CN103577826A - 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 - Google Patents

合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 Download PDF

Info

Publication number
CN103577826A
CN103577826A CN201210259850.4A CN201210259850A CN103577826A CN 103577826 A CN103577826 A CN 103577826A CN 201210259850 A CN201210259850 A CN 201210259850A CN 103577826 A CN103577826 A CN 103577826A
Authority
CN
China
Prior art keywords
target
shade
extraction
image
feature space
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201210259850.4A
Other languages
English (en)
Inventor
丁雪洁
解恺
刘维
刘纪元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Acoustics CAS
Original Assignee
Institute of Acoustics CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Acoustics CAS filed Critical Institute of Acoustics CAS
Priority to CN201210259850.4A priority Critical patent/CN103577826A/zh
Publication of CN103577826A publication Critical patent/CN103577826A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统,该提取目标特征的方法包括:提取阴影几何特征,所述阴影几何特征包括:目标阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,得到由阴影的几何特征构成特征空间;提取目标归一化中心矩,得到由目标归一化中心矩所构成的特征空间;提取背景、目标、阴影的统计特性参数差异特征,得到形状参数和尺度参数,进而得到基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间,由上述三个特征空间构成新的特征空间。采用本发明提供的方法能有效地表征水下物体,有利于合成孔径声纳图像的检测和识别。

Description

合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统
技术领域
本发明涉及合成孔径声纳(Synthetic Aperture Sonar,简称SAS)图像检测与识别领域,具体地说,本发明涉及一种合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统。
背景技术
合成孔径声纳是一种高分辨率的水下成像声纳,其可以获得高质量的水下图像。合成孔径技术利用多个回波相干叠加得到一个孔径,从而能够得到在方位向和距离向精度很高的图像。近年来,合成孔径声纳图像的自动检测与分类具有重要的研究价值。水下成像声纳识别系统(也就是合成孔径声纳图像目标识别系统)的处理步骤包括:图像的预处理、图像的分割、特征提取和分类判决等。其中,在特征提取步骤中,关键是如何构建特征空间。因为特征空间是进行水下目标识别和分类的重要依据,所以选择不同的特征集合会产生不同的识别率和分类效果。通过特征空间就能够体现图像所包含的物体(也就是所感兴趣的目标)。在传统的图像目标(即物体的成像结果)识别算法中,常常采用不变矩作为目标的特征,但是合成孔径声纳图像往往受到较大的噪声干扰,目标边界较模糊,若仅使用不变矩来提取目标的特征时常常会引起分类的错误。虽然采用链码离散曲率可以对RD仿真产生的SAS图像进行分类,但没有考虑目标的阴影信息。然而,在SAS的识别中,阴影信息可以提供通过目标区域本身不能得到的互补信息。因此,传统的方法因为没有考虑目标的阴影信息,所以不利于合成孔径声纳图像的检测和识别。
发明内容
本发明的目的在于:提供一种合成孔径声纳图像的目标特征提取方法,其能够有效地表征目标的信息,提高了合成孔径声纳图像目标识别系统的分类准确度,有利于合成孔径声纳图像的检测和识别。
为了解决上述技术问题,本发明是通过以下方法来解决的:
提取阴影几何特征的步骤,该阴影几何特征包括:目标阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,由阴影几何特征构成特征空间f1
提取目标归一化中心矩的步骤,用于得到由目标归一化中心矩所构成的特征空间f2
提取背景、目标、阴影的统计特性参数差异特征的步骤,用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;
利用特征空间f1、特征空间f2、特征空间f3构建一集合,得到特征空间f=(f1,f2,f3)
作为上述方法的一种改进,提取阴影几何特征的步骤具体包括:
提取阴影的面积A:通过统计并计算图像边界内部的像素数目,具体的是用过下述公式得到面积特征;
Figure BDA00001929245200021
其中,f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素;
提取阴影的周长p:该周长为阴影轮廓C上像素的个数,即:
Figure BDA00001929245200022
提取偏心率r:偏心率是指阴影自身长轴与短轴的比值,即:
Figure BDA00001929245200023
其中,EL表示长轴,该长轴定义为目标轮廓上相距最远的两个像素点之间的连线;ES表示短轴,该短轴定义为与长轴相垂直的连线;
提取形状参数F:该形状参数用来描述阴影所在区域的紧凑性,并且定义为:F=A/p2
提取方向值θ:该方向值为长轴方向与水平轴的夹角,即:θ=∠(EL,x),其中,“∠”表示两者的夹角;
提取目标与阴影两者最大宽度的比值W:该比值为目标长轴与阴影长轴的比值,即:其中,EoL表示目标的长轴,ESL表示阴影的长轴;
由上述阴影区域几何特征所组成的特征空间为f1(A,p,r,F,θ,W)。
作为上述方法的另一种改进,提取目标归一化中心矩的步骤包括:
求解f(x,y)的(p+q)阶中心矩mpq的离散型公式:
Figure BDA00001929245200025
其中f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素,然后求解,
Figure BDA00001929245200026
Figure BDA00001929245200031
则归一化的中心矩cpq由公式 c pq = Σ x Σ y ( x - x ‾ ) p ( y - y ‾ ) q f ( x , y ) 得到,则:目标的归一化中心距Cpq由公式
Figure BDA00001929245200033
得到,
其中,
Figure BDA00001929245200034
(p+q)=2,3,4......,Cpq选取C11、C02、C20、C12、C21、C30和C03,则由目标归一化中心矩所构成的特征空间为f2=(C11,C02,C20,C12,C21,C30,C03)
作为上述方法的再一种改进,根据像素灰度值的威布尔分布的概率密度公式:
W ( y , min , λ , ξ ) = λ ξ ( y - min ξ ) λ - 1 exp ( - ( y - min ) λ ξ λ ) ,
求解似然函数: L ( y , λ , ξ ) = Π i = 1 M ( λ ξ ) ( y i ξ ) λ - 1 exp [ - ( y i ξ ) λ ] ,
式中:min表示图像中的最小像素;y=(y1,y2…yn),其是威布尔分布中的一个容量为n的样本,y表示图像中各像素点的灰度值,y>min;λ为形状参数;ξ表示尺度参数,ξ>0;
然后对取了对数的似然函数进行求解,并分别对λ,ξ求导,令导数为0,解方程组即可求解;
由最大似然估计,可以得到如下的参数估计值:
Σ i = 1 M ( y i λ ln y i ) Σ i = 1 M y i λ - 1 M Σ i = 1 M ln y i = 1 λ
min ≈ y ^ min - 1
ξ ^ = ( 1 M Σ i = 1 M y i ξ ^ ) 1 ξ ^
式中:yi表示标号为i的像素灰度值,
Figure BDA000019292452000310
表示图像灰度级序列中的最小像素灰度值,采用迭代收敛的方法求解
Figure BDA000019292452000311
值;
求出三个形状参数λS、λB、λH及三个尺度参数ξS、ξH、ξB,其中,角标S表示阴影,B表示背景区域,H表示目标,
再求出ΔλSB、ΔλHB、ΔλSH、ΔξSH、ΔξSB、ΔξHB的值,其中ΔλSB=λSB表示的是同一目标在一副图像中阴影区域的λ与背景区域的λ的差值,以此类推,求出ΔλHB、ΔλSH、ΔξSH、ΔξSB、ΔξHB的值;
最后得到基于图像统计特性的特征空间:
f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH)
为解决上述技术问题,本发明还提供一种合成孔径声纳图像的识别方法,其包括:图像的预处理和分割步骤、特征提取步骤、分类判决步骤;其中,图像的预处理和分割步骤用于去除图像中的噪声并增强图像的对比度;该特征提取步骤包括:提取阴影几何特征的步骤、提取目标归一化中心矩的步骤、提取背景、目标、阴影的统计特性参数差异特征的步骤,提取阴影几何特征的步骤中的阴影几何特征包括:目标阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,则由阴影的几何特征构成特征空间f1;提取目标归一化中心矩的步骤用于得到由目标归一化中心矩所构成的特征空间f2;提取背景、目标、阴影的统计特性参数差异特征的步骤用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;根据特征空间f1、特征空间f2、特征空间f3构建一集合,得到特征空间f=(f1,f2,f3);分类判决步骤用于对目标进行识别。
为解决上述技术问题,本发明还提供一种合成孔径声纳图像的目标特征提取装置,该目标特征提取装置包括阴影几何特征提取单元、目标归一化中心矩提取单元、背景、目标、阴影的统计特性参数差异特征提取单元,其中,阴影几何特征提取单元用于提取如下阴影几何特征:阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,并利用阴影的几何特征构成特征空间f1;目标归一化中心矩提取单元用于得到由目标归一化中心矩所构成的特征空间f2;背景、目标、阴影的统计特性参数差异特征提取单元用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;该目标特征提取装置根据特征空间f1、特征空间f2、特征空间f3构建一集合,输出特征空间f=(f1,f2,f3)。
为解决上述技术问题,本发明还提供一种合成孔径声纳图像的目标识别系统,其包括:图像的预处理和分割装置、特征提取装置、分类判决装置;其中,图像的预处理和分割装置用于去除图像中的噪声并增强图像的对比度;特征提取装置用于提取特征并构造特征空间,该特征提取装置采用了上述合成孔径声纳图像的目标特征提取装置;分类判决装置用于对目标进行识别。
与现有技术相比,本发明具有以下优点:
由于本发明考虑了目标阴影的几何特征,通过无监督的k-均值聚类算法对三类目标进行分类,分类结果表明,本发明提供的新的特征空间能够较好的表征目标的特征,提高了合成孔径声纳图像目标识别系统的分类准确度,有利于合成孔径声纳图像的检测和识别,提高了合成孔径声纳图像的理解能力和解译能力;
因为威布尔分布模型的自适应性可以较准确地描述SAS图像各区域的分布特性。目标、阴影及背景区域的威布尔分布参数存在差异,并且不同目标之间也存在较大差异。因此,将背景、目标、阴影的统计特性参数差异特征作为新的特征引入到特征空间中来,可以提高目标的可识别性。
附图说明
图1为现有水下成像声纳识别系统处理图像的流程图;
图2(a)为掩埋物体的合成孔径声纳图像;
图2(b)为采用马尔科夫随机场对掩埋物体的合成孔径声纳图像分割后的图像;
图2(c)为图2(a)中的掩埋物体的目标与图2(b)中的分割结果的边缘的拟合图;
图3(a)为圆柱形物体的合成孔径声纳图像;
图3(b)为采用马尔科夫随机场对圆柱形物体的合成孔径声纳图像分割后的图像;
图3(c)为图3(a)中的圆柱形物体的目标与3(b)中的分割结果的边缘的拟合图;
图4(a)为自然物体的合成孔径声纳图像;
图4(b)为采用马尔科夫随机场对自然物体的合成孔径声纳图像分割后的图像;
图4(c)为图4(a)中的自然物体的目标与4(b)中的分割结果的边缘的拟合图;
图5为合成孔径声纳图像目标识别系统框图。
附图标记
1、图像的预处理和分割模块    2、特征提取模块    3、分类判决模块
4、阴影几何特征提取单元    5、目标归一化中心矩提取单元
6、背景、目标、阴影的统计特性参数差异特征提取单元
具体实施方式
下面结合具体附图和实施例对本发明做详细的阐述。
图1显示的是现有水下成像声纳识别系统处理图像的步骤,其包括:图像预处理、图像分割、特征提取、分类判决。本发明提供的实施方式对特征提取步骤进行了改进。
在本发明实施例中,采用物体A表示掩埋物体,用物体B表示圆柱形物体,用物体C表示自然物体。图2(a)为掩埋物体的合成孔径声纳图像;图2(b)为采用马尔科夫随机场对掩埋物体的合成孔径声纳图像分割后的图像;图2(c)为图2(a)中的掩埋物体的目标与图2(b)中的分割结果的边缘的拟合图;图3(a)为圆柱形物体的合成孔径声纳图像;图3(b)为采用马尔科夫随机场对圆柱形物体的合成孔径声纳图像分割后的图像;图3(c)为图3(a)中的圆柱形物体的目标与3(b)中的分割结果的边缘的拟合图;图4(a)为自然物体的合成孔径声纳图像;图4(b)为采用马尔科夫随机场对自然物体的合成孔径声纳图像分割后的图像;图4(c)为图4(a)中的自然物体的目标与4(b)中的分割结果的边缘的拟合图。
本发明实施方式的主要构思是:首先对图像进行预处理,即:分别采用均值滤波算法去除噪声,并用直方图均衡方法来增强图像对比度。其中,均值滤波算法是典型的线性滤波算法,它是指在图像上给目标像素一个模板,该模板包括了其周围的临近像素(以目标象素为中心的周围8个像素,构成一个滤波模板,即去掉目标像素本身),再用模板中的全体像素的平均值来代替原来像素值;直方图均衡方法是指利用图像直方图对对比度进行调整的方法。这两种方法均为现有技术,在此不作详述。其次,采用基于马尔科夫随机场的分割算法对图像进行分割,将原图像分为三部分,即:目标、阴影(就是目标的阴影)和背景,目标、阴影和背景在图像上呈现出一定的区域,在本发明实施方式中,目标是指通过水下成像声纳识别系统(也就是合成孔径声纳图像目标识别系统)获得的、预处理的物体成像结果(也就是实际物体在数字图像中形成的区域)(如图2(a)、3(a)、4(a)),阴影是指实际物体阴影在图像中的成像结果(见图2(b)、3(b)和4(b)的黑色区域),背景为实际物体周围环境的成像。马尔可夫性质指的是一个随机变量序列按时间先后关系依次排开的时候,第N+1时刻的分布特性,与N时刻以前的随机变量的取值无关。具有这种性质的随机过程就叫做马尔科夫过程。当给每一个位置中按照某种分布随机赋予相空间的一个值之后,其全体就叫做随机场。再者,鉴于Fandos R,Zoubir A.M通过实验验证SAS图像不同种类目标统计参数的特性有利于识别SAS图像中的目标,本发明的实施方式还通过提取背景、目标、阴影之间的统计参数差异特征,来表征目标的信息。本发明实施方式通过对物体的合成孔径声纳图像进行分析,得出由目标的归一化中心矩构成的特征空间、由目标阴影区域的几何特征构成的特征空间,以及由背景、目标、阴影之间的统计参数差异特征构成的特征空间,由这三个特征空间构成一个新的特征空间,能够很好地描述该物体,进而合成孔径声纳图像目标识别系统利用本发明实施方式最终得到的特征空间,可以判断该物体为何物。
步骤一:在进行特征提取之前,需要找到感兴趣的区域
本发明实施例选取目标及其阴影所在的区域;采用均值滤波方法去除噪声,并用直方图均衡方法增强图像的对比度,然后,采用基于马尔科夫随机场的分割算法对原始图像(如图2(a)、图3(a)、图4(a))进行分割,该分割方法为本领域的公知常识,在此不作详述。
步骤二:提取目标阴影的几何特征
(1)提取阴影的面积A
面积为物体尺寸的一种度量方式,通过统计并计算图像边界内部的像素数目,即可得到目标阴影的面积,具体的是用过下述公式得到面积特征:
Figure BDA00001929245200071
其中,f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素,当给定了一幅图像后该f(x,y)即可确定。
(2)提取阴影的轮廓长度,即周长p
该周长可用轮廓C上像素的个数表示,即:
Figure BDA00001929245200072
(3)提取偏心率r
偏心率是指阴影自身长轴与短轴的比值,即:
Figure BDA00001929245200073
其中,EL表示长轴,该长轴定义为目标轮廓上相距最远的两个像素点之间的连线;ES表示短轴,该短轴定义为与长轴相垂直的连线。
(4)提取形状参数F
该形状参数用来描述阴影所在区域的紧凑性,并且定义为:F=A/p2
(5)提取方向值θ
该方向值为长轴方向与水平轴的夹角,即:θ=∠(EL,x),其中,“∠”表示两者的夹角。
(6)提取目标与阴影两者最大宽度的比值W
该比值为目标长轴与阴影长轴的比值,即:其中,EoL表示目标的长轴,ESL表示阴影的长轴。
故,由阴影区域几何特征所组成的特征空间为f1(A,p,r,F,θ,W),其中,f1(A,p,r,F,θ,W表示A、p、r、F、θ、W的集合(即特征集合,也可以说是矩阵)。
表1:
表1显示了阴影的几何特征数据均值,由表1可知,物体A的面积与周长均大于物体B与C的面积与周长,物体B的偏心率低于物体A和C;方向角最大的是物体B,阴影与目标的宽度值上三类物体相差并不大。
表1中的数值都是平均值,是指多个同类目标的偏心率的平均值。求法如下,比如表1中的物体A的面积是将所有物体A的面积相加再除以物体A的个数。公式表示为:
Figure BDA00001929245200082
其中Ai指第i个A物体的面积,N是指A物体的个数。
步骤三:提取目标的归一化中心矩
对于一幅二值数字图像,如果数字图像大小是M*N的形式,则f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素,因此x=1,…M表示图像横坐标位置范围为最小1、最大为M的整数,y=1…N表示图像纵坐标范围最小为1、最大为N的整数。
,则在离散状态下,f(x,y)的(p+q)阶中心矩mpq为:
m pq = Σ x Σ y x p y p f ( x , y ) - - - ( 1 )
若令f(x,y)=1,则m00表示目标所在区域的面积,(m10,m01)为目标所在区域的质心坐标,则归一化的中心矩cpq为:
c pq = Σ x Σ y ( x - x ‾ ) p ( y - y ‾ ) q f ( x , y ) - - - ( 2 )
故,目标的归一化中心距Cpq为:
C pq = c pq c pq k , 其中, k = 1 + p + q 2 , (p+q)=2,3,4......, x ‾ = m 10 m 00 , y ‾ = m 01 m 00 .
需要说明的是,在本领域中,Cpq选取C11、C02、C20、C12、C21、C30和C03,Cpq取其它值时的意义不大,因此,由目标归一化中心矩所构成的特征空间为f2=(C11,C02,C20,C12,C21,C30,C。
表2:
Figure BDA00001929245200091
表2显示了目标归一化中心矩数据均值,由表2可知,在归一化中心矩中,三类物体在绝对值上差距明显。
步骤四:提取背景、目标、阴影的统计特性参数差异特征
利用威布尔分布模型的自适应性可以较准确地描述SAS图像各区域的分布特性。假设SAS图像中目标、阴影和背景均服从威布尔分布即W(λOO)W(λSS)W(λBB),其中角标O代表目标,角标S代表阴影,角标B代表背景,威布尔分布模型中含有多个自由度,参数取值的不同可得到多种不同的分布特性,像素灰度值的威布尔分布的概率密度为:
W ( y , min , λ , ξ ) = λ ξ ( y - min ξ ) λ - 1 exp ( - ( y - min ) λ ξ λ ) - - - ( 3 )
式中:min表示图像中的最小像素;y=(y1,y2…yn),其是威布尔分布中的一个容量为n的样本,y表示图像中各像素点的灰度值,y>min;λ为形状参数;ξ表示尺度参数,ξ>0;则对应的似然函数为:
Figure BDA00001929245200093
对其求解对数似然函数,并分别对λ,ξ求导,令导数为0,解方程组即可求解。
由最大似然估计,可以得到如下的参数估计值:
Σ i = 1 M ( y i λ ln y i ) Σ i = 1 M y i λ - 1 M Σ i = 1 M ln y i = 1 λ - - - ( 4 )
min ≈ y ^ min - 1 - - - ( 5 )
ξ ^ = ( 1 M Σ i = 1 M y i ξ ^ ) 1 ξ ^ - - - ( 6 )
式中:yi表示标号为i的像素灰度值,表示图像灰度级序列中的最小像素灰度值,公式(5)求得min的最大似然估计值,根据公式(4)、(5)、(6),采用迭代收敛的方法求解
Figure BDA00001929245200103
值。最大似然估计和威布尔分布的参数求解是本领域中的公知常识,在此不作详述。通过求解各类目标不同部分之间参数的差异作为新的特征。基于图像统计特性所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,角标S表示阴影,B表示背景区域,H表示目标,在每一幅图像中都可以求出三个形状参数λS、λB、λH及三个尺度参数ξS、ξH、ξB,ΔλSB=λSB表示的是同一目标在一副图像中阴影区域的λ与背景区域的λ的差值,类似地,可以求出ΔλSB、ΔλHB、ΔλSH、ΔξSH、ΔξSB、ΔξHB的差值。
综上所述,根据步骤二至步骤四得到的特征空间,构建一新的集合,得到新的特征空间f=(f1,f2,f3),即:
f=(A,p,r,F,θ,W,C11,C02,C20,C12,C21,C30,C03,ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),通过该特征空间f就可以表征水下的实际物体。
虽然本发明实施方式是依次求得f1、f2、f3后再求出新特征空间f的,但是不能作为限制本发明的实施方式。
表3:
Figure BDA00001929245200104
表3显示的是统计特性特征数据均值,由表3可知,物体B的阴影与背景形状参数相差最大,物体C的目标与背景形状参数相差大于物体A和物体B。尺度参数阴影与背景的差异物体C的绝对值最大,目标与背景三类无明显差别,阴影与目标的差异尺度函数上自然目标绝对值最大,物体A与物体B相差不大,物体B略高于物体A。
威布尔分布模型的自适应性可以较准确地描述SAS图像各区域的分布特性。目标、阴影区域及背景区域的威布尔分布参数不同,它们之间存在差异,并且不同目标之间的这种差异也存在较大不同。因此,将这种差异作为新的特征引入到特征空间中来,可以提高可识别性。
虽然在上述实施方式中,是按照步骤一至步骤四的顺序进行描述的,但是该描述顺序并不作为得到特征空间f的限制,其中的步骤二至步骤四也可以以其他任意顺序完成。
为了验证新的特征空间在有效性,采用k-均值聚类算法对三类目标进行分类判决。
由于是基于非监督分类,因此所有的样本均作为聚类的样本数据,其算法如下:
(1)设置类别数为k,为每个类别的聚类中心赋初值{z1(l),z2(l),…zk(l)},其中,zj(l)代表第l次迭代的聚类中心值,j=1,2,……k;
(2)计算每个样本数据与聚类中心的距离D(fi,Zw(l)),w=1,2,……k,i=1,2,……k,若D(fi,zw(l))=min{D(fi,zj(l)},则fi∈Sw(l);Sw(l)代表第l次迭代时类别w的全体;
(3)计算新的聚类中心zj(l+1);
(4)判断是否收敛zj(l)=zj(l+1),否则返回步骤(2);
正确率r是正确分类的个数right比上总的个数N,即:
Figure BDA00001929245200111
表4:
Figure BDA00001929245200112
表5:
Figure BDA00001929245200113
表6:
Figure BDA00001929245200121
表4显示了采用特征空间f1对三类水下物体的分类结果,表5显示了采用特征空间(f1,f2)的分类结果,表6显示了采用新的特征空间f的分类结果。由表4-6可知,与选用特征空间f1和特征空间(f1,f2)的分类结果相比可知,A类物体的分类正确率分别提高了16%和8%;B类物体的分类正确率分别提高了4%和2%;C类物体的分类正确率分别提高了12.5%和0%。综上可知,选用新的特征空间对区分水下三类物体(掩埋物体、圆柱形物体、自然物体)是具有有效性的。
通过上述分类判决分析可知,本发明实施例提供的目标阴影几何特征提取步骤、目标的归一化中心矩提取步骤,以及背景、目标、阴影的统计特性参数差异特征的提取步骤能够应用于合成孔径声纳图像目标识别系统中,并对合成孔径声纳图像进行识别,能够提高合成孔径声纳图像目标识别系统对三类目标的分类准确度。
本发明还提供一种合成孔径声纳图像的目标识别系统的实施方式,如图5所示,该目标识别系统用于实现上述步骤一至步骤四,该系统包括:
图像的预处理和分割装置1、特征提取装置2、分类判决装置3;其中,图像的预处理和分割装置用于去除图像中的噪声并增强图像的对比度;该特征提取装置(也就是目标特征提取装置)包括:阴影几何特征提取单元4、目标归一化中心矩提取单元5、背景、目标、阴影的统计特性参数差异特征提取单元6,阴影几何特征提取单元4用于提取如下阴影几何特征:阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,并利用阴影的几何特征构成特征空间f1;目标归一化中心矩提取单元5用于得到由目标归一化中心矩所构成的特征空间f2;背景、目标、阴影的统计特性参数差异特征提取单元6用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;该特征提取模块利用特征空间f1、特征空间f2、特征空间f3得到特征空间f=(f1,f2,f3);分类判决装置用于对目标进行识别。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种合成孔径声纳图像的目标特征提取方法,其特征在于:该方法包括以下步骤:
提取阴影几何特征的步骤,所述阴影几何特征包括:目标阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,由所述阴影几何特征构成特征空间f1
提取目标归一化中心矩的步骤,用于得到由目标归一化中心矩所构成的特征空间f2
提取背景、目标、阴影的统计特性参数差异特征的步骤,用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;
利用所述特征空间f1、所述特征空间f2、所述特征空间f3构建一集合,得到特征空间f=(f1,f2,f3)。
2.根据权利要求1所述的方法,其特征在于,所述提取阴影几何特征的步骤包括:
提取阴影的面积A:通过统计并计算图像边界内部的像素数目,具体的是用公式
Figure FDA00001929245100011
得到面积特征,其中,f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素;
提取阴影的周长p:该周长为阴影轮廓C上像素的个数,即:
提取偏心率r:所述偏心率是阴影自身长轴与短轴的比值,即:其中,EL表示长轴,该长轴定义为目标轮廓上相距最远的两个像素点之间的连线;ES表示短轴,该短轴定义为与长轴相垂直的连线;
提取形状参数F:该形状参数用来描述阴影所在区域的紧凑性,并且定义为:F=A/p2
提取方向值θ:该方向值为长轴方向与水平轴的夹角,即:θ=∠(EL,x),其中,“∠”表示两者的夹角;
提取目标与阴影两者最大宽度的比值W:该比值为目标长轴与阴影长轴的比值,即:
Figure FDA00001929245100021
其中,EoL表示目标的长轴,EsL表示阴影的长轴;
由上述阴影区域几何特征所组成的特征空间为f1(A,p,r,F,θ,W)。
3.根据权利要求1所述的方法,其特征在于,所述提取目标归一化中心矩的步骤包括:
求解f(x,y)的(p+q)阶中心矩mpq的离散型公式:
Figure FDA00001929245100022
其中,f(x,y)表示在图像中横坐标为x,、纵坐标为y的像素,
然后求解, x ‾ = m 10 m 00 , y ‾ = m 01 m 00 ,
再由公式 c pq = Σ x Σ y ( x - x ‾ ) p ( y - y ‾ ) q f ( x , y ) 求解归一化的中心矩cpq
则:由公式得到目标的归一化中心距Cpq
其中,
Figure FDA00001929245100027
(p+q)=2,3,4......,Cpq选取C11、C02、C20、C12、C21、C30和C03,则由目标归一化中心矩所构成的特征空间为f2=(C11,C02,C20,C12,C21,C30,C03)。
4.根据权利要求1所述的方法,其特征在于,所述提取背景、目标、阴影的统计特性参数差异特征的步骤包括:
根据像素灰度值的威布尔分布的概率密度公式:
W ( y , min , λ , ξ ) = λ ξ ( y - min ξ ) λ - 1 exp ( - ( y - min ) λ ξ λ ) ,
求解似然函数: L ( y , λ , ξ ) = Π i = 1 M ( λ ξ ) ( y i ξ ) λ - 1 exp [ - ( y i ξ ) λ ] ,
式中:min表示图像中的最小像素;y=(y1,y2…yn),其是威布尔分布中的一个容量为n的样本,y表示图像中各像素点的灰度值,y>min;λ为形状参数;ξ表示尺度参数,ξ>0;
然后对取了对数的似然函数进行求解,并分别对λ,ξ求导,令导数为0,解方程组即可求解;
由最大似然估计,得到如下的参数估计值:
Σ i = 1 M ( y i λ ln y i ) Σ i = 1 M y i λ - 1 M Σ i = 1 M ln y i = 1 λ
min ≈ y ^ min - 1
ξ ^ = ( 1 M Σ i = 1 M y i ξ ^ ) 1 ξ ^
式中:yi表示标号为i的像素灰度值,
Figure FDA00001929245100034
表示图像灰度级序列中的最小像素灰度值,采用迭代收敛的方法求解
Figure FDA00001929245100035
值;
求出三个形状参数λS、λB、λB及三个尺度参数ξS、ξH、ξB,其中,角标S表示阴影,B表示背景区域,H表示目标,
再求出ΔλSB、ΔλHB、ΔλSH、ΔξSH、ΔξSB、ΔξHB的值,其中ΔλSB=λSB表示的是同一目标在一副图像中阴影区域的λ与背景区域的λ的差值,以此类推,求出ΔλHB、ΔλSH、ΔξSH、ΔξSB、ΔξHB的值;
最后得到基于图像统计特性的特征空间:
f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH)。
5.一种合成孔径声纳图像的目标识别方法,其包括:
图像的预处理和分割步骤,用于去除图像中的噪声并增强图像的对比度;
特征提取步骤,其采用权利要求1-4之一的目标特征提取方法所实现的特征提取步骤;
分类判决步骤,用于对目标进行识别。
6.一种合成孔径声纳图像的目标特征提取装置,其特征在于:该目标特征提取装置包括阴影几何特征提取单元、目标归一化中心矩提取单元、背景、目标、阴影的统计特性参数差异特征提取单元,其中:
所述阴影几何特征提取单元,其用于提取如下阴影几何特征:阴影区域的面积、周长区域的轮廓长度、偏心率、形状参数、方向值、目标与阴影最大宽度比值,并利用阴影的几何特征构成特征空间f1
所述目标归一化中心矩提取单元,其用于得到由目标归一化中心矩所构成的特征空间f2
所述背景、目标、阴影的统计特性参数差异特征提取单元,其用于得到形状参数λ和尺度参数ξ,基于背景、目标、阴影的统计特性参数差异特征所构成的特征空间表示为f3=(ΔλSB,ΔλHB,ΔλSH,ΔξSB,ΔξHB,ΔξSH),其中,Δ表示差值,角标S表示阴影,B表示背景,H表示目标;
所述目标特征提取装置根据所述特征空间f1、所述特征空间f2、所述特征空间f3构建一集合,输出特征空间f=(f1,f2,f3)。
7.一种合成孔径声纳图像的目标识别系统,其包括:
图像的预处理和分割装置,用于去除图像中的噪声并增强图像的对比度;
特征提取装置,用于提取特征并构造特征空间;
分类判决装置,用于对目标进行识别;
其特征在于:
所述特征提取装置采用权利要求6所述的合成孔径声纳图像的目标特征提取装置。
CN201210259850.4A 2012-07-25 2012-07-25 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统 Pending CN103577826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210259850.4A CN103577826A (zh) 2012-07-25 2012-07-25 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210259850.4A CN103577826A (zh) 2012-07-25 2012-07-25 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统

Publications (1)

Publication Number Publication Date
CN103577826A true CN103577826A (zh) 2014-02-12

Family

ID=50049575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210259850.4A Pending CN103577826A (zh) 2012-07-25 2012-07-25 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统

Country Status (1)

Country Link
CN (1) CN103577826A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105011928A (zh) * 2015-05-13 2015-11-04 东华大学 一种穿戴式非接触电极心脏病预警系统
CN105405146A (zh) * 2015-11-17 2016-03-16 中国海洋大学 基于特征密度聚类与正态分布变换的侧扫声呐配准方法
CN104036515B (zh) * 2014-06-30 2017-01-11 西安电子科技大学 基于单幅sar图像的车辆目标高度估计方法
CN106874915A (zh) * 2017-02-16 2017-06-20 中国人民解放军国防科学技术大学 一种具有目标面积比不变性的特征提取方法
CN107545573A (zh) * 2016-06-27 2018-01-05 韩国机器人融合研究院 一种基于模态mrf随机场的水下前视声纳图像分割方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650426A (zh) * 2008-12-26 2010-02-17 中国科学院声学研究所 一种合成孔径声纳图像数据拼接系统及方法
CN102034109A (zh) * 2009-12-08 2011-04-27 中国科学院声学研究所 一种基于统计特性的合成孔径声纳目标检测方法
WO2012000076A1 (en) * 2010-06-28 2012-01-05 Institut National D'optique Method and apparatus for determining a doppler centroid in a synthetic aperture imaging system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101650426A (zh) * 2008-12-26 2010-02-17 中国科学院声学研究所 一种合成孔径声纳图像数据拼接系统及方法
CN102034109A (zh) * 2009-12-08 2011-04-27 中国科学院声学研究所 一种基于统计特性的合成孔径声纳目标检测方法
WO2012000076A1 (en) * 2010-06-28 2012-01-05 Institut National D'optique Method and apparatus for determining a doppler centroid in a synthetic aperture imaging system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁雪洁等: "利用新特征空间的SAS图像目标分类算法", 《计算机工程与应用》, 8 June 2012 (2012-06-08), pages 1 - 7 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104036515B (zh) * 2014-06-30 2017-01-11 西安电子科技大学 基于单幅sar图像的车辆目标高度估计方法
CN105011928A (zh) * 2015-05-13 2015-11-04 东华大学 一种穿戴式非接触电极心脏病预警系统
CN105405146A (zh) * 2015-11-17 2016-03-16 中国海洋大学 基于特征密度聚类与正态分布变换的侧扫声呐配准方法
CN107545573A (zh) * 2016-06-27 2018-01-05 韩国机器人融合研究院 一种基于模态mrf随机场的水下前视声纳图像分割方法
CN107545573B (zh) * 2016-06-27 2021-03-16 韩国机器人融合研究院 一种基于模态mrf随机场的水下前视声纳图像分割方法
CN106874915A (zh) * 2017-02-16 2017-06-20 中国人民解放军国防科学技术大学 一种具有目标面积比不变性的特征提取方法
CN106874915B (zh) * 2017-02-16 2019-09-20 中国人民解放军国防科学技术大学 一种具有目标面积比不变性的特征提取方法

Similar Documents

Publication Publication Date Title
CN101847163B (zh) 一种多特征融合的外观设计专利图像检索方法
CN111814584A (zh) 基于多中心度量损失的多视角环境下车辆重识别方法
CN111368683B (zh) 基于模约束CenterFace的人脸图像特征提取方法及人脸识别方法
CN112163511B (zh) 一种图像真伪鉴别方法
CN104834922A (zh) 基于混合神经网络的手势识别方法
CN104408469A (zh) 基于图像深度学习的烟火识别方法及系统
CN104091157A (zh) 一种基于特征融合的行人检测方法
CN103577826A (zh) 合成孔径声纳图像的目标特征提取方法和识别方法及提取装置和识别系统
CN102915435B (zh) 一种基于人脸能量图的多姿态人脸识别方法
CN104463199A (zh) 基于多特征及分割再校正的矿岩块度分类方法
CN103020649A (zh) 一种基于纹理信息的森林类型识别方法
CN108627241B (zh) 一种基于高斯混合模型的宽吻海豚click信号检测方法
CN103955913A (zh) 一种基于线段共生矩阵特征和区域图的sar图像分割方法
CN104331885A (zh) 一种基于投票线聚类的圆形目标检测方法
CN105894469A (zh) 基于外部块自编码学习和内部块聚类的去噪方法
CN105809113A (zh) 三维人脸识别方法及应用其的数据处理装置
CN103679719A (zh) 一种图像分割方法
CN102830404A (zh) 基于距离像的激光成像雷达地面目标识别方法
CN110991547A (zh) 一种基于多特征最优融合的图像显著性检测方法
CN104537363A (zh) 基于视觉检测系统的橱柜调节脚全自动装配控制方法
CN103049760A (zh) 基于图像分块和位置加权的稀疏表示目标识别方法
CN104156730A (zh) 一种基于骨架的抗噪声汉字特征提取方法
CN105321188A (zh) 基于前景概率的目标跟踪方法
CN103473561A (zh) 一种基于高斯分布的自适应高光谱分类方法
CN113033567A (zh) 一种融合分割网络和生成网络的甲骨拓片图像字符提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140212