1.一种基于无人机视觉显著性分析水面污染物的检测方法,其特征在于,包括以下步骤:S1.利用线性迭代聚类算法对无人机拍摄的图像进行分割,将其分割为多个互不重叠的超像素图像块;
S2.从图像的边界区域中,利用背景优化选取策略从步骤S1得到的超像素图像块中选取不包含目标物体的区域的超像素图像块作为优化背景模板,所述目标物体为无人机拍摄的图像中的污染物;
S3.根据步骤S2得到的优化背景模板,通过图像的稀疏表示,得到与原始无人机拍摄的图像对应的初级显著图;
S4.根据步骤S3得到的初级显著图,利用OTSU阈值分割方法计算出初级显著图阈值,从初级显著图中选取初级显著值大于或等于初级显著图阈值的超像素图像块构成前景模板;
S5.根据步骤S4得到的前景模板和S2中得到的优化背景模板,构造出颜色矩阵,通过求解最小二乘问题,拟合得到一个参数向量;
S6.再对步骤S1得到的每个超像素图像块,在3个典型颜色空间上根据步骤S5得到的参数向量进行多维颜色特征线性融合,得到次级显著图;
S7.利用贝叶斯融合的方式将S3得到的初级显著图和S6得到的次级显著图进行融合,生成最终显著图;
所述步骤S2中,优化背景模板的选取步骤如下:
S2.1.将图像边界的所有超像素图像块全部挑选出来,组成原始背景模板;
S2.2.按如下公式,分别计算原始背景模板中每个超像素图像块与剩下的超像素图像块之间以空间距离为权重的颜色距离的和,得出每个超像素图像块的权重距离和值:其中,S(i)代表超像素图像块i的权重距离和值;dcolor(i,j)代表超像素图像块i和超像素图像块j之间在CIELAB空间上的颜色距离;dspatial(i,j)代表超像素图像块i和超像素图像块j之间的空间距离;σ是常数0.25;
S2.3.将步骤S2.2中求得的各超像素图像块的权重距离和值进行归一化处理;
S2.4.对每张图像,根据其原始背景模板中各超像素图像块的权重距离和值,按如下公式求取其对应的背景模板阈值:τ=Smax‑k×D
其中Smax是原始模板中各超像素图像块最大的权重距离和值;D是各超像素权重距离和值的方差;k是常数8;
S2.5.将步骤S2.3中归一化处理后的每个超像素图像块的权重距离和值与步骤S2.4中得到背景模板阈值进行比较,将权重距离和值小于或等于该阈值τ的超像素图像块用于构建优化背景模板;
所述步骤S3中,初级显著图的具体获取步骤如下:
S3.1.对每个超像素图像块,利用3个典型的颜色空间,RGB,CIELAB和HSV和3个典型的颜色空间对应的横纵坐标来进行特征表示,即每个超像素图像块用一个1×11维的特征向量进行表示;
S3.2.将步骤S2中得到的优化背景模板中的各个超像素图像块对应的特征向量组合构成特征矩阵U;假定优化背景模板中包含m个超像素图像块,则U对应一个m×11的特征矩阵;
S3.3.对于优化背景模板中的每个超像素图像块,根据步骤S3.2得到的特征矩阵U,通过求解如下最小问题来完成图像稀疏表示过程:其中,Xi为超像素图像块i对应的特征向量,Vi为超像素图像块i对应的稀疏表示结果,λ是常数0.01;
S3.4.根据步骤S3.3求得的每个超像素图像块的稀疏表示结果,通过计算其与原始特征表示之间的重构差,作为每个所述超像素图像块对应初始显著值,其对应公式如下所示:S3.5.对每个超像素图像块,根据步骤S3.4计算出其对应的初级显著值,然后将该初级显著值赋值给所述超像素图像块包含的像素点,构成初级显著图。
2.如权利要求1所述的一种基于无人机视觉显著性分析水面污染物的检测方法,其特征在于,所述步骤S4中,前景模板的具体获取步骤如下:S4.1.根据步骤S3获得的初级显著值,对其所对应的所有超像素图像块,按从大到小进行排序,得到超像素图像块序列;
S4.2.利用OTSU阈值分割方法,计算出初级显著图阈值,利用初级显著图阈值对排序后的超像素图像块进行分割,选取初级显著值大于或等于初级显著图阈值的超像素图像块区域,作为前景模板,假定前景模板中包含n个超像素图像块。
3.如权利要求2所述的一种基于无人机视觉显著性分析水面污染物的检测方法,其特征在于,所述步骤S5中,参数向量的具体获取步骤如下:S5.1.对每个超像素图像块在RGB,CIELAB,HSV这3个颜色空间上进行表示,构成一个9维颜色系数向量;
S5.2.将步骤S4得到前景模板的颜色向量和步骤S2得到的优化背景模板的颜色向量构成颜色矩阵P,对应大小为(n+m)×9,其前n行颜色向量来源于前景模板,后m行颜色向量来源于优化背景模板;
S5.3.利用如下公式,通过解最小二乘问题,拟合得到参数向量b:其中,Z是一个(n+m)×9维度的常数矩阵,且该常数矩阵Z中前n行元素值为1,后m行元素值为0。
4.如权利要求3所述的一种基于无人机视觉显著性分析水面污染物的检测方法,其特征在于,所述步骤S6中,次级显著图的具体获取步骤如下:S6.1根据步骤S5求得的参数向量b,利用如下公式计算每个超像素图像块的次级显著值:Sf(i)=T(i)×b
其中,T(i)为每个超像素图像块的颜色特征向量;
S6.2.将每个超像素图像块的次级显著值赋值给该超像素图像块包含的像素点,得到次级显著图。
5.如权利要求4所述的一种基于无人机视觉显著性分析水面污染物的检测方法,其特征在于,所述步骤S7中,最终显著图的具体获取步骤如下:S7.1.将步骤S3得到的初级显著图和S6得到的次级显著图先进行归一化处理;
S7.2.将初级显著图作为先验概率,次级显著图用来计算相似度,利用如下贝叶斯融合框架来计算每个超像素图像块的概率值:其中,Sb(x)为初级显著图,Sf(x)为次级显著图,Fb和Bb分别是通过用平均显著性值分割初级显著图获得的前景和背景区域;
S7.3.将步骤S7.2获取的每个超像素图像块的概率值,作为其最终显著值,最后将最终显著值赋值给每个所述超像素图像块包含的像素点,从而得到最终显著图。