地形图像适配性分析方法、设备及可读存储介质

技术领域

本发明涉及图像分析技术领域，尤其涉及一种地形图像适配性分析方法、设备及可读存储介质。

背景技术

水下地形匹配定位是一种通过高程匹配来获取AUV(Autonomous UnderwaterVehicle，智能水下机器人)位置信息的定位方法，其根据探测设备(例如多波束测深仪、声呐等)实时获取AUV当前位置的地形数据与基准地形数据进行匹配，实现导航与定位。

在上述当前位置的地形数据与基准地形数据进行匹配之前，需要先判断该当前位置的地形数据是否适合与基准地形数据进行匹配，若当前位置的地形数据适合与基准地形数据进行匹配,才进行匹配；若当前位置的地形数据不适合与基准地形数据进行匹配，则需要重新获取当前位置的地形数据并再次判断当前位置的地形数据是否适合与基准地形数据进行匹配，直至确定当前位置的地形数据适合与基准地形数据进行匹配。

对于上述判断过程，目前所采取的手段是先得到水下地形图像，再根据该水下地形图像中的每个像素点的信息来计算用于上述判断过程的判断指标(适配性)，然而水下地形图像中包含的像素点非常多，若通过每个像素点的信息来分析适配性，会造成分析过程复杂度高的问题。

由此可知，目前用于分析水下地形图像的适配性的方法存在分析过程复杂度高的问题。

发明内容

本发明的主要目的在于提供一种地形图像适配性分析方法、设备及可读存储介质，旨在解决现有的分析过程复杂度高的技术问题。

为实现上述目的，本发明提供一种地形图像适配性分析方法，所述地形图像适配性分析方法包括步骤：

获取待分析地形图像；

基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合；

基于所述超像素集合中的超像素分析所述待分析地形图像的适配性；所述适配性用于确定是否将所述待分析地形图像对应的实际地形数据与基准地形数据进行匹配。

可选地，所述获取待分析地形图像，包括：

获取水下地形数据；

基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像。

可选地，所述基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像之前，包括：

对所述水下地形数据进行边缘裁剪，得到裁剪后水下地形数据，以去除所述水下地形数据中的噪声；

所述基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像，包括：

基于预设插值算法对所述裁剪后水下地形数据进行数据转换处理，得到所述待分析地形图像。

可选地，所述基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合之前，包括：

对所述待分析地形图像进行平滑处理，得到平滑后地形图像，以去除所述待分析地形图像中的噪声；

所述基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合，包括：

基于预设图像分割算法对所述平滑后地形图像进行分割处理，得到超像素集合。

可选地，所述平滑后地形图像包含多个像素点，所述基于预设图像分割算法对所述平滑后地形图像进行分割处理，得到超像素集合，包括：

基于预设像素点数量阈值和所述预设图像分割算法，将各所述像素点以预设组合规则组合为若干超像素，得到超像素集合；各所述超像素包含的像素点的数量小于或等于所述预设像素点数量阈值。

可选地，所述基于预设像素点数量阈值和所述预设图像分割算法，将各所述像素点以预设组合规则组合为若干超像素，得到超像素集合，包括：

获取各所述像素点的灰度值；

基于所述灰度值将所述平滑后地形图像分割为若干图像区域；

基于所述预设像素点数量阈值将各所述图像区域中的像素点组合为若干超像素，得到超像素集合。

可选地，所述基于所述超像素集合中的超像素分析所述待分析地形图像的适配性，包括：

遍历所述超像素集合，并分别基于各超像素和各所述超像素对应的相邻超像素生成超像素区域，得到超像素区域集合；

基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析。

可选地，所述基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析，包括：

遍历所述超像素区域集合，计算各所述超像素区域的区域面积比；

遍历各所述超像素区域，计算各所述超像素的灰度值平均值，并基于所述灰度值平均值计算所述待分析地形图像对应的灰度差异熵；

基于所述灰度差异熵和所述区域面积比对所述待分析地形图像进行适配性分析。

此外，为实现上述目的，本发明还提供一种地形图像适配性分析设备，所述地形图像适配性分析设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的地形图像适配性分析程序，所述地形图像适配性分析程序被所述处理器执行时实现如上所述的地形图像适配性分析方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有地形图像适配性分析程序，所述地形图像适配性分析程序被处理器执行时实现如上所述的地形图像适配性分析方法的步骤。

本发明通过获取待分析地形图像；基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合；基于所述超像素集合中的超像素分析所述待分析地形图像的适配性；所述适配性用于确定是否将所述待分析地形图像对应的实际地形数据与基准地形数据进行匹配。实现了通过预设图像分割算法将待分析地形图像分割为若干超像素，该超像素包含多个像素点，并以超像素集合中的超像素为基本单位来分析待分析地形图像的适配性，避免了直接通过像素点来分析待分析地形图像的适配性，从而降低了分析过程的复杂度。

附图说明

图1是本发明地形图像适配性分析方法第一实施例的流程示意图；

图2是本发明实施例方案涉及的水下地形数据的边缘裁剪的效果示意图；

图3a是本发明实施例方案涉及的平滑后地形图像的效果示意图，图3b是本发明实施例方案涉及的分割后的平滑后地形图像的效果示意图；

图4是本发明地形图像适配性分析方法第二实施例的流程示意图；

图5是本发明地形图像适配性分析装置较佳实施例的功能模块示意图；

图6是本发明实施例方案涉及的硬件运行环境的结构示意图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明提供一种地形图像适配性分析方法，参照图1，图1为本发明地形图像适配性分析方法第一实施例的流程示意图。

本发明实施例提供了地形图像适配性分析方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。地形图像适配性分析方法可应用于终端中，该终端包括但不限于个人计算机等，为了便于描述，以下省略执行主体描述地形图像适配性分析方法的各个步骤。地形图像适配性分析方法包括：

步骤S110，获取待分析地形图像。

具体地，获取待分析地形图像，以分析该待分析地形图像。

上述获取待分析地形图像，包括：

步骤a，获取水下地形数据。

具体地，获取水下地形数据，一般地，该水下地形数据通过声呐获取，该水下地形数据反映了水深，可以理解，水深越浅则说明水下障碍物离探测点所在水平面越近；水深越深则说明水下障碍物离探测点所在水平面越远。

需要说明的是，该水下地形数据用于导航与定位，而导航与定位需要数据实时更新，因此，该水下地形数据为实时采集的水下地形数据。

步骤b，基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像。

具体地，通过预设插值算法将该水下地形数据转换为二维灰度地形图像，得到待分析地形图像。其中，预设插值算法包括最近邻插值法、双线性插值法、MATLAB(MatrixLaboratory，矩阵实验室)中的V4插值法等，本实施例采用该MATLAB中的V4插值法。

上述基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像之前，包括：

步骤c，对所述水下地形数据进行边缘裁剪，得到裁剪后水下地形数据，以去除所述水下地形数据中的噪声。

具体地，对水下地形数据进行边缘裁剪，得到裁剪后水下地形数据，即去除获取到的水下地形数据中不重要的部分，该水下地形数据中不重要的部分为水下地形数据中的噪声，以降低边缘噪声数据对适配性分析的结果的影响。

需要说明的是，由声呐获取的水下地形数据一般以矩形的形式呈现，边缘裁剪的过程即裁剪与水下地形数据的中心点之间的距离大于预设裁剪阈值的水下地形数据，该预设裁剪阈值用于确定裁剪后水下地形数据的数据量。例如，参照图2，将该水下地形数据置于直角坐标系，则坐标原点2003为该中心点，虚线框2001内的为获取到的水下地形数据，保留虚线框2002内的点作为裁剪后水下地形数据，并对虚线框2002外的点进行裁剪，即取横坐标在正负4范围内、纵坐标为正负4范围内的点为保留的点作为裁剪后水下地形数据，并对横坐标在正负4范围外或纵坐标为正负4范围外的点进行边缘裁剪。

上述基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像，包括：

步骤b1，基于预设插值算法对所述裁剪后水下地形数据进行数据转换处理，得到所述待分析地形图像。

具体地，基于预设插值算法对裁剪后水下地形数据进行数据转换处理，得到待分析地形图像。其中，预设插值算法为MATLAB中的V4插值法。

步骤S120，基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合。

具体地，基于预设图像分割算法对待分析地形图像进行分割处理，该分割处理基于待分析地形图像中像素点的灰度值和待分析地形图像中的纹理，得到超像素集合，其中，超像素集合包括多个超像素，而每个超像素又由多个像素点组成。其中，预设图像分割算法包括区域生长算法、最大类间方差算法、SLIC(simple linear iterative clustering，简单线性迭代分割)算法等，本实施例采用SLIC算法对待分析地形图像进行分割处理。

上述基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合之前，包括：

步骤d，对所述待分析地形图像进行平滑处理，得到平滑后地形图像，以去除所述待分析地形图像中的噪声。

具体地，对待分析地形图像进行平滑处理，该平滑处理为高斯平滑处理，即去除待分析地形图像中像素点的灰度值与其相邻的像素点的灰度值之间的差值较大的点，例如一像素点的灰度值为150，而其相邻的像素点的灰度值的范围为80-100，则去除该灰度值为150的像素点，可以理解，该像素点相对于其相邻的像素点而言为突出的点(称为跳点，即待分析地形图像中的噪声)，得到平滑后地形图像，以去除分析地形图像中的噪声，从而进一步降低噪声数据对适配性分析的结果的影响。

上述基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合，包括：

步骤e，基于预设图像分割算法对所述平滑后地形图像进行分割处理，得到超像素集合。

具体地，基于预设图像分割算法对平滑后地形图像进行分割处理，得到超像素集合，相对于未经过平滑处理得到的超像素集合，其包含的像素点的数量更少，从而减低了分析过程的复杂度。

上述平滑后地形图像包含多个像素点，上述基于预设图像分割算法对所述平滑后地形图像进行分割处理，得到超像素集合，包括：

步骤e1，基于预设像素点数量阈值和所述预设图像分割算法，将各所述像素点以预设组合规则组合为若干超像素，得到超像素集合；各所述超像素包含的像素点的数量小于或等于所述预设像素点数量阈值。

具体地，基于预设像素点数量阈值和预设图像分割算法为各像素点以预设组合规则进行归类并划分区域，即得到若干超像素，并最终得到超像素集合。其中，预设像素点数量阈值用于确定超像素的大小(超像素所包含的像素点的多少)，各超像素包含的像素点的数量需要小于或等于预设像素点数量阈值。例如在分割时，即使可以划分为同一区域以组成一超像素的像素点，由于该区域内的像素点的数量等于该预设像素点数量阈值，该像素点还是被划分到其他区域，以组合成其他超像素。

上述基于预设像素点数量阈值和所述预设图像分割算法，将各所述像素点以预设组合规则组合为若干超像素，得到超像素集合，包括：

步骤e11，获取各所述像素点的灰度值；

步骤e12，基于所述灰度值将所述平滑后地形图像分割为若干图像区域。

具体地，获取各像素点的灰度值，并基于该灰度值将平滑后地形图像分割为若干图像区域。需要说明的是，通过灰度值可确定各图像区域的边界。例如图像区域A中的像素点的灰度值平均值为50，而图像区域B中的像素点的灰度值平均值为80，则图像区域A与图像区域B的边界为灰度值平均值由50过渡至80区域，可以理解，该边界为人为定义的，可以是图像区域A的一部分、图像区域B的一部分或者是区别于图像区域A或图像区域B而在平滑后地形图像中新增的一部分。

步骤e13，基于所述预设像素点数量阈值将各所述图像区域中的像素点组合为若干超像素，得到超像素集合。

具体地，基于该预设像素点数量阈值将各图像区域中的像素点组合为若干超像素，得到超像素集合。即对图像区域进一步分割，使得进一步分割后的图像区域内的像素点数小于或等于预设像素点数量阈值，进一步分割后的图像区域即为超像素，平滑后地形图像对应的所有超像素即为超像素集合。

例如，参照图3，图3(a)为平滑后地形图像，图3(b)为分割后的平滑后地形图像，即超像素集合。

步骤S130，基于所述超像素集合中的超像素分析所述待分析地形图像的适配性；所述适配性用于确定是否将所述待分析地形图像对应的实际地形数据与基准地形数据进行匹配。

具体地，基于超像素集合分析待分析地形图像的适配性，其中，该适配性用于确定是否将待分析地形图像对应的实际地形数据与基准地形数据进行匹配。

需要说明的是，在确定过程中还需结合用于上述匹配过程的匹配算法来确定该适配性对应的评分是否满足上述匹配要求。例如对于匹配算法1，在适配性对应的评分大于50分时，该评分满足上述匹配要求；而对于匹配算法2，则在适配性对应的评分大于60分时，该评分才满足上述匹配要求。

本实施例通过获取待分析地形图像；基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合；基于所述超像素集合中的超像素分析所述待分析地形图像的适配性；所述适配性用于确定是否将所述待分析地形图像对应的实际地形数据与基准地形数据进行匹配。实现了通过预设图像分割算法将待分析地形图像分割为若干超像素，该超像素包含多个像素点，并以超像素集合中的超像素为基本单位来分析待分析地形图像的适配性，避免了直接通过像素点来分析待分析地形图像的适配性，从而降低了分析过程的复杂度。

进一步地，参照图4，基于上述本发明地形图像适配性分析方法第一实施例，提出第二实施例，所述基于所述超像素集合中的超像素分析所述待分析地形图像的适配性，包括：

步骤S131，遍历所述超像素集合，并分别基于各超像素和各所述超像素对应的相邻超像素生成超像素区域，得到超像素区域集合。

具体地，遍历上述超像素集合，即每次获取一个超像素，并分别基于各超像素和各超像素对应的相邻超像素生成超像素区域，得到超像素区域集合。其中，各超像素均有各自的边界，而在各超像素存在各边界相接的情况时，则互为相邻超像素。可以理解，一超像素区域存在一中心超像素。

步骤S132，基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析。

具体地，基于预设适配性分析算法和上述超像素区域集合对待分析地形图像进行适配性分析，以得到适配性分析结果，并基于该适配性分析结果确定实收将该待分析地形图像对应的实际地形数据与基准地形数据进行匹配。

上述基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析，包括：

步骤f，遍历所述超像素区域集合，计算各所述超像素区域的区域面积比；

步骤g，遍历各所述超像素区域，计算各所述超像素的灰度值平均值，并基于所述灰度值平均值计算所述待分析地形图像对应的灰度差异熵；

步骤h，基于所述灰度差异熵和所述区域面积比对所述待分析地形图像进行适配性分析。

具体地，各超像素的适配性分析的计算公式如下：

其中，g

具体地，遍历超像素区域集合，即每次获取一超像素区域，计算各超像素区域的区域面积比；遍历各超像素区域，计算各超像素的灰度值平均值，并通过该各超像素的灰度值平均值计算各超像素区域的灰度值平均值，通过该各超像素的灰度值平均值和超像素区域的灰度值平均值计算超像素对应的灰度差异熵；通过该灰度差异熵和区域面积比即可对中心超像素进行适配性分析。以此类推，完成所有中心超像素的适配性分析，以完成对待分析地形图像的适配性分析。

需要说明的是，灰度差异熵反映了待分析地形图像的信息量，可以理解，灰度差异熵越大，该超像素与领域超像素的区别性就越大，待分析地形图像的混乱程度就越大，代表待分析地形图像对应的地形变化越大，即地形不规律，则待分析地形图像的信息量越大；区域面积比越大，则待分析地形图像的尺寸越大，而待分析地形图像的尺寸越大则说明待分析地形图像中的水下地形数据越多，则由此得到的适配性分析结果越可靠。根据上述适配性分析的计算公式可知，该计算公式同时考虑了信息量和图像尺寸这两个指标，因此会比仅单独考虑两个指标中的一个得到的适配性分析结果更加准确。

需要说明的是，本实施例将上述灰度差异熵和区域面积比的乘积定义为显著性值，通过将该显著性值作为权值进行超像素的面积的加权求和，得到该超像素的适配性分析评分，该分值越高，则该超像素的适配性越高，相应地，对于待分析地形图像，其适配性分析评分的分值越高，则待分析地形图像的适配性越高。

本实施例通过遍历所述超像素集合，并分别基于各超像素和各所述超像素对应的相邻超像素生成超像素区域，得到超像素区域集合；基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析。实现了通过兼顾待分析地形图像的信息量和图像尺寸的待分析地形图像适配性分析方式，在待分析地形图像适配性分析结果中反映了多方面的特性，使得适配性分析结果更加准确。

此外，本发明还提供一种地形图像适配性分析装置，如图5所示，所述地形图像适配性分析装置包括：

获取模块10，用于获取待分析地形图像；

分割模块20，用于基于预设图像分割算法对所述待分析地形图像进行分割处理，得到超像素集合；所述超像素集合包含多个超像素；各所述超像素包含多个像素点；

分析模块30，用于基于所述超像素集合中的超像素分析所述待分析地形图像的适配性。

进一步地，所述获取模块10包括：

获取子模块，用于获取水下地形数据；

数据转换子模块，用于基于预设插值算法对所述水下地形数据进行数据转换处理，得到所述待分析地形图像。

进一步地，所述获取模块10还包括：

边缘裁剪子模块，用于对所述水下地形数据进行边缘裁剪，得到裁剪后水下地形数据；

所述数据转换子模块包括：

数据转换单元，用于基于预设插值算法对所述裁剪后水下地形数据进行数据转换处理，得到所述待分析地形图像。

进一步地，所述地形图像适配性分析装置还包括：

平滑模块，用于对所述待分析地形图像进行平滑处理，得到平滑后地形图像；

所述分割模块20包括：

分割子模块，用于基于预设图像分割算法对所述平滑后地形图像进行分割处理，得到超像素集合。

进一步地，所述分割单元包括：

组合单元，用于基于预设像素点数量阈值和所述预设图像分割算法，将各所述像素点以预设组合规则组合为若干超像素，得到超像素集合。

进一步地，所述组合单元包括：

获取子单元，用于获取各所述像素点的灰度值；

分割子单元，用于基于所述灰度值将所述平滑后地形图像分割为若干图像区域；

组合子单元，用于基于所述预设像素点数量阈值将各所述图像区域中的像素点组合为若干超像素，得到超像素集合。

进一步地，所述分析模块30包括：

遍历子模块，用于遍历所述超像素集合，并分别基于各超像素和各所述超像素对应的相邻超像素生成超像素区域，得到超像素区域集合；

分析子模块，用于基于预设适配性分析算法和所述超像素区域集合对所述待分析地形图像进行适配性分析。

进一步地，所述分析子模块包括：

遍历单元，用于遍历所述超像素区域集合；

计算单元，用于计算各所述超像素区域的区域面积比；

所述遍历单元还用于遍历各所述超像素区域；

所述计算单元还用于计算各所述超像素的灰度值平均值，并基于所述灰度值平均值计算所述待分析地形图像对应的灰度差异熵；

分析单元，用于基于所述灰度差异熵和所述区域面积比对所述待分析地形图像进行适配性分析。

本发明地形图像适配性分析装置具体实施方式与上述地形图像适配性分析方法各实施例基本相同，在此不再赘述。

此外，本发明还提供一种地形图像适配性分析设备。如图6所示，图6是本发明实施例方案涉及的硬件运行环境的结构示意图。

需要说明的是，图6即可为地形图像适配性分析设备的硬件运行环境的结构示意图。

如图6所示，该地形图像适配性分析设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，地形图像适配性分析设备还可以包括RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。

本领域技术人员可以理解，图6中示出的地形图像适配性分析设备结构并不构成对地形图像适配性分析设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及地形图像适配性分析程序。其中，操作系统是管理和控制地形图像适配性分析设备硬件和软件资源的程序，支持地形图像适配性分析程序以及其它软件或程序的运行。

在图6所示的地形图像适配性分析设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的水下地形数据；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的地形图像适配性分析程序，并执行如上所述的地形图像适配性分析方法的步骤。

本发明地形图像适配性分析设备具体实施方式与上述地形图像适配性分析方法各实施例基本相同，在此不再赘述。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有地形图像适配性分析程序，所述地形图像适配性分析程序被处理器执行时实现如上所述的地形图像适配性分析方法的步骤。

本发明计算机可读存储介质具体实施方式与上述地形图像适配性分析方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。