近年來,海上船舶遇險事件時有發(fā)生,而能夠?qū)τ鲭U目標展開快速、精準的搜救是一個迫切的而且具有挑戰(zhàn)性的任務(wù)。在對海面遇險目標的搜救過程中,主要應(yīng)用的是紅外成像技術(shù)。由于海面環(huán)境的復(fù)雜多變,導(dǎo)致搜救時影響成像中的目標檢測,進而影響搜救的效率。由于目前的海面目標檢測算法通常適用在某一特定環(huán)境下,因此,為了更好地適應(yīng)多種復(fù)雜海上環(huán)境場景下的圖像目標檢測處理,有必要將獲取到的海面圖像按照不同的海面背景進行場景分類,進而可以有針對性地對后續(xù)各類海面圖像進行目標檢測,有助于提高遇險目標的搜救成功率。顯然,將海面圖像按照不同的海況環(huán)境進行場景分類是急需的且實用的。為此,本文主要研究不同海況環(huán)境下的海面紅外圖像場景分類。通過對海面紅外圖像的分析,以及根據(jù)海面搜救時的環(huán)境和目標檢測算法設(shè)計的實際需求,本文將海面紅外圖像中不同的海面環(huán)境條件分為五類不同的場景,即大風(fēng)浪場景、逆光場景、海天線場景、海霧場景以及平靜場景,隨后將海面圖像按照上述五類場景進行分類。針對海面紅外圖像根據(jù)提取的特征以及結(jié)合的分類方式提出了兩種分類方法,一種是基于提取圖像特征值的分類方法,一種是基于提取圖像特征向量的分類方法。本文基于特征值... 

【文章來源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．２海天線海面圖像??Ｆｉｇ．?２．２?Ｓｅａ?ｈｏｒｉｚｏｎ?ｂａｃｋｇｒｏｕｎｄ??通常圖像提取不同類別的特征，包括其顏色、灰度、紋理、輪廓、區(qū)域等幾個方面

??海面背景下紅外圖像分類方法研究???—平靜?一—平靜??１００１?Ｉ?ｔ?／Ｗ＇Ｖ＼?ＦＴ?ｆ＊＊＊＾ＪＴ?ａ?—＊—海天線?—海天線??釋Ｔ??３０－??－１０?０?１０?２０?３０?４０?５０?６０?－１０?０?１０?２０?３０?４０?５０?６０??１）各類圖像Ｎ１分布情況?２）各類圖像Ｎ２分布情況??圖２．５各類圖像灰度分布集中度表現(xiàn)??Ｆｉｇ．?２．５?Ｃｏｎｃｅｎｔｒａｔｉｏｎ?ｅｘｐｒｅｓｓｉｏｎ?ｏｆ?ｇｒａｙ?ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｖａｒｉｏｕｓ?ｉｍａｇｅｓ??從各類圖像Ｎ１和Ｎ２值分布情況可以看到平靜海面圖像的灰度分布比較集中在灰??度值偏低的區(qū)域，而海霧海面圖像灰度分布較平穩(wěn)。同時，從Ｎ１的分布情況可以看出??逆光海面圖像分布也較為集中，其它類圖像的灰度值分布則是范圍較大且不平穩(wěn)。??（２）灰度小梯度占比??從灰度直方圖中可以看到平靜海面與海霧海面圖像的灰度分布都比較集中，尤其是??平靜海面圖像的灰度分布。但由于其它類海面圖像例如大風(fēng)浪圖像的波浪凸起具有不同??的邊緣分布，因此通過計算４個方向（水平、豎直、斜向４５°、反斜向１３５°?）上的灰??度梯度對各類圖像進行特征分析。如圖２．６所示為各類圖像灰度小梯度占比變化示意圖。??－１４?－??

大連海事大學(xué)碩士學(xué)位論文??２．３基于閾值處理的分類方法??當(dāng)用特征值作為圖像描述結(jié)合閾值處理法對海面圖像分類時，基本原理是根據(jù)各類??圖像特征參數(shù)變化趨勢的差異，設(shè)定一個或多個閾值，對圖像進行分類。選取合適的特??征參數(shù)，觀察其各個參數(shù)分布與圖像特點之間的關(guān)聯(lián)程度或與不同圖像之間的區(qū)分度，??以此來確定分類所需要用到的特征參數(shù)及其閾值。通過比較分析得出相同類型圖像的統(tǒng)??計特性的相似以及不同類型圖像的統(tǒng)計特性的不同，根據(jù)這些規(guī)律來完成對海面紅外圖??像的分類。??結(jié)合閾值處理分類流程如圖２．９。首先利用灰度小梯度分布快速將所有圖像分為整??體平滑圖像和整體復(fù)雜圖像兩類，然后再主要根據(jù)灰度共生矩陣的熵平均值、熵標準差、??相關(guān)性平均值和標準差以及Ｎｌ、Ｎ２等參數(shù)區(qū)分平靜海面圖像和海霧海面圖像，再利用??行差分布情況分出海天線圖像，最后用灰度共生矩陣的慣性矩平均值、慣性矩標準差、??能量平均值和能量標準差以及Ｎｌ、Ｎ２等參數(shù)來最后分辨逆光海面圖像和大風(fēng)浪海面圖??像。??（輸入眺）?????度小悌噔分布ｍ？ａ??????—丨瞧樹ｓｒ辦ｙ、？丨，???????！?｜??”?”??ｖ???ｍ擬從數(shù)及灰哎央屮?＾輸出為河ｘ線陽像＾?＾?＾?ｆ輸出為薺舊像）???ｙ???；；???＾輸出為逆）ｔ閣悚＾?ｆ輸出為大閣悚ｊ??圖２．９閾值分類框圖??Ｆｉｇ．?２．９?Ｂｌｏｃｋ?ｄｉａｇｒａｍ?ｏｆ?ｔｈｒｅｓｈｏｌｄ?ｃｌａｓｓｉｆｉｃａｔｉｏｎ??－１９?－??

【參考文獻】：
期刊論文
[1]分塊Gabor結(jié)合梯度直方圖的特征提取算法[J]. 林克正,張元銘,李昊天.  小型微型計算機系統(tǒng). 2019(12)
[2]基于多尺度局部特征編碼與多通道特征融合的圖像場景分類[J]. 秦芳,顧廣華.  燕山大學(xué)學(xué)報. 2019(04)
[3]基于深度學(xué)習(xí)的鐵路圖像場景分類優(yōu)化研究[J]. 趙冰,李平,代明睿,馬小寧.  計算機系統(tǒng)應(yīng)用. 2019(06)
[4]圖像場景分類技術(shù)綜述[J]. 田艷玲,張維桐,張鍥石,路綱,吳曉軍.  電子學(xué)報. 2019(04)
[5]一種多特征融合的場景分類方法[J]. 李志欣,李艷紅,張燦龍.  小型微型計算機系統(tǒng). 2018(05)
[6]局部和全局特征融合的紅外圖像顯著性檢測[J]. 劉松濤,姜康輝,劉振興,姜寧.  光電子·激光. 2018(03)
[7]海上遇險目標漂移與搜尋區(qū)域優(yōu)化確定分析[J]. 王光源,劉建東,章堯卿,毛世超.  艦船電子工程. 2017(12)
[8]一種基于LBP特征提取和稀疏表示的肝病識別算法[J]. 韓秀芝,趙希梅,于可歆,王國棟.  中國生物醫(yī)學(xué)工程學(xué)報. 2017(06)
[9]融合直方圖高階統(tǒng)計特征與GLCM特征的室內(nèi)紅外圖像人群密度分類[J]. 李熙瑩,黃秋筱.  紅外技術(shù). 2017(07)
[10]基于頂帽變換和LBP算子的紋理特征提取方法[J]. 王升峰,楊永全.  軟件導(dǎo)刊. 2016(12)

博士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D]. 高震宇.中國科學(xué)技術(shù)大學(xué) 2018
[2]海面目標紅外檢測方法研究[D]. 王斌.大連海事大學(xué) 2018
[3]基于細節(jié)空間關(guān)系信息的視覺特征表達及圖像分類應(yīng)用[D]. 劉東.吉林大學(xué) 2016
[4]圖像特征表示的學(xué)習(xí)算法研究[D]. 謝博鋆.北京交通大學(xué) 2016
[5]面向局部特征和特征表達的圖像分類算法研究[D]. 張旭.合肥工業(yè)大學(xué) 2016
[6]圖像紋理特征表示方法研究與應(yīng)用[D]. 溫智婕.大連理工大學(xué) 2008

碩士論文
[1]多類別天氣圖像分類算法研究[D]. 王珊.北京交通大學(xué) 2019
[2]融合深度學(xué)習(xí)的圖像分類算法研究[D]. 張婉.南京郵電大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的場景分類算法研究[D]. 蘇亞偉.南昌航空大學(xué) 2018
[4]基于改進LBP算子的圖像紋理分類研究[D]. 高攀.西南交通大學(xué) 2018
[5]基于圖像中層描述的場景分類算法研究[D]. 劉澤霞.燕山大學(xué) 2018
[6]場景圖像分類的若干問題研究[D]. 謝可.東南大學(xué) 2016
[7]一種快速的支持向量機算法研究[D]. 呂文漢.重慶大學(xué) 2012
[8]紅外圖像目標特征提取與分類算法研究[D]. 趙大恒.西安電子科技大學(xué) 2010
[9]海洋圖像中特征提取方法的研究與應(yīng)用[D]. 廖紫君.大連理工大學(xué) 2009
[10]圖像特征提取方法研究及應(yīng)用[D]. 常昌.華中科技大學(xué) 2009



本文編號：3332200