第7期 王财政等：基于图像处理的深海底障碍物和地形识别及检测 ·779· 果见图4.由于裂缝和细粒碎石的影响很大，前者边 a 缘检测效果不理想 为提高边缘检测算子抗噪声性能，本文利用数 学形态学梯度算子进行边缘检测.传统的形态学梯 度算子如下式所示： G(f,S)=8(f,S)-e(f,S) (2) 式中，δ(f,S)为膨胀运算，e(f,S)为腐蚀运算，S为 结构元素.处理结果如图4(b)所示.可以看出，处 理效果依然不是很理想 本文采用如下算式，在膨胀运算前先作一次开 运算，减小亮点对膨胀运算的影响，在腐蚀运算前先 作一次闭运算，减小暗点对腐蚀运算的影响 图3深海底图像边界保护.(a)均值滤波：(b)中值滤波 G(f,S)=5(foS,S)-s(f-S,S) (3) Fig.3 Boundary protection of a deep-seabed image:(a)mean fil- 式中，fS为开运算，f·S为闭运算.处理结果如 ter:(b)median filter 图4（©）所示.可以看出，改进后的梯度算子具有较 质量，必须进行边缘检测.利用传统空域边缘检测 高的抗噪声性能，但提取出图形的边界连续性不够 算子和抗噪膨胀腐蚀型梯度算子进行边缘检测的结 好.为减少计算量，需先对边界进行分类 b 图4基于形态学梯度算子的深海底边缘检测.()深海底图像：(b)传统膨胀腐蚀型梯度算子：(c)抗噪膨胀腐蚀型梯度算子 Fig.4 Edge detection of the deep-seabed based on a morphological gradient operator:(a)deep-seabed image:(b)traditional dilation and erosion gradient operator:(c)anti-noise dilation and erosion gradient operator 图5(b)为纵向拟合结果，图5(c)为横向拟合结果 3边界分类 从图中可以看出，分段线性拟合法可以较好地表示 在深海环境下，各种障碍物和地形的形状、颜色 底质表面亮度变化率，且不受噪声干扰.拟合后，该 和纹理多样，且无规律，故不易以形状、颜色或者纹 点纵向变化率为-0.4176，横向变化率为0.2000， 理为依据提取目标物.深海底没有自然光，光源来 根据表1所列的地形亮度变化特征，判定该点区域 自于集矿机.不同底质、障碍物反光度不同，故不能 为地面. 根据图像亮度提取目标物.海水中光衰减很快，物 按上述方法，计算出该点附近各点的所属地形， 体表面反射光的亮度对距离很敏感，每一种地形都 综合数据对该点进行分类.该边界点两侧分别为地 有独特的亮度变化特征.故本文以图像亮度在不同 面和斜坡，则该边界点既属于地面边界点，又属于斜 方向的变化率为依据来提取目标物 坡边界点.分类结果如图6所示 3.1地形特征 海底各种地形对反射光的亮度变化特征及处理 4边界连续化 方法如表1所示. 利用抗噪声梯度算子提取出了障碍物和地形边 3.2边界亮度变化趋势计算及分类 缘，但深海底图像由于噪声、对比度或其他因素使得 深海图像任一种地形表面亮度均为线性或分段 边缘提取的效果并不理想，边缘出现不连续的间断 线性变化，下面用分段线性拟合法进行验证 空隙，如图6(b)~()所示.本文采用下述后处理 以深海底图像中一点(340,57)为例，分别对其 方法将不连续的边缘间断空隙连接起来 所在行、列进行分段线性拟合，结果如图5所示. (1)细化.细化运算由式(4)来定义第 7 期 王财政等: 基于图像处理的深海底障碍物和地形识别及检测 图 3 深海底图像边界保护． ( a) 均值滤波; ( b) 中值滤波 Fig． 3 Boundary protection of a deep-seabed image: ( a) mean fil￾ter; ( b) median filter 质量，必须进行边缘检测． 利用传统空域边缘检测 算子和抗噪膨胀腐蚀型梯度算子进行边缘检测的结 果见图 4． 由于裂缝和细粒碎石的影响很大，前者边 缘检测效果不理想． 为提高边缘检测算子抗噪声性能，本文利用数 学形态学梯度算子进行边缘检测． 传统的形态学梯 度算子如下式所示: G( f，S) = δ( f，S) － ε( f，S) ( 2) 式中，δ( f，S) 为膨胀运算，ε( f，S) 为腐蚀运算，S 为 结构元素． 处理结果如图 4( b) 所示． 可以看出，处 理效果依然不是很理想． 本文采用如下算式，在膨胀运算前先作一次开 运算，减小亮点对膨胀运算的影响，在腐蚀运算前先 作一次闭运算，减小暗点对腐蚀运算的影响． G( f，S) = δ( f S，S) － ε( f·S，S) ( 3) 式中，f S 为开运算，f·S 为闭运算． 处理结果如 图 4( c) 所示． 可以看出，改进后的梯度算子具有较 高的抗噪声性能，但提取出图形的边界连续性不够 好． 为减少计算量，需先对边界进行分类． 图 4 基于形态学梯度算子的深海底边缘检测． ( a) 深海底图像; ( b) 传统膨胀腐蚀型梯度算子; ( c) 抗噪膨胀腐蚀型梯度算子 Fig． 4 Edge detection of the deep-seabed based on a morphological gradient operator: ( a) deep-seabed image; ( b) traditional dilation and erosion gradient operator; ( c) anti-noise dilation and erosion gradient operator 3 边界分类 在深海环境下，各种障碍物和地形的形状、颜色 和纹理多样，且无规律，故不易以形状、颜色或者纹 理为依据提取目标物． 深海底没有自然光，光源来 自于集矿机． 不同底质、障碍物反光度不同，故不能 根据图像亮度提取目标物． 海水中光衰减很快，物 体表面反射光的亮度对距离很敏感，每一种地形都 有独特的亮度变化特征． 故本文以图像亮度在不同 方向的变化率为依据来提取目标物． 3． 1 地形特征 海底各种地形对反射光的亮度变化特征及处理 方法如表 1 所示． 3. 2 边界亮度变化趋势计算及分类 深海图像任一种地形表面亮度均为线性或分段 线性变化，下面用分段线性拟合法进行验证． 以深海底图像中一点( 340，57) 为例，分别对其 所在行、列进行分段线性拟合，结果如 图 5 所 示． 图 5( b) 为纵向拟合结果，图 5( c) 为横向拟合结果． 从图中可以看出，分段线性拟合法可以较好地表示 底质表面亮度变化率，且不受噪声干扰． 拟合后，该 点纵向变化率为 － 0. 417 6，横向变化率为 0. 200 0， 根据表 1 所列的地形亮度变化特征，判定该点区域 为地面． 按上述方法，计算出该点附近各点的所属地形， 综合数据对该点进行分类． 该边界点两侧分别为地 面和斜坡，则该边界点既属于地面边界点，又属于斜 坡边界点． 分类结果如图 6 所示． 4 边界连续化 利用抗噪声梯度算子提取出了障碍物和地形边 缘，但深海底图像由于噪声、对比度或其他因素使得 边缘提取的效果并不理想，边缘出现不连续的间断 空隙，如图 6( b) ～ ( f) 所示． 本文采用下述后处理 方法将不连续的边缘间断空隙连接起来． ( 1) 细化． 细化运算由式( 4) 来定义 ·779·