基于加权思想的飞机舱门边缘检测

林彬彬 ,  李轶轲 ,  张恒铭

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3885-3894

PDF (14563KB)
科学技术与工程 ›› 2026, Vol. 26 ›› Issue (9) :3885-3894 DOI: 10.12404/j.issn.1671-1815.2502540
自动化技术、计算机技术

基于加权思想的飞机舱门边缘检测

作者信息 +

Aircraft Cabin Door Edge Detection Based on Weighted Approach

Author information +
文章历史 +

摘要

针对传统登机桥对接飞机舱门过程依赖人工操作、容易发生碰撞的问题,提出了一种能够实现登机桥自动对接飞机舱门的边缘检测技术,通过引入基于像素值差异的权重作为加权因子,提升了中值滤波对高斯噪声的处理效果,权重较大的像素在中位数计算中具有更大的影响。采用最大类间方差法进行阈值分割,提升了飞机舱门的特征信息提取质量,通过最大类间方法自动确定最佳阈值进行分割。通过引入邻域信息的加权平均对Sobel算子进行改进,提高了算子的边缘检测能力。结果表明:加权中值滤波降噪后图像的峰值信噪比可达37.93 dB,与传统中值滤波相比提高了13.95%,改进后Sobel算子边缘检测图像的边缘点数较其他算子提升了134.5%,精确率提升了25.2%,召回率提升了193.6%,F1分数提升了136.1%,为飞机舱门边缘检测技术的优化提供了一定的参考和借鉴。

Abstract

An edge detection technique has been proposed to facilitate the automatic alignment of boarding bridges with aircraft doors, thereby addressing issues associated with manual operation and potential collisions during the conventional docking process. To enhance the robustness of noise suppression, pixel value difference-based weights have been introduced as weighting factors in the median filtering process, wherein pixels assigned higher weights exert a greater influence on the median calculation. Threshold segmentation has been performed using Otsu’s method based on maximum inter-class variance, enabling the automatic determination of an optimal threshold and thereby improving the accuracy of aircraft door feature extraction. Furthermore, the Sobel operator has been modified by integrating a weighted average of neighboring pixel values, which significantly enhances its edge detection performance. Experimental results have demonstrated that the application of weighted median filtering improves the peak signal-to-noise ratio (PSNR) of the image to 37.93 dB, representing a 13.95% increase compared to conventional median filtering. The modified Sobel operator has been shown to increase the number of detected edge points by 134.5% relative to other operators, with improvements of 25.2% in precision, 193.6% in recall, and 136.1% in the F1 score. These results provide meaningful insights into the optimization of edge detection methodologies for aircraft door localization.

Graphical abstract

关键词

飞机舱门检测 / 边缘检测 / 图像处理 / 降噪方法 / 加权思想

Key words

aircraft door detection / edge detection / image processing / denoise methods / weighted approach

引用本文

引用格式 ▾
林彬彬, 李轶轲, 张恒铭. 基于加权思想的飞机舱门边缘检测[J]. 科学技术与工程, 2026, 26(9): 3885-3894 DOI:10.12404/j.issn.1671-1815.2502540
LIN Bin-bin, LI Yi-ke, ZHANG Heng-ming. Aircraft Cabin Door Edge Detection Based on Weighted Approach[J]. Science Technology and Engineering, 2026, 26(9): 3885-3894 DOI:10.12404/j.issn.1671-1815.2502540

登录浏览全文

4963

注册一个新账户 忘记密码

飞机对接登机桥的过程中,需要人为操作移动登机桥进行对接,不仅耗费人力资源、延迟停靠时间,对接精度受操作人员经验、天气条件及飞机停机位置等多方面的影响[1],还容易发生碰撞,对飞机造成损伤损失,而利用飞机舱门的边缘检测技术可以实时捕捉舱门的位置,实现对舱门的精准定位,便捷与登机桥的自动对接。
为了解决这个问题,张健等[2]阐述了飞机舱门的检测特征和测量系统的建立,介绍目前广泛的检测设备有激光跟踪仪和测量臂等,并提出检测设备在满足要求的条件下需要尽可能地考虑经济性和便捷性;叶润等[3]利用SSD算法,以轻量化的MobileNet作为特征提取网络,将150万个目标实例汇总成数据集进行训练,提高了对目标检测的鲁棒性和准确度;张长勇等[4]在YOLOv5模型中加入了一种轻量化的卷积注意力模块,提高了算法对飞机舱门的特征提取能力;同时张长勇等[5]也通过改进RT-DETR模型,选用轻量级的残差神经网络作为主干特征提取基准网络,来降低在飞机舱门边缘检测过程中计算资源的消耗;赵洪伟等[6]通过研究条纹投影结构形面测量方法提出了对飞机舱门间隙的测量技术,为飞机舱门的边缘检测提供一定的思路支持。
尽管当前文献中提到的深度学习模型在复杂环境中表现出较好的性能,对特征提取的精度较高,并在不断优化下得到了进一步提升,但在飞机舱门的检测中这些模型需要进行大量的卷积操作,并需要庞大的数据和时间进行训练,难以对实况下舱门的移动和不断变化的环境迅速做出及时的响应,对舱门的遮挡和变形等情况的识别敏感度也较低,具有一定的局限性,而且采集过程对检测设备要求较高,不能兼顾大多数低资源环境,缺乏经济性和便捷性,难以实现全机场化普及。而传统图像处理方法实现简单,计算复杂度较低,能够快速处理图像数据,在飞机舱门的边缘检测研究中能更快地反馈图像检测信息,适用于在嵌入式系统或实时监控设备中应用[7]。
现提出一种基于加权思想的飞机舱门边缘检测方法,结合传统图像处理方法与加权机制,既弥补传统图像处理办法精度欠缺、效果较差和不同方法对图像处理侧重不同的问题,又能满足低资源环境的检测,不需要大量的时间和资源进行计算,只需要进行简单的图像处理就能得到较好的飞机舱门边缘检测,能快速实现机场调控,达成精度与性能的权衡,在具备准确识别的基础上保证经济性和便捷性。其中在传统中值滤波算法中引入基于像素值差异进行加权,提升其在噪声抑制和边缘保留之间的平衡,在去除噪声的同时避免过度模糊;对传统Sobel算子每个像素的梯度引入邻域像素的加权平均,将图像中心像素赋予较大权重,平滑邻域的影响,增强边缘检测的精度;通过构建多维度评估指标体系,将不同降噪、阈值分割和边缘检测方法的处理结果进行质量评估,以期提高飞机舱门边缘检测的处理效率和检测精度,提升机场的运行效率和安全性,实现与登机桥的自动对接。

1 基于传统方法的边缘检测

1.1 传统降噪处理

通过摄像头获取的飞机舱门彩色图像包含了大量数据,但这些数据无法直接反映出图像的形态特征,需要将彩色图像转化为灰度图来简化算法,避免彩色信息的干扰。在拍摄图片的过程中由于众多不可控因素会产生图像噪声,为了去除不必要的干扰,需要对图片进行降噪,添加噪声后再进行降噪能更好地评估不同滤波的去噪效果,常见的降噪滤波器包括均值滤波、高斯滤波和中值滤波。

通过添加高斯噪声和椒盐噪声这两个常见噪声来进行研究[8]。高斯噪声是符合高斯分布(即正态分布)的噪声,通常通过加性高斯白噪声在模拟测试中生成,密度函数为

${P}_{\left(z\right)}=\frac{1}{\sigma \sqrt{2\mathrm{\pi }}}\mathrm{e}\mathrm{x}\mathrm{p}\mathrm{ }\left[-\frac{{(z-\mu )}^{2}}{2{\sigma }^{2}}\right]$

式(1)中:P(z)为随机变量z的概率密度函数;μ为正态分布的均值;σ为正态分布的标准差,σ越大,数据越分散,σ越小,数据越集中在均值μ附近。

而椒盐噪声则是由强烈干扰或数据传输错误等因素引起的脉冲噪声,密度函数为

${P}_{\left(z\right)}=\left\{\begin{array}{ll}{P}_{a},& z=a\\ {P}_{b},& z=b\\ 0,& z\ne a,z\ne b\end{array}\right.$

式(2)中:a、b为特定常数;Pa为z=a时函数的值;Pb为z=b时函数的值。

1.1.1 均值滤波

均值滤波通过对每个像素周围邻域的像素计算得到平均值来代替该像素值,从而实现图像的平滑和去噪。在大小为k×k的图像中,对于图像中的任一像素I(x,y)的新值I'(x,y)由该窗口内的所有像素的平均值决定,表达式为

$I\text{'}(x,y)=\frac{1}{{k}^{2}}\stackrel{\frac{k}{2}}{\sum _{i=-\frac{k}{2}}}\stackrel{\frac{k}{2}}{\sum _{j=-\frac{k}{2}}}I(x+i,y+j)$

式(3)中:I(x,y)为图像中位置(x,y)的原始像素值;I'(x,y)为经过均值滤波处理后的新像素值;k为滤波器的大小。

均值滤波能有效减少高斯噪声的影响,但对椒盐噪声的去除效果较差,处理后图像可能较为模糊[9],丢失边缘细节。

1.1.2 高斯滤波

高斯滤波通过计算每个像素周围邻域像素区域的权重计算加权平均,来更新中心像素的灰度值,从而降低噪声的影响[10]。高斯滤波的平滑效果主要由标准偏差决定,标准偏差越大,滤波器的平滑效果越强,作用范围越广。其核心在于使用一个高斯函数作为权重对图像进行计算,高斯函数的公式为

$G(x,y)=\frac{1}{2\mathrm{\pi }{\sigma }^{2}}\mathrm{e}\mathrm{x}\mathrm{p}\mathrm{ }\left(-\frac{{x}^{2}+{y}^{2}}{2{\sigma }^{2}}\right)$

式(4)中:σ为标准差。

由于高斯滤波会对图像的每个区域进行平滑处理[11],即使是没有噪声的区域也会受到影响,处理后的图像整体会“过于平滑”。

1.1.3 中值滤波

中值滤波通过将目标像素的灰度值替换为邻域窗口排序后的中值来去除噪声引起的干扰。中值滤波常见的窗口大小有3×3和5×5,窗口形状可为矩形、椭圆、十字形或圆形等。图像中任一像素点位置为(x,y),其邻域大小为m×m的窗口,中值滤波后像素值I'(x,y)是该邻域所有像素值的中位数,表达式为

$ \begin{aligned} I^{\prime}(x, y)= & \operatorname{Median}(\{I(x+k, y+l) \mid k, \\ & \left.\left.l \in\left[-\frac{m-1}{2}, \frac{m-1}{2}\right]\right.\}\right.) \end{aligned} $

中值滤波对椒盐噪声有较为良好的处理效果,依据其处理逻辑可以有效地去除孤立的噪声点,保留图像的边缘信息[12]。

1.2 传统阈值分割方法

为了完成飞机舱门的边缘检测,需要从图像中提取有价值的特征域进行阈值分割。通过设置合适的阈值,可以有效提取出飞机舱门的边缘并进行识别,不同的应用场景可能要求不同的阈值分割方法和识别算法,需要根据具体情况进行调整和优化。

阈值分割是一种常用的图像分割技术,通常通过设定一个阈值,将图像中灰度值高于或低于该阈值的部分分别归类为目标或背景,从而实现图像分割[13]。常见的阈值分割方法有直方图法、最大类间方差法(OTSU法)和迭代法。

1.2.1 直方图法

阈值分割直方图法通过分析图像灰度直方图来选择阈值进行分割,在计算图像的每个灰度级(0~255)出现的频率后,根据直方图的分布特点选择合适的阈值,常见的选择方法如下。

单一阈值:选择灰度直方图中的峰值位置作为阈值,适用于灰度分布单峰的图像,对灰度分布不均的图像效果较差;多阈值:选择多个峰值作为阈值,适用于灰度分布多峰的图像,能够分割多个目标,但需要手动选择阈值的数量和位置;基于图像统计信息:利用图像的统计数据(如平均值、方差等)作为阈值,适用于特定场景的图像。

灰度值i的频率为

$p\left(i\right)=\frac{h\left(i\right)}{N}$

式(6)中:h(i)为灰度值为i的像素点数量;N为图像的总像素数量。

1.2.2 迭代式阈值分割法

迭代式阈值分割法是一种自适应的图像分割方法,通过确定一个初始阈值T0将图像划分为背景G1和前景G2两部分,分别包含所有小于等于T0的像素和所有大于T0的像素,求出G1和G2的平均灰度值m1和m2,新的阈值T1为m1和m2的平均值,随后进行重复运算直到最新的阈值与上一个求得的阈值差小于某个精度即确定最终的分割阈值。

迭代式阈值分割法能通过迭代过程统计图像灰度值的特性动态选择合适的阈值进行分割,依据不同图像的灰度分布自动调整阈值,适用于多种类型的图像。

1.2.3 最大类间方差法

最大类间方差法(OTSU)是一种基于图像灰度特征的自动分割方法,通过计算图像的灰度直方图来统计每个灰度级的像素数量,求出每个灰度级的平均灰度值和图像的全局平均灰度值,使用不同的阈值对图像进行分割,计算每个阈值下的类间方差(即目标与背景灰度分布之间的差异),最后选择类间方差最大的阈值进行图像分割。最大类间方差计算方法如下。

${\sigma }_{\mathrm{B}}^{2}\left(k\right)=\mathrm{ }\stackrel{k}{\sum _{i=0}}P\left(i\right)\mathrm{ }(i-{M}_{1}{)}^{2}+\stackrel{L-1}{\sum _{i=k+1}}P(i\left)\mathrm{ }\right(i-{M}_{2}{)}^{2}$

式(7)中:M1和M2分别为前景和背景的平均灰度值;P(i)为灰度级i的频率;使${\sigma }_{\mathrm{B}}^{2}$最大化的k值,即为OTSU阈值。

1.3 传统边缘检测方法

图像边缘通常出现在灰度值差异显著的相邻区域,体现了图像灰度的不连续性。传统的边界检测技术通过对图像中每个像素的一阶或二阶微分来确定边界,为了提高边缘检测效果,产生了梯度边缘检测技术,通过计算图像像素值的一阶或二阶导数,识别像素值变化剧烈的区域[14-15]。常见的梯度算子包括Roberts算子、Sobel算子和Canny算子等,其中Sobel算子因其能够有效检测图像中的水平和垂直边缘,成为常用的边缘检测工具。通过梯度边缘检测方法,可以提取图像中的边缘信息,为后续的图像处理与分析奠定基础。

1.3.1 Roberts边缘检测算子

Roberts算子是一种采用局部差分计算方式的边缘检测算子,通过对相邻像素进行差分,近似计算梯度幅值来识别图像中的边缘。其使用对角线方向上相邻两个像素的差值来计算[16],并将卷积核与图像进行卷积操作得到水平方向和垂直方向的梯度,水平方向卷积核梯度为

${G}_{x}=\left(\begin{array}{ll}1& 　0\\ 0& -1\end{array}\right)$

垂直方向卷积核梯度为

${G}_{y}=\left(\begin{array}{ll}　0& 1\\ -1& 0\end{array}\right)$

计算两个方向的梯度大小来表示边缘强度,即

$G=\sqrt{{G}_{x}^{2}+{G}_{y}^{2}}$

Roberts算子对图像噪声较为敏感,容易在噪声较多的图像中产生误检和漏检,在边缘检测任务中可与其他算子结合使用,以提高检测精度。

1.3.2 Sobel边缘检测算子

Sobel算子是一种离散算子,采用加权差分计算图像梯度,迅速检测边缘并输出边缘图像[17]。Sobel算子对每个像素点的邻域像素进行计算,并分别在水平方向和垂直方向上求梯度,最后将两个方向的梯度通过平方和开方得到综合梯度值确定边缘的方向和位置[18]。其水平方向卷积核梯度为

${G}_{x}=\left(\begin{array}{lll}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right)$

垂直方向卷积核梯度为

${G}_{y}=\left(\begin{array}{lll}-1& -2& -1\\ 　0& 　0& 　0\\ 　1& 　2& 　1\end{array}\right)$

最终的边缘强度G和边缘方向θ为

$G=\sqrt{{G}_{x}^{2}+{G}_{y}^{2}}$
$\theta ={\mathrm{t}\mathrm{a}\mathrm{n}}^{-1}\frac{{G}_{y}}{{G}_{x}}$

Sobel算子计算速度快,能够有效平滑图像中的噪声,提高检测准确性,并且能够较好地进行方向定位,适用于大多数的图像处理任务。

1.3.3 Canny边缘检测算子

Canny算子因其在噪声抑制、边缘定位和边缘连接方面的优异表现,广泛应用于图像处理领域。Canny算子通常使用Sobel算子计算图像的梯度,梯度的大小(模)表示边缘强度,方向则反映边缘的朝向。为了提高边缘定位精度,Canny算子对梯度图像进行极大值抑制(non-maximum suppression),即去除梯度幅值较小的点,保留局部最大值,非极大值抑制中梯度方向为一条无向直线,将梯度方向分为垂直梯度方向、45°梯度方向、水平梯度方向和135°梯度方向4个部分,可以有效去除一大部分非边缘点,最后采用双阈值算法检测连接边缘[19-20],能获得更细、更清晰的边缘。

Canny算子在边缘检测中表现优异,但存在计算量较大、对参数选择敏感及对细微边缘的检测能力较弱等不足,在实际应用中需根据具体需求对参数进行合理调整。

1.4 传统方法的局限性

在飞机舱门边缘检测技术这种对边缘细节要求较高的应用场景中,这些传统方法虽然各有优势,但也存在一些明显的缺点。

在降噪处理中,均值滤波虽然能有效减少高斯噪声的影响,但会导致图像整体较为模糊,会削弱边缘区域的细节,降低检测精度,对椒盐噪声的处理也较差;高斯滤波虽然对高斯噪声的处理效果较好,但可能会对图像过度平滑,导致边缘信息丢失,模糊舱门的轮廓,对椒盐噪声的处理效果也较差;中值滤波对椒盐噪声有较好的处理效果,但对高斯噪声的处理能力较差,在噪声强度较高时会丢失图像中的细节信息,同时中值滤波的效果对窗口大小的选择较为敏感,窗口过大会导致过度平滑,窗口过小则无法有效去除噪声,需要根据具体场景进行调整。

在阈值分割处理中,直方图法需要预设范围,难以统一设定,且在飞机舱门的边缘检测中光照条件复杂,直方图可能呈现多峰分布,导致阈值选择困难,分割效果不稳定;迭代法的计算复杂度较高,且需要反复调整阈值,难以实现自动化,可能需要多次迭代才能确定合适的阈值,效率较低,显著增加计算负担;OTSU法虽然可以自动确定阈值,但对图像的噪声较为敏感,噪声会干扰阈值的选择,导致分割效果不理想。

在边缘检测处理中,Roberts算子容易在噪声较多的图像中产生误检和漏检,对图像噪声的抑制能力较弱,容易受到噪声的干扰,无法准确捕捉完整的边缘信息,对灰度变化较小的边缘检测能力也不足,容易遗漏一些重要的边缘细节;Sobel算子在低对比度或细微边缘的检测方面表现较差,而飞机舱门的边缘在某些光照条件下可能呈现低对比度,容易出现边缘断裂或检测不连续的问题。Canny算子虽然在噪声抑制和边缘定位方面表现优异,但存在计算量较大、对参数选择敏感的问题,在飞机舱门检测中需要根据具体图像调整阈值参数,否则容易出现边缘检测结果不完整或过度检测的情况。

针对上述传统算法的局限性,对传统算法进行加权改进,在保留优势的前提下弥补不足,来达到更好的检测结果。

2 改进后的边缘检测

2.1 改进的加权中值滤波

在上述3种降噪传统算法中,高斯滤波和均值滤波对高斯噪声的处理较好,但对椒盐噪声的处理较差,处理后的图像可能过于模糊;而中值滤波虽然对高斯噪声处理效果较差,但其基于像素值中位数的处理逻辑在飞机舱门边缘检测中更占优势。因此通过对中值滤波进行加权来改善对高斯噪声的弱处理效果,提升降噪后的图像质量。

加权中值滤波通过为邻域像素分配不同的权重,结合中位数的思想来进行滤波,其中权重较大的像素对最终的中位数计算影响更为显著,使处理结果更能反映图像的局部结构。

在加权中值滤波中,给定一个图像的任一像素I(x,y),滤波窗口大小为m×m,m为奇数,其邻域内的加权中值I'(x,y)为

$I'(x,y)=\text{WeightMedian}(\{I(x+k,y+l),\omega (x+k,y+l)\})$

式(15)中:{I(x+k,y+l),ω(x+k,y+l)}为像素值和其对应的权重的集合。为了更好地保留图像的边缘细节,设置基于像素值差异的权重作为加权因子,表达式为

$\omega (x+k,y+l)=\mathrm{e}\mathrm{x}\mathrm{p}\left[-\frac{{\left|I(x,y)-I(x+k,y+l)\right|}^{2}}{2{\sigma }^{2}}\right]$

式(16)中:$\left|I(x,y)-I(x+k,y+l)\right|$为像素的差异, 是控制权重分配的参数。

改进后的加权中值滤波方法既保留了对椒盐噪声优秀的处理效果和对边缘细节的准确提取,又增强了对高斯噪声的处理能力,显著提升了降噪效果的精度。

2.2 阈值分割处理选择

在上述三种阈值分割处理算法中,不同应用场景需要使用不同的方法,对飞机舱门边缘检测的方法尚无公开结论,因此对这三种方法在飞机舱门边缘检测的优劣展开对比分析。

OTSU法通过最大化类间方差自动确定最佳阈值,不依赖人工设置参数,具有较高的自动化水平和适应性;OTSU法的计算量适中,在处理速度和分割精度之间取得了良好的平衡;与直方图法相比,OTSU法不需要预设阈值范围,能够根据图像的灰度分布自动选择最优阈值,适用于不同光照条件下的图像分割;与迭代法相比,OTSU法避免了反复调整阈值的过程,显著提高了处理速度和效率;尽管OTSU法对噪声较为敏感,但在整体逻辑中,在阈值分割前已经对图像进行降噪处理,能尽可能地减少噪声对OTSU法的干扰。

OTSU法的自动化和适应性在飞机舱门的边缘检测中有较好的优势,能够有效提取舱门目标区域,为后续的边缘检测提供高质量的特征信息。

2.3 加权Sobel边缘检测算子

在上述3种边缘检测算法中,Sobel算子计算速度快,能有效检测图像中的水平和垂直边缘,在飞机舱门的边缘检测中效果较好,因此对Sobel算子进行了改进,对每个像素的梯度引入邻域像素的进一步加权,利用局部区域的信息进行优化,突出主要特征。引入加权邻域函数W(x,y)后的水平方向加权梯度为

$G{{'}_{x}}(x,y)=\overset{1}{\mathop{\underset{i=-1}{\mathop{\sum }}\,}}\,\overset{1}{\mathop{\underset{j=-1}{\mathop{\sum }}\,}}\,I(x+i,y+j){{G}_{x}}(i,j){{W}_{x}}(i,j)$

垂直方向的加权梯度为

$G{{'}_{y}}(x,y)=\overset{1}{\mathop{\underset{i=-1}{\mathop{\sum }}\,}}\,\overset{1}{\mathop{\underset{j=-1}{\mathop{\sum }}\,}}\,I(x+i,y+j){{G}_{y}}(i,j){{W}_{y}}(i,j)$

式中:Wx(i,j)和Wy(i,j)为基于邻域的加权函数,决定了邻域信息在计算梯度时的影响程度。合成改进后的梯度为

$G\text{'}(x,y)=\sqrt{[G\text{'}{}_{x}{(x,y)]}^{2}+[G\text{'}{}_{y}{(x,y)]}^{2}}$

改进后的梯度方向为

$\theta \text{'}(x,y)={\mathrm{t}\mathrm{a}\mathrm{n}}^{-1}\left[\frac{G\text{'}{}_{y}(x,y)}{G\text{'}{}_{x}(x,y)}\right]$

加权函数采用高斯加权函数,对图像中心像素赋予较大权重,远离中心的像素赋予较小权重,从而平滑邻域影响,高斯加权函数表达式为

${W}_{x}(i,j)={W}_{y}(i,j)=\frac{1}{2\mathrm{\pi }{\sigma }^{2}}\mathrm{e}\mathrm{x}\mathrm{p}\mathrm{ }\left(-\frac{{i}^{2}+{j}^{2}}{2{\sigma }^{2}}\right)$

式(21)中:σ为高斯核的标准差,控制邻域影响范围。

加权Sobel算子通过在计算梯度时引入邻域的加权信息,使得每个像素的梯度不仅仅依赖于其本身及其邻域像素的直接贡献,还能根据局部区域的信息进行调整,增强了对弱边缘的检测能力,减少了噪声的影响,显著提升了边缘检测的精度和连贯性,更好地满足了飞机舱门边缘检测的需求。

2.4 改进后算法验证

为了验证本文图像处理方案的可行性,选取了文献[6]研究中处理的飞机舱门图片作为对比对象。由于未能获取文献中的原始图像和结果图像,对比主要关注图像处理后的线条趋势与整体轮廓。与文献对比如图1所示,尽管初始图像分辨率有限,但本文方案的处理效果依然较好,这充分证明了采用的图像处理方案的可行性,能有效应对飞机舱门边缘检测中的挑战。

改进的加权中值滤波有效去除了图像中的噪声,保留了边缘细节,使得飞机舱门的轮廓更清晰;改进的加权Sobel算子在边缘检测中更准确地捕捉到飞机舱门的边缘信息,结果显示精确率达0.490 3,召回率达0.907 1,F1分数达0.636 6,边缘点总数为25 234个,连通域为25个,表明改进后的方法检测到的边缘点中有较高比例是真实的飞机舱门边缘,具有较高的连贯性和整体性,处理效果优异,且处理速度较快,能适应低资源环境条件,为实际应用提供切实可行的解决方案。

3 结果对比分析

3.1 降噪处理对比分析

另选用一张飞机舱门的彩色图像作为本文方案的处理研究对象,经过灰度处理后添加高斯噪声和椒盐噪声,如图2所示。

在添加噪声后可以看出,噪声在图片上的分布和特性并不相同,因此采用不同的滤波器来处理可以观察到不同滤波器对不同噪声的处理效果,能更好地评估不同滤波器的去噪能力和对细节的保留程度,同时分别采用上述降噪滤波进行处理,不同滤波处理的结果如图3所示。

从图3对比图中可以看出,高斯滤波对高斯噪声的处理较好,能消除大部分噪声的干扰,中值滤波和加权中值滤波对椒盐噪声的处理效果最为优秀,基本可以清除噪声的影响。

为了进一步探究各降噪滤波的去噪效果,引入了峰值信噪比(peak signal-to-noise ratio, PSNR)作为定量评估指标,PSNR通过计算均方误差(mean squared error, MSE)来评价图像的损失程度,数值越高,表示图像的恢复越接近原图。PSNR的计算公式为

$\mathrm{P}\mathrm{S}\mathrm{N}\mathrm{R}=10\mathrm{l}\mathrm{g}\frac{\mathrm{M}\mathrm{A}{\mathrm{X}}^{2}}{\mathrm{M}\mathrm{S}\mathrm{E}}$

式(22)中:MAX为图像像素值的最大可能值;MSE为均方误差,定义为

$\mathrm{M}\mathrm{S}\mathrm{E}=\frac{1}{MN}\stackrel{M=1}{\sum _{i=0}}\stackrel{N=1}{\sum _{j=0}}{\left[I\right(i,j)-K(i,j\left)\right]}^{2}$

式(23)中:I(i,j)为原始图像的像素值;K(i,j)为处理后图像的像素值;M和N分别为图像的高度和宽度。评估结果如表1所示。

从表1的数据可以看出,均值滤波和高斯滤波在处理椒盐噪声时效果较差,而中值滤波在处理高斯噪声时效果有限。相比之下,改进的加权中值滤波在处理两种噪声时均表现出较好的平衡性和适应性,改进的加权中值滤波在处理椒盐噪声时表现尤为突出,其PSNR达到了43.74 dB,显著优于其他滤波器,在处理高斯噪声时,改进的加权中值滤波也表现出较好的效果,PSNR为27.37 dB,较传统中值滤波提升了13.35 dB。

表明改进的加权中值滤波不仅能有效去除噪声,还能较好保留图像边缘细节,更适用于飞机舱门的边缘检测,在实际应用中展现出了独特的处理优势。

3.2 阈值分割对比分析

为了进一步提高边缘检测的精度,在降噪处理后进行阈值分割提取飞机舱门的信息特征,加权中值滤波处理结果图及上述3种阈值分割处理后的效果如图4所示。

为了评估不同阈值分割处理的效果,引入了Dice系数和交并比(intersection over union, IoU)作为评估指标用来衡量分割结果与真实标注之间的相似性,其中真实标注是人为手动创建,更真实可靠。Dice系数衡量的是两个集合的相似度,取值范围为0~1,值越高表示分割结果与真实标注的重叠程度越高,IoU则表示预测区域和真实区域的重叠程度,同样取值范围为0~1,值越高表示分割结果越准确。

Dice系数的公式为

$\mathrm{D}\mathrm{i}\mathrm{c}\mathrm{e}=\frac{2\mathrm{I}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{s}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}{{S}_{\mathrm{s}\mathrm{e}\mathrm{g}}+{S}_{\mathrm{t}\mathrm{r}\mathrm{u}}}$

式(24)中:Intersection为分割结果和真实标注的交集(重叠部分);Sseg为分割结果中所有像素的总和;Stru为真实标注中所有像素的总和。

IoU的公式为

$\mathrm{I}\mathrm{o}\mathrm{U}=\frac{\mathrm{I}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{s}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}}{\mathrm{U}\mathrm{n}\mathrm{i}\mathrm{o}\mathrm{n}}$

式(25)中:Union为分割结果和真实标注的并集(所有像素的总和)。评估结果如表2所示。

从表2的数据中可以看出,直方图法的Dice系数和IoU分别为0.825 1和0.754 7,虽然能够满足基本的分割需求,但分割效果不够稳定;迭代法的Dice系数和IoU分别为0.925 2和0.917 6,虽然优于直方图法,但仍然低于OTSU法,且迭代法需要反复调整阈值,计算复杂度较高,难以满足实时性要求;而OTSU法在Dice系数和IoU两个指标上均表现最佳,Dice系数达0.963 8,IoU达0.930 2,显著优于直方图法和迭代法。表明OTSU法能够更准确地分割出飞机舱门的特征区域,与真实标注的重叠程度最高,在飞机舱门检测的应用中有着更好的表现。

3.3 边缘检测对比分析

经过降噪处理和阈值分割后,使用上述不同边缘检测算子进行处理,得到结果如图5所示。

为了评估不同算子的效果,引入精确度(precision,P)、召回率(recall,R)、F1分数、边缘点数和连通区域数等综合指标进行比较。F1分数是精确度和召回率的调和平均,综合考虑了两者,其取值范围为0~1,值越高表示模型在精确率和召回率之间取得了更好的平衡,F1分数的计算公式为

${F}_{1}=2\frac{PR}{P+R}$

评估结果如表3所示。

与传统Sobel算子相比,改进后的算法提高了精确率(0.568 2)和召回率(0.294 8),其F1分数达到了0.388 2,明显优于其他算子。在边缘点的检测上,加权Sobel算子共检测到17 478个边缘点,展示了更强的边缘捕捉能力,尽管加权Sobel算子检测到的边缘点数量大幅增加,但边缘的连贯性和整体性未受明显影响,保持了边缘的连续性,避免了过度分割的情况。在飞机舱门的边缘检测处理中采用加权Sobel算子具备显著的优势,对环境的适应性更强,能更灵活地解决在实际应用中出现的各种问题。

4 结论

在飞机舱门边缘检测处理中,按照降噪处理、阈值分割和边缘检测的顺序逐步进行,并研究了不同方法的效果,提出了改进策略。得到结论如下。

(1)提出的加权中值滤波在飞机舱门边缘检测的降噪处理中有较好的效果,既能有效去除脉冲噪声,又提升了对平滑噪声的处理,达到了37.93 dB的峰值信噪比。

(2)OTSU法可以自动选取阈值,对复杂多变的环境更具有适应性,在飞机舱门边缘检测中效果较好,与直方图法和迭代法相比能更好地分割出飞机舱门特征区域。

(3)改进后的Sobel算子通过引入邻域信息的加权平均,在飞机舱门的边缘检测中表现最佳,较其他算子边缘点数提升了134.5%,精确率提升了25.2%,召回率提升了193.6%,F1分数提升了136.1%。

表明本文算法在飞机舱门边缘检测中不仅提高了降噪后图像的质量,还增强了边缘检测的准确性和边缘点的识别能力,对不同环境下的边缘检测都能灵活应对,提升了登机桥对接飞机舱门的精度和效率,增强了机场廊桥对接效率和安全性。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

陈润. 提高机场登机桥利用率的方法探索[J]. 产业与科技论坛, 2019, 18(18): 230-231.
[2]

Chen Run. Exploration of methods to improve the utilization rate of airport jet bridges[J]. Industry and Science Tribune, 2019, 18(18): 230-231.
[3]

张健, 杨浩. 飞机舱门数字化检测技术研究及应用[C]// 第十届中国航空学会青年科技论坛论文集. 南昌: 中国航空学会, 2022: 232-235.
[4]

Zhang Jian, Yang Hao. Research and application of measurement technology for large aircraft door parts[C]// Proceedings of the 10th Youth Science and Technology Forum of the Chinese Society of Aeronautics and Astronautics. Nanchang: Quality Department, Chinese Society of Aeronautics and Astronautics, 2022: 232-235.
[5]

叶润, 张成, 李旭, 等. 基于计算机视觉的客机舱门识别与定位技术研究[J]. 计算机测量与控制, 2021, 29(3): 224-229.
[6]

Ye Run, Zhang Cheng, Li Xu, et al. Research on recognition and positioning technology of passenger aircraft door based on computer vision[J]. Computer Measurement and Control, 2021, 29(3): 224-229.
[7]

张长勇, 郭聪, 李玉洲, 等. 基于改进YOLOv5的飞机舱门识别与定位方法研究[J]. 计算机测量与控制, 2024, 32(1): 142-149.
[8]

Zhang Changyong, Guo Cong, Li Yuzhou, et al. Research on identification and positioning method for aircraft door based on improved YOLOv5[J]. Computer Measurement and Control, 2024, 32(1): 142-149.
[9]

张长勇, 张轩铖, 乔亚海, 等. 面向飞机舱门检测的改进RT-DETR模型[J/OL]. 北京航空航天大学学报, 1-12[2025-12-23]. DOI: https: //doi.org/10.13700/j.bh.1001-5965.2024.0705.11.2625.v.20241120.1428.001.
[10]

Zhang Changyong, Zhang Xuancheng, Qiao Yahai, et al. Improved RT-DETR detection model for aircraft door recignition[J/OL]. Journal of Beijing University of Aeronautics and Astronautics. 1-12[2025-12-23]. DOI: https: //doi.org/10.13700/j.bh.1001-5965.2024.0705.11.2625.v.20241120.1428.001.
[11]

赵洪伟, 胡鹏宇, 杨树明, 等. 基于面结构光的飞机舱门间隙测量技术与应用[J]. 科学技术与工程, 2024, 24(3): 1045-1051.
[12]

Zhao Hongwei, Hu Pengyu, Yang Shuming, et al. Measurement technology and its application of aircraft door gap based on surface structured light[J]. Science Technology and Engineering, 2024, 24(3): 1045-1051.
[13]

尹雪松. 基于Sobel算子的飞机舱门边缘检测[J]. 自动化应用, 2023, 64(24): 210-212, 215.
[14]

Yin Xuesong. Edge detection of aircraft cabin doors based on Sobel operator[J]. Automation Application, 2023, 64(24): 210-212, 215.
[15]

胡珊. 改进自适应加权均值滤波的图像去噪技术探讨[J]. 普洱学院学报, 2022, 38(6): 41-43.
[16]

Hu Shan. Discussion on image denoising technology based on improved adaptive weighted mean filtering[J]. Journal of Puer University, 2022, 38(6): 41-43.
[17]

张巧灵, 马自萍, 薛瑞芝. 基于MATLAB的几种图像去噪的研究分析[J]. 数字技术与应用, 2015(4): 82-85.
[18]

Zhang Qiaoling, Ma Ziping, Xue Ruizhi. Research and analysis of several image denoising methods based on MATLAB[J]. Digital Technology and Application, 2015(4): 82-85.
[19]

黄培. 运动模糊图像复原算法的研究[D]. 西安: 西安科技大学, 2020.
[20]

Huang Pei. Research on motion blurred image restoration algorithm[D]. Xi’an: Xi’an University of Science and Technology, 2020.
[21]

汤健亚. 一种基于线阵CCD旋转扫描的全景图像复原和目标识别系统设计[D]. 南京: 南京理工大学, 2016.
[22]

Tang Jianya. Design of a panoramic image restoration and target recognition system based on linear array CCD rotary scanning[D]. Nanjing: Nanjing University of Science and Technology, 2016.
[23]

杨花雨, 詹华蕊. 基于中值滤波技术的视频图像边缘检测算法[J]. 科学技术与工程, 2019, 19(9): 143-147.
[24]

Yang Huayu, Zhan Huarui. Edge detection algorithm of video image based on median filter technology[J]. Science Technology and Engineering, 2019, 19(9): 143-147.
[25]

陈亦晨. 基于高分遥感的农田生态系统信息提取方法研究[D]. 兰州: 甘肃农业大学, 2020.
[26]

Chen Yichen. Method study on extraction of farmland ecosystem’s information based on high-resolution remote sensing[D]. Lanzhou: Gansu Agricultural University, 2020.
[27]

潘长安. 图像边缘检测技术分析[J]. 黑龙江科技信息, 2015(32): 64-65.
[28]

Pan Chang’an. Analysis of image edge detection technology[J]. Heilongjiang Science and Technology Information, 2015(32): 64-65.
[29]

肖扬, 周军. 图像边缘检测综述[J]. 计算机工程与应用, 2023, 59(5): 40-54.
[30]

Xiao Yang, Zhou Jun. Overview of image edge detection[J]. Computer Engineering and Applications, 2023, 59(5): 40-54.
[31]

洪向共, 陈威, 熊镝. 基于CPU/MIC/GPU异构架构的Roberts算法优化探究[J]. 科学技术与工程, 2016, 16(36): 217-222.
[32]

Hong Xianggong, Chen Wei, Xiong Di. The research of optimized Roberts algorithm based on heterogeneous CPU/MIC/GPU architecture[J]. Science Technology and Engineering, 2016, 16(36): 217-222.
[33]

冯松松, 王斌君. 基于Sobel算子的池化算法设计[J]. 科学技术与工程, 2023, 23(3): 1145-1151.
[34]

Feng Songsong, Wang Binjun. Design of pooling algorithm based on Sobel operator[J]. Science Technology and Engineering, 2023, 23(3): 1145-1151.
[35]

江旺玉, 王乐, 姚叶鹏, 等. 多尺度特征聚合扩散和边缘信息增强的小目标检测算法[J]. 计算机工程与应用, 2025, 61(7): 105-116.
[36]

Jiang Wangyu, Wang Le, Yao Yepeng, et al. Multi-scale feature aggregation diffusion and edge information enhancement small object detection algorithm[J]. Computer Engineering and Applications, 2025, 61(7): 105-116.
[37]

包启龙, 景会成, 张靖轩, 等. 一种改进Canny算子的图像边缘检测方法[J]. 现代电子技术, 2024, 47(23): 36-42.
[38]

Bao Qilong, Jing Huicheng, Zhang Jingxuan, et al. Image edge detection method based on improved Canny operator[J]. Modern Electronics Technique, 2024, 47(23): 36-42.
[39]

李志远, 王光辉. 基于传统边缘算子的车道线识别研究[J]. 现代电子技术, 2024, 47(7): 61-65.
[40]

Li Zhiyuan, Wang Guanghui. Research on lane line recognition based on traditional edge operators[J]. Modern Electronics Technique, 2024, 47(7): 61-65.

基金资助

中国民用航空飞行学院校级项目(PHD2023-011)

国家重点研发计划(2021YFB2601703)

PDF (14563KB)

39

访问

0

被引

详细
导航
相关文章

/

〈 〉

京ICP备05035734号-4
版权所有 © 《科学技术与工程》编辑部
地址： 北京市海淀区学院南路86号 《科学技术与工程》编辑部　邮编：100081
电话：(010)62118920 　E-mail：stae@vip.163.com
技术支持：北京玛格泰克科技发展有限公司 　
网站管理员登录