[發明專利]圖像實時處理方法

有效

• 申請號: 201410381568.2
• 申請日: 2014-08-05
• 公開（公告）號: CN104103033B
• 公開（公告）日: 2017-06-06
• 發明（設計）人: 余杰浩
• 申請（專利權）人: 廣州國米科技有限公司
• 主分類號: G06T1/20
• 分類號: G06T1/20
• 代理公司: 北京高航知識產權代理有限公司11530
• 代理人: 趙永強

技術領域

本發明涉及圖像處理，特別涉及一種用于環境檢測的圖像實時特征識別方法和裝置。

背景技術

隨著計算機技術、自動控制技術以及信息和軟件技術迅速地引入環境保護領域，自動化、智能化已經成為遙感環境監測技術發展的重要方向。計算機視覺技術以其信息量大、精度高、檢測范圍大等特點，在基于遙感水質的檢測領域得到了廣泛的應用。而遙感圖像檢測的結果將作為水質分析和污染物評定的重要依據。評定遙感圖像檢測結果有兩種方法：人工評定和計算機圖像識別評定。

傳統的特征檢測方法主要由監測人員手工完成。目前實際生產中，主要采取的方式是人工分析遙感圖像，憑經驗確定有無污染及污染的類型、位置等，由此評定水質，例如海洋溢油事故。人工評定方式受人為因素及外界條件的影響，效率低、不可靠、一致性差。采用計算機圖像處理技術，對遙感圖像特征進行分析、檢測和識別，可以較好的解決人工評定的上述問題，使水域質量評定更科學、客觀。

遙感圖像檢測識別中仍然存在較多還未解決的問題，主要有：(1)復雜大背景下微小及微弱目標的識別問題，對此采用何種更具針對性的圖像處理算法；(2)如何解決遙感圖像灰度對比度低、不均勻、存在較大的起伏及圖像背景復雜、噪聲多等不利因素，進一步提高識別準確率及可靠性問題；(3)特征描述的有效性問題。如何對類型多樣、形狀各異的特征進行有效描述，以能準確識別的問題；(4)方法的適應性和通用性問題。遙感圖像千變萬化，如何提高特征識別方法的適應性和通用性問題等；(5)特征分類識別方法問題，目前采用的神經網絡和支持向量機等方法還存在不少問題，目前所有方法中實驗中正確識別率通常為85％左右，如果是針對具有噪聲較強和對比度較低的圖片(如海洋遙感圖像)，且特征面積較小，及實驗環境和實際生產環境的差異，識別正確率更低。以海洋環境為例，復雜的情況會對油膜的光譜特征造成影響，降低油膜識別精度。目前，對油膜波譜響應特征的識別主要基于海上試驗獲取的光譜數據(點數據)，利用地物光譜儀獲得油在可見光近紅外波段的光譜特征，分析油膜的光譜特征變化及油水反差規律。基于點的光譜數據無法提供油膜分布信息，影響海上油膜應急水平的實質性提高。

因此，針對相關技術中所存在的上述問題，目前尚未提出有效的解決方案。

發明內容

為解決上述現有技術所存在的問題，本發明提出了一種遙感圖像特征識別的有效方法。

本發明采用如下技術方案：一種圖像實時處理方法，用于對圖像中的特征進行識別，包括：

步驟一：對灰度遙感圖像進行視覺掃描，搜索各掃描線的中央點，通過中心外圍差運算，獲得遙感圖像的顯著圖和注視點；根據自適應梯度門限值計算方法，利用自適應中心外圍差門限值和各注視點的顯著性級別確定重點特征區域；

步驟二：基于卷積神經網絡構造遞進式訓練網絡，從初始網絡開始，利用預設網絡生長規則進行生長；基于上述遞進式訓練網絡，將重點區域的像素灰度信號輸入已訓練的卷積神經網絡層次模型，獲取重點特征區域的遞進式訓練本質特征，從而得到遙感圖像特征。

優選地，在步驟一的確定重點特征區域中，基于對各注視點的顯著性級別的排序來順序處理顯著區域，如注視點的顯著性級別S(x_i,y_j)＞T，則該注視點為重點特征區域，其中T為預設判定門限值。

優選地，所輸入的圖像為獲得的感興趣區域，大小按比例規范為32×32；

所述卷積網絡的結構共有7層，每層都包含可訓練參數，分別為：

卷積層C1，由兩個5×5卷積核卷積輸入圖像獲得，由2個特征圖構成，特征圖中每個神經元與輸入中5×5的鄰域相連；特征圖的大小為28×28，包括52個可訓練參數，連接數為52×(28×28)個；

下采樣層S2，對圖像進行子抽樣獲得，具有2個14×14的特征圖，特征圖中的每個單元與C1中相對應特征圖的2×2鄰域相連接，每個單元的4個輸入相加，乘以一個可訓練參數，再加上一個可訓練偏置，結果通過高斯函數計算，每個特征圖的大小是C1中特征圖大小的1/4，有4個可訓練參數和4×(14×14)個連接；

卷積層C3，通過3種不同的5×5卷積核去卷積層S2，由3張10×10特征圖組成，每張含10×10個神經元，每個特征圖連接到S2中的1個或者2個特征圖；

下采樣層S4，由16個5×5大小的特征圖構成，每個單元與C3中相應特征圖的2×2鄰域相連接，具有4個可訓練參數；