[发明专利]一种过鱼通道目标鱼类图像分割方法和系统

说明书

本发明涉及一种过鱼通道目标鱼类图像分割方法和系统。该过鱼通道目标鱼类图像分割方法包括：获取待检测鱼通道中的视频图像，并获取视频图像的视频序列图像；采用图像特征分离法获取视频序列图像中每帧图像的图像像素点，并将图像像素点转换为图像RGB三通道数据；根据图像RGB三通道数据确定视频序列图像中是否存在前景像素值；当视频序列图像中存在前景像素值时，采用无模型自适应控制方法根据前景像素值提取得到静态彩色背景图像；对视频序列图像和静态彩色背景图像进行差分运算，得到运动前景目标。本发明提供的过鱼通道目标鱼类图像分割方法和系统能够在减小计算量的同时，提高过鱼通道目标鱼类图像的分割效果。

技术领域

本发明涉及图像处理领域，特别是涉及一种过鱼通道目标鱼类图像分割方法和系统

背景技术

数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。然而一幅图像中，研究对象往往只是某些区域中的特定对象，称之为前景，前景目标的某些信息往往与周围背景存在差异，图像分割就是根据这些信息差异将图像分割成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。到目前为止，研究者们在图像分割领域取得了大量的研究成果，这些成果源于对图像中不同特征的利用，如同一区域内的特征具有相似性和像素点之间具有连通性、目标与背景之间存在不连续性等，但是至今没有一种分割算法能用于所有的图像分割，这也促进了研究者们对图像分割进行不断地研究。早期经典的图像分割方法大多只利用到图像的低层信息，如边缘、纹理、灰度等，其中较为经典的算法有基于阈值的图像分割、基于边缘检测的图像分割基于图论的图像分割等。近年来，研究者们将研究的重点转移到图像中的高层知识，并将先验知识引入图像分割算法中，得到了一些新的图像分割理念，如小波变换模糊集、神经网络活动轮廓模型等，丰富了图像分割方法，很大程度上改善了分割效果。

目前传统的背景提取方法主要包括中值滤波法、背景平均模型法、卡尔曼滤波法和混合高斯模型方法，这些传统的方法在理想状态下往往可以得到不错的效果，但在复杂环境下提取真实背景图像比较困难，同时因为受到自然环境变化、拍摄设备的监测误差等因素的干扰，其所依赖的背景建模极易发生模型失真，从而不能有效的提取背景，进而使得检测出的前景目标也难以辨认。

鱼类生活的环境是在水下，需在水下完成影像数据的采集工作。水对光源具有很大的衰减特性，水下采集图像比平常空气中复杂很多。而且水中的气泡、泥沙等杂质给鱼类视频信息的采集造成了很大的干扰，受到水下照明条件以及水介质对光线的折射和吸收效应等因素的影响，采集到的鱼类影像数据往往会出现亮度不均、对比度低、图像模糊等问题，进一步增大了鱼类识别的难度。为了解决这些难题，国内外学者开始对水下目标图像的分割问题展开了大量研究，主要根据图像像素自身的低阶视觉信息来进行图像分割，现有方法虽然计算量小但是分割效果比较差。

发明内容

为解决上述问题，本发明提供一种过鱼通道目标鱼类图像分割方法和系统，尤其是提供一种基于无模型自适应控制方法的过鱼通道目标鱼类图像分割方法和系统。

为实现上述目的，本发明提供了如下方案：

一种过鱼通道目标鱼类图像分割方法，包括：

获取待检测鱼通道中的视频图像，并获取所述视频图像的视频序列图像；

采用图像特征分离法获取所述视频序列图像中每帧图像的图像像素点，并将所述图像像素点转换为图像RGB三通道数据；所述图像RGB三通道数据包括：当前帧图像的RGB三通道数据以及上一帧图像的背景图像的RGB三通道数据；

根据所述图像RGB三通道数据确定所述视频序列图像中是否存在前景像素值；

当所述视频序列图像中存在所述前景像素值时，采用无模型自适应控制方法根据所述前景像素值提取得到静态彩色背景图像；

对所述视频序列图像和所述静态彩色背景图像进行差分运算，得到运动前景目标；所述运动前景目标即为待检测鱼通道中的目标鱼类图像。