基于图像处理的深海底障碍物和地形识别及检测

D0L:10.13374/.issn1001-053x.2011.07.006 第33卷第7期 北京科技大学学报 Vol.33 No.7 2011年7月 Journal of University of Science and Technology Beijing Jul.2011 基于图像处理的深海底障碍物和地形识别及检测 王财政杨耀东四冯雅丽张文明高峰飞 北京科技大学土木与环境工程学院，北京100083 ☒通信作者，E-mail:ustbear(@l63.com 摘要针对海底集矿机采矿旷环境图像，采用分段线性变换提高图像细节，中值滤波去除悬浮物干扰.利用形态学抗噪声梯 度算子提取地形和障碍物轮廓，并用分段线性拟合计算出地表亮度变化率.根据表面亮度变化特征判断障碍物类型，采用自 适应形态学对轮廓进行细化与连接.通过障碍投影变换计算出障碍物的距离、高度和宽度等信息.对陆地图像进行了分析， 证明位置、高度和坡度等参数计算的可行性.利用上述方法对深海底的图像进行处理，不仅保留了边界信息，且提高了抗干扰 能力和抗边界间相互影响能力，可有效识别深海底地形和障碍物，得出位置和形状等参数，可以为集矿机避障系统信息融合 技术提供可靠数据. 关键词海洋工程；采矿：形态学；图像处理；图像识别 分类号TD807:TP391.41 Identification and detection of deep-sea obstacles and terrains based on image processing WANG Cai-zheng,YANG Yao-dong,FENG Yali,ZHANG Wen-ming,GAO Feng-fei School of Civil and Environmental Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:ustbear@163.com ABSTRACT Aimed at the mining environment image of a seabed nodule-eollecting vehicle,the detail of the image was enhanced by subsection linear transformation,and the interferences of suspensions were removed with a median filter.The profile of terrains and ob- stacles was extracted by an anti-noise gradient operator in morphology,and the rate of change of surface brightness was computed by subsection-inear fitting.According to the feature of the brightness variation,the type of obstacles was estimated,and the profile was detailed and linked by self-adapting morphology.Based on the image information of obstacles,the distance,height and width of the ob- stacles were computed by projection transformation.Close analysis of land images demonstrated the reliability of computing such param- eters as position,height and gradient.This method not only reserves the profile information,but also improves the anti-noisy ability and the anti-interconnection ability,detects the deep-seabed terrains and obstacles efficiently,and works out the position and figure effi- ciently,so it can be used to provide reliable data for the information fusion technology of the obstacle-avoiding system in a nodule-col- lecting vehicle. KEY WORDS ocean engineering:mining:topography:image processing:image recognition 海底富钴结壳(1000~4000m)0-习和热液硫化 角1-四，方向分辨率较差.使用多个声纳传感器， 物(800~3700m)回赋存区域，地形多变，环境复 不仅产生相互干扰，且不能完全消除盲区.海 杂四，需要实时监测集矿机工作环境)，选择安全 底大量的悬浮物，对检测信号产生干扰 的行走路径s. 本文从海底图像有效提取出各种地形轮廓，并 针对深海特殊环境，基于超声波技术，王随平 进行分类，计算出障碍物距离、高度等信息，具有较 等0设计出了集矿机智能避障系统，基本实现了智 高的探测精度，为集矿机避障系统信息融合技术提 能避障的目的，但超声波传感器具有一定的发射 供可靠的数据。 收稿日期：20100205 基金项目：国家自然科学基金资助项目(No.50874006):国际海底区域性研究开发“十一五”项目(No.DYXM-115040203)

第 33 卷 第 7 期 2011 年 7 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 33 No． 7 Jul． 2011 基于图像处理的深海底障碍物和地形识别及检测 王财政 杨耀东 冯雅丽 张文明 高峰飞 北京科技大学土木与环境工程学院，北京 100083  通信作者，E-mail: ustbcar@ 163． com 摘 要 针对海底集矿机采矿环境图像，采用分段线性变换提高图像细节，中值滤波去除悬浮物干扰． 利用形态学抗噪声梯 度算子提取地形和障碍物轮廓，并用分段线性拟合计算出地表亮度变化率． 根据表面亮度变化特征判断障碍物类型，采用自 适应形态学对轮廓进行细化与连接． 通过障碍投影变换计算出障碍物的距离、高度和宽度等信息． 对陆地图像进行了分析， 证明位置、高度和坡度等参数计算的可行性． 利用上述方法对深海底的图像进行处理，不仅保留了边界信息，且提高了抗干扰 能力和抗边界间相互影响能力，可有效识别深海底地形和障碍物，得出位置和形状等参数，可以为集矿机避障系统信息融合 技术提供可靠数据． 关键词 海洋工程; 采矿; 形态学; 图像处理; 图像识别 分类号 TD807; TP391. 41 Identification and detection of deep-sea obstacles and terrains based on image processing WANG Cai-zheng，YANG Yao-dong ，FENG Ya-li，ZHANG Wen-ming，GAO Feng-fei School of Civil and Environmental Engineering，University of Science and Technology Beijing，Beijing 100083，China  Corresponding author，E-mail: ustbcar@ 163． com ABSTRACT Aimed at the mining environment image of a seabed nodule-collecting vehicle，the detail of the image was enhanced by subsection linear transformation，and the interferences of suspensions were removed with a median filter． The profile of terrains and ob￾stacles was extracted by an anti-noise gradient operator in morphology，and the rate of change of surface brightness was computed by subsection-linear fitting． According to the feature of the brightness variation，the type of obstacles was estimated，and the profile was detailed and linked by self-adapting morphology． Based on the image information of obstacles，the distance，height and width of the ob￾stacles were computed by projection transformation． Close analysis of land images demonstrated the reliability of computing such param￾eters as position，height and gradient． This method not only reserves the profile information，but also improves the anti-noisy ability and the anti-interconnection ability，detects the deep-seabed terrains and obstacles efficiently，and works out the position and figure effi￾ciently，so it can be used to provide reliable data for the information fusion technology of the obstacle-avoiding system in a nodule-col￾lecting vehicle． KEY WORDS ocean engineering; mining; topography; image processing; image recognition 收稿日期: 2010--02--05 基金项目: 国家自然科学基金资助项目( No． 50874006) ; 国际海底区域性研究开发“十一五”项目( No． DYXM--115--04--02--03) 海底富钴结壳( 1 000 ～ 4 000 m) ［1--2］和热液硫化 物( 800 ～ 3 700 m) ［3］赋存区域，地形多变，环境复 杂［4］，需要实时监测集矿机工作环境［5--7］，选择安全 的行走路径［8--9］． 针对深海特殊环境，基于超声波技术，王随平 等［10］设计出了集矿机智能避障系统，基本实现了智 能避障的目的，但超声波传感器具有一定的发射 角［11--12］，方向分辨率较差． 使用多个声纳传感器， 不仅产生相互干扰，且不能完全消除盲区［13--15］． 海 底大量的悬浮物，对检测信号产生干扰． 本文从海底图像有效提取出各种地形轮廓，并 进行分类，计算出障碍物距离、高度等信息，具有较 高的探测精度，为集矿机避障系统信息融合技术提 供可靠的数据． DOI:10.13374/j.issn1001-053x.2011.07.006

·778· 北京科技大学学报 第33卷 变换方法如下式所示： 1图像预处理 rlog f(x,y）],0≤f(x,y）<n 光在海水中衰减很快，距摄像机较远的区域成 g(x,y）= )].2(1) 像较暗，细节较低，需通过亮度调整来提高低亮度区 集矿机在深海底采矿过程中会扬起海底沉积 细节.图1为分别采用直方图均衡化、分段线性变 物，形成海底“羽状流”.在图像中表现为白点和黑 换和对数一指数变换对海底同一幅图像进行处理的 点，形成椒盐噪声，干扰障碍物和地形的识别与检 情况.直方图均衡化可以使图像像素在整个灰度区 测.分别采用低通滤波、均值滤波和中值滤波，处理 域均匀分布，提高图像对比和量化间隔，但降低了量 结果见图2.通过低通滤波、均值滤波，不仅不能完 化级数和图像细节.分段线性变换可以提高低亮度 全消除图像中的椒盐噪声，且图像的边界被弱化，造 区细节，但同时会降低高亮度区细节，即如图1(a) 成边界模糊.而中值滤波滤不但消除了噪声，同时 所示的左上部低亮度区和图像中下部高亮度区.其 保护了地形边界，如图2(d)所示. 图1深海底图像亮度调整.(a)深海底图像：(b)分段线性变换：()直方图均衡化：(d)对数一指数变换 Fig.1 Brightness adjustment of a deep-seabed image:(a)deep-seabed image:(b)piecewise linear transformation:(c)histogram equalization: (d)log-exponential transform a 图2深海底图像噪声滤除.(a)深海底图像：(b)低通滤波：(c)均值滤波：(d)中值滤波 Fig.2 Noise filtering of a deep-seabed image:(a)deep-seabed image:(b)low-pass filter:(c)mean filter:(d)median filter 对比图2(b)、(c)和(d)各图可以发现，低通滤 2边缘检测 波的去噪效果不如均值滤波和中值滤波明显。将边 界区域放大后，如图3所示，在保护边界方面，中值 深海底环境复杂多变，集矿机行走底质表面布 滤波要优于均值滤波. 满大小不一、形状各异的裂缝或碎石，为提高图像的

北 京 科 技 大 学 学 报 第 33 卷 1 图像预处理 光在海水中衰减很快，距摄像机较远的区域成 像较暗，细节较低，需通过亮度调整来提高低亮度区 细节． 图 1 为分别采用直方图均衡化、分段线性变 换和对数--指数变换对海底同一幅图像进行处理的 情况． 直方图均衡化可以使图像像素在整个灰度区 域均匀分布，提高图像对比和量化间隔，但降低了量 化级数和图像细节． 分段线性变换可以提高低亮度 区细节，但同时会降低高亮度区细节，即如图 1( a) 所示的左上部低亮度区和图像中下部高亮度区． 其 变换方法如下式所示: g( x，y) = log［f( x，y) ］， 0≤f( x，y) ＜ n {exp［f( x，y) ］， n≤f( x，y) ≤255 ( 1) 集矿机在深海底采矿过程中会扬起海底沉积 物，形成海底“羽状流”． 在图像中表现为白点和黑 点，形成椒盐噪声，干扰障碍物和地形的识别与检 测． 分别采用低通滤波、均值滤波和中值滤波，处理 结果见图 2． 通过低通滤波、均值滤波，不仅不能完 全消除图像中的椒盐噪声，且图像的边界被弱化，造 成边界模糊． 而中值滤波滤不但消除了噪声，同时 保护了地形边界，如图 2( d) 所示． 图 1 深海底图像亮度调整． ( a) 深海底图像; ( b) 分段线性变换; ( c) 直方图均衡化; ( d) 对数--指数变换 Fig． 1 Brightness adjustment of a deep-seabed image: ( a) deep-seabed image; ( b) piecewise linear transformation; ( c) histogram equalization; ( d) log-exponential transform 图 2 深海底图像噪声滤除． ( a) 深海底图像; ( b) 低通滤波; ( c) 均值滤波; ( d) 中值滤波 Fig． 2 Noise filtering of a deep-seabed image: ( a) deep-seabed image; ( b) low-pass filter; ( c) mean filter; ( d) median filter 对比图 2( b) 、( c) 和( d) 各图可以发现，低通滤 波的去噪效果不如均值滤波和中值滤波明显． 将边 界区域放大后，如图 3 所示，在保护边界方面，中值 滤波要优于均值滤波． 2 边缘检测 深海底环境复杂多变，集矿机行走底质表面布 满大小不一、形状各异的裂缝或碎石，为提高图像的 ·778·

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·

·780· 北京科技大学学报 第33卷 表1海底各种地形对反射光的亮度变化特征及处理方法 Table 1 Seabed topography on a variety of changes in reflected light intensity characteristics and treatment 地形型式 亮度变化特征 处理方法 纵向（集矿机前进方向）亮度一般为线性减弱，横向（与纵向垂直且水平）亮度减弱速率一般取先验值或实 海底底质 亮度大体一致. 验值. 图像亮度在障碍物附近出现阶跃跳变，其中纵向跳变决定障碍物的横向 结合跳变处周围的环境来判断是 凸起型障碍物 边界，横向跳变决定障碍物的纵向边界。障碍物内部，亮度一般基本一 否为边界. 致，但也有可能出现阶跃跳变，被误判为边界. 横向亮度基本一致，纵向线性减弱，但减弱速率与地面明显不同.上升坡 亮度衰弱率与坡度的关系应采取 坡型地形 亮度减弱比地面慢，坡度较大时亮度增加：下降坡亮度减弱比地面，当坡 先验值或实验值 度较大，或出现断层时，无法被光源照射到，亮度将大幅度阶跃降低 一般有上下两个边界.上边界以上为地面，亮度变化为地面特性：上边界 横向海沟 以下为海沟上壁，其亮度比地面低，沿纵向增加：下边界以下为地面，亮度分情况判断.每种情况分别为上 (或裂缝) 变化为地面特性.当海沟较窄时，下边界以上为海沟上壁，海沟范围内没述三种基本地形的组合 海沟型地形 有黑色区域：当海沟较宽时，下边界以上会出现黑色区域 当海沟较窄、且较深时表现为黑色区域.当海沟较宽、或较浅时，海沟左 纵向海沟 边界右侧会出现左壁，其亮度较左边界低，但沿左方向增加；海沟右边界 分情况判断.每种情况分别为上 左侧会出现右壁，其亮度较右边界低，但沿右方向增加.左右壁中间为黑 (或裂缝) 述三种基本地形的组合 色区域：若海沟非常宽，摄像机无法同时探测到双壁，则被判断为断壁，在 图像中表现为黑色区域 (a） 200 X:57 原始亮度值 100 :168 拟合直线 50 (b) % 50 100 150 200 250 300 350 纵坐标 300 (e) 原始亮度值 X340 拟合直线 Y:168 100 200 300 400 500 600 横坐标 图5深海底地形表面亮度变化趋势计算.()示例位置：(b)纵向拟合：(c)横向拟合 Fig.5 Surface brightness trend calculations of the deep-seabed:(a)sample position:(b)vertical fitting:(c)horizontal fitting A⑧B=A-(A*B)=A∩(A*B)C (4) X4=X1-X3 (8) 式中，A*B为击中击不中变换.边缘细化过程由多 (3)自适应膨胀.自适应膨胀由下式定义： 次细化运算完成 A©B={clc=a+b, (2)修剪.其目的在于去除毛刺干扰，由以下 其中a∈A且b∈B×S(t)×Φ(t)]} (9) 四步完成： 式中，S(t)为比例放缩因子，Φ(t)为旋转因子.通 X1=A☒{B}=(((A☒B)⑧B2)…)⑧B) 过自适应膨胀运算使边界向前延伸一段距离，将不 (5) 连续点连续化 (4)重复(1)、(2)和(3)步，直至不再存在端点 X2=U(X,*B) (6) k=1 或达到迭代次数为止. X3=8(X2,H0)∩A (7) 以障碍物边界为例，边缘连续化结果如图7所

北 京 科 技 大 学 学 报 第 33 卷 表 1 海底各种地形对反射光的亮度变化特征及处理方法 Table 1 Seabed topography on a variety of changes in reflected light intensity characteristics and treatment 地形型式 亮度变化特征 处理方法 海底底质 纵向( 集矿机前进方向) 亮度一般为线性减弱，横向( 与纵向垂直且水平) 亮度大体一致． 亮度减弱速率一般取先验值或实 验值． 凸起型障碍物 图像亮度在障碍物附近出现阶跃跳变，其中纵向跳变决定障碍物的横向 边界，横向跳变决定障碍物的纵向边界． 障碍物内部，亮度一般基本一 致，但也有可能出现阶跃跳变，被误判为边界． 结合跳变处周围的环境来判断是 否为边界． 坡型地形 横向亮度基本一致，纵向线性减弱，但减弱速率与地面明显不同． 上升坡 亮度减弱比地面慢，坡度较大时亮度增加; 下降坡亮度减弱比地面，当坡 度较大，或出现断层时，无法被光源照射到，亮度将大幅度阶跃降低． 亮度衰弱率与坡度的关系应采取 先验值或实验值． 海沟型地形 横向海沟 ( 或裂缝) 一般有上下两个边界． 上边界以上为地面，亮度变化为地面特性; 上边界 以下为海沟上壁，其亮度比地面低，沿纵向增加; 下边界以下为地面，亮度 变化为地面特性． 当海沟较窄时，下边界以上为海沟上壁，海沟范围内没 有黑色区域; 当海沟较宽时，下边界以上会出现黑色区域． 分情况判断． 每种情况分别为上 述三种基本地形的组合． 纵向海沟 ( 或裂缝) 当海沟较窄、且较深时表现为黑色区域． 当海沟较宽、或较浅时，海沟左 边界右侧会出现左壁，其亮度较左边界低，但沿左方向增加; 海沟右边界 左侧会出现右壁，其亮度较右边界低，但沿右方向增加． 左右壁中间为黑 色区域; 若海沟非常宽，摄像机无法同时探测到双壁，则被判断为断壁，在 图像中表现为黑色区域 分情况判断． 每种情况分别为上 述三种基本地形的组合． 图 5 深海底地形表面亮度变化趋势计算． ( a) 示例位置; ( b) 纵向拟合; ( c) 横向拟合 Fig． 5 Surface brightness trend calculations of the deep-seabed: ( a) sample position; ( b) vertical fitting; ( c) horizontal fitting AB = A － ( A* B) = A∩( A* B) C ( 4) 式中，A* B 为击中击不中变换． 边缘细化过程由多 次细化运算完成． ( 2) 修剪． 其目的在于去除毛刺干扰，由以下 四步完成［16］: X1 = A{ B} = ( ( ( ( AB1 ) B2 ) …) BK ) ( 5) X2 = ∪ K k = 1 ( X1 * Bk ) ( 6) X3 = δ( X2，H) ∩A ( 7) X4 = X1 － X3 ( 8) ( 3) 自适应膨胀． 自适应膨胀由下式定义: A^ B = { c|c = a + b， 其中 a∈A 且 b∈［B × S( t) × Φ( t) ］} ( 9) 式中，S( t) 为比例放缩因子，Φ( t) 为旋转因子． 通 过自适应膨胀运算使边界向前延伸一段距离，将不 连续点连续化． ( 4) 重复( 1) 、( 2) 和( 3) 步，直至不再存在端点 或达到迭代次数为止． 以障碍物边界为例，边缘连续化结果如图 7 所 ·780·

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 ·781 矩形，ABCD为等腰梯形 图8投影变换 Fig.8 Projection transformation 图6深海底地形边界分类.(a)深海底图像：(b)地面：(c)障 碍物：(d)海沟：(e)斜坡：()断层 在ABCD所在平面建立如下坐标系：以照片中 Fig.6 Classification of deep-seabed terrain boundaries:(a)deep- 心为原点，AB方向为x轴正方向，BC方向为y轴正 seabed image:(b)ground:(c)obstacle:(d)trench:(e)slope: 方向，坐标值为(x,y). (f)fault 在底面G建立如下坐标系：以摄像机在地面的投 示.对于达到迭代次数后仍然无法连接的端点，直 影O为原点，以与AB平行的方向为x轴正方向，以 线连接 集矿机前进方向为y轴正方向，坐标值为(x,y). 由图9可以得到 y'=htan 0+arctan (10) sm(o+arcan亡) X= (11) √厅+环 障碍物距集矿机的距离为 图7深海底图像边缘连续化.(a)未连续化：(b)连续化后 Fig.7 Edge continuing of a deep-seabed image:(a)before continu- d=vx2+y2 (12) ing:(b)after continuing 式中，受-0为摄像机俯角，h为摄像机高度，山为 5参数计算 摄像机镜头焦距. 对于一种地形，对其轮廓的各个顶点分别计算， 实际作业中需增大摄像机俯角，以消除行进方 便可以获得该地形的宽度、长度等信息 向盘及远方障碍物的影响.再通过坐标系的转换， 计算出障碍物的高度. 当摄像机俯角增大时，拍摄方向不再与障碍物 垂直，障碍物大小与成像大小不再是线性关系.因 此，本文在成像面和底面分别建立坐标系，并推导出 两者坐标值之间的关系，进而计算出障碍物底点与 集矿机的水平距离，然后计算出顶点在地面的映射 点与集矿机水平距离，根据摄像机的高度、俯角和拍 摄范围的张角，可以计算出顶点与底点的竖直高度 图9计算障碍物高度 Fig.9 Calculation of obstacle height 5.1障碍物距离和高度计算 如图8所示，O为摄像机所在位置，假设摄像机 如图9所示，障碍物高度 拍摄张角为45°，ABCD'为摄像机拍摄的地面范 围，ABCD为该拍摄范围在照片中的映射.调整 I=hh (13) de ABCD的角度，使AB平行于底面G,则该映射区域为 式中，dg和dr可由式(12)得到

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 6 深海底地形边界分类 . ( a) 深海底图像; ( b) 地面; ( c) 障 碍物; ( d) 海沟; ( e) 斜坡; ( f) 断层 Fig． 6 Classification of deep-seabed terrain boundaries: ( a) deep￾seabed image; ( b) ground; ( c) obstacle; ( d) trench; ( e) slope; ( f) fault 示． 对于达到迭代次数后仍然无法连接的端点，直 线连接． 图 7 深海底图像边缘连续化 . ( a) 未连续化; ( b) 连续化后 Fig． 7 Edge continuing of a deep-seabed image: ( a) before continu￾ing; ( b) after continuing 5 参数计算 实际作业中需增大摄像机俯角，以消除行进方 向盘及远方障碍物的影响． 再通过坐标系的转换， 计算出障碍物的高度． 当摄像机俯角增大时，拍摄方向不再与障碍物 垂直，障碍物大小与成像大小不再是线性关系． 因 此，本文在成像面和底面分别建立坐标系，并推导出 两者坐标值之间的关系，进而计算出障碍物底点与 集矿机的水平距离，然后计算出顶点在地面的映射 点与集矿机水平距离，根据摄像机的高度、俯角和拍 摄范围的张角，可以计算出顶点与底点的竖直高度． 5. 1 障碍物距离和高度计算 如图 8 所示，O 为摄像机所在位置，假设摄像机 拍摄张角为 45°，A'B'C'D'为摄像机拍摄的地面范 围，ABCD 为该拍摄范围在照片中的映射． 调 整 ABCD的角度，使 AB 平行于底面 G，则该映射区域为 矩形，A'B'C'D'为等腰梯形． 图 8 投影变换 Fig． 8 Projection transformation 在 ABCD 所在平面建立如下坐标系: 以照片中 心为原点，AB 方向为 x 轴正方向，BC 方向为 y 轴正 方向，坐标值为( x，y) ． 在底面 G 建立如下坐标系: 以摄像机在地面的投 影 O'为原点，以与 AB 平行的方向为 x 轴正方向，以 集矿机前进方向为 y 轴正方向，坐标值为( x'，y') ． 由图 9 可以得到 y' = h ( tan θ + arctan y L ) P ( 10) x' = xy' ( sin θ + arctan y L ) P y 2 + L2 槡 P ( 11) 障碍物距集矿机的距离为 d = x' 2 槡 + y' 2 ( 12) 式中，π 2 － θ 为摄像机俯角，h 为摄像机高度，LP 为 摄像机镜头焦距． 对于一种地形，对其轮廓的各个顶点分别计算， 便可以获得该地形的宽度、长度等信息． 图 9 计算障碍物高度 Fig． 9 Calculation of obstacle height 如图 9 所示，障碍物高度 l = h － h·dE dF ( 13) 式中，dE 和 dF 可由式( 12) 得到． ·781·