通的光学影像存在更多的大颗粒噪声这种噪声对于具有信噪比大的canny算子将其认为边缘一同进行了提取所以对于声图的边缘提取不能用普通的光学方法
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于距离选通成像的水下线状目标检测算法徐涛;杨克成;夏珉;李微;郭文平【摘要】An algorithm for long distance underwater linear object detection based on range-gated laser imaging is proposed.For the characteristics of underwater images,such as low contrast,blur and noise,and so on,the image was enhanced by means of contrast stretching,median filtering and wavelet transform.Then,the Canny operator was used to extract object's edge features.Finally,for the emergence of noise edges,a robust algorithm named Random Sample Consensus was chosen to detect linear object and estimate its parameters such as position and direction.The experiment results show that the algorithm can effectively detect underwater linear objects,and the detection rate can reach 93％,and the effective detection range can be up to 5 times the length of the underwater decay.%基于水下距离选通激光成像技术,提出了一种可用于长距离下的水下线状目标检测算法.该算法针对水下成像中低对比度、模糊和噪声等特性,首先采用对比度拉升、中值滤波、小波变换等方法对图像进行增强处理;然后利用Canny边缘检测算子提取出目标的边缘特征;最后针对边缘特征中出现的噪声边缘问题,选用了鲁棒性强的随机抽样一致性参数估计算法从边缘特征中检测出线状目标,并计算得到目标的位置和方向等相关参数.实验结果表明,该算法可以有效地检测出水下曲线状目标,弥补现有方法只能检测直线目标的不足,检测率可以达到93％,有效检测距离能达到5倍水下衰减长度.【期刊名称】《激光与红外》【年(卷),期】2017(047)010【总页数】4页(P1321-1324)【关键词】距离选通;图像增强;特征提取;线状目标;水下目标检测【作者】徐涛;杨克成;夏珉;李微;郭文平【作者单位】华中科技大学光学与电子信息学院,湖北武汉430074;华中科技大学光学与电子信息学院,湖北武汉430074;华中科技大学光学与电子信息学院,湖北武汉430074;华中科技大学光学与电子信息学院,湖北武汉430074;华中科技大学光学与电子信息学院,湖北武汉430074【正文语种】中文【中图分类】TP391.4当前,我国在海洋铺设的海底管道总长度已经超过6000 km[1]。
海底管道的泄露或损坏会导致巨大的经济损失和生态环境污染,设计出针对水下线状目标的检测算法具有十分重要的意义。
当前的水下线性目标检测研究工作主要集中于近距离水下直线探测,并取得大量的研究成果。
文献[2]中参考生物视觉的直线检测机理,提出了一种基于粒子群优化(Particle Swarm Optimization,PSO)的直线聚类方法,可用于水下管道检测。
文献[3]中使用像素点筛选和峰值点逆向清零技术对传统的Hough变换直线检测算法进行了改进,降低了检测算法的运行时间并提升了检测的正确率。
文献[4]通过在小波低频子带进行边缘检测目标检测,有效降低了算法运行时间。
文献[5]中研发了一种可用于检测和跟踪水下管道的实时成像系统,该系统通过检测图像内六个水平条状区域内的管道边缘,并进行分析融合得到目标的整体信息。
文献[6]中提出了一种水下的缆绳跟踪算法,该算法包括色彩空间转换、Canny边缘检测和概率Hough 变换三个步骤,可以有效用于ROV导航中。
然而直线状目标是一个较理想的模型,实际中由于内部应力或环境影响,目标会发生不同程度的弯曲形变,使得算法在实际应用中存在一定的局限性。
本文提出了一种可用于水下环境中曲线状目标检测的算法。
距离选通成像系统通常包含激光脉冲光源、高速选通相机和同步控制模块三部分,通过精确的同步时间控制,从而抑制后向散射的影响。
当激光器开始发送脉冲时,距离选通过程开始。
当光行进时,选通门处于关闭状态,因此不会捕获后向散射光。
当被目标反射回的激光脉冲返回相机时,选通门打开,相机仅捕捉来自目标的反射光。
一旦激光脉冲结束,选通门再次关闭。
距离选通成像系统能够有效地抑制由于水体中的粒子反射造成的后向散射影响,由于使用激光光源,一般会在图像的中心位置形成亮斑。
基于此,尝试在系统的激光器前面放置一个扩束器,通过激光扩束,可部分消除激光光源的影响,最终得到光照均匀的成像图片。
图1为实验使用的距离选通系统原理图。
距离选通技术得到的水下图像仍然存在对比度低,噪声等特性,一般需要先通过数字图像处理技术进行增强处理。
线状目标检测算法可分为三个阶段:图像增强、边缘检测和目标检测。
对比度拉伸(或灰度拉伸)是一种应用广泛的图像增强方法,通过将原图像的灰度函数经过一个变换函数变换成一个新的图像函数,即:g(x,y)=T[f(x,y)],是一种简单、有效的对比度增强方法[7]。
可通过公式(1)计算得到:I*=其中,I表示输入图像;max(I)和min(I)分别代表I的最大和最小值；I*为输出图像。
中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性信号处理技术[7]。
在一定条件下,可以克服线性滤波器如最小均方滤波、平均滤波等所带来的图像细节模糊,能够滤除水下图像中的脉冲噪声。
小波滤波可以有效地消除图片中由水体散射导致的噪声[8]。
首先对噪声图像进行小波变换得到小波系数w,然后将每个系数与设定的阈值T进行比较,如果系数小于阈值,则将其设置为零,否则保持不变。
如式(2):η(w)= wI(|w|>T)其中,w为小波系数;T为阈值;I(x)为示性函数,当x为真时,其结果为1,反之为0。
然后通过取逆小波变换即可得到去噪后的图像。
Canny边缘检测算子[9]是由John F.Canny提出的边缘检测算子。
是目前在边缘检测性能和算法复杂性上综合性能最优的方法之一。
由于实现简单,已经成为边缘检测最流行的算法之一。
Canny边缘检测器首先用高斯滤波器对图像进行卷积,然后选用传统边缘检测器计算图像的梯度。
并通过非极大抑制方法将局部最大值之外的梯度值抑制为0,即保留图像中变化最明显的位置,因此有助于精确地定位边缘。
最后,采用双阈值方法提升弱边缘的检测效果。
RANSAC是一种鲁棒性强的模型拟合算法,特别适用于拟合包含有大量偏差数据点的数据[10]。
由于水下图像中存在严重的噪声影响,边缘检测算法会不可避免地检测出大量多余的伪边缘点(false positives),使用RANSAC算法可部分消除伪边缘点的影响。
传统的RANSAC方法使用的是一阶线性模型,只能检测出图像中的直线目标。
文献[11]中将其扩展至二阶抛物线模型作为遥感图像中道路检测方法,原理上可以将RANSAC推广到任意阶曲线的目标检测。
由于一般检测对象在小视场中不会发生严重弯曲,选取二阶曲线足以检测出真实目标。
使用实验室已有的距离选通成像系统,在华中科技大学船池进行实验,经测试船池中水的衰减距离约为4.5 m。
实验时将一块上半部颜色较深,下半部颜色较浅的背景板悬挂入水中,以模拟不同的成像背景。
然后将弯曲的水下电缆作为线性目标,悬挂在背景板的前面。
通过将背景板和电缆推放到不同距离,在每个距离处,将电缆上拉到深色背景板前面采集深色背景下的目标成像图片,将电缆下放到浅色背景板前面采集浅色背景下的目标成像图片。
在15 m处捕获的图像如图2所示。
由于水体吸收和散射造成的图像低对比度,肉眼很难直接观察到目标。
图像增强处理时首先使用对比拉伸算法拉伸图像的对比度,然后使用5×5的中值滤波器滤除脉冲噪声,最后选择5阶db4小波和硬阈值滤波算法进行去噪处理。
最终的图像增强结果如图3所示。
边缘检测阶段,由于Canny算法的阈值选取对边缘检测结果有着直接的影响,实验时选用最大类间方差算法计算的阈值作为Canny边缘检测的高阈值,将高阈值乘以0.2作为低阈值,能够提高边缘检测的鲁棒性。
边缘检测结果如图4所示。
RANSAC目标检测阶段,由于平面上三个点即可唯一确定一条二次曲线,实验时每次在边缘点中随机选择3个点即可得到假设的目标曲线,然后利用其他的边缘点进行验证,并大量重复迭代,最终得到最优的检测结果。
迭代次数k可以通过等式(3)得到: k=其中,z为实验想要达到的检测率;n为每次需要随机采样的点的个数,即n=3;w为边缘图像中实际边缘点的比例。
通常,Canny算法检测出的伪边缘越多,w的值就越小。
实验发现迭代次数为500时足以满足检测要求。
结果如图5所示。
实验时在不同距离处采集大量实验图片进行测试,结果表明,在成像距离22 m(即5倍衰减长度)范围内,检测率可以达到93%以上。
当成像距离进一步增大时,由于水体后向散射的影响,采集到的原始图片中对比度和噪声进一步恶化,图像增强处理能一定程度提高图像的对比度和降低噪声,但图像中的噪声会导致边缘检测的结果中出现大量的伪边缘,最终导致检测到的目标出现变形,噪声干扰更严重时会直接导致检测失败。
本文提出了一种基于距离选通成像技术的长距离水下线状目标检测方法。
实验结果表明,该方法可以有效地检测水下曲线状目标,检测率可以达到93%,有效检测范围可达到5倍水下衰减长度。
同时,可以研究更加有针对性的图像增强算法,对更大成像距离处的图片进行有效的增强处理,进一步提高检测距离。
【相关文献】[1] WANG Jinlong,HE Renyang,ZHANG Haibin,et al.State-of-the-art advancement and development direction of submarine pipeline inspection technology[J].China Petroleum Machinery,2016,44(10):112-118.(in Chinese)王金龙,何仁洋,张海彬,等.海底管道检测最新技术及发展方向[J].石油机械,2016,44(10):112-118. [2] XU Pengfei,HU Zhen,CUI Weicheng,et al.Application of vision-based system in underwater pipeline active inspection[J].Shipbuilding of China,2010,51(03):91-100.(in Chinese)徐鹏飞,胡震,崔维成,等.光视觉在水下管线巡检中的应用[J].中国造船,2010,51(03):91-100.[3] ZENG Wenjing,ZHANG Tiedong,WAN Lei,et al.Underwater pipeline detection based on Hough transform[J].Chinese Journal of Scientific Instrument,2012,33(01):76-84.(in Chinese) 曾文静,张铁栋,万磊,徐玉如.基于Hough变换的水下管道检测方法[J].仪器仪表学报,2012,33(01):76-84.[4] LI Qingzhong,LIU Xiaoli,GU Nana.Fast line detection algorithm for underwater man-made objects[J].Computer Engineering and Applications,2014,50(11):180-183.(in Chinese) 李庆忠,刘晓丽,谷娜娜.水下人造目标线特征快速检测算法[J].计算机工程与应用,2014,50(11):180-183.[5] Zingaretti P,Tascini G,Puliti P,et al.Imaging approach to real-time tracking of submarine pipeline[J].Proceedings of SPIE-The International Society for Optical Engineering,1996,2661:129-137.[6] Chen H,Chuang N,Wang C.Vision-based line detection for underwater inspection of breakwater construction using an ROV[J].Ocean Engineering,2015,109(15):20-33.[7] Gonzalez C,Woods E,Digital image processing [M].New Jersey：Prentice Hall,2007.[8] Prabhakar J,Kumar P.An image based technique for enhancement of underwater images [J].International Journal of Machine Intelligence,2012,3(4):217-224.[9] Canny J.A Computational Approach to Edge Detection [J].IEEE Transactions on PatternAnalysis & Machine Intelligence,1986,8(6):679-98.[10] Fischler A,Bolles C.Random sample consensus:a paradigm for model fitting with applications to image analysis and automated cartography[J].Communications of the ACM,1980,24(6):381-395.[11] Radek B,Martin H,Kamil R.Nonlinear RANSAC method and itsutilization[J].Elektrorevue,2007,2(4):7-14.。