LIU Xiao-yang, Xue pur
(Collège des sciences de l'information et de l'ingénierie, Ocean University of China, Qingdao, Shandong 266100)
: Image détection de saillance de valeur significative dans l'identification des cibles, le suivi des cibles, l'exploration de données et d'autres études visuelles, et la recherche est la base d'images sous-marines de disciplines connexes marines. Visant caractéristiques de l'image sous-marines proposées procédé de détection d'une région de liaison significative à échelles multiples, et l'amélioration des images Retinex algorithme de segmentation superpixel pour obtenir un uniforme, la figure significative claire. Effectuée sur chaque échelle superpixel importante des estimations de probabilité et l'estimation bayésienne, additionnant la figure échelle sensiblement différente et la pondération de guidage de filtrage, une surface lisse et des arêtes vives sensiblement FIG. L'établissement d'un ensemble de données selon de multiples distances de désintégration différents sous-marines, pour vérifier que l'algorithme est robuste.
: Amélioration de l'image, super pixels, estimation bayésienne, significative
: TP391 Code du document: ADOI: 10,19358 / j.issn.1674-7720.2017.09.014
Format de référence : LIU Xiao-yang, la détection sous-marine pure Xue basée sur la région de saillance d'image multi-échelles [J] ses applications, 2017,36 (9): 45-48.
0 introduction
L'attention visuelle fait référence à l'homme et les autres primates peuvent trouver leur propre domaine d'intérêt ou plus significatif face à des scènes complexes rapidement et ses priorités, a grandement amélioré l'efficacité du traitement de l'information dans le système visuel. mécanisme de l'attention visuelle est un domaine multidisciplinaire multi-cross, par de nombreux chercheurs se concentrent sur des sujets tels que: les neurosciences, la physiologie, la psychologie et la science informatique.
L'ordinateur dans laquelle une attention visuelle dans l'art comme un test de signification, qui détecte les informations d'image importante, les informations redondantes sont ignorées. modèle de calcul de l'attention visuelle sont utilisés dans de nombreuses vision par ordinateur, la segmentation d'images, reconnaissance des objets, des informations visuelles telles que la compression vidéo et l'exploitation minière [1]. Les deux images basées sur l'algorithme d'analyse de signification proposée de la théorie des graphes (algorithme GBVS) [3], Achanta autres algorithmes de détection significatifs ont été nombreux modèles de moulage de carte de saillance moulé tel Itti proposé par [2], Harel proposé par une analyse spectrale sur la base résiduelle du domaine des fréquences spatiales modèle figure significative (algorithme AC et l'algorithme IG) [4-5], et analogues Hou Xiaodi proposé (méthode SR) [6]. Ils sont basés sur différentes bases théoriques, est très représentatif, et facile à mettre en uvre sur un ordinateur, les résultats de l'expérience ont été meilleurs.
Dans le système d'imagerie sous-marine, puisque l'absorption de la lumière du milieu aqueux et des particules de dispersion de la lumière dans l'eau, de sorte que l'eau avec une forte atténuation de l'image et des caractéristiques de résolution insuffisante. Par conséquent, le modèle classique de détection de saillance bien que significative pour la détection de l'imagerie optique sur la terre avec de bons résultats, mais ne convient pas pour l'imagerie optique sous-marine détection de saillance. Cet article présente une méthode de détection de région d'image Retinex liaison significativement accrue des multiéchelle [7] et l'algorithme de segmentation de superpixel [8] de sorte que la détection d'images sous-marines ont obtenu des résultats significativement meilleurs.
algorithmes d'amélioration de l'image 1Retinex
Étant donné que l'effet d'absorption de l'eau et l'effet de diffusion de la lumière pour que les images sous-marines graves et les détails de flou de luminance non uniforme, le SNR est très faible, le contraste se détériore de manière significative, le bleu ou l'ensemble des nuances verdâtres de couleur, la luminosité et souvent inégale, donc nous devons étudier sous l'eau pour le traitement des images d'amélioration de l'image. Ce document sélectionne sous-marine amélioration d'image basée sur la constance couleur des algorithmes d'amélioration de l'image Retinex.
Selon la théorie Retinex, les perçoit l'oeil de l'homme de la luminosité de l'objet dépend de la surface de l'objet et de l'environnement illumination réfléchie irradié avec de la lumière, l'expression mathématique est la suivante:
S (x, y) = R (x, y) x L (x, y) (1)
Où: S (x, y) représente observé ou que l'appareil recevant un signal d'image; L (x, y) est le composant irradié représente la lumière ambiante; R (x, y) représente les composantes de réflexion de l'image de l'objet cible réalisée détails de . Retinex but est d'éliminer la théorie composant illumination de l'image acquise de l'objet obtenu composante de réflexion, à savoir, on obtient l'aspect d'origine de l'objet.
Prendre les côtés de la formule (1) à un nombre, à savoir:
log [R (x, y)] = log [S (x, y)] - log [L (x, y)] (2)
Lorsque, L (x, y) de l'image originale S (x, y) obtenue en faisant un flou gaussien.
algorithme Retinex multi-échelle est une somme pondérée de la seule échelle algorithme Retinex, l'image compressée peut non seulement réaliser la gamme dynamique, tout en maintenant un bon sens de la cohérence des couleurs. L'expression mathématique est:
log [R (x, y)] = Ni = 1i × {log [Si (x, y)] - log [Li (x, y)]} (3)
Dans lequel, N représente le nombre de dimensions, typiquement 3, i représente un coefficient de pondération, et le poids de chacune de la droite de l'échelle doit être une valeur classique de poids égal.
Plus de deux de la région d'image sous-marine importante détection
Lorsque la détection de saillance, la segmentation et le lissage gaussienne superpixel sélectionné, résultat de la segmentation de superpixel obtenus à différentes échelles, et l'estimation super pixel estimation de probabilité bayésienne sur chaque échelle, et enfin la carte de saillance obtenues à différentes échelles pour filtrer la somme pondérée et un guide, et enfin d'obtenir une figure significative à bord lisse.
2.1 filtre gaussien et divisé superpixel SLIC
filtrage gaussien 2.1.1
filtrage gaussien est un filtrage linéaire, un modèle avec chacune d'un pixel de l'image numérisée, la moyenne pondérée des pixels des valeurs de gris dans le voisinage déterminé par la valeur du modèle pour remplacer le pixel central de la matrice. Son expression à deux dimensions est:
En faisant varier le paramètre [sigma] obtenu des résultats différents de lissage, la plus grande [sigma], plus la bande de fréquence du filtre gaussien, plus le degré de lissage.
division pixel super 2.1.2SLIC
SLIC algorithme basé sur la similarité de proximité et de couleur entre des pixels de la position spatiale de la grappe de génération d'image attendue nombre de super pixels (pas plus que le nombre de pixels dans l'image), la quantité de calcul est faible. Les étapes de base:
(1) initialiser les centres de cluster. Superpixel en fonction du nombre de consigne, les points de semences uniformément réparti à l'intérieur de l'image. Supposons qu'il y ait N pixels total d'image, le pré-divisés en K super-pixel de la même taille, la taille de chaque pixel super est s = N / K, à partir du point graine adjacentes (étapes) est d'environ S = sqrt (N / K).
(2) au point graine n × n points Resélectionner de graines de voisinage (généralement le n = 3). Calculer des valeurs de gradient dans le voisinage de tous les pixels, le point d'amorçage pour le gradient minimum dans le voisinage de l'endroit.
(3) à l'intérieur d'un voisinage autour de chaque pixel pour chaque point germe être affecté d'une étiquette de classe, à savoir qui appartiennent au centre de la grappe. Super taille de pixel de S × S souhaité, limiter la recherche 2S × 2S, peut accélérer la convergence.
(4) une mesure de la distance. Comprenant une distance d'espace de couleur et de la distance pour chaque pixel recherché, on calcule la distance à partir du point d'amorçage, le point germe correspondant au minimum en tant que point central de cluster du pixel.
(5) optimisation itérative. Iteration continue jusqu'à ce que les converge d'erreur, prennent généralement 10 itérations.
(6) une connectivité améliorée. Pour éviter de taille multi-communication, ultra-pixel est trop petite, un seul super-pixel est découpée en une pluralité de discrète dépasse le pixel, peut marquer une nouvelle table, en fonction du type direction « Z » (de gauche à droite et de haut en bas commande) de pixel super discontinue, la taille de pixel est trop petit ultra réaffecté à des super-pixels voisins, les pixels traversés assignés à l'étiquette correspondante jusqu'à ce que tous les points de fin de parcours.
2.2 super-estimation de saillance de pixel
Pour carte de segmentation à chaque échelle, trois types sont jugés par un superpixel politique importante si une importante [9]. contraste local: le calcul représenté par la distance euclidienne entre chaque superpixel. Décalage du centre: pixel spatial en calculant le centre géométrique de l'image à partir du centre géométrique de la super représenté superpixel près du centre de l'image sont plus susceptibles d'avoir une importance. Superpixel intégrité: calcul de l'image à travers les pixels de bord dans un super pixel comprend un représenté, les zones de superpixel contenait plus de pixels de contour de l'image plus susceptibles d'être incomplète. Formule spécifique est la suivante:
Dans lequel, A représente un cmi de superpixel, NMJ superpixel représente une région adjacente cmi, Nmi représente le nombre de régions adjacentes, wmij superpixel représente l'ensemble de {NMJ} NMJ adjacente à rapport total; d (cmi, NMJ) représente la distance euclidienne; h () = - fonction log (1-) afin d'assurer que la sortie est positive; g (x, y) représente la superpixel cmi centre géométrique (x, y) avec le centre géométrique pleine figure (x0, y0 ) la distance spatiale, Ax, Ay sont larges et hautes totale figure 1/3, et superpixel alors disponible à proximité du centre de l'image sont plus susceptibles d'avoir des effets notables, q (u) représenté par la CMI de l'intégrité, u représente cmi nombre de pixels de bord inclus, E est le nombre total de pixels de contour, u plus grande, plus les pixels sur les bords, plus le q (u), dont la région de super-pixel est incomplète. Ainsi, par le calcul ci-dessus, le pixel peut être acquis sur une région importante.
2.3 Calcul fonction de vraisemblance d'observation
Utilisation de la détection d'angle Harris à des points de saillants de l'extrait de l'image, avec la partie convexe bord de la coque sensiblement tous les points saillants autre que le point entouré venir, si une partie de chevauchement d'une région super-pixel de la coque convexe est supérieur au seuil déterminé, alors il est étiqueté avant-plan, et ensuite la séparation de premier plan et d'arrière-plan; on a calculé l'observation l, a, b multiplication de la fonction de vraisemblance à trois canaux, et enfin, associé à superpixel fonction importante obtenue à l'étape précédente, pour donner une fonction importante finale .
Dans la (L, a, b) trois canaux calcule une observation z pixel fonction de vraisemblance:
Dans lequel, NS1, NS0 représentent avant-plan S1 et S0 de toutes les valeurs de pixels de l'arrière-plan, N1 (Zr), N0 (Zr) représentent les valeurs r (z) = (L, a, b) dans les statistiques d'histogramme d'espace couleur. Ensuite, calculer la probabilité de chaque pixel est un premier plan ou arrière-plan.
la synthèse précédente, super pixels et des pixels observation importante combinaison de la fonction d'estimation de la probabilité d'obtenir la fonction importante du pixel à une certaine échelle:
2.4 somme pondérée échelle
Le multi-échelle résultant saillance la carte la somme pondérée, en supposant que les échelles de M, les pixels de la fonction significative finale V (z) z est:
Dans lequel, Wm (z) est le poids de chaque poids d'échelle, cm (z) représente les zones de superpixel z où, cm (z) désigne une valeur moyenne de pixels de ces zones de superpixel, (z) représente normalisée.
3 résultats et analyse expérimentale
Obtenir des images de visibilité de 2,5 m dans l'eau de mer, l'eau de mer de la relation distance de l'atténuation de visibilité, à savoir une visibilité à 3,5 fois la distance d'atténuation, la création de trois ensembles de données, sont une cible de 1,5 fois à partir de l'atténuation du CCD de 2,0 fois la distance de désintégration, 2,5 fois l'atténuation de la distance, environ 80 images par groupe, afin de vérifier l'efficacité de l'algorithme sur l'ensemble de données. Figure 1 est une image sous-marine obtenue à partir des temps de décroissance de 1,5 (environ 1,5 x 0,7 m) ci-dessous.
3,1 amélioration de l'image sous-marine
Plusieurs algorithmes classiques article sélectionné d'amélioration de l'image sont comparés, les résultats représentés sur la figure.
2, à l'échelle de plusieurs Retinex algorithme amélioré effet de renforcement plus fort contraste, après la détection d'une importante plus utile, donc ce choix multi échelle algorithme d'amélioration de l'image sous-marine Retinex amélioration de l'image. La dimension maximum de 300, une échelle logarithmique est 3.
Plus de 3.2 échelle de segmentation superpixel
L'image améliorée superpixel pour la segmentation multi-échelle, en changeant le paramètre d'échelle s et les paramètres de lissage gaussien SLIC [sigma], résultat de la segmentation du superpixel obtenue à différentes échelles. Il dispose d'une information de pixel de couleur et de texture très semblable dans une petite zone de mesure maximale ultra-pixel possible de maintenir la cible dans l'image des informations de structure de limite d'origine. La figure 3 est plus d'un motif de division de l'échelle.
3.3 saillant résultat de la détection de la région
Effectuée sur chaque superpixel échelle estimation bayésienne importante et significative des estimations de probabilité, la sommation pondérée finale de la carte de saillance, et enfin de guidage de filtrage, et enfin d'obtenir une figure importante tranchant lisse. Fig. 4 à 6 sont des groupes de résultats expérimentaux.
(1). La figure 4 est un résultat significatif de détection de sous-marin à partir de l'image 1,5 fois l'atténuation (environ 1,5 x 0,7 m).
(2). La figure 5 est un résultat significatif de la détection d'images sous-marines deux fois la distance d'atténuation (environ 2 x 0,7 m).
(3). La figure 6 est un résultat statistiquement significatif de la détection d'images sous-marines à 2,5 fois l'atténuation de la distance (environ 2,5 x 0,7 m).
Les résultats expérimentaux montrent que l'algorithme sur différents ensembles de données ont obtenu de bons résultats, et le traitement pour vérifier ses images sous-marines détectées une efficacité significative et la robustesse.
4 Conclusion
La signification principale de ce document sous-marin région d'image de détection de caractéristiques de liaison des images sous-marines, conformément à des algorithmes d'amélioration de l'image, l'obtention d'une manière uniforme, la carte de saillance claire, différente de multiples de l'atténuation pour établir l'ensemble de données approprié, pour vérifier l'efficacité et la robustesse de l'algorithme le sexe, a jeté les bases pour l'identification des cibles sous-marine, le suivi des cibles, la recherche minière de l'information visuelle.
références
. L'algorithme de suivi visuel [1] Wu Shidong information a priori sur la base de la cible [J] SES APPLICATIONS, 2016, 35 (4): 46-49.
[2] ITTI L, C KOCH, Niebur E. Un modèle de saillance en fonction attention visuelle pour l'analyse de scène rapide [J] IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20 (11) :. 1254-1259.
[3] HAREL J, KOCH C, PERONA P. Graphbased saillance visuelle [J] Les progrès réalisés dans Neural Information Processing Systems, 2007 (19) :. 545-552.
[4]. Achanta R, ESTRADA F, WILS P, et al saillant détection de région et de la segmentation [C] Conférence internationale sur Computer Vision Systems, 2008 :. 66-75.
[5]. Achanta R, S HEMAMI, ESTRADA F, et al Frequencytuned détection de région saillant [C] IEEE Conférence internationale sur la vision par ordinateur et reconnaissance de 2009 :. 1597-1604.
[6] Hou Xiaodi, Zhang Liqing saillance détection :. Une approche spectrale résiduelle [C] IEEE Conference on Computer Vision et Pattern Recognition, 2007 :. 1-8.
[7] Xiaoyan Feng. La recherche [D] pour restaurer l'algorithme d'amélioration de l'image théorie Retinex. Shanghai: Shanghai Jiaotong University, 2007.
[8] Ruanshi Feng. Étudiez image basée sur superpixel significative [D]. Xi'an: Xi'an Université des sciences et de la technologie électronique, 2014.
[9] Tong Na, Lu Huchuan, Zhang Lihe, et al détection saillance avec superpixels multiscale [J] IEEE Signal Processing Letters, 2014, 21 (9): 1035-1039 ...
