李慶忠，劉曉麗，谷娜娜

LI Qing-zhong, LIU Xiao-li, GU Na-na

中國(guó)海洋大學(xué) 工程學(xué)院, 山東省 青島市 266100

College of Engineering, Ocean University of China, Qingdao 266100, China E-mail: lqzhlz@yahoo.com.cn

1 引言

水下機(jī)器人（ROVs,AUVs）的一個(gè)重要應(yīng)用領(lǐng)域就是對(duì)水下復(fù)雜場(chǎng)景中的人造目標(biāo)進(jìn)行檢查和維護(hù)，典型的人造目標(biāo)包括：海洋油氣開發(fā)平臺(tái)、跨海大橋、碼頭港口樁基、海底油氣管道、海底電纜、水雷和船底走私貨物等。因此，如何從水下復(fù)雜背景中快速、自動(dòng)檢測(cè)出人造目標(biāo)，是水下機(jī)器人應(yīng)用中亟待解決的難題。

在基于視頻圖像的水下人造目標(biāo)自動(dòng)檢測(cè)方面，目前研究現(xiàn)狀和存在問(wèn)題如下：

國(guó)內(nèi)的研究[1]-[4]主要集中在簡(jiǎn)單水體背景下人造目標(biāo)的檢測(cè)方面，即視頻圖像中主要包含前景人造目標(biāo)和單一的水體背景。其中人造目標(biāo)的檢測(cè)主要采用閾值分割[1][2]和基于不變矩等特征[3][4]的方法。但對(duì)于海底復(fù)雜場(chǎng)景，這些目標(biāo)檢測(cè)算法不再適用，因?yàn)楹５妆尘爸谐３?huì)含有巖石、珊瑚礁、水草等，單純的閾值分割或矩特征提取是無(wú)法實(shí)現(xiàn)的。

在國(guó)外，為了實(shí)現(xiàn)海底復(fù)雜場(chǎng)景中人造目標(biāo)的自動(dòng)檢測(cè)，Christian等[5]采用視覺注意機(jī)制形成顯著圖以獲取可能的目標(biāo)區(qū)域，然后利用主動(dòng)輪廓法實(shí)現(xiàn)人造目標(biāo)的分割。在其視覺注意機(jī)制中采用了顏色、亮度、方向三個(gè)特征信息，通過(guò)融合 44個(gè)特征圖以得到最后的顯著圖，可見其實(shí)時(shí)性很難提高。其實(shí)驗(yàn)結(jié)果表明：該算法在多數(shù)情況下能得到滿意的檢測(cè)結(jié)果，但是當(dāng)人造目標(biāo)的顏色和背景相近時(shí)，檢測(cè)失敗。Adriana等[6]也對(duì)無(wú)約束海底視頻中人造目標(biāo)的自動(dòng)檢測(cè)算法進(jìn)行了研究，其研究發(fā)現(xiàn)：人造目標(biāo)的紋理和顏色特征不再適合作為檢測(cè)依據(jù)，只有輪廓特征在水下成像環(huán)境中最為穩(wěn)定，因此選用輪廓特征作為檢測(cè)依據(jù)。此外，他們通過(guò)確定最優(yōu)空間尺度以確保檢測(cè)到可靠的目標(biāo)輪廓。但其最優(yōu)尺度的確定是通過(guò)一個(gè)迭代過(guò)程實(shí)現(xiàn)的，在每次迭代中都需要利用Canny算子對(duì)原始圖像進(jìn)行邊緣檢測(cè)，這使算法過(guò)于費(fèi)時(shí)，實(shí)時(shí)性不高。

針對(duì)水下復(fù)雜場(chǎng)景中人造目標(biāo)檢測(cè)實(shí)時(shí)性不高的問(wèn)題，提出了一種基于線特征的水下人造目標(biāo)檢測(cè)算法，利用小波變換確定易于線特征檢測(cè)的合適尺度，然后在比原始圖像小的多的小波低頻子帶圖像上，進(jìn)行邊緣檢測(cè)和直線檢測(cè)，實(shí)現(xiàn)了人造目標(biāo)線特征的快速檢測(cè)，并通過(guò)實(shí)驗(yàn)驗(yàn)證了算法的有效性。

2 水下目標(biāo)線特征檢測(cè)算法

水下視頻觀測(cè)圖像的攝取一般采用人工照明，由于水下光線存在嚴(yán)重的衰減和散射效應(yīng)，水下圖像紋理細(xì)節(jié)呈現(xiàn)散射模糊狀態(tài)，水下目標(biāo)的顏色隨著成像距離的增加而褪色或變更，可見，顏色和紋理特征不能作為水下人造目標(biāo)的檢測(cè)特征。通過(guò)觀察大量水下視頻圖像發(fā)現(xiàn)，人造目標(biāo)一般是由直線構(gòu)成的，因此直線特征是人造目標(biāo)與復(fù)雜海底背景區(qū)別最顯著、且最穩(wěn)定不變的特征，它不受光照變化和散射衰減的影響，只要檢測(cè)出圖像中存在較長(zhǎng)的直線線段，就可以判斷存在候選的人造目標(biāo)，從而進(jìn)行下一步的目標(biāo)識(shí)別等后續(xù)處理。如果檢測(cè)不到直線線段，則說(shuō)明圖像中不存在人造目標(biāo)，從而不需要進(jìn)行下一步的目標(biāo)識(shí)別等后續(xù)處理。為了實(shí)現(xiàn)水下人造目標(biāo)線特征的實(shí)時(shí)檢測(cè)，提出的水下人造目標(biāo)檢測(cè)算法如圖1所示，包括3個(gè)主要模塊：基于小波變換的顯著線特征檢測(cè)尺度確定；小波低頻子帶圖像上邊緣檢測(cè)；利用改進(jìn)的Hough變換檢測(cè)直線。下面介紹各模塊的具體實(shí)現(xiàn)。

2.1 基于小波變換的顯著線特征檢測(cè)尺度確定

水下海底場(chǎng)景中通常含有大量的水草、珊瑚礁和海洋雪等，在邊緣檢測(cè)圖像上主要呈現(xiàn)為瑣碎的邊緣紋理細(xì)節(jié)和噪聲顆粒，而水下人造目標(biāo)（如水下管線、構(gòu)筑物等）一般呈現(xiàn)明顯的線特征。根據(jù)人眼視覺系統(tǒng)（HVS）的特點(diǎn)，觀測(cè)顯著的大特征，只要在大的空間尺度下觀測(cè)即可。若在小的尺度上觀測(cè)，只能產(chǎn)生過(guò)多雜亂的細(xì)節(jié)邊緣特征，且顯著增加計(jì)算量和時(shí)間。因此，尺度的選擇顯得十分重要，應(yīng)該選擇一個(gè)合適的尺度使得顯著的線特征邊緣點(diǎn)被可靠地檢測(cè)到，而無(wú)用的雜亂細(xì)節(jié)邊緣點(diǎn)越少越好。

為此，采用 Daub5/3小波提升變換[7]確定邊緣檢測(cè)的合適尺度，其優(yōu)點(diǎn)是實(shí)時(shí)性強(qiáng)。通過(guò)對(duì)水下視頻圖像進(jìn)行大量實(shí)驗(yàn)，發(fā)現(xiàn)對(duì)于一般的水下視頻圖像，在二級(jí)小波變換的LL2低頻子帶圖像上進(jìn)行邊緣檢測(cè)比較合適，圖2是原始圖像與其LL2子帶圖像的對(duì)比，可見，在其LL2子帶上，顯著的直線邊緣依然存在，且大量無(wú)用的細(xì)節(jié)已經(jīng)平滑掉。另外一個(gè)優(yōu)點(diǎn)是，由于LL2子帶的面積僅為原始圖像的1/16，所以可顯著減小后續(xù)邊緣檢測(cè)和Hough變換的計(jì)算時(shí)間。

2.2 小波低頻子帶LL2圖像的邊緣檢測(cè)

圖1 水下人造目標(biāo)線特征檢測(cè)算法框圖

圖2 原始圖像與其LL2低頻子帶圖像的對(duì)比

為了在LL2子代圖像上快速、可靠地檢測(cè)出顯著的線特征邊緣點(diǎn)，而無(wú)用的雜亂細(xì)節(jié)邊緣點(diǎn)越少越好。針對(duì)傳統(tǒng)Canny算子閾值確定上的困難，根據(jù) LL2子帶圖像的特點(diǎn)并結(jié)合 Canny算子[8]的非極大值抑制的思想，提出一種基于梯度直方圖和迭代法相結(jié)合的自適應(yīng)閾值選取方法，邊緣檢測(cè)算法步驟如下：

（1）對(duì)小波變換后的LL2低頻子帶小圖像用二維高斯濾波函數(shù)G(x,y)進(jìn)行平滑,減少噪聲影響。

（2）采用Prewitt算子計(jì)算水平梯度Px、豎直梯度Py、梯度幅值F和梯度方向θ如下：

（3）對(duì)梯度幅值進(jìn)行非極大值抑制。在當(dāng)前像素點(diǎn)的3×3鄰域內(nèi)，若當(dāng)前像素點(diǎn)的梯度幅值大于沿其梯度方向上與其相鄰點(diǎn)的梯度幅值，則將當(dāng)前像素點(diǎn)標(biāo)記為可能的邊緣點(diǎn)；否則將當(dāng)前像素點(diǎn)標(biāo)記為非邊緣點(diǎn)。

（4）統(tǒng)計(jì)非極大值抑制后邊緣點(diǎn)的梯度直方圖，結(jié)合直方圖的特點(diǎn)，利用迭代法自適應(yīng)確定顯著邊緣分割的閾值T。若梯度值大于T，則為顯著邊緣點(diǎn)；若梯度值小于T，則為非顯著邊緣點(diǎn)。

圖3是經(jīng)過(guò)非極大值抑制后邊緣點(diǎn)的梯度直方圖的一般現(xiàn)狀，可見其并不具有明顯的雙峰或者單峰特性，無(wú)法采用一般的直方圖方法和類間方差法分割，因此我們結(jié)合梯度直方圖的特點(diǎn)，利用迭代法自適應(yīng)的確定顯著邊緣的分割閾值。閾值T的確定方法如下：

（1）求出經(jīng)過(guò)非極大值抑制后梯度的最大值GMAX和最小值GMIN，令初始閾值為：

（2）根據(jù)閾值Tk把梯度直方圖分割成兩個(gè)區(qū)域，分別求出兩個(gè)區(qū)域的平均梯度值G1和G2。

（3）求出新閾值：

（4）若

其中ε為一個(gè)給定的很小的值，則Tk+1為所得的邊緣分割閾值，否則，轉(zhuǎn)（2），迭代計(jì)算。

圖3 LL2子代圖像經(jīng)過(guò)非極大值抑制后的梯度直方圖

2.3 利用Hough變換檢測(cè)直線

對(duì)于上面在LL2低頻子帶圖像上得到的少量顯著邊緣點(diǎn)，采用改進(jìn)的Hough變換[9][10]進(jìn)行水下人造目標(biāo)的直線特征檢測(cè)。由于LL2低頻子帶圖像比原始圖像小得多，且只對(duì)顯著的少量邊緣點(diǎn)進(jìn)行直線檢測(cè)，所以可以顯著提高直線檢測(cè)速度。

在極坐標(biāo)下，Hough變換方程為：

其中：(x,y)是圖像空間中點(diǎn)的坐標(biāo)；(ρ,θ)是參數(shù)空間中點(diǎn)的坐標(biāo)；ρ為圖像空間中坐標(biāo)原點(diǎn)到直線的距離；θ表示直線的法線方向與x軸正向的最小夾角，即極角。

采用直線檢測(cè)算法的步驟如下：

（1）建立二維累加數(shù)組 Hough[ρ][θ]，對(duì)前面得到的顯著邊緣點(diǎn)(xi,yi)，讓?duì)纫来巫兓鶕?jù)公式（8）計(jì)算ρ，并對(duì)數(shù)組進(jìn)行累加。

（2) 求累加數(shù)組 Hough[ρ][θ]的最大值max，并記錄取得最大值時(shí)對(duì)應(yīng)的距離ρmax和極角θmax，若該最大值小于設(shè)定的直線的最小長(zhǎng)度Tmin，則循環(huán)結(jié)束；否則執(zhí)行步驟（3）。

（3）設(shè)定閾值T1=kTmin, 其中k=0.7為實(shí)驗(yàn)確定的系數(shù)，對(duì)最大值周圍的8鄰域累加器進(jìn)行統(tǒng)計(jì)，如果存在5個(gè)或者5個(gè)以上的累加器的值都大于閾值T1，就認(rèn)為是真實(shí)存在的直線，執(zhí)行第（4）步；否則就認(rèn)為是由分布效應(yīng)產(chǎn)生的虛假尖峰，對(duì)該閾值點(diǎn)及其鄰域清零。

（4）記錄產(chǎn)生局部最大值的邊緣點(diǎn)的坐標(biāo)，對(duì)所有邊緣點(diǎn)按下式計(jì)算得到ρ的值：

如果ρ=ρmax，則將該點(diǎn)的坐標(biāo)(x,y)保存在鏈表list中。

（5）根據(jù)鏈表list中記錄的邊緣點(diǎn)的坐標(biāo)，判斷直線的端點(diǎn)，并把確定的直線的起始點(diǎn)和終止點(diǎn)保存在鏈表list1中。

（6）根據(jù)記錄的邊緣點(diǎn)的x,y坐標(biāo)，根據(jù)原始圖像中點(diǎn)坐標(biāo)和LL2小圖像中對(duì)應(yīng)點(diǎn)坐標(biāo)的關(guān)系，在大圖像中標(biāo)記出檢測(cè)到的直線；

（7）對(duì)檢測(cè)出的累加數(shù)組Hough[ρ][θ]的最大閾值點(diǎn)及其鄰域進(jìn)行清零，轉(zhuǎn)步驟（2），再進(jìn)行下一條直線的檢測(cè)。

3 實(shí)驗(yàn)結(jié)果與分析

利用水下圖像，通過(guò)以下三組實(shí)驗(yàn)，測(cè)試了本文提出的算法的性能。本文中用于測(cè)試的圖片是利用水下攝像機(jī)在實(shí)驗(yàn)室水槽中模擬海底環(huán)境在近距離采集的。測(cè)試圖像的分辨率為256×256像素。

第一組實(shí)驗(yàn)是驗(yàn)證梯度直方圖和迭代法相結(jié)合的自適應(yīng)閾值邊緣檢測(cè)算法的有效性。由于經(jīng)過(guò)非極大值抑制后的梯度直方圖不具有雙峰特性，沒法直接利用直方圖特性進(jìn)行邊緣分割。經(jīng)過(guò)非極大值抑制后，剩下的邊緣點(diǎn)的數(shù)目已經(jīng)大大減少，我們?nèi)∽畲筇荻戎岛妥钚√荻戎档钠骄底鳛榈某踔?，可以較快的收斂，得到合適的邊緣分割閾值。與直方圖方法相比，迭代法的計(jì)算量大一些，處理時(shí)間稍有增加。表1給出的是圖4給出的幾幅圖像利用本文的算法求出的閾值以及迭代次數(shù)。

第二組實(shí)驗(yàn)是對(duì)水下人造目標(biāo)的線特征進(jìn)行檢測(cè)，以驗(yàn)證算法的有效性。我們的目的是從海底復(fù)雜場(chǎng)景中快速檢測(cè)到人造目標(biāo)的存在，直線特征是人造目標(biāo)與復(fù)雜海底背景區(qū)別最顯著、且最穩(wěn)定不變的特征，只要檢測(cè)出圖像中存在較長(zhǎng)的直線線段，就可以判斷存在候選的人造目標(biāo)，從而進(jìn)行下一步的目標(biāo)識(shí)別等后續(xù)處理。圖4示出的是4幅圖像的檢測(cè)結(jié)果，水下圖像中存在珊瑚、水草等干擾直線的檢測(cè)，其中圖4(a)、(e)、(i)、(m)為原始圖像，4(d)、(h)、(l)、(p)最后的直線檢測(cè)結(jié)果，可見算法能夠從復(fù)雜海底背景中準(zhǔn)確檢測(cè)出人造目標(biāo)的直線特征。

第三組實(shí)驗(yàn)是測(cè)試算法的處理時(shí)間，以確定算法實(shí)時(shí)性的高低。測(cè)試用的計(jì)算機(jī)CPU為Intel Core i3-2310M,主頻為2.10GHz,內(nèi)存為1.0GB，編程平臺(tái)為Microsoft Visual C++6.0。測(cè)試圖像的分辨率是256×256的水下圖像。表2是以上4幅測(cè)試圖像檢測(cè)所用的時(shí)間。由表2可知，圖像中不含人造目標(biāo)時(shí)，耗時(shí)最少；存在人造目標(biāo)時(shí)，檢測(cè)時(shí)間也僅二十多毫秒。通過(guò)對(duì)大量圖像進(jìn)行測(cè)試表明，本文的算法檢測(cè)一幅圖像的時(shí)間大約為17-27ms，即視頻圖像的幀速可以達(dá)到37-58幀/秒，可以較好滿足視頻實(shí)時(shí)檢測(cè)水下人造目標(biāo)的實(shí)際應(yīng)用需求。

本文算法實(shí)時(shí)性較高的原因是：整個(gè)檢測(cè)算法是在原始圖像二級(jí)小波變換后的低頻子帶LL2圖像上進(jìn)行的，且只對(duì)顯著的邊緣點(diǎn)進(jìn)行直線檢測(cè)。由圖4(b)、(f)、(j)、(n)可知，LL2圖像僅為原始圖像面積的1/16；由圖4(c)、(g)、(k)、(o)可知，邊緣檢測(cè)后只剩下少量的顯著邊緣點(diǎn)，大量細(xì)節(jié)邊緣點(diǎn)已經(jīng)被剔除。此外，本文算法可以迅速的判斷出視頻序列中是否含有人造目標(biāo)，如果含有人造物體，就進(jìn)行下一步的識(shí)別等處理；否則，可以快速轉(zhuǎn)入對(duì)下一幀的處理。

表1 圖像的閾值和迭代次數(shù)

圖4 水下目標(biāo)的線特征檢測(cè)結(jié)果

4 結(jié)論

本文提出了一種在小波變換低頻子帶上進(jìn)行直線快速檢測(cè)的算法。該算法利用小波變換確定檢測(cè)顯著直線特征的合適尺度，然后在低頻子帶上進(jìn)行邊緣檢測(cè)和直線檢測(cè)。該算法可以從復(fù)雜海底場(chǎng)景中實(shí)時(shí)檢測(cè)出具有直線特征的人造目標(biāo)，滿足近距離水下視頻人造目標(biāo)實(shí)時(shí)檢測(cè)的應(yīng)用要求，為進(jìn)一步進(jìn)行水下人造目標(biāo)識(shí)別奠定了基礎(chǔ)。

表2 處理一幅圖像的時(shí)間

[1]朱煒, 徐玉如, 秦再白. 基于PSO和模糊劃分熵的水下圖像分割[J].光學(xué)技術(shù),2007,33(5):754-759.

[2]鄧廷全，王占江，汪培培.水下目標(biāo)動(dòng)態(tài)閾值檢測(cè)的區(qū)間值模糊集熵方法[J]. 哈爾濱工程大學(xué)學(xué)報(bào),2011,32(2):246-251.

[3]張銘鈞, 尚云超, 楊杰. 基于灰度-梯度不變矩的水下目標(biāo)識(shí)別系統(tǒng)[J].哈爾濱工程大學(xué)學(xué)報(bào),2009,30(6):653-658.

[4]馮占國(guó)，徐玉如.基于不變性特征的水下目標(biāo)特征提取[J]. 哈爾濱工程大學(xué)學(xué)報(bào),2007,28(12):1343-1348.

[5]Christian Barat, and Ronald Phlypo. A fully automated method to detect and segment a manufactured object in an underwater color image[J]. Advanced in Signal Processing For Maritime Applications,2010,0(0):1-10.

[6]Adriana Olmos and Emanuele Trucco. Detecting man-made objects in unconstrained subsea videos[C].British Machine Vision Conference, 2002:517-526.

[7]李慶忠，王文錦. 甚低比特率水下視頻圖像壓縮編碼方法 [J].光電子·激光,2009, 20(10):1371-1375.

[8]J.Canny. A computational approach to edge detection.IEEE Transction on Pattern Analysis and Machine Intelligence,1986,8(6):679-689.

[9]陳洪波，王強(qiáng)，徐曉蓉.用于線段特征提取的改進(jìn)Hough變換[J].計(jì)算機(jī)工程與應(yīng)用，2004,40(21):75-78.

[10]韓秋蕾，朱明，嬈志軍.基于改進(jìn)Hough變換的圖像線段特征提取[J].儀器儀表學(xué)報(bào)，2004,25(S4):436-439.