[发明专利]一种基于高斯混合模型和纹理分析的海天线检测方法

权利要求书

1.一种基于高斯混合模型和纹理分析的海天线检测方法，其特征在于，包括以下步骤：

(1)输入待检测彩色海面图像；

(2)将待检测彩色海面图像划分为均匀的若干个区域；

(3)根据纹理分析对图像进行粗略分割，获取像素分类先验信息；

(4)通过像素的先验信息初始化高斯混合模型参数；

(5)利用EM算法最大化像素分类的后验概率，并得到细粒分割图像；

(6)提取海水区域的边界线作为检测得到的海天线；

所述步骤(3)中，其具体步骤是：

(3-1)将子区域图像s_j转化为灰度图像并将灰度等级量化到0～15，得到量化区域图像f_j,子区域s_j的灰度共生矩阵P_j由下式得到：

P_j(m,n)＝#{(x,y),(x+a,y+b)∈s_j|f_j(x,y)＝m,f_j(x+a,y+b)＝n} (1)

式中，#(Ω)为集合Ω中元素的个数，m、n的取值范围为0,1,2,3,…,15，(x,y)和(x+a,y+b)为子区域图像中的像素点的坐标位置，f_j(x,y),f_j(x+a,y+b)为量化图像的灰度值，a，b分别为水平和垂直方向的偏移量；

(3-2)根据灰度共生矩阵P_j得到子区域s_j的纹理特征描述向量g_j＝(asm,con,ent)，asm、con、ent分别为灰度共生矩阵P_j的能量、对比度和熵，灰度共生矩阵的特征参数由式(2)～(4)计算得到：

(3-3)比较所有相邻子区域的纹理的相对差异性，并找出其中相对差异性最大的子区域，其相邻区域纹理相对差异根据式(5)得到：

根据公式(6)寻找纹理相对差异性最大的子区域:

dif_m＝max{dif_i|i＝1,2,…,n} (6)

第m块子区域即为纹理相对差异最大的子区域；

(3-4)合并s_m-2,s_m-1,s_m,s_m+1,s_m+2子区域得到块区域，在块区域内使用霍夫直线检测，将海面图像中直线以下区域分割为海水区域，直线以上区域沿垂直方向均匀地分为上下两部分，上部分为天空区域，下部分为中间区域；从而得到每个像素的先验分布标记；同时丢弃了天空区域和中间区域边界处的部分像素分类信息，对于海水区域和中间区域的边界做同样地处理，只将保留下来的像素先验分类信息用于初始化高斯混合模型参数；

所述步骤(4)中，构造海面图像的概率分布模型得：

式中，为混合高斯概率函数的参数，N(X|μ_k,σ_k)表示多维的高斯分布概率密度函数，为每个高斯概率密度函数的权重且满足μ_k,σ_k分别为高斯概率密度函数的均值和协方差矩阵；每一个观测样本X_i由一个五维的向量(r,g,b,x,y)表示，向量前三维描述像素点的RGB颜色通道值，最后两维为像素在图像中的位置坐标；根据步骤(3)中得到的先验像素分类信息，分别计算每一类像素样本的均值和协方差矩阵分别用以初始化一个高斯模型，高斯模型的权重之比等于对应类别的样本数量之比；

所述步骤(5)中，其具体做法是：利用EM算法不断迭代更新混合高斯概率分布模型参数，直到模型收敛停止迭代，并得到海面图像的概率分割图：

E步，依据当前模型参数，计算第k(k＝1,2,3)个模型对观测样本X_i的响应度：

式中，Y_i表示第i个样本的分类标签；

M步，计算新一轮迭代的模型参数：

式中，N为样本总量；

不断重复E步和M步，直到模型参数满足收敛条件：

||θ^(g+1)-θ^(g)||≤ε                  (12)

利用收敛后的概率分布模型得到每个像素样本的分类信息和细粒分割图像。