姜苗苗 史國友 許拴梅 江行 張恒

摘要：針對內(nèi)河船舶監(jiān)管過程中對船舶干舷的測量還需人工巡航，增加了海事部門管理成本問題，提出一種不借助船舶水尺標(biāo)志檢測船舶干舷的方法。對采集的圖像進(jìn)行中值濾波預(yù)處理，去除孤立點、降低噪聲敏感性;考慮圖像顏色特性，應(yīng)用自適應(yīng)K均值聚類算法識別船舶區(qū)域;聯(lián)合Canny邊緣檢測和霍夫直線檢測的方法，標(biāo)記船舶吃水線和甲板邊線，并利用數(shù)學(xué)形態(tài)學(xué)方法提高檢測準(zhǔn)確性;基于標(biāo)定相機(jī)和雙目測距原理建立圖像坐標(biāo)與世界坐標(biāo)轉(zhuǎn)換關(guān)系，找到甲板中間位置，取其與水面的距離作為船舶實際干舷值。用相機(jī)拍攝內(nèi)河船舶進(jìn)行檢測，結(jié)果表明，該方法可以對內(nèi)河船舶的吃水線和船舷線進(jìn)行檢測并計算干舷值，用于判斷船舶是否超載并及時發(fā)出預(yù)警，滿足海事部門的監(jiān)管需求。

關(guān)鍵詞： 船舶干舷; 自適應(yīng)K均值聚類; Canny邊緣檢測; 霍夫變換

中圖分類號： U698.3;TP391.4

文獻(xiàn)標(biāo)志碼： A

收稿日期： 2020-05-31

修回日期： 2020-09-23

基金項目： 國家自然科學(xué)基金（51579025）;中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金（3132020134，3132020139）

作者簡介：

姜苗苗（1995—），女，山東菏澤人，碩士研究生，研究方向為交通運(yùn)輸工程，（E-mail）jiangmiaomiao2010@qq.com;

史國友（1968—），男，安徽桐城人，教授，博士，研究方向為航海科學(xué)技術(shù)安全保障、船舶智能避碰，（E-mail）sgydmu@dlmu.edu.cn

Ship freeboard visual detection based on adaptive

K-means clustering and Hough transform

JIANG Miaomiaoa，b， SHI Guoyoua，b， XU Shuanmeia，b，

JIANG Xinga，b， ZHANG Henga，b

（a.Navigation College; b.Key Laboratory of Navigation Safety Guarantee of Liaoning Province，

Dalian Maritime University， Dalian 116026， Liaoning， China）

Abstract：

In view of the problem that the measurement of ship freeboard needs manual cruise in the process of inland river ship supervision， which increases the management cost of maritime departments， a method of detecting ship freeboard without the aid of ship water gauge marks is put forward. The collected image is preprocessed by the median filter to remove isolated points and reduce noise sensitivity; considering the image color characteristic， the adaptive K-means clustering algorithm is adopted to identify the ship area; the Canny edge detection and Hough line detection are combined to mark the waterline and deck edge of the ship， and the mathematical morphology method is used to improve the detection accuracy. The transformation relationship between the image coordinate and the world coordinate is established based on the calibration camera and the principle of binocular ranging to find the middle position of the deck， and the distance between the middle position of the deck and the water surface is taken as the actual freeboard value of the ship. Using the cameras to shoot inland ships for inspection， the results show that this method can detect the waterline and the side line of an inland ship and calculate the

freeboard value， which can be used to judge whether a ship is overloaded and give early warning in time， and meets the supervision needs of maritime departments.

Key words：

ship freeboard; adaptive K-means clustering; Canny edge detection; Hough transform

0 引 言

近年來，我國航運(yùn)業(yè)持續(xù)處于低迷狀態(tài)。為減少運(yùn)輸成本、謀取最大利益，船舶經(jīng)營人不顧安全追求利潤，造成內(nèi)河船舶運(yùn)輸超載、超吃水現(xiàn)象越來越嚴(yán)重，給水上交通安全及生態(tài)環(huán)境帶來嚴(yán)重威脅。往年統(tǒng)計數(shù)據(jù)顯示，舟山海域2017年有3起自沉事故都與超吃水有關(guān)，2019年因超載被江蘇海事局查處而滯留的船舶在所有滯留的船舶中占比近40%。因此，急需對船舶載重狀態(tài)進(jìn)行規(guī)范化管理。為貫徹落實交通強(qiáng)國建設(shè)戰(zhàn)略部署，2020年5月29日發(fā)布的《交通運(yùn)輸部關(guān)于印發(fā)〈內(nèi)河航運(yùn)發(fā)展綱要〉的通知》指出，到2035年基本建成人民滿意、保障有力、世界前列的現(xiàn)代化內(nèi)河航運(yùn)體系，到2050年全面建成人民滿意、保障有力、世界前列的現(xiàn)代化內(nèi)河航運(yùn)體系的發(fā)展目標(biāo)。

水尺計量是在當(dāng)今內(nèi)河船舶監(jiān)管中計算船舶吃水和判斷船舶狀態(tài)的重要方法之一。隨著人工智能和計算機(jī)視覺的發(fā)展，視頻監(jiān)測因其具有監(jiān)測設(shè)備安裝簡便、監(jiān)測視野開闊、獲取信息全面且方便等優(yōu)點，已經(jīng)被廣泛應(yīng)用于智能交通方面。彭將輝等[1]采用融合數(shù)學(xué)形態(tài)學(xué)與Canny算子的算法先檢測吃水線，再根據(jù)水面邊緣線與水跡線之間的相對最小距離是否變化獲得準(zhǔn)確吃水線。劉仁金等[2]運(yùn)用紋理譜的相關(guān)知識對船舶水尺圖像進(jìn)行分割，獲取船舶吃水值。以上兩種船舶吃水線檢測方法都是針對只包含水尺線和水面的圖像的。借助機(jī)器視覺和圖像處理方法，王炎龍等[3]提出一種基于類Haar特征和Gentle AdaBoost算法的吃水線檢測方法，根據(jù)像素分布規(guī)律找到船舷線，但船舶干舷值計算結(jié)果會受到吃水線附近干擾的影響。趙永富等[4]基于激光傳感器掃描船舶，重構(gòu)三維立體模型，測算船舶干舷高度。閆寒香[5]基于激光傳感器技術(shù)處理并提取船舶甲板位置數(shù)據(jù)，檢測計算出干舷高度。

鑒于傳統(tǒng)邊緣檢測算法去噪能力差、邊緣檢測效果不理想，且在船舶磨損、破舊以及攝像頭角度有偏差的情況下得到的視頻圖像中可能沒有水尺線，想要通過水尺刻度檢測船舶狀態(tài)有些困難的現(xiàn)狀，本文提出一種不借助船舶水尺標(biāo)志檢測船舶干舷的方法。先采用自適應(yīng)K均值聚類算法找到船舶區(qū)域;再通過改進(jìn)Canny算法進(jìn)行邊緣檢測描繪出船舶輪廓;最后利用霍夫變換檢測出船舶吃水線和船舷線，結(jié)合雙目測距原理計算干舷值。具體算法流程見圖1。

1 自適應(yīng)K均值聚類算法

從具有復(fù)雜水天背景的船舶圖像中提取船舶特征時，因為船舶周圍雜波噪聲較多，船舶邊緣檢測效果可能不佳。如果對圖像進(jìn)行中值濾波預(yù)處理，對某些類型的隨機(jī)噪聲進(jìn)行降噪，則可以較好地保存邊界信息，同時使船舶邊緣更加清晰。

1.1 中值濾波

中值濾波就是對滑動窗口（含有奇數(shù)點）內(nèi)的所有像素灰度值進(jìn)行排序，用中值代替該點像素值，以實現(xiàn)噪聲抑制。為獲得較好的聚類效果，用中值濾波對樣本圖像進(jìn)行預(yù)處理，以達(dá)到去除孤立點、降低噪聲敏感性的效果。

1.2 顏色特征提取

Lab顏色模型具有不依賴設(shè)備、色域?qū)拸V的優(yōu)點，理論上包括人眼能看到的所有顏色。選用Lab顏色模型通過水面區(qū)域視覺特征量化來感知船舶目標(biāo)在圖像中的位置，從而使聚類分割效果更好。由于圖片像素點的RGB空間顏色不能直接轉(zhuǎn)換到Lab顏色模型中，需要借助XYZ假原色色度空間轉(zhuǎn)換到Lab空間。RGB與XYZ空間的關(guān)系如下：

TrTgTb=

0.412 40.357 60.180 5

0.212 60.715 20.072 2

0.019 30.119 20.950 5

RGB

式中：R、G和B分別為圖像紅色、綠色和藍(lán)色三通道值，取值范圍為[0，255];Tr、Tg和Tb分別為RGB空間中紅色、綠色和藍(lán)色三色刺激值。為使Tr、Tg、Tb與R、G、B有相同的取值范圍[0，255]，借助XYZ空間將顏色轉(zhuǎn)換到Lab空間：

L=116f（Tg）-16

a=500f（Tr/0.95-Tg）

b=200f（Tg-Tb/1.09）

f（t）=

t1/3， t>6293

132962t+429， 其他

式中：L為Lab空間的像素亮度;a和b分別為Lab空間像素紅綠色和黃藍(lán)色色度值。

1.3 船舶目標(biāo)區(qū)域分割

水天線將船舶目標(biāo)分成兩部分。構(gòu)建一種自動確定聚類數(shù)量K和初始聚類中心的自適應(yīng)K均值聚類算法[6-7]，在不同參數(shù)下對水面、船舶目標(biāo)、天空顏色特征進(jìn)行分割，以歐氏距離作為樣本數(shù)據(jù)間相似性度量標(biāo)準(zhǔn)，通過迭代過程把不同顏色特征的數(shù)據(jù)劃分為不同類別的數(shù)據(jù)集，使準(zhǔn)則函數(shù)達(dá)到最優(yōu)，圖片分割區(qū)域船舶目標(biāo)更突出。

1.3.1 聚類數(shù)量和初始聚類中心確定

完成Lab空間轉(zhuǎn)換的圖像，在二維的a、b通道建立圖像像素點作為樣本。假設(shè)給定數(shù)據(jù)集X={

x1，x2，…，xn}，其中n為樣本數(shù)量（即像素點數(shù)），圖像像素點xi與xj（i，j=1，2，…，n）之間的相似性用兩者之間的歐氏距離[8]d（i，j）表示：

d（i，j）=xi-xj

為自適應(yīng)確定聚類數(shù)量和聚類中心，計算像素點間的臨界距離d1：

d1=2n（n-1）ni=1nj=i+1d（i，j）

d（i，j）越小，像素點xi與xj越相似，像素顏色越相近;d（i，j）越大，

像素點xi與xj差異越大，像素顏色差別越大。以每個像素點為中心點，以d1為臨界距離對像素點進(jìn)行分組，得出每組像素點的數(shù)量。設(shè)包含像素點最多的組的中心像素點為第一聚類中心;若組內(nèi)像素點數(shù)量次多且該組中心像素點與第一聚類中心間的距離大于2d1，則設(shè)該組中心像素點為第二聚類中心;以此類推，自適應(yīng)生成聚類數(shù)量和聚類中心。

1.3.2 聚類模型預(yù)測結(jié)果評價

自適應(yīng)K均值聚類算法選擇誤差平方和作為準(zhǔn)則函數(shù)，評價聚類收斂性優(yōu)劣。給定數(shù)據(jù)集X，假設(shè)在確定聚類數(shù)量和聚類中心后，X包含ao個聚類子集X1，X2，…，Xao，各聚類子集中的樣本數(shù)量分別為q1，q2，…，qao，各聚類簇中均值代表點分別為v1，v2，…，vao，則誤差平方和準(zhǔn)則函數(shù)計算式為

E=aou=1p∈Xu

p-vu2

計算樣本數(shù)據(jù)與選取的各聚類中心的距離，將數(shù)據(jù)分配到距離其最近的聚類簇中。子集中的均值為新的聚類中心，重新計算樣本數(shù)據(jù)與各聚類中心的距離，對樣本數(shù)據(jù)進(jìn)行新一輪的聚類，直到新的聚類中心趨于穩(wěn)定。當(dāng)準(zhǔn)則函數(shù)值與上一輪的準(zhǔn)則函數(shù)值相差某一設(shè)定值時迭代過程結(jié)束。最終目標(biāo)是在內(nèi)河船舶圖像中定位與提取船舶目標(biāo)區(qū)域，消除水波對船舶邊緣檢測的影響。

2 霍夫直線檢測

2.1 Canny邊緣檢測

傳統(tǒng)的邊緣檢測算法有Roberts、Prewitt、Sobel[9]等，但這些算法沒有充分利用邊緣梯度方向。Canny邊緣檢測[10]采用插值法擬合梯度方向的邊緣強(qiáng)度，能更好地去除噪聲，保留圖像邊緣信息。Canny邊緣檢測的算法步驟如下：

（1）高斯平滑濾波卷積降噪。Canny邊緣檢測是一階微分算子邊緣檢測，對噪聲敏感，故選用5×5的高斯濾波器先對圖像平滑去噪。高斯函數(shù)為

H（x，y）=12πδ2exp-x2+y22δ2

式中：δ是高斯函數(shù)二項分布的標(biāo)準(zhǔn)差。若原始圖像為f（x，y），則濾波平滑后的輸出圖像為

G（x，y）=f（x，y）H（x，y）

式中：“”代表卷積運(yùn)算。

（2）運(yùn)用Sobel算子平滑后計算梯度幅值和方向角。基于卷積運(yùn)算的邊緣檢測算法[11]，比如Sobel、Prewitt等，只是對邊緣強(qiáng)度做簡單的歸一化處理，沒有利用梯度方向計算每個位置的梯度角，輸出邊緣二值圖。Canny邊緣檢測利用原始圖像I分別與Sobel算子水平方向上的卷積核

hSobel=10-1

20-2

10-1

和垂直方向上的卷積核

eSobel=121

000

-12-1

卷積，得到各位置水平方向卷積值h和垂直方向卷積值e：

h=IhSobel， e=IeSobel

利用h和e計算邊緣強(qiáng)度w：

w=h2+e2

計算梯度方向g：

g=arctan 2（h，e）

即對每一個位置（r，s），g（r，s）=arctan 2（h（r，s），e（r，s））。

（3）非極大值抑制處理。梯度幅值應(yīng)用非極大值抑制[12]在鄰域內(nèi)定位出梯度方向上的鄰域，通過比較鄰域的值找出圖像梯度中局部極大值點，將非局部極大值點置零進(jìn)行抑制，達(dá)到圖像邊緣細(xì)化的效果。非極大值抑制突出了極大值，插值法擬合更準(zhǔn)確地描述了梯度方向信息，對邊緣強(qiáng)度圖進(jìn)行了細(xì)化。

（4）雙閾值的滯后閾值處理。使用高閾值和低閾值，按照3個規(guī)則進(jìn)行邊緣閾值處理。先確定邊緣強(qiáng)度值大于高閾值的點為邊緣點;再刪除小于低閾值的那些邊緣點;處在低閾值與高閾值之間的那些點，如果能與確定的邊緣點按某一路徑相連，就可以作為邊緣點被接受。

2.2 霍夫變換

邊緣檢測過程容易受噪聲和光照不均等因素影響，因此很多邊緣點不連續(xù)?；舴蜃儞Q是一個能檢測間斷點邊界形狀的技術(shù)，它利用圖像空間的點在參數(shù)空間有唯一方程的思想，通過點-線對偶性進(jìn)行變換[13]。

點的霍夫變換[14]可以這樣描述：

經(jīng)過點（x，y）的直線在直角坐標(biāo)系中都可以表示為

y=mx+c? （1）

式中：m為直線的斜率，c為截距。同時上式又可以改寫為

c=-xm+y? （2）

式（2）可以看作參數(shù)平面m-c中的一條直線，其中-x為直線斜率，y為截距，m和c為變量。圖像空間直線上的點在參數(shù)空間各自都對應(yīng)一條直線，并且參數(shù)空間的直線都將相交于一點。反過來，參數(shù)空間直線相交的點在圖像空間都有共線的點對應(yīng)。

根據(jù)變換原理，給定圖像邊緣檢測的邊緣點，通過霍夫變換找到這些點確定的直線方程。在計算過程中，首先建立累加器，每增加一個元素，累加器就加一，累加統(tǒng)計完成則計算結(jié)束，參數(shù)空間的峰值所對應(yīng)的即是圖像中共線點數(shù)量最多的直線方程;接著計算次峰值，它對應(yīng)于原圖中共線點數(shù)量次多的直線。

當(dāng)用直角坐標(biāo)系表示一條垂直于橫坐標(biāo)軸或幾乎垂直于橫坐標(biāo)軸的直線時，直線的斜率無限大，采用式（1）在參數(shù)平面內(nèi)無法表示。為解決這一問題，可以將式（1）替換為Duda和Hart提出的直線極坐標(biāo)方程：

ρ=xcos θ+ysin θ

式中：ρ為直線與原點的距離;θ為x軸與直線垂線的夾角，取值范圍為[-90°，90°]。累加器的計算與直角坐標(biāo)系中的相同，最終得到累加器最大值所對應(yīng)的ρ和θ。與直角坐標(biāo)系表示不同的是，極坐標(biāo)系中的一條直線從圖像空間映射到參數(shù)空間后是一條正弦曲線。

由于霍夫直線檢測會不可避免地受環(huán)境、建筑物、岸堤等因素影響，圖像中會存在一些小短線和噪聲，圖像空間可能存在偽峰值點，所以在直線檢測時可能出現(xiàn)近似直線誤檢。基于傳統(tǒng)霍夫變換在實際應(yīng)用情境下對其進(jìn)行改進(jìn)：首先對聚類分割提取的船舶RGB圖像采用自適應(yīng)閾值Canny邊緣檢測，根據(jù)船舶特征創(chuàng)建3組平坦的線型結(jié)構(gòu)元素;然后利用imdilate（）函數(shù)將邊緣檢測二值圖和線型結(jié)構(gòu)進(jìn)行膨脹處理。處理后邊緣擴(kuò)大，船舶邊緣或內(nèi)部的坑被填掉，從而使得在用霍夫變換尋找峰值點時出現(xiàn)“假”直線的可能性降低，誤檢率降低。運(yùn)用houghpeaks（）函數(shù)找到2個峰值點，houghlines（）函數(shù)根據(jù)峰值檢測結(jié)果提取直線，最終定位目標(biāo)區(qū)域船舶吃水線和甲板線。

3 根據(jù)雙目測距原理計算干舷值

雙目測距原理可以應(yīng)用于如圖2所示情景。在圖2中橋梁的兩側(cè)布設(shè)平行雙目相機(jī)[15]，相機(jī)安裝時采用“張氏標(biāo)定法”，即采用張正友提出的黑白棋平板標(biāo)定法進(jìn)行位置標(biāo)定。建立左、右相機(jī)對于世界坐標(biāo)系的旋轉(zhuǎn)向量和平移向量，利用三維重建原理得到物點世界坐標(biāo)與圖像坐標(biāo)間的投影關(guān)系，見圖3。

假定左、右相機(jī)焦距相等，內(nèi)部參數(shù)也相等，且左、右相機(jī)的光軸和Y軸均平行，左、右相機(jī)的X軸重合。指定左相機(jī)的坐標(biāo)系為世界坐標(biāo)系，根據(jù)幾何相似關(guān)系求得物點Q的世界坐標(biāo)（X，Y，Z）。X、Y、Z可以表示為

X=TT-d（uR-u0）a=TT-d（x-cx）

Y=TT-d（vR-v0）a=TT-d（y-cy）

Z=TfT-（（u0-uR）-（uL-u0））a=

TfT-d

式中：T為左、右相機(jī)之間的距離;（uL，vL）、（uR，vR）分別為物點在左、右相機(jī)中的投影像素;

（x，y）為物點的尺寸坐標(biāo);a為像素的物理尺寸;d為左、右相機(jī)的視差;f為相機(jī)焦距;（u0，v0）為相機(jī)的主點像素坐標(biāo);

（cx，cy）為主點的尺寸坐標(biāo)。

由于圖片中物體傾斜或扭曲會導(dǎo)致很難重建坐標(biāo)系中觀測物體的空間位置，所以選用擬牛頓法求解非線性優(yōu)化問題，對坐標(biāo)系的旋轉(zhuǎn)角度進(jìn)行優(yōu)化。設(shè)定目標(biāo)函數(shù)，在變換過程中得到旋轉(zhuǎn)矩陣，然后根據(jù)幾何平均誤差，使目標(biāo)函數(shù)盡量減小到設(shè)定閾值，從而使相機(jī)坐標(biāo)系與水面坐標(biāo)系盡量重合。經(jīng)過一系列的翻轉(zhuǎn)、平移得到水面的實用化測量坐標(biāo)系統(tǒng)。

首先拍攝內(nèi)河船舶照片，然后從照片中提取船舶區(qū)域并檢測船舶吃水線和船舷線，最后運(yùn)用雙目測距原理進(jìn)行計算，得到船舷線與吃水線之間的高度差。針對內(nèi)河船舶主要運(yùn)輸貨物的特點，取船舶甲板中間位置與水面之間的距離作為船舶實際干舷值，對船舶的航行狀態(tài)進(jìn)行判斷。若實際干舷值超過最低干舷值標(biāo)準(zhǔn)，對船舶發(fā)出預(yù)警，并進(jìn)行有效監(jiān)管。

4 實驗結(jié)果與分析

取分辨率為800×600的圖片進(jìn)行目標(biāo)檢測實驗。測試平臺為MATLAB R2015b，計算機(jī)配置為Windows 10系統(tǒng)、Intel Core處理器、主頻1.60 GHz、4 G內(nèi)存。

圖4和5分別為運(yùn)用本文算法檢測船舶吃水線和船舷線的2個例子。圖4a和5a為通過相機(jī)獲取的船舶照片。首先對兩張船舶照片進(jìn)行中值濾波預(yù)處理以減少噪聲，然后用自適應(yīng)K均值聚類算法按照顏色特性進(jìn)行分割，提取船舶所在區(qū)域，效果見圖4b和5b。由圖4b和5b可知，采用自適應(yīng)K均值聚類算法能提取出船舶區(qū)域，并有效去除水波紋、倒影等雜波影響，減少船舶邊緣檢測的干擾因素。對聚類后圖像進(jìn)行改進(jìn)Canny邊緣檢測操作，得到船舶的點線邊緣信息，見圖4c和5c。對檢測后的圖像創(chuàng)建3組平坦的線型結(jié)構(gòu)元素（長度參數(shù)分別為3、4、3，角度分別為30°、40°、30°），將邊緣檢測圖和線型結(jié)構(gòu)進(jìn)行膨脹處理，然后進(jìn)行霍夫直線檢測以有效減少直線誤檢，即可得到船舶吃水線和船舷線，結(jié)果見圖4d和5d。

通常情況下，內(nèi)河船舶出港必須滿足穩(wěn)性要求，以確保不會產(chǎn)生過大的傾角，因此在內(nèi)河航行的船舶較少出現(xiàn)橫傾狀態(tài)。多數(shù)船舶在航行時可能會出現(xiàn)首傾、尾傾等不同姿態(tài)，但甲板在水線面以上，甲板兩

端點的連線與船舶吃水線不會相交。在計算船

舶干舷值時，在甲板兩端分別取點，確定甲板中間位置，以此位置與水面的距離作為船舶干舷值。圖5中船舶干舷值的確定見圖6。

將計算出的內(nèi)河船舶干舷值與標(biāo)準(zhǔn)干舷值比較，若計算出的船舶干舷值小于標(biāo)準(zhǔn)干舷值，則發(fā)出預(yù)警，并進(jìn)行監(jiān)管。

5 結(jié)束語

針對內(nèi)河船舶干舷高度需人工測算的問題，提出一種不借助船舶水尺標(biāo)志檢測船舶干舷的方法。先采用自適應(yīng)K均值聚類算法分割出船舶所在區(qū)域，然后通過Canny邊緣檢測和霍夫變換提取船舶邊緣特征信息，檢測出船舶吃水線和船舷線。在機(jī)器視覺的啟發(fā)下，運(yùn)用雙目測距原理，測出圖片中的干舷高度實際值。實驗結(jié)果表明：算法能定位船舶所在位置，提取船舶信息;當(dāng)船舶周邊環(huán)境復(fù)雜、含有大量的邊緣間斷點時，實驗效果更好;通過檢測出的船舶吃水線和船舷線計算船舶干舷高度，為判斷船舶吃水狀態(tài)及發(fā)出預(yù)警提供了依據(jù)。

本文方法對環(huán)境要求較高，對夜航船舶的干舷檢測有一定的局限性，這方面還需進(jìn)一步研究。

參考文獻(xiàn)：

[1]彭將輝， 冉鑫. 基于圖像處理的船舶吃水線檢測方法[J]. 中國水運(yùn)， 2012， 12（6）： 66-67.

[2]劉仁金， 高遠(yuǎn)飆， 郝祥根. 船舶吃水線定位分析及算法研究[J]. 皖西學(xué)院學(xué)報， 2009， 25（5）： 1-4.

[3]王炎龍， 陶青川. 基于計算機(jī)視覺的運(yùn)砂船超載狀態(tài)檢測[J]. 現(xiàn)代計算機(jī)， 2014（11）： 49-54. DOI： 10.3969/j.issn.1007-1423.2014.32.011.

[4]趙永富， 葛鳴明， 劉善成. 基于激光掃描的船舶超載超吃水自動監(jiān)測系統(tǒng)[J].計算機(jī)系統(tǒng)應(yīng)用， 2017， 26（6）： 40-45. DOI： 10.15888/j.cnki.csa.005811.

[5]閆寒香. 船舶甲板位置檢測模型研究[D]. 哈爾濱： 哈爾濱工業(yè)大學(xué)， 2016.

[6]張紅霞， 章銀娥. 基于Lab空間的K均值聚類彩色圖像分割方法[J]. 贛南師范大學(xué)學(xué)報， 2019（6）： 44-48. DOI： 10.13698/j.cnki.cn36-1346/c.2019.06.011.

[7]ZHANG Xin， WANG Kangwei， WANG Yan， et al. Rail crack detection using acoustic emission technique by joint optimization noise clustering and time window feature detection[J]. Applied Acoustics， 2020， 160： 107141. DOI： 10.1016/j.apacoust.2019.107141.

[8]KARRAR A M A， SUN Jun. Segmentation and measurement of medical image quality using K-means clustering algorithm[J]. American Journal of Neural Networks and Applications， 2019， 5（1）： 36-44. DOI： 10.11648/j.ajnna.20190501.16.

[9]陳浩. 圖像經(jīng)典邊緣檢測算子的研究與比較[J]. 電腦編程技巧與維護(hù)， 2019（12）： 150-152. DOI： 10.16184/j.cnki.comprg.2019.12.057.

[10]李寶蕓， 范玉剛， 高陽. 基于OTSU和Canny算子的紅外圖像特征提取[J]. 陜西理工大學(xué)學(xué)報（自然科學(xué)版）， 2019， 35（6）： 33-40.

[11]NAUSHEEN N， SEAL A， KHANNA P， et al. An FPGA based implementation of Sobel edge detection[J]. Microprocessors and Microsystems， 2018， 56： 84-91. DOI： 10.1016/j.micpro.2017.10.011.

[12]MADIREDDY S， CHUNG D W， LOEFFLER T， et al. Phase segmentation in atom-probe tomography using deep learning-based edge detection[J]. Scientific Reports， 2019， 9： 20140. DOI： 10.1038/s41598-019-56649-8.

[13]呼超， 汪杰， 馮玉松. 基于改進(jìn)Hough變換的夜間內(nèi)側(cè)車道線檢測[J]. 公路與汽運(yùn)， 2019（6）： 1-3， 8.

[14]安培源， 張華. 基于邊緣檢測和Hough變換的圓定位算法[J]. 浙江理工大學(xué)學(xué)報（自然科學(xué)版）， 2018， 39（5）： 593-598. DOI： 10.3969/j.isnn.1673-3851（n）.2018.05.012.

[15]符楊， 榮帥昂， 劉恩圻， 等. 架空輸電通道圖像監(jiān)測中大場景雙目測距的方法及校正算法[J]. 高電壓技術(shù)， 2019， 45（2）： 377-385. DOI： 10.13336/j.1003-6520.hve.20190130004.

（編輯 賈裙平）