机器视觉的船体识别对船体船型的准确识别是近海调度管理和海上安全航行的必备条件，鲁棒的船体识别方法可以提高对行驶在海上的船只以及港口停泊管理效率。本文主要研究基于机器视觉的船体识别方法。
实验基于若干种船舶的航拍图像，采用机器视觉处理方法智能化处理的整体解决方案，讨论和研究了图像滤波、平滑和数学形态学处理等图像预处理方法，着重研究船体图像的形状特征，在基于预处理图像的基础上使用Hu不变矩对船体图像进行特征提取，提取的特征之作为分类器输入层特征向量。其中预处理的过程包括图像灰度化，图像去噪以及图像形态学处理。本文采用的是HU不变矩的方法提取图像的形状特征。最后我们使用SVM支持向量机来对船体图像进行分类。其主要过程是将样本库中每一类前一半的样本拿来训练，后一半的样本拿来测试，最终我们对样本的测试识别率达到58.333%。 HM000051
本文是将HU不变矩的特征提取方法和SVM支持向量机的分类方法相结合进行船体识别的。经过本课题的实验，证明我们这种方法是可行的。希望本文对基于机器视觉的船体识别的研究及其应用具有一定的参考价值。
关键词： 特征提取；matlab；HU不变矩 ；SVM支持向量机
图像预处理技术就是在对图像进行正式处理前所做的一系列操作。船只在行驶过程中，由于受到刮风，雨天，雾天以及一些逆光等各种因素的影响，我们在识别船体图像之前要对船体图像进行一些预处理工作。本章所讲的预处理主要包括图像的灰度化，图像的平滑滤波以及图像的形态学处理。由于本次提取的是图像的形状特征，对图像的边缘的平滑程度要求比较高，所以我们采用的是形态学预处理方法。
2.1船体图像灰度化
颜色可分为黑白色和彩色。黑白色指颜色中不包含任何的色彩成分，仅由黑色和白色组成。在RGB颜色模型中，如果R=G=B，则颜色（R, G, B）表示一种黑白颜色；其中R=G=B的值叫做灰度值，所以黑白色又叫做灰度颜色。彩色和灰度之间可以互相转化，由彩色转化为灰度的过程叫做灰度化处理；由灰度化转为彩色的过程称为伪彩色处理。
2.1.1彩色图像灰度化的四种方法
⑴分量法查看完整请+Q:351916072获取
将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。
f1(i,j)=R(i,j) f2(i,j)=G(i,j)f3(i,j)=B(i,j)
其中fk(i,j)(k=1,2,3)为转换后的灰度图像在（i,j）处的灰度值。
⑵最大值法
将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。
f(i,j)=max(R(i,j),G(i,j),B(i,j))
⑶平均值法
将彩色图像中的三分量亮度求平均得到一个灰度值。
f(i,j)=(R(i,j)+G(i,j)+B(i,j)) /3
⑷加权平均法
根据重要性及其它指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。
f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))
2.1.2基于加权平均的船体图像灰度化
对上一小节稍作比较可以发现，以上四种方法对图像进行灰度化的效果并不完全相同，但是由于不同的处理方法对灰度值的选取不同，加权平均法是根据人眼对颜色的敏感程度不同，对RGB分量以不同的系数进行加权平均，得到较为合理的灰度化结果。所以我们采用加权平均法对船体图像进行灰度化预处理。
程序代码以及效果图：
I=imread('样本A.jpg');
J=rgb2gray(I);
subplot(1,2,1),imshow(I),title('样本A');
subplot(1,2,2),imshow(J),title('灰度图');
图2.1 灰度化前后的图像对比
彩色图像包含了大量颜色信息，存储中存在很大的开销外，在处理中也会降低系统的执行速度，并且彩色图像中包含了许多与识别无关的信息。因此，对图像进行灰度化处理，可以加快系统的处理速度。因此我们对船体图像进行灰度化处理，以便后续的特征提取工作。
摘 要 I
ABSTRACT II
第1章 绪论 1
1.1本文研究背景及意义 1
1.2 基于机器视觉图像处理的一般步骤 1
第2章 船体图像预处理 3
2.1船体图像灰度化 3
2.1.1彩色图像灰度化的四种方法 3
2.1.2基于加权平均的船体图像灰度化 4
2.2 船体图像平滑 4
2.2.1基于中值滤波的船体图像滤波 5
2.3 基于数学形态学的船体图像降噪 6
2.3.1 图像的膨胀和腐蚀 6
2.3.2船体图像形态学处理过程 9
第3章 船体图像的特征提取 11
3.1图像形状描述方法和比较 11
3.1.1几种典型的形状特征描述方法 12
3.1.2形状描述方法的比较 13
3.2 运用HU不变矩对图像进行特征提取 13
3.2.1 Hu不变矩基本方法 13
3.2.3 HU不变矩提取船体图像特征 14
第4章 船体图像分类 17
4.1 支持向量机简介 17
4.1.1支持向量机SVM的一般特征 17
4.1.2 SVM线性可分与非线性可分介绍 18
4.1.3 SVM核函数 19
4.1.4 SVM多值分类 20
4.2 SVM的核心思想以及优点 22
4.2.1支持向量机核心思想 22
4.2.2支持向量机方法的几个主要优点 23
第5章 船体识别的仿真与实现 24
5.1 建立样本库 24
5.2 船体图像特征提取 26
5.3 分类器的训练与测试 29
5.4 基于SVM分类实验 30
第6章 总结和展望 32
6.1总结 32
6.2展望 32
参考文献 33
致 谢 35
网友评论