0 引言

近年来，无人水面艇在民用科考以及军事应用等领域发挥着越来越重要的作用^[1-2]。无人水面艇需要在无人干预的情况下自主航行并完成各种任务，所以必须具备对水面环境及其中的各类目标实现完全自主的感知和理解能力。现有无人水面艇配备雷达、摄像机、红外成像仪等传感器获取一定范围内的环境和目标信息。其中，摄像机以其具有分辨力强、获取信息丰富、工艺成熟、成本较低等优势，成为无人水面艇对环境感知的重要传感器之一^[3]。

现有的无人艇视觉研究大都基于海面环境，而无人艇在内陆河流的应用有着广阔的前景。在无人水面艇采集的水面环境图像中，内陆河流的水岸线相当于海面环境所检测的水天线，具有重要意义：1)利用水岸线可以进行图像分区，发现水面区域；2)可以进行避障导航；3)可以进行无人艇的运动状态估计。

水岸线与水天线相似，关于水天线的研究文献较多，根据实现方式和手段的不同，本文将其分为基于像素显著性方法^[4-7]、变换域方法^[8-9]和信息熵^[10-11]，如图 1所示。基于像素显著性方法，主要是在空域进行处理，对图像进行边缘检测、映射直方图、基于纹理特征等。变换域处理是将原图像变换到相应的变换域，然后在相应的变换域对图像进行处理，处理完后再将图像从变换域反变换到空域，得到处理结果, 这与前一类方法相比计算复杂。基于信息熵的检测方法通过寻找最高能量线信息检测水天线，其缺点是易受干扰形成伪轮廓。

图 1 水天线检测分类

Fig. 1 Sea-sky-line detection classification

目前已有的水天线检测方法应用在海天背景时，基本都可以取得较好的提取效果且可靠性较高，不同的算法之间的区别在于算法的实时性和硬件实现的难易程度。水天线的检测最终可归结于对图像场景中直线特征的提取问题，因此上述方法多数要结合Hough变换或Randon变换来完成。

本文设计的“海搏”无人水面艇，如图 2所示，前期已实现基于GPS的路径跟踪导航，为了实现自主避障，配备有双目摄像机，在海面环境已实现水天线检测^[12]，目前正拓展内河应用。在将上述水天线检测方法应用于内陆河流水岸线检测时，却不能对水岸线进行有效的提取。原因在于：在水天线检测中，主要是提取天空区域，而天空区域变化缓慢，受环境干扰小，水天线的梯度明显。而在内陆河流背景中，水岸线的检测受到天空、水面、水波、陆地树草和建筑物等环境干扰大，并且这些干扰的边缘强度一般都不弱于水岸线的梯度，而且水岸线形状的不确定性导致无法使用直线特征提取。正因为两种图像背景和检测目标不同，所以使用检测水天线的方法来检测内陆河流的水岸线都不能取得理想的效果。鉴于此，经过分析，借鉴人眼视觉感知特点，本文提出结合HSV空间的水面图像特征水岸线检测方法。

图 2 “海搏”无人水面艇

Fig. 2 Unmanned surface vehicle "HaiBo"

1 HSV空间水面图像特征分析

RGB颜色空间是基于人类视觉的三原色(红、绿、蓝)理论建立的颜色空间，但三原色是一种不均匀的颜色空间，三个分量的相关性高，两种颜色之间的感觉差异不能用颜色空间中两点之间的距离来表示，因此应用在图像分割和分析上难度较大。而HSV(Hue, Saturation, Value即色调、饱和度和亮度)颜色空间是一种均匀的颜色空间，与人的主观视觉感知相匹配^[13]，能够更好地反应人眼对颜色的观察。HSV颜色空间消除了3个分量的相关性，有利于图像处理。

RGB彩色图像转换到HSV空间的变换关系如下^[14]：

色调

$ H = \left\{ \begin{array}{l} \theta \;\;\;\;\;\;\;\;\;G \ge B\\ 2{\rm{\pi - }}\theta \;\;G \ge B \end{array} \right. $

(1)

式中

$ \theta = {\cos ^{- 1}}\left[{\frac{{\frac{1}{2}[(\mathit{R}{\rm{-}}\mathit{G}) + (\mathit{R-B})]}}{{\sqrt {{{(\mathit{R}{\rm{ -}}\mathit{G})}^2} + (\mathit{R -B})(\mathit{G -B})} }}} \right] $

(2)

亮度分量

$ V = \frac{1}{{\sqrt 3 }}[\mathit{R}{\rm{ + }}\mathit{G}{\rm{ + }}\mathit{B}] $

(3)

饱和度

$ \mathit{S}{\rm{ = 1-}}\frac{{3\min (\mathit{R, G, B})}}{{R{\rm{ + }}G{\rm{ + }}B}} $

(4)

式中，$R$，$G$，$B$分别为RGB颜色空间中像素点的像素值，归一化后其范围为$R$, $G$, $B$∈[0, 1]，转换后，$H$∈[0, 2π]，$S$∈[0, 1]，$V$∈[0, 1]。

RGB彩色图像转换到HSV空间的各个分量变换效果如图 3所示。

图 3 HSV分量图

Fig. 3 HSV component diagram

(a) RGB image; (b) hue image; (c) saturation image; (d) value image

分析发现在光照充足时，色调图像中的天空和水面的纹理被抑制；饱和度图像中陆地区域的饱和度值明显高于水面和天空区域；在亮度图像中，陆地区域较暗。

为了检验上述图像分析结果，选取了不同季节、不同光照复杂环境进行对比，如图 4所示。在光照充足时，图像色彩丰富，色调图像中的水面与天空中的纹理被抑制, 但不能提供清晰的水岸线；通过对比多幅饱和度图像，在不同光照条件下，陆地区域的饱和度值均高于天空和水面区域，水岸线轮廓清晰完整，受光照条件变化影响小。在光照条件较弱时，色彩信息无法使用，但在亮度图像中，陆地区域相对其他区域较暗但仍然存在水岸线轮廓特征。基于这一分析结果，我们提出结合HSV空间的水面图像特征水岸线检测方法。

图 4 HSV分量图

Fig. 4 component diagram

(a) RGB image; (b) hue image; (c) saturation image; (d) value image

2 水岸线检测方法

2.1 算法流程

基于上述HSV空间图像分析，我们提出结合HSV空间的水面图像特征水岸线检测方法，如图 5所示：由摄像机采集水面图像，经过高斯滤波后，再转换到HSV空间；依据图像的亮度不同对图像进行不同方式增强，便于区域分割；再由饱和度图像提取高饱和度值的陆地区域，将陆地区域与区域分割图像重叠，提取出区域分割中的陆地区域；最后经过边缘检测算子，并去除最上面的天空与陆地的交会线，得到最终的水岸线。

图 5 水岸线检测流程

Fig. 5 Shoreline detection process

2.2 具体步骤

2.2.1 图像增强

2.2.2 区域分割

在图像增强的基础上，采用分水岭算法进行区域分割^[15]，结果如图 6所示。

图 6 区域分割图

Fig. 6 Area segmentation image

(a) RGB image; (b) binary image; (c) region segmentation mark; (d) region segmentation color image

陆地区域连接天空区域与水面区域，其分割结果的好坏直接关系到后期水岸线检测效果。在图 6中，经过图像增强处理后得到的二值图像，再经过分水岭算法得到区域分割图像，可以看出经过增强处理后的图像能够有效的进行区域分割。

将分割后的图像定义为基底图像${B_k}$，作为候选区域。

$ \begin{array}{l} {B_{k(\mathit{ij})}} = \left\{ \begin{array}{l} 0\;\;{B_{k(\mathit{ij})}} \notin \;该区域分割标记\\ 1\;\;{B_{k(\mathit{ij})}} \notin \;该区域分割标记 \end{array} \right.\\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;k = 1, \cdots, n \end{array} $

(8)

式中，${B_k}$为基底图像，其尺寸与原图像尺寸相同，n为区域分割的数量。

2.2.3 映射变换

在饱和度图像中，水面与天空的饱和度低，而陆地的饱和度较高，陆地与水面相交处饱和度值出现阶跃变化，而阶跃点位置即为水岸线位置，因此通过将饱和度图像的每一列(行)抽取出来，通过寻找高饱和度值所在位置确定陆地区域的位置。本文设置的列映射变换自适应阈值为

$ th{r_j} = \frac{1}{{2M}}\sum\limits_{i = 1}^N {{f_j} + \frac{1}{4}[{\rm{max}}({\mathit{f}_j}) + {\rm{min}}({\mathit{f}_j})]} $

(9)

列映射变换

$ {f_{ij}} = \left\{ \begin{array}{l} 0\;\;{f_{ij}} < th{r_j}\\ 1\;\;{f_{ij}} \ge th{r_j} \end{array} \right. $

(10)

通过自适应阈值$th{r_j}$对图像的每列进行提取，然后以相同的方式再进行行提取，将它们分别同二值图像进行与运算去除误检测点，将处理后的图像相加，结果如图 7所示。

图 7 图像映射变换提取

Fig. 7 Image mapping transform extraction

(a) saturation image; (b) line-row mapping image

通过设置自适应阈值的行列映射变换，得到陆地区域图像。实验结果表明：该方式可以有效提取出陆地区域轮廓，大部分干扰被抑制，但是河岸部分细节丢失严重。因此，本文将行列映射图像定义为模板$T$，作为基底图像进行区域选取的重要参考因素。

2.2.4 区域选取

图像区域选取目的是将基底图像${B_k}$中的陆地区域完整提取。由于水面波纹和反光等干扰因素，图像局部非陆地区域呈现高饱和度近似于陆地特征，进而在图像映射变换时，将其误检测，为了将该部分剔除，设定了重叠面积阈值$Th{r_2}$，本文设定的重叠面积阈值为2.5%。将模板$T$覆盖在基底图像${B_k}$上，计算重叠区域面积占各区域面积比例${P_k}$，当${P_k}$大于重叠面积阈值 $Th{r_2}$时，该区域被选中。

$ {P_k} = \frac{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {({\mathit{B}_{k(\mathit{ij})}}\& {\mathit{T}_{ij}})} } }}{{\sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{B_{k(\mathit{ij})}}} } }};k = 1, \cdots, n $

(11)

式中，$n$为区域分割的数量，当${P_k}$大于重叠面积阈值$Th{r_2}$时则该区域被选中，将被选中的区域叠加，即为最终提取的陆地区域，结果如图 8所示。

图 8 区域选取图

Fig. 8 Region select image

(a) saturation image; (b) region segmentation image; (c) mapping transformation image; (d) land area image

实验结果表明，通过该方法能够有效去除天空和水面等干扰因素区域，保留较为完整的陆地区域。

2.2.5 水岸线检测

在区域选取图像中，河岸边缘轮廓较为明显，通过经典边缘检测Canny算子^[16]进行水岸线检测，并去除最上边的陆地与天空的交界线，结果如图 9所示。

图 9 水岸线检测图

Fig. 9 Shoreline detection image

(a) RGB image; (b) shoreline image

实验结果表明：通过使用Canny边缘检测算子能够有效的检测出水岸线，而且水岸线的轮廓清晰完整。

3 测试实验

为验证本文方法的有效性，采集了不同角度不同光照条件下的图像进行测试，本文列出部分实验处理结果，即一些典型光照条件下的检测效果，如图 10所示。

图 10 水岸线检测

Fig. 10 Shoreline detection

在图 10(a)(b)分别选取了春季和秋季正午的时候，检测到的水岸线轮廓清晰完整；图 10(c)(d)选取在下午光照较弱的时候，此时的水面图像背景复杂，但检测出的水岸线仍然精准；图 10(e)(f)选取了水面反光图像进行比对实验，检测结果表明，本文方法能够有效去除水面反光干扰；图 10(g)(h)选取了夕阳下光照偏红的时候，水岸线检测效果表明本文方法不受偏光影响；图 10(i)(j)选取有太阳倒影的时候，实验结果显示本文的方法可以去除水面太阳倒影，抗干扰性强。综上实验结果表明，该方法可以有效地检测出水岸线。

在实时性测试中，图 10(a)—(j)在方法1的情况下进行水岸线检测，选取图像尺寸为120×160像素时，平均处理时间为0.969 162 s，可达到1帧/s；在同样条件下使用方法2进行水岸线检测，平均处理时间为3.409 550 s，处理速度较慢。

在区域增强处理中，两种方法的选取依据实际需要侧重点不同，方法1的优势是可以快速的处理图像，对无人艇拍摄的水面图像能够到达1帧/S的处理速度，方法2的优势是不需要人工设定阈值。

4 结论

参考文献

[1] Li J L. Development and application of unmanned surface vehicle[J]. Fire Control & Command Control, 2012, 37(6): 203–207. [李家良. 水面无人艇发展与应用[J]. 火力与指挥控制, 2012, 37(6): 203–207. ] [DOI:10.3969/j.issn.1002-0640.2012.06.053]
[2] Zhou H G, Ma A M, Xia L. A Research on the development of the unmanned surface vehicles[J]. National Defense Science & Technology, 2009, 30(6): 17–20. [周洪光, 马爱民, 夏朗. 无人水面艇航行器发展[J]. 国防科技, 2009, 30(6): 17–20. ] [DOI:10.3969/j.issn.1671-4547.2009.06.005]
[3] Wang B, Su Y M, Wan L, et al. Sea sky line detection method of unmanned surface vehicle based on gradient saliency[J]. Acta Optica Sinica, 2016, 36(5): #0511002. [王博, 苏玉民, 万磊, 等. 基于梯度显著性的水面无人艇的海天线检测方法[J]. 光学学报, 2016, 36(5): #0511002. ]
[4] Jing H, Chen X Q, Gu Z W. A method for coastline extraction based on edges[J]. Computer Simulation, 2006, 23(8): 89–93, 101. [荆浩, 陈学佺, 顾志伟. 一种基于边缘特征的海岸线检测方法[J]. 计算机仿真, 2006, 23(8): 89–93, 101. ] [DOI:10.3969/j.issn.1006-9348.2006.08.026]
[5] Jiang C L, Jiang H H, Zhang C L, et al. A new method of sea-sky-line detection[C]//The Third International Symposium on Intelligent Information Technology and Security Informatics. Jinggangshan: IEEE, 2010: 740-743. [DOI:10.1109/ⅡTSI.2010.147]
[6] Wang X B, Yong Y, Huo Y H, et al. Sea-sky-line detection algorithm based on texture analysis[J]. Infrared Technology, 2013, 35(1): 42–46. [王兵学, 雍杨, 霍义华, 等. 基于纹理特征分析的海天线检测方法[J]. 红外技术, 2013, 35(1): 42–46. ]
[7] Liu J Y, Chen J B, Wang Z H, et al. Sea-sky line detection based on superpixel classification[J]. Metrology & Measurement Technique, 2017, 44(3): 104–106, 109. [刘靖逸, 陈金波, 王志恒, 等. 基于超像素分类的海天线检测方法[J]. 计量与测试技术, 2017, 44(3): 104–106, 109. ] [DOI:10.15988/j.cnki.1004-6941.2017.03.051]
[8] Pei L L, Shi Z L, Luo H B. Detection of sea-level based on wavelet multi-scale analysis[J]. Journal of Shenyang University of Technology, 2003, 25(2): 125–128. [裴立力, 史泽林, 罗海波. 一种基于小波多尺度分析的水天线检测方法[J]. 沈阳工业大学学报, 2003, 25(2): 125–128. ] [DOI:10.3969/j.issn.1000-1646.2003.02.011]
[9] Shi W J, Wu Z C, Liu X H, et al. Sky-sea line extraction based on energy accumulation & Gabor transform in low contrast conditions[J]. Infrared Technology, 2010, 32(5): 283–287. [石文君, 吴中川, 刘晓红, 等. 低对比度条件下基于能量积累和Gabor变换的海天线提取[J]. 红外技术, 2010, 32(5): 283–287. ] [DOI:10.3969/j.issn.1001-8891.2010.05.008]
[10] Yang L. Study on infrared small target detection and tracking algorithm under complex backgrounds[D]. Shanghai: Shanghai Jiao Tong University, 2006. [杨磊. 复杂背景条件下的红外小目标检测与跟踪算法研究[D]. 上海: 上海交通大学, 2006.]
[11] Liang S H, Wu W, Li B, et al. Sea-sky-line detection algorithm based on Seam Carving[J]. Infrared and Laser Engineering, 2013, 42(10): 2817–2821. [梁世花, 吴巍, 李波, 等. 基于Seam Carving的海天线检测算法[J]. 红外与激光工程, 2013, 42(10): 2817–2821. ] [DOI:10.3969/j.issn.1007-2276.2013.10.041]
[12] Xiong Y Z, Wang J H. Acquiring environmental condition for unmanned surface vehicle using skyline information[J]. Journal of Shanghai Dianji University, 2015, 18(4): 238–243. [熊亚洲, 王建华. 一种利用天水线感知无人水面艇运行环境的方法[J]. 上海电机学院学报, 2015, 18(4): 238–243. ] [DOI:10.3969/j.issn.2095-0020.2015.04.009]
[13] Leng M P, Bao S S. Color image segmentation algorithm based on hue level histogram and region merging[J]. Journal of Computer Applications, 2010, 30(3): 653–656. [冷美萍, 鲍苏苏. 基于色调直方图和区域合并的彩色图像分割算法[J]. 计算机应用, 2010, 30(3): 653–656. ] [DOI:10.3724/SP.J.1087.2010.00653]
[14] Jiang L C, Shen G Q, Zhang G X. An image retrieval algorithm based on HSV color segment histograms[J]. Mechanical & Electrical Engineering Magazine, 2009, 26(11): 54–57. [姜兰池, 沈国强, 张国煊. 基于HSV分块颜色直方图的图像检索算法[J]. 机电工程, 2009, 26(11): 54–57. ] [DOI:10.3969/j.issn.1001-4551.2009.11.016]
[15] Bieniek A, Moga A. An efficient watershed algorithm based on connected components[J]. Pattern Recognition, 2000, 33(6): 907–916. [DOI:10.1016/S0031-3203(99)00154-5]
[16] Canny J. A computational approach to edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, PAMI-8(6): 679–698. [DOI:10.1109/TPAMI.1986.4767851]