本發(fā)明涉及一種利用光學成像法而實現(xiàn)的水下圖像目標檢測方法，具體是利用水下圖像顏色、灰度、深度信息多信息融合全局對比度實現(xiàn)水下圖像目標檢測的方法，屬于圖像處理技術領域。

背景技術：

水下光學環(huán)境較為復雜，水下成像所面臨的主要問題是：①水下成像光線的衰減、②水下成像光線的散射。在所成水下圖像上表現(xiàn)為：①水下圖像顏色信息畸變、②水下圖像強度衰減及非均勻分布、③水下圖像模糊。而目前的圖像目標檢測方法多是面向大氣環(huán)境中清晰的圖像，難以適應水下圖像的特點，造成水下圖像目標檢測的正確率較低。為了解決這一問題，目前所采用的方法多是基于預處理的技術手段(如水下圖像增強、水下圖像恢復)以提高水下圖像的質(zhì)量，或通過引入視頻序列中的運動信息以提高運動目標檢測的準確性。如，文獻[Foresti G L,Gentili S.A vision based systemfor object detectionin underwater images.International Journal of Pattern Recognition and Artificial Intelligence,2000,14(02):167-188.]將水下圖像恢復作為預處理并配合水下目標檢測方法實現(xiàn)的水下圖像目標檢測。文獻[王猛,楊杰,白洪亮.基于區(qū)域分割的水下目標實時識別系統(tǒng).計算機仿真,2005,22(8):101-105.]首先運用去噪、圖像均衡等方法對實時攝取的水下圖像進行預處理，隨后采用OTSU方法進行水下圖像分割，以檢測水下圖像目標。文獻[Walther D,Edgington D R,Koch C.Detection and tracking of objects in underwater video[C]CVPR2004,2004,1:I-544-I-549Vol.1.]提出了一種利用水下視頻圖像中的運動信息而檢測運動圖像目標的方法。上述方法所存在主要問題在于：①采用預處理的方法易引入新的噪聲或導致水下圖像的畸變，難以有效地提高水下圖像目標檢測的正確率，且會造成算法復雜度的顯著提高。②采用運動信息的水下目標檢測算法僅對視頻運動目標有效，無法檢測出單幅圖像中的靜態(tài)圖像目標。

技術實現(xiàn)要素：

發(fā)明目的：針對現(xiàn)有圖像目標檢測方法及水下圖像目標檢測方法在水下圖像目標檢測中所存在的問題，并考慮單幅水下圖像中所包含的深度信息，綜合利用水下圖像中目標-背景在顏色信息上的對比度、目標-背景在灰度信息上的對比度、目標-背景在深度信息上的對比度，本發(fā)明提供了一種利用灰度、顏色及深度全局對比度及多信息融合全局對比度的水下圖像目標檢測方法。

技術方案：一種水下圖像目標檢測方法，包括如下部分：

(1)分別提取水下圖像中的顏色、灰度及深度信息。

顏色信息選用水下圖像L*a*b顏色空間中的顏色矢量[L，a，b]，灰度信息選用原始水下圖像的灰度信息，深度信息由本發(fā)明所公開的基于圖像分割的水下圖像深度信息計算方法得到：

在人工光區(qū)域中：

如果x∈Π_a

在自然光區(qū)域中：

如果x∈Π_b

(2)水下圖像顏色、灰度及深度信息全局對比度計算方法。

(3)水下圖像多信息全局對比度計算方法。

(4)對多信息融合全局對比度進行歸一化，得到水下圖像的特征圖像S′。

(5)對特征圖像采用OTSU方法選擇分割閾值Τ′，并采用閾值Τ′對特征圖像S′進行分割，將分割結果作為水下圖像目標檢測結果。

有益效果：與現(xiàn)有技術相比，本發(fā)明提供的水下圖像目標檢測方法，首先，分別提取水下圖像的顏色、灰度及深度信息。其次，計算水下圖像中顏色信息的全局對比度、灰度信息的全局對比度、深度信息的全局對比度，并融合生成多信息融合全局對比度。最后，歸一化多信息融合全局對比度生成特征圖像并采用OTSU方法進行閾值的選擇并對特征圖像進行分割，實現(xiàn)水下圖像目標檢測。該方法將水下圖像中的深度信息用于水下圖像目標檢測中，能夠利用水下圖像深度信息的全局對比度檢測水下圖像目標，檢測的正確率較高。實施例證明本發(fā)明所公開的方法獲得了較準確的水下目標檢測結果。

附圖說明

圖1為本發(fā)明方法總體的流程圖；

圖2為本發(fā)明所公開方法所實現(xiàn)的水下圖像目標檢測結果，(a)為原始水下圖像，(b)為灰度信息全局對比度，(c)為顏色信息全局對比度，(d)為深度信息全局對比度，(e)為多信息融合對比度，(f)為水下圖像目標檢測結果；

圖3為水下圖像深度計算結果，(a)為人工光補光條件下的水下圖像，(b)為基于區(qū)域分割的水下圖像深度計算，(c)為非區(qū)域的水下圖像深度計算。

具體實施方式

下面結合具體實施例，進一步闡明本發(fā)明，應理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領域技術人員對本發(fā)明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。

一、基于圖像分割的水下圖像深度信息計算方法

水下光學環(huán)境較為復雜，水下成像所面臨的主要問題是：①水下成像光線的衰減、②水下成像光線的散射。為了解決這一問題，主要采用人工光補光的方法進行水下成像。而人工光補光成像會造成新的問題是：水下圖像強度的非均勻分布。在這種條件下，非區(qū)域的水下圖像深度估計方法無法準確地計算水下圖像深度，如圖3所示。針對這一問題，本發(fā)明公開了一種基于圖像分割的水下圖像深度信息計算方法。本方法采用暗信道模型進行圖像分割，能夠區(qū)分圖像中不同區(qū)域中的光照成分，將水下圖像分割為人造光區(qū)域及自然光區(qū)域，在不同的區(qū)域中分別進行深度估計。

采用暗信道模型的圖像分割方法計算水下圖像中每個像素點的暗信道。暗信道模型認為任意清晰圖像中的像素點其鄰域中必然包含至少一個像素點，該像素點至少包含一個顏色信道，該顏色信道的強度值趨近于零。因此，在水下圖像中，任意像素點其鄰域中必然包含至少一個像素點，該像素點至少包含一個顏色信道，該顏色信道的強度值為光幕光的強度值。區(qū)域中光幕光強度最大的點對應于該區(qū)域的背景光，根據(jù)背景光的差異區(qū)分水下圖像中包含不同光照成分的不同圖像區(qū)域：人工光區(qū)域及自然光區(qū)域。

<1>人工光區(qū)域暗信道模型

在水下，人工補光條件下水下圖像中人工光區(qū)域中像素點的成像模型可以表示為：

I_x＝(B+L exp[-αr_x])ρ_xexp[-αr_x]+(B+β)(1-exp[-αr_x]) (1)

其中，I_x為水下圖像像素點x的成像光線，B為自然背景光，L為人工光，r_x為水下圖像像素點x的深度信息，α為水體的衰減系數(shù)，ρ_x為下圖像像素點x位置處的目標反射率，β為人工光的散射光，(B+β)為人工背景光。

水下圖像人工光區(qū)域中像素點x的暗信道可以表示為：

其中，B^dark、L^dark、α^dark、β^dark分別為成像光、自然背景光、人工光、水體衰減系數(shù)、反射率及人工光散射光在暗信道中的強度。根據(jù)暗信道模型人工光區(qū)域中像素點x的暗信道為該像素點的光幕光：

水下圖像暗信道中的最大值對應于水下圖像中深度最大的像素點，該位置處的r_x→+∞，則exp[-α^darkr_x]≈0，因此在人工光區(qū)域中暗信道的最大值為人工背景光，可以表示為：

<2>自然光區(qū)域暗信道模型

在水下，人工補光條件下水下圖像中自然光區(qū)域中任意像素點x的成像模型可以表示為：

I_x＝Bρ_x exp[-αr_x]+B(1-exp[-αr_x]) (5)

根據(jù)<1>中所述暗信道模型的推導過程，水下圖像中自然光區(qū)域中暗信道的最大值為自然背景光，可以表示為：

<3>自然背景光及人工背景光計算

在水下，人工補光條件下由于人工光照準目標，水下圖像中人工光區(qū)域面積小于自然光區(qū)域面積。根據(jù)圖像大小取前N個最大的暗信道：

其中，為水下圖像中像素暗信道強度按照從大到小排列：

其中，為水下圖像中圖像所有像素點暗信道按照強度從大到小的排列計算，N的典型值取圖像大小的10％。

中必然包含自然背景光B^dark及人工背景光B^dark+β^dark兩種背景光。對這兩種背景光，根據(jù)兩個判決條件進行判決并分類。

判決條件一，在顏色信息上，自然背景光的顏色色調(diào)由于水體的光譜選擇性吸收效應，暗信道必然位于紅色信道：

其中color(·)為顏色信息，red為紅色信道。

而在人工光區(qū)域中，由于人工散射光較強，人工背景光的顏色會發(fā)生偏移：

判決條件二，在強度信息上，由于人工光疊加，自然背景光B^dark強度小于人工背景光B^dark+β^dark強度，因此采用OTSU算法計算前N個最大的暗信道強度值的分類閾值Τ^dark，并以分類閾值Τ^dark區(qū)分兩種背景光成分。

最終，綜合這兩種判決條件，可得如果且如果且<4>水下圖像分割

由于人工光補光，當水下圖像像素點x的暗信道值強度大于自然背景光強度時，認為水下圖像像素點x屬于人工光區(qū)域Π_a，反之則屬于自然光區(qū)域Π_b：

x∈Π_a如果

x∈Π_b如果

<5>基于水下圖像分割的水下圖像深度計算

在人工光區(qū)域中：

如果x∈Π_a (15)

其中，B^dark+β^dark為人工背景光，由式.12計算得到，α^dark為水體在暗信道的衰減系數(shù)，為圖像像素點x在暗信道上的強度。

在自然光區(qū)域中：

如果x∈Π_b (16)

其中，B^dark為自然背景光，由式.11計算得到。

二、水下圖像顏色、灰度及深度全局對比度及多信息全局對比度融合

將水下圖像中的顏色、灰度及深度信息作為水下圖像目標檢測模型的輸入，并分別計算三種信息的全局對比度，并融合生成多信息融合全局對比度。通過提取水下圖像各像素點的深度信息建立了一種計算水下圖像中各像素點深度信息全局對比度的計算方法，并將該深度信息的全局對比度同顏色、灰度信息的全局對比度融合，形成一種水下圖像深度、顏色、灰度信息多信息融合全局對比度計算方法。

將水下圖像中像素點x的顏色、灰度及深度信息的全局對比度分別表示為和水下圖像多信息融合全局對比度S_x可通過累加的方法進行融合計算：

其中，顏色信息全局對比度灰度信息全局對比度和深度信息全局對比度的計算方法分別為：

其中，和分別為水下圖像像素點x和y在L*a*b空間的顏色信息，為像素點x和y在L*a*b空間顏色信息間的對比度，計算為像素點x和y在L*a*b空間顏色信息間的歐式距離：

其中,L、a、b分別為L*a*b空間顏色信息的三個分量。

其中,和分別為水下圖像像素點x和y的灰度信息，為水下圖像像素點x和y灰度信息間的對比度，計算為和的絕對差：

其中，和分別為水下圖像像素點x和y的深度信息，為水下圖像像素點x和y深度信息間的對比度，計算為和的絕對差：

三、多信息融合全局對比度歸一化及特征圖像分割

采用多信息融合全局對比度歸一化方法生成特征圖像，該特征圖像中像素x計算為：

其中，I為整幅水下圖像。

最后，對特征圖像S′采用OTSU方法選擇特征圖像S′的分割閾值Τ′，采用分割閾值Τ′對特征圖像S′進行分割，將分割結果作為水下圖像目標檢測結果，如圖2所示。