天际线检测在航空、航海、无人机视觉导航、微型飞行器姿态控制、地理位置标记等方面具有重要的作用,因此,高鲁棒性、高准确率的天际线检测算法是急需解决的一个问题。本文研究了天际线检测的几种关键算法,其主要的工作概括如下:(1)考虑到天际线起始点是图像中的边缘位置,从边缘检测理论出发,提出了一种基于边缘检测与相邻梯度融合的天际线检测算法。首先采用形态学对图像进行预处理,然后采用Canny检测算子获取图像中的边缘信息,接着通过梯度阈值的设置确定天际线的位置坐标,同时对边缘检测中缺边缘的情况,采用了线性扩大区域搜索算法确定天际线的位置坐标,获得了较好的天际线检测效果。(2)上述提出的天际线检测算法由于过度依赖边缘检测信息,缺少对图像整体信息的提取,因此,提出了一种融合图像整体结构信息的天际线检测算法,首先采用RCA(Regional Covariance Algorithm)算法对图像整体结构进行粗分割,确定可能存在的天际线分割区域,接着利用分割区域全局梯度均值与局部梯度均值融合算法确定梯度阈值,以检测出天空与非天空区域的起始点,然后采用AGM(Adjacent Gradient Maxima)算法搜索最大可能存在的天际线像素点位置坐标;最终检测出输入图像的天际线,该方法不需要对图像的边缘信息进行提取,充分利用了图像整体结构信息,实验结果表明该算法对天际线的提取准确度较高。(3)稀疏理论是一种有效的机器学习方法,近年来在人脸识别,图像复原与分类等方面得到了很好的应用,因此本文提出了一种基于LBP(Local Binary Pattern)和稀疏表示的天际线检测算法。首先对图像作灰度化处理,接着对训练样本图像天际线相邻素点坐标建立3*3的特征提取区域,建立基于LBP特征的稀疏表示字典,然后通过稀疏分解系数计算重构误差,最后根据设定的重构误差阈值检测天际线位置,提出的算法能有效地检测出图像中的天际线像素点坐标,对缺边缘的天际线检测效果较好。(4)考虑到复杂背景情况下,单一的特征提取对天际线检测有一定的局限性,因此接着提出了一种多特征与边缘校正融合的天际线检测算法。首先采用Gabor纹理特征和颜色特征提取天际线区域随机训练像素点的多特征值;接着采用SVM(Support Vector Machine)对多特征值训练得到分类器,从而得到初步分割后的天际线坐标位置;然后对预处理后的灰度化图像进行Canny边缘检测,并对初始坐标位置进行校正,最终得到天际线坐标位置。最后实验结果表明该算法能有效地检测出较复杂背景图像中的天际线位置,在一定程度上减少了图像中相关像素点的干扰,使检测出的天际线更加平滑。本文分别从天际线起始点、图像整体结构信息、特征提取等几个角度出发提出了四种天际线检测算法,提出的算法分别在内华达大学机器视觉实验室数据集上进行了测试,并与Li et al(Edges)、Gradient Info和SIFT+HOG Edges三种算法进行实验对比,实验结果表明提出的算法能够有效提高天际线的提取准确度,可以快速有效的检测出不单是直线、斜线的天际线,对于复杂背景下的天际线检测效果较好。