[发明专利]一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法

说明书

技术领域

本发明涉及一种基于颜色、位置聚类和角点检测的栅格状雷达的检测方法，模式识别，数字图像处理。 

背景技术

近年来，随着计算机技术的飞速发展，基于图像的信息获取越来越依赖于计算机技术，而基于图像的模式识别和目标分割与检测更是图像处理的一大主要研究方向。基于图像处理技术来获取图像中的感兴趣信息的技术得到了飞速的发展，其中对于特定形状的检测更是被广泛应用于各种特殊目标的识别中。而对于雷达而言，栅格状仍然是现今雷达的主要形状特征，其中大量的十字和规则线条的特征是该种雷达的检测成为可能。对于图像中的栅格状区域的检测可以用于此种类型雷达的识别，基于栅格状或有规则排布的十字形的检测更可以被广泛应用于印刷，纺织等多种需要自动识别十字状、栅格状物体的领域。 

目前基于栅格状或有规则排布的十字形的检测方法主要是：第一，霍夫变换。霍夫变换是图像变换中的经典手段之一，主要用来从图像中分离出具有某种相同特征的几何形状(如直线，圆等)。霍夫变换寻找直线与圆的方法相比于其它方法可以更好地减少噪声干扰。霍夫变换需要将图像从笛卡尔坐标系统转换到极坐标系，这种从点到曲线的变换称为直线的霍夫变换。变换通过量化霍夫参数空间为有限个值间隔等分或者累加格子。当霍夫变换算法开始，每个像素坐标点P(x,y)被转换到(r,theta)的曲线点上面，累加到对应的格子数据点，当一个波峰出现时候，说明有直线存在。文章【1】提出了一种基于图像梯度和单次的直线检测的快速霍夫直线检测方法(参见Fan Dongjin，Hui Bi，Wang Lidong.Implementation of efficient line detection with oriented hough transform[C]//Proceeding of 20123rd IEEE/IET International Conference on Audio，Language and Image Processing，2012:45－48.)，该方法可以提高直线检测的效率和速度，但此方法应用于栅格状雷达检测时会检测出过多的非雷达区域的直线，故此方法不适用于栅格状雷达检测。第二，k-means聚类算法。文献【2】中详细描述了以空间中k个点为中心进行聚类，对最靠近它们的对象归类的方法(参见Mahajan,M.；Nimbhorkar,P.；Varadarajan,K.(2009).The Planar k-Means Problem is NP-Hard.Lecture Notes in Computer Science 5431: 274–285.)。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。假设要把样本集分为c个类别，描述如下：(1)适当选择c个类的初始中心；(2)在第k次迭代中，对任意一个样本，求其到c各中心的距离，将该样本归到距离最短的中心所在的类；(3)利用均值等方法更新该类的中心值；(4)对于所有的c个聚类中心，如果利用(2)(3)的迭代法更新后，值保持不变，则迭代结束，否则继续迭代。该算法的最大优势在于简洁和快速。算法的关键在于初始中心的选择和距离公式。文章【3】提出了一种改进的k-means聚类的初始聚类点的选取方法(参见H.Zha,C.Ding,M.Gu,X.He and H.D.Simon(Dec 2001).Spectral Relaxation for K-means Clustering.Neural Information Processing Systems vol.14(NIPS 2001)(Vancouver,Canada):1057–1064.)，但此方法只适用于位置的聚类，无法根据图像中的其他信息获得聚类的依据，故无法直接应用于栅格状雷达的检测。第三，Harris角点检测，文章【4】中提到的方法(参见MO KHTARIAN F,SUOMELA R.Robust image corner detection through curvature scale space[J].I EEE Transaction on Pattern Analysis and Machine Intelligence,1998,20(12):137621381.)具体为：(1)计算图像的方向导数，分别保存为两个数组Ix以及Iy，这里可以使用任何方法，比较正统的是使用Gaussian函数，因为在Harris角点检测的推导过程中默认是采用了Gaussian函数作为其计算图像偏导数的方法。当然使用简单的Prewitt或者Sobel算子也没有关系；(2)为每一个点计算局部自相关矩阵u(x,y)＝[Ix(x,y)^2*WIy(x,y)Ix(x,y)*W；Ix(x,y)Iy(x,y)*W Iy(x,y)^2*W]；这里*W代表以x,y为中心；(3)如果这个u的两个特征值都很小，则说明这个区域是个平坦区域。如果u的某个特征值一个大一个小，则是线，如果两个都很大，那么就说明这是个角点。Harris提供了另一个公式来获取这个点是否是角点的一个评价：corness＝det(u)-k*trace(u)^2。这个corness就代表了角点值，其中k是你自己取的一个固定的变量，典型的为[0.04,0.06]之间。文章【5】提出一种基于图像中角点的匹配方法(参见L I B,YANG D,WAN G X H.Novel image regist ration based on harris multi2scale corner detection algorithm[J].Computer Engineering and Appl-ications,2006,42(35):37240.)，该方法构造了基于小波变换的灰度强度变化公式,，并得到了具有尺度变换特性的自相关矩阵,从而构建了一种新的Harris多尺度角点检测算法。但本方法只能局限于相似度很高的形状和物体的匹配，无法应用于具体形状和大小不同的栅格状雷达的统一检测。文章【6】提出了一种基于harris角点检测的感兴趣点的提取方法(参见SCHIMID C,MOHR R,BAUCKHANE C.Evaluation of interest point detectors[J].International Journal of Computer Vision,2000,37(2):1512172.)，此方法通过高斯滤波器和设定阈值去除不明显角点的方法获取感兴趣点，但此方法无法将图像中雷 达区域和非雷达区域的角点区分开，故也无法直接用于栅格状雷达的识别。