CN101887577B - 基于区域增长的侧扫声纳图像感兴趣区域提取方法 - Google Patents

Abstract

本发明提供的是一种基于区域增长的侧扫声纳图像感兴趣区域提取方法。发明采用L-G算子获取侧扫声纳图像声影区的种子区域和利用邻域灰度均值获取侧扫声纳图像声反射区的种子区域，然后考虑像素点相对种子区域的相似度作为生长条件，通过区域生长分别获取声影区和声反射区的提取结果，从而获得侧扫声纳图像的感兴趣区域的提取。从处理结果看，该方法对侧扫声纳图像的感兴趣区域提取有较好的效果。

Description

基于区域增长的侧扫声纳图像感兴趣区域提取方法

技术领域

本发明涉及的是一种数字图像处理方法。具体地说是一种侧扫声纳图像感兴趣区域提取方法。

背景技术

基于区域的侧扫声纳图像感兴趣区域提取是数字图像处理应用技术的重要内容之一。在数字图像处理的应用领域中，提取侧扫声纳图像的感兴趣区域是后续目标识别与分类处理、信息提取的前提。由于侧扫声纳图像自身特性，其感兴趣区域提取是数字图像处理技术的难题之一。

文献[1][2][3]均是有关侧扫声纳图像分割的算法，其中文献[1]利用可变邻域的局部方差来提取目标亮区，利用分形维数来提取目标阴影区，最后将目标亮区和目标阴影区的提取结果融合，得到最终的分割结果；文献[2]侧重讨论侧扫声纳图像中目标阴影区的提取，利用模糊C均值聚类的方法实现了目标阴影区分割；文献[3]运用动态轮廓和水平集的方法实现侧扫声纳图像的分割。

以上所查到的文献中均没有从区域增长的角度考虑侧扫声纳图像的分割，而该方法在光学图像、红外图像和医学图像分割中有较多的应用。

文献[4]中的区域增长算法假设区域是具有相同群体均值和方差的连通像素的集合。在进行增长时，不需要种子区域，因此需要从图像的第一个像素开始扫描，用新增像素动态更新种子区域的均值和方差，根据设定的统计量门限自动的划分区域。文献[5]中提出的区域增长算法运用Harris corner detect theory自动检测生长种子，以提高分割速度；其次针对图像和区域特征提取的不确定性，采用不确定理论中的云模型自动实现自适应分割门限的选取。仿真证实了该方法能有效的提取目标和平滑的边界。文献[6]中利用相对统计特征来提取用于区域生长的种子，采用了基于模糊隶属度的区域生长方法，对石块图像的分割有较好的效果。文献[7]针对图像中目标的特点，选取图像中最大的像素值作为相应的种子点，然后依据灰度相似性判决生长出目标区域，对红外图像由较好的效果。文献[8]中以子区域作为种子，采用区域像素平均距离作为区域一致性标准，实施区域增长，能够较好抑制噪声，取得较好的分割结果。文献[9]中的分割算法首先交互选择多个不同区域的种子点，利用种子点的邻域构造训练样本，然后用已知的训练样本训练支持向量分类器，最后用所得到的支持向量模型建立增长规则，且采用并行竞争增长策略，得到了较好的分割效果。

本发明涉及到的参考文献包括：

[1]Xingmei Wang；Huanran Wang；Xiufen Ye；Lin Zhao；Kejun Wang.A novelsegmentation algorithm for side-scan sonar imagery with multi-object.2007IEEEInternational Conference on Robotics and Biomimetics，p 2110-14，2007；

[2]Stitt，J.P.；Tutwiler，R.L.；Lewis，A.S.Fuzzy c-means image segmentation of side-scansonar images.Proceedings of the IASTED International Conference Signal and ImageProcessing，p 27-32，2001；

[3]Lianantonakis，M.；Petillot，Y.R.Sidescan sonar segmentation using active contours andlevel set methods.Oceans 2005-Europe，p 719-24 Vol.1，2005.

[4]Haralick，Robert M.，Shapiro，Linda G.Computer Vision，Graphics，and ImageProcessing，v 29，n 1，p 100-132，Jan 1985；

[5]Weihong Cui，Zequn Guan，Zhiyi Zhang.An improved region growing algorithm forimage segmentation.2008International Conference on Computer Science and SoftwareEngineering(CSSE 2008)，93-6，2008；

[6]杨强，吴中福，余萍.一个基于区域生长的石块图像分割系统.计算机科学，Vol.31，No.9，2004；

[7]李久贤，夏良正.基于区域生长的红外图像分割.南京理工大学学报，Vol.26，Dec.2002；

[8]张铭钧，历妍，杨杰.基于子区域生长的移动机器人视觉图像分割.北京理工大学学报，Vol.29，No.7，Jul.2009；

[9]胡正平，吴燕，张晔.基于支持向量学习的多目标并行区域增长图像分割算法研究.系统仿真学报，Vol.17 No.11，Nov，2005。

发明内容

本发明的目的在于提供一种对侧扫声纳图像的感兴趣区域提取有较好的效果的基于区域增长的侧扫声纳图像感兴趣区域提取方法。

本发明的目的是这样实现的：

本发明的基于区域增长的侧扫声纳图像感兴趣区域提取方法包括如下步骤：

1.对原始图像进行预处理，滤波去噪，得到图像A；

2.L-G算子处理预处理后的图像，滤出所有结果为零的点，得到图像B；

3.选出图像B面积最大的连通区域，在图像A中找到相应位置处的像素点作为侧扫声纳图像声影区的种子，并且计算种子区域内的均值

和散度S²；

4.对图像B中面积最大的连通区域进行膨胀运算；

5.计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；

6.重复步骤5至没有像素满足条件为止，相应得到的连通区域作为声影区的提取结果；

7.考虑图像A的每一个像素点3×3的邻域均值，滤出邻域均值大于图像A整体均值一定倍数的点，得到图像C，选出图像C中面积不小于最大连通区域面积0.1倍的所有连通区域，对应图像A相应位置处的像素作为侧扫声纳图像声反射区的种子，并分别计算种子区域内的均值

和散度S²；

8.对图像C中选出的连通区域分别进行膨胀运算；

9.计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；

10.重复步骤9至没有像素满足条件为止，相应得到的连通区域作为声反射区的提取结果；

11.将声影区的提取结果和声反射区的提取结果融合，作为最终的侧扫声纳图像感兴趣区域提取结果。

发明采用L-G(拉普拉斯-高斯)算子获取侧扫声纳图像声影区的种子区域和利用邻域灰度均值获取侧扫声纳图像声反射区的种子区域，然后考虑像素点相对种子区域的相似度作为生长条件，通过区域生长分别获取声影区和声反射区的提取结果，从而获得侧扫声纳图像的感兴趣区域的提取。本发明方法采取了与Haralick与Shapiro提出的区域增长算法相同的相似准则，但不是直接从图像的第一个像素开始执行，直至将整幅图像划分为各个不同类型的区域；而是结合侧扫声纳图像的特点，先利用本发明中论述的方法分别提取目标亮区和目标阴影区的种子区域，然后让该算法从种子区域开始执行，提取到了目标亮区和目标暗区。这样做使得该算法避免了从图像的第一个像素开始执行，从而节约了大量的处理时间。同时该发明方法提取的亮区种子和暗区种子均是一块小的区域，不同于传统的区域增长方法是一个或几个像素点，这样使得种子的特性更完备，也能节约增长时间。从处理结果看，该方法对侧扫声纳图像的感兴趣区域提取有较好的效果。

附图说明

图1为原图像；

图2为预处理图像

图3为L-G算子处理的结果；

图4为提取的声影区的种子区域；

图5声影区种子区域增长的结果；

图6为邻域灰度均值滤出的结果；

图7为提取的声反射区的种子区域；

图8声反射区种子区域增长的结果；

图9感兴趣区域提取的最终结果。

图10该发明方法的整体处理流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1.对原始图像如图1所示进行预处理，主要目的是平滑去噪得到图2。

2.L-G算子处理图2，滤出所有结果为零的点，得到图3。

即用如下的模板对预处理后的图像进行滤波处理，结果为零的点即是所要寻找的点。

$\left(\begin{array}{ccccc}0& 0& -1& 0& 0\\ 0& -1& -2& -1& 0\\ -1& -2& 16& -2& -1\\ 0& -1& -2& -1& 0\\ 0& 0& -1& 0& 0\end{array}\right)$

3.选出图3中面积最大的连通区域得到图4，在图像2中找到相应位置处的像素点作为侧扫声纳图像声影区的种子，并且计算种子区域内的均值

和散度S²。

区域R内包含N个像素，定义区域均值

和散度S²为：

$\stackrel{\‾}{X}=\frac{1}{N}\underset{[r,c]\∈R}{\mathrm{\Σ}}I[r,c]---\left(1\right)$

$S^2=\underset{[r,c]\∈R}{\mathrm{\Σ}}{\left(I\right[r,c]-\stackrel{\‾}{X})}^2---\left(2\right)$

其中R为区域；N为区域R内像素数目；I[r，c]为(r，c)处的像素灰度值。

4.对图像4进行膨胀运算。

5.计算图像2中与膨胀结果对应位置处的每一个新像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀。相似度的计算如下所述：

设某像素的灰度值为y，区域R中的所有像素与测试像素y是相互独立的，且具有相同的分布态，下面的统计量服从T_N-1分布。

$T={[\frac{(N-1)N}{N+1}{(y-\stackrel{\‾}{X})}^2/S^2]}^{1/2}---\left(3\right)$

其中N为区域R中像素数目；

为区域R内像素值的均值；S²为区域R内像素值的散度。

如果T足够小，y就加入到区域R，利用y对均值和离散度进行更新。这里T应该有一个门限，当门限太大时，增长将没有限制；当门限太小时，增长将不能进行下去；所以门限的取值应该是一个范围，只要在这个范围之内均可；图2对应的范围为3.3-6.25。由于侧扫声纳图像自身特性的差异，不可能要求所有的侧扫声纳图像的该门限都一样。

新的均值和散度如下：

${\stackrel{\‾}{X}}_{\mathrm{new}}=(N{\stackrel{\‾}{X}}_{\mathrm{old}}+y)/(N+1)---\left(4\right)$

$S_{\mathrm{new}}^2=S_{\mathrm{old}}^2+{(y-{\stackrel{\‾}{X}}_{\mathrm{new}})}^2+N{({\stackrel{\‾}{X}}_{\mathrm{new}}-{\stackrel{\‾}{X}}_{\mathrm{old}})}^2---\left(5\right)$

其中N为区域R中像素数目；

为区域R内像素值的均值；为更新后的区域内像素值的均值；为区域R内像素值的散度；

为更新后的区域内像素值的散度。

6.重复步骤5至没有像素满足条件为止，相应得到的连通区域作为声影区的提取结果，如图5所示。

7.考虑预处理结果图像的每一个像素点3×3的邻域均值，滤出邻域均值大于预处理结果图像整体均值一定倍数的点，得到图6；选出图6中面积不小于其中最大连通区域面积0.1倍的所有连通区域，得到图7。对应图2相应位置处的像素作为侧扫声纳图像声反射区的种子，并且计算种子区域内的均值和散度S²。

令(x，y)为图像中某一像素的坐标，令S_xy为已确定大小的邻域(可以理解为子图像)，其中心为(x，y)。邻域的平均值为m_Sxy：

$m_{\mathrm{Sxy}}=\underset{(s.t)\∈\mathrm{Sxy}}{\mathrm{\Σ}}{r}_{s,t}p\left(r_{s,t}\right)---\left(6\right)$

此处的r_s，t是在邻域中坐标(s，t)处的灰度，且p(r_s，t)是该邻域内的概率分布。针对水声图像目标区域面积占图像总面积的比例小，整体均值小，随机噪声大量存在的特点，对于某一像素点处的邻域不能取得太大，考虑一个像素点的3×3邻域即可，此时可以直接进行求和平均。在一个像素点的邻域内，当邻域均值与整体均值的比值大于某一门限，则可判定该像素点处于处在声反射区。

$g(x,y)=\left\{\begin{array}{c}1,m_{\mathrm{Sxy}}\≥k{M}_G\\ 0,\mathrm{else}\end{array}\right.---\left(7\right)$

上式中是m_Sxy邻域均值，M_G是全局均值，k是系数，通常取值在2～3之间。所得到的g(x，y)为声反射区的二值结果。

8.对图7进行膨胀运算。

9.计算图2中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀。相似度的计算同声影区。声反射区的统计门限范围为1.2-3.7。

10.重复步骤9至没有像素满足条件为止，相应得到的连通区域作为声反射区的提取结果，如图8所示。

11.将声影区的提取结果和声反射区的提取结果融合，作为最终的侧扫声纳图像感兴趣区域提取结果，得到图9。

Claims (1)

1.一种基于区域增长的侧扫声纳图像感兴趣区域提取方法，其特征是：

(1)对原始图像进行预处理，滤波去噪，得到图像A；

(2)L-G算子处理预处理后的图像，滤出所有结果为零的点，得到图像B；

(3)选出图像B面积最大的连通区域，在图像A中找到相应位置处的像素点作为侧扫声纳图像声影区的种子，并且计算种子区域内的均值

和散度S²；

(4)对图像B中面积最大的连通区域进行膨胀运算；

(5)计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；其中相似度的计算按下式进行：

$T={[\frac{(N-1)N}{N+1}{(y-\stackrel{\‾}{X})}^2/S^2]}^{1/2}$

其中y为测试像素的灰度值，N为区域中像素数目，为区域中像素值的均值，S²为区域中像素值的散度；

针对不同的图像为T设置门限，当T的值小于门限值时，认为满足相似度要求；

(6)重复步骤(5)至没有像素满足条件为止，相应得到的连通区域作为声影区的提取结果；

(7)考虑图像A的每一个像素点3×3的邻域均值，滤出邻域均值大于图像A整体均值一定倍数的点，得到图像C，选出图像C中面积不小于最大连通区域面积0.1倍的所有连通区域，对应图像A相应位置处的像素作为侧扫声纳图像声反射区的种子，并分别计算种子区域内的均值

和散度S²；

(8)对图像C中选出的连通区域分别进行膨胀运算；

(9)计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；

(10)重复步骤(9)至没有像素满足条件为止，相应得到的连通区域作为声反射区的提取结果；

(11)将声影区的提取结果和声反射区的提取结果融合，作为最终的侧扫声纳图像感兴趣区域提取结果。

Images