本發(fā)明屬于圖像處理，具體涉及一種基于radon變換和特征空間決策的霧天圖像目標檢測方法。

背景技術：

1、隨著全球城市化的快速推進，城市人口和機動車數(shù)量的激增使交通安全問題變得日益嚴峻，特別是在大霧等惡劣天氣條件下。這些條件顯著降低了車輛的環(huán)境感知能力和駕駛員的視野可見度，光線散射的效應也進一步增加了交通事故的概率和頻率，引起了公共安全領域的廣泛關注。

2、傳統(tǒng)的霧天目標檢測技術存在準確率低、誤檢率高的問題，使得霧天環(huán)境下的目標檢測變得極為困難。現(xiàn)有技術主要包括基于yolov3、深度協(xié)作稀疏編碼網(wǎng)絡(dcscn)、以及模擬霧天遙感數(shù)據(jù)集的檢測方法等，但是現(xiàn)有方法均在不同程度上存在目標尾跡對比度低、清晰度不高、準確率較低和檢測誤差大的問題，即目標檢測的準確率較低、檢測誤差較大。因此，亟需一種能夠在霧天環(huán)境下高效、準確檢測圖像中目標的方法，以保證交通安全。

技術實現(xiàn)思路

1、本發(fā)明的目的是為解決現(xiàn)有霧天圖像中目標檢測的準確率低的問題，而提出了一種基于radon變換和特征空間決策的霧天圖像目標檢測方法。

2、本發(fā)明為解決上述技術問題所采取的技術方案是：

3、一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，所述方法具體包括以下步驟：

4、步驟一、獲取霧天圖像，再對獲取的圖像進行預處理，得到預處理后的圖像；并對預處理后的圖像進行邊緣信息提??；

5、步驟二、對提取的邊緣信息進行歸一化灰度霍夫變換，得到霍夫變換后的圖像；

6、步驟三、對霍夫變換后的圖像進行radon變換，根據(jù)radon變換結(jié)果得到霍夫變換后圖像中的目標像素點，再根據(jù)得到的目標像素點和逆radon變換進行灰度圖像重建；

7、步驟四、將重建圖像中的目標像素點與連續(xù)小波變換的峰值進行匹配，確定出最終的目標像素點；

8、步驟五、根據(jù)步驟四中確定出的目標像素點進行決策，實現(xiàn)圖像中目標的檢測。

9、進一步地，所述對獲取的圖像進行預處理，具體為：

10、將獲取的圖像轉(zhuǎn)化為灰度圖像。

11、進一步地，所述對預處理后的圖像進行邊緣信息提取，采用的是canny邊緣檢測方法。

12、進一步地，所述步驟二中，通過歸一化灰度霍夫變換將邊緣信息對應的像素點映射到參數(shù)空間中，得到霍夫變換后參數(shù)空間的圖像；

13、歸一化灰度霍夫變換的具體過程為：

14、

15、其中，f(x,y)表示灰度圖像中邊緣信息像素點(x,y)的灰度值；d表示以(x,y)為坐標的二維歐幾里得平面；δ表示狄拉克函數(shù)；θ表示像素點(x,y)所在直線的法線與x軸之間的夾角；ρ表示二維歐幾里得平面的原點到像素點(x,y)所在直線的距離；h(θ,ρ)是參數(shù)空間中像素點(θ,ρ)的灰度值；n(θ,ρ)表示參數(shù)空間中，像素點(θ,ρ)所在直線上的像素總數(shù)。

16、進一步地，所述步驟三的具體過程為：

17、步驟三一、對霍夫變換后的圖像進行radon變換，得到變換矩陣；

18、步驟三二、設定閾值t，變換矩陣中大于閾值t的元素所對應的像素點為目標像素點；

19、步驟三三、根據(jù)步驟三二中獲得的目標像素點和逆radon變換進行灰度圖像重建，并得到重建的灰度圖像中的目標像素點。

20、進一步地，所述將重建圖像中的目標像素點與連續(xù)小波變換的峰值進行匹配，具體為：

21、以重建圖像中的第m個目標像素點為例：

22、在重建圖像中，獲取以第m個目標像素點為中心的、方向為ρ的一維像素陣列s(ρ)，再對一維像素陣列s(ρ)依次進行墨西哥帽小波和高斯小波變換，得到墨西哥帽小波變換波形和高斯小波變換波形，并分別獲得兩個變換波形的峰值和峰值位置；

23、根據(jù)所獲得的兩個變換波形的峰值和峰值位置、第m個目標像素點在變換矩陣中對應的元素值以及第m個目標像素點在重建圖像中的位置進行匹配，通過匹配結(jié)果確定出第m個目標像素點是否為目標像素點；

24、同理，分別確定出重建圖像中的每個目標像素點是否為目標像素點。

25、進一步地，所述步驟五的具體過程為：

26、步驟五一、對步驟四中確定出的目標像素點進行分組，分組規(guī)則為：

27、對于霍夫變換后圖像中的任一線段，將屬于該線段的最終目標像素點分為一組，即分組個數(shù)與霍夫變換后圖像中線段個數(shù)相同；

28、步驟五二、初始化分組個數(shù)i＝1；

29、步驟五三、初始化第i個分組中的像素個數(shù)m′＝1；

30、步驟五四、將第m′個目標像素點在變換矩陣中對應的元素的模數(shù)記為hm′，將第m′個目標像素點對應的墨西哥帽小波變換波形的峰值記為gm′，將第m′個目標像素點對應的高斯小波變換波形的峰值記為mm′，再分別對hm′、gm′和mm′進行歸一化處理后，得到序列是gm′對應的歸一化值，是mm′對應的歸一化值，是hm′對應的歸一化值；

31、將序列輸入決策函數(shù)f，得到?jīng)Q策函數(shù)值；

32、步驟五五、判斷是否滿足m′＝m′，其中，m′是第i個分組中像素總個數(shù)；

33、若m′＜m′，則令m′＝m′+1，返回執(zhí)行步驟五四；

34、若m′＝m′，則執(zhí)行步驟五六；

35、步驟五六、若第i個分組中全部像素點對應的決策函數(shù)值均大于等于閾值a，則第i個分組中的像素連成的軌跡為目標尾跡；

36、步驟五七、判斷是否滿足i＝i，其中，i是分組總個數(shù)；

37、若i＜i，則令i＝i+1，返回執(zhí)行步驟五三；

38、若i＝i，則完成圖像中目標的檢測。

39、更進一步地，所述決策函數(shù)f為機器學習模型。

40、本發(fā)明的有益效果是：

41、本發(fā)明首先通過預處理和歸一化灰度霍夫變換，顯著增強了目標尾跡的清晰度和對比度，使得霧天環(huán)境下的目標圖像更加清晰易辨。其次，采用radon變換和逆radon變換重建圖像并提取目標峰值點，再將提取的目標峰值點與小波變換的峰值匹配，能夠精確定位檢測目標，減少誤檢和漏檢。最后，通過特征空間決策有效降低了檢測誤差，提高了檢測的準確性。

42、實驗結(jié)果顯示，本發(fā)明方法在目標尾跡圖像細節(jié)信息保留率上表現(xiàn)優(yōu)異，能夠保留95％以上的細節(jié)信息，且峰值信噪比超過30db，噪聲較低，質(zhì)量較高，并且在結(jié)構(gòu)相似性指數(shù)上表現(xiàn)穩(wěn)定，能夠高度再現(xiàn)霧天環(huán)境中目標圖像的真實特征，確保檢測結(jié)果的可信度。因此，本發(fā)明方法在霧天目標圖像檢測中的各項指標均表現(xiàn)良好，具備顯著的實際應用價值，能夠有效提高霧天環(huán)境下的交通安全。

技術特征：

1.一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述方法具體包括以下步驟：

2.根據(jù)權利要求1所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述對獲取的圖像進行預處理，具體為：

3.根據(jù)權利要求1所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述對預處理后的圖像進行邊緣信息提取，采用的是canny邊緣檢測方法。

4.根據(jù)權利要求1所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述步驟二中，通過歸一化灰度霍夫變換將邊緣信息對應的像素點映射到參數(shù)空間中，得到霍夫變換后參數(shù)空間的圖像；

5.根據(jù)權利要求4所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述步驟三的具體過程為：

6.根據(jù)權利要求5所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述將重建圖像中的目標像素點與連續(xù)小波變換的峰值進行匹配，具體為：

7.根據(jù)權利要求6所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述步驟五的具體過程為：

8.根據(jù)權利要求7所述的一種基于radon變換和特征空間決策的霧天圖像目標檢測方法，其特征在于，所述決策函數(shù)f為機器學習模型。

技術總結(jié)
一種基于Radon變換和特征空間決策的霧天圖像目標檢測方法，它屬于圖像處理技術領域。本發(fā)明解決了現(xiàn)有霧天圖像中目標檢測的準確率低的問題。本發(fā)明首先通過預處理和歸一化灰度霍夫變換，顯著增強了目標尾跡的清晰度和對比度，使得霧天環(huán)境下的目標圖像更加清晰易辨。其次，采用Radon變換和逆Radon變換重建圖像并提取目標峰值點，再將提取的目標峰值點與小波變換的峰值匹配，能夠精確定位檢測目標，減少誤檢和漏檢。最后，通過特征空間決策有效降低了檢測誤差，提高了檢測的準確性。本發(fā)明方法可以應用于圖像目標檢測領域。

技術研發(fā)人員：劉光宇,李冬梅,楊春麗,楊燕婷,周維云
受保護的技術使用者：大理大學
技術研發(fā)日：
技術公布日：2024/12/23