基于k-means算法的水下图像边缘检测

摘要

海洋科技日益成为世界各国经济与科技竞争的焦点之一。海洋开发，需要获取大范围、精确的海洋环境数据，以便进行海底勘探、取样、水下施工等。要完成上述任务，需要一系列的海洋开发支撑技术，包括深海探测、深潜、海洋遥感、海洋导航等。作为水下探测的重要手段，数字图像能够较为直观的反映水下真实场景，故而应用愈加广泛。图像边缘检测是数字图像处理的基础，目前已有较多的边缘检测算法。然而，由于水下成像过程中水体吸收和散射的影响，水下图像多呈现画质模糊，噪声严重，对比度低，颜色失真等问题。传统的边缘检测算法对于水下图像得不到较好的效果。
　　本文将k-means聚类算法应用到水下图像边缘检测中来，取得了很好的效果。本文主要工作如下:
　　1.分析了图像边缘检测过程以及国际上现有的图像边缘检测处理方法。
　　2.将原始图像使用暗原色先验算法进行处理得到较清晰的水下图像。
　　3.使用梯度幅值边缘检测算法检测出初始边缘点。
　　4.引用了k-means聚类算法对对初始边缘点进行分类，从而有效地去除非边缘点，保留边缘点。
　　5.简单的介绍了非均匀光场水下图像探测系统，使用该装置在中国近海提取海洋实验图像。实验结果显示水下图像的边缘检测效果得到明显的改善。

目录

声明

摘要

0 前言

1 图像边缘检测概述

1．1 图像边缘检测的基本原理

1．2 图像边缘检测技术研究现状

1．3 图像边缘检测技术存在的问题

1．4 图像边缘检测技术的发展趋势

1．5 本章小结以及本文主要工作

2 水下图像暗原色增强

2．1 水下图像退化分析

2．2 暗原色先验理论

2．3 水下图像颜色恢复

2．4 水下图像暗原色增强

2．4．1 计算水下图片暗原色

2．4．2 估算水体透射率t(X)

2．4．3 估算背景光

2．4．4 复原真实图像

2．5 本章小结

3 边缘检测预处理

3．1 经典的边缘检测方法

3．1．1 Sobel边缘检测算法

3．1．2 Prewitt边缘检测算法

3．1．3 Canny边缘检测算子

3．2 初始边缘检测

3．3 本章小结

4 基于改进K-means算法的水下图像边缘检测

4．1 聚类分析

4．2 K-means聚类算法分析

4．3 K-means聚类算法对边缘点分类

4．4 本章小结

5 实验

5．1 实验器材

5．2 实验结果与分析

5．3 本章小结

6 总结与展望

参考文献

致谢

个人简历

发表的学术论文