CN105405118B - 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 - Google Patents

基于量子衍生混合蛙跳的水下声纳图像目标检测方法 Download PDF

Info

Publication number
CN105405118B
CN105405118B CN201510676957.2A CN201510676957A CN105405118B CN 105405118 B CN105405118 B CN 105405118B CN 201510676957 A CN201510676957 A CN 201510676957A CN 105405118 B CN105405118 B CN 105405118B
Authority
CN
China
Prior art keywords
sonar image
quantum
frog
individual
population
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.)
Active
Application number
CN201510676957.2A
Other languages
English (en)
Other versions
CN105405118A (zh
Inventor
王兴梅
印桂生
徐丽
滕旭阳
刘书
孙建闯
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201510676957.2A priority Critical patent/CN105405118B/zh
Publication of CN105405118A publication Critical patent/CN105405118A/zh
Application granted granted Critical
Publication of CN105405118B publication Critical patent/CN105405118B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供的是一种基于量子衍生混合蛙跳的水下声纳图像目标检测方法。包括(1)适应度函数；(2)量子进化更新；(3)模糊隶属度矩阵结合空间信息去除孤立区；(4)对检测结果进行基于信息论的客观定量评价分析。本发明利用量子比特对青蛙种群进行编码，并结合类内和类间信息的适应度函数来更为准确地评价青蛙位置的好坏；采用量子进化更新方式，利用相位角编码，更新子种群中最坏位置的青蛙；根据模糊隶属度矩阵结合空间信息去除孤立区的方法获得更精确的检测结果；提出分割布局噪声熵对最终检测结果进行定量分析。本发明能更为准确地完成水下声纳图像目标检测，有一定的检测精度和有效性，具有较高的适应性。

Description

基于量子衍生混合蛙跳的水下声纳图像目标检测方法
技术领域
本发明涉及的是一种水下声纳图像处理方法，具体地说是一种水下声纳图像(sonar image)的检测方法。
背景技术
海洋开发，需要获取大范围、精确的海洋环境数据。在海洋背景中，信息的获取主要依靠声学探测器材，声学探测器材主要是声纳，声纳是利用水下声波判断海洋中物体的存在、位置及类型的方法和设备，是完成水下信息获取的最有效途径。凡是利用声波对水下目标进行探测、识别、跟踪、定位、以及利用水下声波进行导航、制导、通信等方面的水声设备皆属于声纳范畴。由于声纳是利用水下声波对目标进行探测、跟踪和定位的设备，因而凡是能发出声波或产生回波的物体，均可作为声纳的探测目标。由于目前对声纳设备智能化的要求越来越高，而且水下声纳图像目标识别技术的应用也越来越多，因此，开展水下声纳图像目标识别技术研究，具有重要的意义和价值。水下声纳图像目标识别技术将是未来船舶与海洋工程所要研究的主要技术之一。
但在水下声纳图像目标识别之前，必须对声纳图像进行目标检测和特征提取，水下声纳图像目标检测和特征提取是水下目标识别过程中的关键步骤。只有正确的水下目标检测，才能使后续正确的特征提取和识别成为可能。水下声纳图像目标检测的目的是从复杂背景区域中提取出目标高亮区和阴影区域，并尽量保留图像原始边缘信息。
量子衍生混合蛙跳算法是由量子衍生与混合蛙跳算法相结合的一类新的算法。混合蛙跳算法是由Eusuff和Lansey于2003年最早提出的，许多研究都已经证明混合蛙跳算法具有参数少、结构简单、易于实现、良好的寻优能力等优点，能有效地解决组合优化问题并找到全局最优解，因此，混合蛙跳算法具有很好的发展和应用前景，国内外学者已经取得了一定的成果。其中在已有的文献中最著名和效果最好的主要包括：1.Roy Priyanka,RoyPritam,Chakrabarti Abhijit.Modified shuffled frog leaping algorithm withgenetic algorithm crossover for solving economic load dispatch problem withvalve-point effect.Applied Soft Computing,2013,13(11):4244–4252提出将遗传算法的交叉过程引入到混合蛙跳算法中，从而避免其陷入局部最优值。2.Fan TangHuai,Li Lu,Jia Zhao.Improved shuffled frog leaping algorithm and its application in nodelocalization of wireless sensor network.Intelligent Automation and SoftComputing,2012,18(7):807–818提出了一种策略来改进青蛙的目标学习，扩展青蛙种群学习的多样性。3.Wang,Lianguo,Gong Yaxing.A Fast Shuffled Frog LeapingAlgorithm.The 9th International Conference on Natural Computation.Shenyang,China:IEEE Computer Society,2013:369-373针对传统混合蛙跳算法存在的运行速度慢，容易陷入局部最优值等缺点，提出了一种快速混合蛙跳算法，减少了算法的运行时间。4.Taher Niknam,Bahman Bahmani Firouzi.A new evolutionary algorithm for non-linear economic dispatch.Expert Systems with Applications,2013,40(1):397-398为了提高混合蛙跳算法的稳定性和全局搜索能力，提出了利用混沌局部搜索(ChaoticLocal Search，CLS)方法来替换原始的局部搜索过程。5.Guangyu Zhu,Weibo Zhang.Animproved Shufed Frog-leaping Algorithm to optimize component pick-and-placesequencing optimization problem.Expert Systems with Applications,2014,41:6818-6829提出种群中的每只青蛙都参与局部搜索，避免陷入局部最优值。尽管如此，混合蛙跳算法仍然存在着许多缺点与不足，其理论尚未完全成熟，在算法运行后期收敛速度会变慢，容易出现早熟现象，导致最终寻优时间变长，无法达到精度更高的最优值。另外，还存在很多理论上的改进之处，如子种群如何更加合理划分、局部搜索过程如何更有效、对于局部最坏个体如何更新和全局信息交换是否还有其他更为有效的方法等。
量子衍生是近几年逐渐引起国内外学者广泛关注的理论，将量子衍生理论与传统智能优化算法相结合可以增加种群的多样性，增强全局搜索能力，加快算法的收敛速度，避免早熟。因此，出现了量子遗传算法、量子粒子群优化算法、量子混合蛙跳算法等众多类型的算法。量子衍生算法核心思想是利用量子计算原理对传统智能优化算法进行量子化改进。在量子遗传算法中，将染色体用量子比特进行编码，并使用量子旋转门更新。如：6.TengHao,Zhao Baohua,Yang Bingru.An improved mutative scale chaos optimizationquantum genetic algorithm.The 4th International Conference on NaturalComputation.Jinan,China:Institute of Electrical and Electronics EngineersComputer Society,2008:301-305提出了将改进的变尺度混沌搜索方法与量子遗传算法相结合，避免量子遗传算法陷入局部最优值。7.Lei Gang,Yin Xia,Shi Wei.Research onnetwork congestion control based on quantum geneticalgorithm.2014International Conference on Advances in Materials Science andInformation Technologies in Industry,AMSITI 2014.Xian,China:Trans TechPublications,2014:845-849提出利用量子遗传算法解决网络拥塞问题。8.Jian Zhang,Huanzhou LI.An Improved Quantum-Inspired Genetic Algorithm for ImageMultilevel Thresholding Segmentation.Mathematical Problems in Engineering,2014,(2014):12-15提出了自适应量子旋转角调整策略进一步改进量子遗传算法，并应用在图像的多阈值分割上。量子粒子群优化算法则以Delta势阱为基础，设定每个粒子具有量子行为，用Delta势阱代替传统粒子飞行变化空间。如：9.Tan Dekun.Application ofQuantum-behaved Particle Swarm Optimization in engineering constrainedoptimization problems.2011International Conference on Manufacturing Scienceand Technology.Singapore,Singapore:Trans Tech Publications,2012:7208-7213验证了量子粒子群算法相比于传统粒子群算法，有更好寻优能力，能避免陷入局部最优值。10.Li Yangyang,Xiang Rongrong,Jiao Licheng,Liu,Ruochen.An improvedcooperative quantum-behaved particle swarm optimization.Soft Computing.2012,16(6):1061-1069为了充分利用量子机制的不确定性，提出了一种改进的协调量子粒子群优化算法，并验证了改进方法的优越性。而量子混合蛙跳算法是用量子比特对青蛙种群编码，在子种群和全局进化过程中，根据局部最优值和全局最优值改变每个量子比特的旋转角，通过量子旋转门实现青蛙种群的进化。如：11.Gao Hongyuan,Cui Wen,Jiang Yilin.Aquantum-inspired shuffled frog leaping algorithm and its application incognitive radio.International Journal of Digital Content Technology and itsApplications.2012,20(6):32-42将量子衍生混合蛙跳算法应用于感知无线电，解决频谱感知问题。12.Weiping Ding,Jiandong Wang.An Minimum Attribute Self-adaptiveCooperative Co-evolutionary Reduction Algorithm Based on Quantum ElitistFrogs.Journal of Computer Research and Development.2014,51(4),743-753提出了基于量子蛙跳协同进化的粗糙属性快速约简，用量子比特对青蛙个体编码，以自适应量子旋转角调整、量子变异和量子纠缠等策略加速青蛙种群进化收敛。
发明内容
本发明的目的在于提供一种检测精度高，能实现水下声纳图像目标检测的量子衍生混合蛙跳的基于量子衍生混合蛙跳的水下声纳图像目标检测方法。
本发明的目的是这样实现的：
(1)输入声纳图像，并对声纳图像进行预处理；
(2)利用量子比特对青蛙种群进行编码，并结合类内和类间信息的适应度函数计算青蛙种群中所有个体的适应度值，标记全局最优个体，准确地评价青蛙位置的好坏；
(3)采用量子进化更新方式，利用相位角编码，更新子种群中最坏位置的青蛙，并且子种群其他个体向全局最优个体学习进化，完成局部搜索；
(4)模糊隶属度矩阵结合空间信息去除孤立区：通过聚类中心计算出模糊隶属度矩阵，最终得到融合邻域空间信息的模糊隶属度矩阵，去除水下声纳图像检测结果中的孤立区；
(5)基于信息论的客观定量评价：在分割布局熵的基础上，加入噪声熵，从而得到一个能更准确评价水下声纳图像检测结果的分割布局噪声熵，利用分割布局噪声熵对精确的检测结果进行定量分析。
本发明还可以包括：
1、在步骤(1)中青蛙个体采用基于聚类中心的编码，青蛙种群的规模为M，整个量子编码的青蛙种群表示为Q＝[q1,q2,q3,…,qM]，每一个青蛙个体qi(i＝1,2,…M)，用m位量子比特表示为结合类内信息和类间信息的适应度函数来描述青蛙位置的好坏，是第i个划分区域和周围区域类内类间差异性最大的值，Yi为一个划分区域的类内差异度，Dis_cij是第i个聚类中心和第j个聚类中心的欧式距离。是所有划分区域类内类间差异性值的平均值，k为聚类中心。表示适应度值。
2、在步骤(2)中对最坏位置青蛙σw进行更新后得到新的青蛙个体new_σw，new_σw＝[new_σw1 new_σw2 … new_σwm]，new_σwm是新的青蛙个体的第m位，m即为最后一位。对于最坏位置青蛙个体的每一位相位角，具体更新公式为new_σwj＝σwj+rand()×(σbj-σwj)，0≤new_σwj≤2π,j＝1,2,…m，rand()是随机数，σbj是局部最好青蛙个体的第j位。另外，子种群中其他个体还需要向全局最优个体学习进化，其中全局最优个体的二进制序列用pg表示pg＝[pg1 pg2 …pgm]，pgm是全局最优个体的二进制序的第m位，第i个青蛙个体的二进制序列为xi＝[xi1 xi2 …xim]，其对应量子比特表示为qi＝[qi1 qi2 … qim]，对子种群中青蛙个体的每一位量子比特进行更新的具体方法为d＝1,2,…m，t表示进化更新的迭代次数，sign()是符号函数，用来确定量子旋转角的方向，r1为0～2π的随机数，用来确定量子旋转角的大小，c是预设定的变异概率常数，r2是0到1的随机数，N×qid是对量子比特进行非门逻辑操作，N是非门，将量子比特的α和β的值互换，U()为量子旋转门。
3、在步骤(3)中，对于声纳图像上每一个数据块vi，在它的周围取一个八邻域记为NB(vi)，假设vi所属类的聚类中心为cj，那么它周围八个数据块相对于聚类中心cj的隶属度可以表示为uej是八邻域中的某个数据块相对于聚类中心cj的隶属度。对于整幅声纳图像，新的模糊隶属度矩阵为U'＝(ui'j)n×s，有其中p、q是常数，q值相对p值越大，空间信息对检测结果影响越大，本发明设定p＝2，q＝1。
4、步骤(4)中分割熵(Segmentation Entropy，SE)为Q为一个给定的声纳图像，Qj表示区域j中所有可能的像素值。对于图像中的区域j，fxi表示区域Qj中某一个像素点的像素值，A(fxi)是区域j中像素值为fxi的像素点的个数，Bj表示区域j中所有的像素点个数和，B表示声纳图像中所包含像素点的总个数。布局熵(Distribution Entropy，DE)为分割布局熵(Segmentation and Distribution Entropy，SDE)为SDE＝HL+HQ，由于声纳图像一般具有很多的噪声，这些噪声会在一定程度上影响图像检测结果的定量分析。评价函数SDE并没有考虑到噪声的这一特性，所以仍然不能客观评价声纳图像的检测结果。声纳图像中的任意一个像素点的八邻域区域熵为用y1,y2,y3表示每一个像素点的八邻域中属于目标区，阴影区和背景区的像素点的个数，整幅声纳图像的噪声熵(Noise entropy，NE)为M为图像像素点的总个数。在SDE的基础上，加入NE，从而得到一个更准确的评价方法，即分割布局噪声熵(Segmentation,Distribution and Noise Entropy，SDNE)，具体为SDNE＝HN+SDE＝HN+HL+HQ。
本发明与现有技术相比的优点在于：a.采用基于聚类中心的量子比特对青蛙种群进行编码，并结合类内和类间信息的适应度函数能更准确地评价青蛙位置的好坏。b.利用相位角编码，更新子种群中最坏位置青蛙，并且子种群其他个体向全局最优个体学习进化。此量子进化更新方式能够提高混合蛙跳的全局搜索能力。c.对得到的声纳图像检测结果，根据模糊隶属度矩阵结合空间信息去除孤立区的方法获得更精确的检测结果。此方法能够提高声纳图像检测精度，找到正确的检测目标。d.提出分割布局噪声熵对最终检测结果进行定量分析，能更进一步证明提出的水下声纳图像目标检测方法的有效性。
附图说明
图1是本发明方法的流程图；
图2是原始水下声纳图像(尺寸为239×205)；
图3是平滑去噪后图像；
图4是本专利提出的基于量子衍生混合蛙跳的检测结果；
图5是没有结合空间信息的量子衍生混合蛙跳算法检测结果；
图6是八邻域示意图；
图7是原始人造模拟图像(尺寸为150×200)；
图8(a)-图8(f)是人造图像的检测结果。图8(a)是s1理想检测结果，图8(b)是s2检测结果在背景区域中含有噪声，图8(c)是s3阴影区域内部方形错误检测，图8(d)是s4包含阴影区域方形错误检测，图8(e)是s5阴影区域内部圆形错误检测，图8(f)是s6包含阴影区域圆形错误检测；
图9是定量分析坐标图；
图10(a)-图10(f)是原始水下声纳图像对比检测结果.，图10(a)是尺寸为93×132的原始水下声纳图像检测结果，图10(b)是尺寸为173×167的原始水下声纳图像检测结果，图10(c)是尺寸为259×368的原始水下声纳图像检测结果，图10(d)是尺寸为158×153的原始水下声纳图像检测结果，图10(e)是尺寸为393×218的原始水下声纳图像检测结果，图10(f)是尺寸为108×200的原始水下声纳图像检测结果；
图11是原始水下声纳图像对比结果的定量分析坐标图；
图12是三种智能优化算法的适应度值变化图；
图13是三种智能优化算法对比结果的定量分析坐标图。
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。
结合图1，本发明的具体步骤如下：
(1)声纳图像数据空间的缩小
量子衍生混合蛙跳的水下声纳图像目标检测算法相关参数设置为：水下声纳图像窗口块大小2*2；聚类中心数3；模糊系数2；模糊隶属度矩阵影响系数2；八邻域模糊隶属度矩阵影响系数1；全局迭代次数10；局部搜索次数2；青蛙种群规模为10；子种群数5；变异概率0.014。
由于声纳图像形成过程中水下环境复杂，不确定噪声因素很多，如：海洋生物噪声、船舶人为噪声等，使声纳图像受到严重的噪声污染，所以在进行声纳图像检测之前，利用各向异性二阶邻域马尔可夫模型估计声纳图像的纹理特征参数，实现原始图像的平滑去噪。图2是一幅原始水下声纳图像，图3是平滑去噪后的图像。
在此基础上，由于声纳图像数据样本点较多，一般的数据样本点都会达到几千到一万的数量级，为了缩小数据样本空间，加快检测速度，对声纳图像进行分块处理，选择a×b的窗口，将原始声纳图像分成N个互不重叠的a×b窗口，每一个窗口求其灰度值的均值，作为该窗口的特征值。因此，数据空间的规模缩小为N。
(2)种群的初始化
由于提出的检测算法是基于聚类模型的，需要通过聚类中心，检测声纳图像中的目标高亮区，阴影区和背景区，所以青蛙种群需要采用基于聚类中心的编码方式，假设聚类数为k，那么每只青蛙个体由k个聚类中心组成，由于灰度值的范围是0～255，所以可以用8位二进制序列表示一个聚类中心，因此量子编码的青蛙个体长度m为k×8，设青蛙种群的规模为M，则整个量子编码的青蛙种群可以表示为：
Q＝[q1,q2,q3,…,qM]
每一个青蛙个体qi(i＝1,2,…M)，可以用m位量子比特表示：
(3)适应度函数
适应度函数用来描述青蛙位置的好坏，而青蛙个体采用基于聚类中心的编码，它将数据空间中的点划分到不同的类中，要求特征相近的点划分在一起，特征差别大的划分到不同的类中，本专利采用结合类内信息与类间信息的适应度函数来描述青蛙位置的好坏。
设k个聚类中心为C＝(c1,c2,…,ck)，数据空间中的点用v表示，则：
Dis_cij＝||ci-cj||
式中，Yi为一个划分区域的类内差异度，Dis_cij是第i个聚类中心和第j个聚类中心的欧式距离。i＝1,2,…,k，Gi是属于第i个聚类中心的数据点的集合，Ni是集合Gi的势。
根据上式有：
式中，Ri为第i个划分区域和周围区域类内类间差异性最大的值，EV是所有划分区域类内类间差异性值的平均值，EV的值越小，说明聚类效果越好。而一般要求适应度函数的值越大，表明结果越好，因此EV的倒数，即DB来表示适应度值。
(4)量子进化更新
量子衍生混合蛙跳算法需要将青蛙种群分为若干个子种群，在子种群内进行局部搜索，然后通过全局信息交换，最终搜索到全局最优解，而它的搜索性能很大程度上取决于每一个子种群的局部更新方式。
分两步进行局部搜索，具体如下。
①采用相位角编码，更新子种群中最坏位置青蛙
每个量子比特表示基态‘0’和‘1’的叠加态，有各自的相位角，记为σ。量子比特可表示为：
|φ>＝cosσ|0>+sinσ|1>
式中，α、β为代表相应状态的概率幅，|α|2和|β|2分别为量子比特位处于状态0和状态1的概率，满足归一化条件|α|2+|β|2＝1。
采用α,β编码的青蛙种群可以转换为相位角编码，青蛙个体qi(i＝1,2,…M)可以用m个相位角编码，即：
σi＝[σi1 σi2 … σim]
αij＝cosσij,βij＝sinσij,(j＝1,2,…,m)
局部最优个体设为σb＝[σb1 σb2 … σbm]，局部最坏个体设为σw＝[σw1 σw2 … σwm]。在整个青蛙种群中，全局最优个体设为σg＝[σg1 σg2 … σgm]，对最坏位置青蛙更新后得到nσw＝[nσw1 nσw2 … nσwm]，具体方法如下：
nσwj＝σwj+rand()×(σbj-σwj)
0≤nσwj≤2π,j＝1,2,…m
如果新的个体nσw比局部最坏个体适应度好，则用nσw替换σw，否则，用全局最优个体σg代替nσwj＝σwj+rand()×(σbj-σwj)中局部最优个体σb，重新对局部最坏个体进行更新，再次比较产生的新个体与局部最坏个体的适应度值，如果新个体的适应度值大，则新产生的个体代替局部最坏个体，而如果仍然没有改进，则随机产生一个新个体替换局部最坏个体。
②子种群其他个体向全局最优个体学习进化
经过量子解码，生成二进制序列，当量子编码的青蛙种群转换为二进制序列后，设全局最优个体的二进制序列为pg＝[pg1 pg2 … pgm]，第i个体的二进制序列为xi＝[xi1 xi2… xim]，其对应量子比特表示为qi＝[qi1 qi2 … qim]。有：
式中，d＝1,2,…,m。r1是在设定量子旋转角的变化范围内的一个随机数，r2是0到1的随机数，c1是预设定的变异概率常数，sign()是符号函数，N×qid是对量子比特进行非门逻辑操作，将量子比特的α和β的值互换。
(5)模糊隶属度矩阵结合空间信息去除孤立区
声纳图像检测后往往含有很多孤立区，这些孤立区分布在目标高亮区、阴影区和背景区，但与周围空间的数据不一致，所以形成了一个孤立的区域，受到模糊C均值算法中模糊隶属度矩阵的启发，提出模糊隶属度矩阵结合空间信息去除孤立区。
模糊C均值聚类算法思想中，通过聚类中心和数据集，可以求出模糊隶属度矩阵U＝(uij)n×s，对于声纳图像上每一个数据块vi，在它的周围取一个八邻域记为NB(vi)，假设vi所属类的聚类中心为cj，它周围八个数据块相对于聚类中心cj的隶属度表示为：
在原始的模糊隶属度矩阵U中，融合八邻域空间信息，生成新的模糊隶属度矩阵U'＝(u′ij)n×s：
式中，p、q是常数，q值相对p值越大，空间信息对检测结果影响越大。设定p＝2，q＝1，根据新的模糊隶属度矩阵确定水下声纳图像的精确检测结果如图4所示。为了比较，图5给出了没有结合空间信息的量子衍生混合蛙跳算法检测结果。其中，图4和图5中的5幅小图依次为第1次进化更新检测结果、第3次进化更新检测结果、第5次进化更新检测结果、第7次进化更新检测结果、第9次进化更新检测结果。
(6)基于信息论的客观定量评价
将声纳图像作为信源，声纳图像中的每一个像素点作为信息点，每一个像素点的像素值作为信息量，因为像素点的像素值在(0～255)之间，每一个像素值在整幅声纳图像中的出现存在相应的概率。图像信息熵是表征图像本身统计特性的一个物理量，而且声纳图像中的像素点的像素值是任意分布的。假设声纳图像中包含像素值fx1,fx2,…,fxn，其相应的概率为P1,P2,…,Pn，概率表达式为每一个像素值的平均不确定性(自信息)可以表示为整幅声纳图像的信息熵定义为：
式中，fxi表示某一个像素值，A(fxi)是声纳图像中像素值为fxi的像素点的个数，B表示声纳图像中所包含像素点的总个数。
在声纳图像检测中，可以分为目标，背景和阴影三个区域，图像中的任意一个区域都可以用区域熵来表示。定义Q为一个给定的声纳图像，Qj表示区域j中所有可能的像素值。对于图像中的区域j，fxi表示区域Qj中某一个像素点的像素值，A(fxi)是区域j中像素值为fxi的像素点的个数，Bj表示区域j中所有的像素点个数和。将声纳图像区域j定义为区域熵，有：
给定一幅声纳图像，经过检测算法将其分为三类，将区域j中像素点的个数和整幅图像中像素点的个数的比值，作为区域j信息熵的权重，那么将三个区域的区域熵求和再乘以区域惩罚项就会得到声纳图像的分割熵(Segmentation Entropy，SE)，即：
如果三个区域内部一致性越好，即检测结果越好，则区域熵就会越小，相应的SE的值就会越小；反之，相应的SE的值就会越大。
区域熵可以很好地评价图像检测后的每个区域的混乱程度，一般来说，随着检测区域数的增加，区域熵会减小，相应的SE就会越小，所以，当图像过分割时，仅仅使用SE评价检测结果是不准确的，因此又另外引入了布局熵(Distribution Entropy，DE)，随着检测区域数的增加，DE的值是增加的。DE的定义为：
结合SE和DE，定义一种新的评价方法，分割布局熵(Segmentation andDistribution Entropy，SDE)
SDE＝HL+HQ
无论是图像是被过分割，还是少分割，SDE都能对其进行正确的评价，但是，声纳图像上一般具有很多的噪声，这些噪声会在一定程度上影响图像检测结果的定量分析。评价函数SDE并没有考虑到噪声的这一特性，所以仍然不能客观评价声纳图像的检测结果。因此，本专利提出噪声熵(Noise entropy，NE)。
由于无法判别图像检测结果哪些像素点为噪声点，因此对检测后的图像中所有的点取八邻域，求取八邻域的区域熵。如果当前像素点不是噪声点，则其八邻域中的点均为同一像素灰度值，八邻域区域熵为1，如果是噪声点，则八邻域内必然存在至少两个像素灰度值，八邻域区域熵大于1。熵值越大，检测结果越不好。八邻域示意图如图6所示。
原始声纳图像中的每一个像素点只能分到一个区域(目标区，阴影区或者背景区)。所以经过检测算法检测之后，在检测结果中仅仅具有三类像素值，计算每一个像素点的八邻域中属于目标区，阴影区和背景区的像素点的个数，用y1,y2,y3表示，则每一个像素点被分为目标区的概率可以用表示，同理被分为阴影区的概率可以用表示，被分为背景区的概率用表示，声纳图像中的任意一个像素点的八邻域区域熵为定义整幅图像的NE为式中，M为图像像素点的总个数。
在SDE的基础上，加入NE，从而得到一个更准确的评价，即分割布局噪声熵(Segmentation,Distribution and Noise Entropy，SDNE)，具体为：
SDNE＝HN+SDE＝HN+HL+HQ
通过对人造模拟图像的不同检测结果的实验分析，验证提出的基于信息论定量评价的有效性。人造模拟图像分为两个区域，阴影区和背景区，背景区含有大量阴影噪声，在整个图像上也有随机产生的噪声。原始人造模拟图像如图7所示。图8是人造模拟图像的6种不同检测结果。图8中每个检测结果有三幅图像，依次为检测结果、阴影区域对应原始图像的区域映射部分、背景区域对应原始图像的区域映射部分。图8(a)是s1理想检测结果，图8(b)是s2检测结果在背景区域中含有噪声，图8(c)是s3阴影区域内部方形错误检测，图8(d)是s4包含阴影区域方形错误检测，图8(e)是s5阴影区域内部圆形错误检测，图8(f)是s6包含阴影区域圆形错误检测。用本专利提出的基于信息论定量评价函数分别对6种检测结果进行定量分析，分析结果如表1所示。表1所对应的坐标图如图9所示。
表1人造模拟图像检测结果定量评价
从图9可以看出，使用SE和SDE评价函数，s2检测结果对应评价值最小，说明s2的检测结果最好。但实际上图8中s2检测结果的背景区域含有噪声，最好的检测结果应该是s1。这两种评价只考虑了检测区域的统计结果，而没有考虑到噪声的空间特性。本专利提出的基于信息论定量评价SDNE考虑了声纳图像的噪声因素，从图9中SDNE曲线可以看出，s1的评价值最小，表明s1的检测结果最好，其他不准确的检测结果对应评价值都较高。说明了提出的定量评价函数SDNE能有效地反映检测结果的好坏。
对于本专利提出的基于量子衍生混合蛙跳的检测结果(Quantum-inspiredShuffled Frog Leaping Algorithm With Spatial Information,QSFLAWSI)和没有结合空间信息的量子衍生混合蛙跳检测结果(Quantum-inspired Shuffled Frog LeapingAlgorithm Without Spatial Information,QSFLAWOSI)，给出图4和图5的评价值如下表2所示。
表2 QSFLWSI和QSFLWOSI检测结果的定量评价
从上表可以看出QSFLAWSI的定量评价值比QSFLAWOSI小，说明本专利提出的模糊隶属度矩阵结合空间信息去除孤立区的有一定的效性。
为了说明算法的适应性和适应度函数的有效性，算法的对比实验如图10所示，其中，图10(a)是尺寸为93×132的原始水下声纳图像检测结果，图10(b)是尺寸为173×167的原始水下声纳图像检测结果，图10(c)是尺寸为259×368的原始水下声纳图像检测结果，图10(d)是尺寸为158×153的原始水下声纳图像检测结果，图10(e)是尺寸为393×218的原始水下声纳图像检测结果，图10(f)是尺寸为108×200的原始水下声纳图像检测结果。定量评价值如表3，表3所对应的坐标图如图11所示。
表3原始水下声纳图像对比结果的定量评价
从检测结果可以看出，本专利提出QSFLAWSI的孤立区明显相对较少，从检测算法定量分析坐标图可以看出，QSFLAWSI的定量评价值相对较小，证明了算法有一定的适应性，同时也验证了改进后适应度函数的有效性。
为分析本专利算法的寻优能力，针对图10(a)给出了提出的QSFLAWSI，与QGA和传统混合蛙跳算法(Traditional Shuffled Frog Leaping Algorithm,TSFLA)的对比实验。
由于智能优化算法是随机算法，因此将每个算法在初始化结果相同的情况下分别运行10次，迭代更新10次，三种智能优化算法的种群规模都为10。每次迭代种群中最好适应度值如表4所示，表4所对应的坐标图如图12所示。
表4种群最好适应度值
从图12中可以看出，提出的QSFLAWSI具有更好的全局搜索能力。表5给出了针对图10(a)的三种智能优化算法检测结果定量评价值，对应的坐标图如图13所示。
表5三种智能优化算法对比结果的定量评价值
从图13可以看出，随着迭代更新次数增多，QSFLAWSI对应的曲线图定量评价结果值更小，说明提出的QSFLAWSI检测结果相对更好。通过对大量原始水下声纳图像的检测实验比较分析，验证了本发明提出的基于量子衍生混合蛙跳的水下声纳图像目标检测方法具有较高的检测精度和有效性，并为后续水下目标的识别精度提供更好的前提条件。

Claims (6)

1.一种基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是包括如下步骤：
步骤(1)输入声纳图像，并对声纳图像进行预处理；
步骤(2)利用量子比特对青蛙种群进行编码，并结合类内和类间信息的适应度函数计算青蛙种群中所有个体的适应度值，标记全局最优个体，评价青蛙位置的好坏；
步骤(3)采用量子进化更新方式，利用相位角编码，更新子种群中最坏位置的青蛙，并且子种群其他个体向全局最优个体学习进化，完成局部搜索；
步骤(4)模糊隶属度矩阵结合空间信息去除孤立区：通过聚类中心计算出模糊隶属度矩阵，最终得到融合邻域空间信息的模糊隶属度矩阵，去除水下声纳图像检测结果中的孤立区；
步骤(5)基于信息论的客观定量评价：在分割布局熵的基础上，加入噪声熵，得到一个能评价水下声纳图像检测结果的分割布局噪声熵，利用分割布局噪声熵对检测结果进行定量分析。
2.根据权利要求1所述的基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是所述对声纳图像进行预处理包括：对声纳图像进行分块处理，选择a×b的窗口，将原始声纳图像分成N个互不重叠的a×b窗口，每一个窗口求其灰度值的均值，作为该窗口的特征值，数据空间的规模缩小为N。
3.根据权利要求1所述的基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是步骤(2)具体包括：青蛙个体采用基于聚类中心的编码，青蛙种群的规模为M，整个量子编码的青蛙种群表示为Q＝[q1,q2,q3,…,qM]，每一个青蛙个体qi用m位量子比特表示为i＝1,2,…M，结合类内信息和类间信息的适应度函数来描述青蛙位置的好坏，是第i个划分区域和周围区域类内类间差异性最大的值，Yi为一个划分区域的类内差异度，Dis_cij是第i个聚类中心和第j个聚类中心的欧式距离,是所有划分区域类内类间差异性值的平均值，k为聚类中心的个数,表示适应度值。
4.根据权利要求1所述的基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是步骤(3)具体包括：对最坏位置青蛙σw进行更新后得到新的青蛙个体new_σw，new_σw＝[new_σw1new_σw2 … new_σwm]，new_σwm是新的青蛙个体的第m位，m即 为最后一位,对于最坏位置青蛙个体的每一位相位角，具体更新公式为new_σwj＝σwj+rand()×(σbj-σwj)，0≤new_σwj≤2π,j＝1,2,…m，rand()是随机数，σbj是局部最好青蛙个体的第j位,另外，子种群中其他个体还需要向全局最优个体学习进化，其中全局最优个体的二进制序列用pg表示pg＝[pg1 pg2 … pgm]，pgm是全局最优个体的二进制序列的第m位，第i个青蛙个体的二进制序列为xi＝[xi1 xi2 …xim]，其对应量子比特表示为qi＝[qi1 qi2 … qim]，对子种群中青蛙个体的每一位量子比特进行更新的具体方法为d＝1,2,…m，t表示进化更新的迭代次数，sign()是符号函数，用来确定量子旋转角的方向，r1为0～2π的随机数，用来确定量子旋转角的大小，c是预设定的变异概率常数，r2是0到1的随机数，N×qid是对量子比特进行非门逻辑操作，N是非门，将量子比特的α和β的值互换，U()为量子旋转门。
5.根据权利要求4所述的基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是：对于声纳图像上每一个数据块vi，在它的周围取一个八邻域记为NB(vi)，设vi所属类的聚类中心为cj，它周围八个数据块相对于聚类中心cj的隶属度表示为uej是八邻域中的某个数据块相对于聚类中心cj的隶属度,对于整幅声纳图像，新的模糊隶属度矩阵为U'＝(u′ij)n×s，有其中p、q是常数，q值相对p值越大，空间信息对检测结果影响越大，设定p＝2，q＝1。
6.根据权利要求1所述的基于量子衍生混合蛙跳的水下声纳图像目标检测方法，其特征是步骤(5)具体包括：分割熵为Q为一个给定的声纳图像，Qj表示区域j中所有可能的像素值,对于图像中的区域j，fxi表示区域j中某一个像素点的像素值，A(fxi)是区域j中像素值为fxi的像素点的个数，Bj表示区域j中所有的像素点个数和，B表示声纳图像中所包含像素点的总个数,布局熵为 分割布局熵为SDE＝HL+HQ，声纳图像中的任意一个像素点的八邻域区域熵为用y1,y2,y3分别表示每一个像素点的八邻域中属于目标区、阴影区和背景区的像素点的个数，整幅声纳图像的噪声熵为M为声纳图像像素点的总个数,分割布局噪声熵SDNE＝HN+SDE＝HN+HL+HQ。
CN201510676957.2A 2015-10-16 2015-10-16 基于量子衍生混合蛙跳的水下声纳图像目标检测方法 Active CN105405118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510676957.2A CN105405118B (zh) 2015-10-16 2015-10-16 基于量子衍生混合蛙跳的水下声纳图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510676957.2A CN105405118B (zh) 2015-10-16 2015-10-16 基于量子衍生混合蛙跳的水下声纳图像目标检测方法

Publications (2)

Publication Number Publication Date
CN105405118A CN105405118A (zh) 2016-03-16
CN105405118B true CN105405118B (zh) 2017-11-21

Family

ID=55470585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510676957.2A Active CN105405118B (zh) 2015-10-16 2015-10-16 基于量子衍生混合蛙跳的水下声纳图像目标检测方法

Country Status (1)

Country Link
CN (1) CN105405118B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106254008B (zh) * 2016-10-09 2019-06-11 哈尔滨工程大学 一种能量采集绿色认知无线电的频谱感知方法
CN106557787B (zh) * 2016-11-28 2019-07-02 中国联合网络通信集团有限公司 基于量子蛙跳算法的用户聚类方法及装置
CN109308713B (zh) * 2018-08-02 2021-11-19 哈尔滨工程大学 一种基于前视声纳的改进核相关滤波水下目标跟踪方法
CN109447997A (zh) * 2018-09-01 2019-03-08 哈尔滨工程大学 一种自适应文化算法的水下声纳图像目标分割方法
CN110110380B (zh) * 2019-04-11 2023-07-04 上海电力学院 一种压电执行器迟滞非线性建模方法及应用
CN110309793A (zh) * 2019-07-04 2019-10-08 电子科技大学 一种基于图像比特分层解译的sar目标识别方法
CN115829883B (zh) * 2023-02-16 2023-06-16 汶上县恒安钢结构有限公司 一种异性金属结构件表面图像去噪方法
CN117010132B (zh) * 2023-09-27 2023-12-26 中国船舶集团有限公司第七一九研究所 一种水下多基地声纳系统的空间阵位优化方法及系统
CN117705953B (zh) * 2024-02-06 2024-04-09 江苏省特种设备安全监督检验研究院 一种基于声发射和层析成像技术的损伤检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103425840A (zh) * 2013-08-14 2013-12-04 西北工业大学 一种基于改进多目标蛙跳算法的协同空战火力分配方法
CN104467999A (zh) * 2014-11-18 2015-03-25 北京邮电大学 一种基于量子蛙跳的频谱感知算法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103425840A (zh) * 2013-08-14 2013-12-04 西北工业大学 一种基于改进多目标蛙跳算法的协同空战火力分配方法
CN104467999A (zh) * 2014-11-18 2015-03-25 北京邮电大学 一种基于量子蛙跳的频谱感知算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
An improved cooperative quantum-behaved particle swarm optimization;Yangyang Li 等;《Soft Computer》;20120124(第16期);第1061-1069页 *
基于混沌搜索策略蝙蝠算法的输电网规划;马迎东 等;《电力系统保护与控制》;20150801;第43卷(第15期);第17-21页 *

Also Published As

Publication number Publication date
CN105405118A (zh) 2016-03-16

Similar Documents

Publication Publication Date Title
CN105405118B (zh) 基于量子衍生混合蛙跳的水下声纳图像目标检测方法
CN108510532B (zh) 基于深度卷积gan的光学和sar图像配准方法
CN107247961B (zh) 一种应用模糊轨迹序列的轨迹预测方法
CN111199214B (zh) 一种残差网络多光谱图像地物分类方法
CN111836358B (zh) 定位方法、电子设备和计算机可读存储介质
CN111464938B (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN107977734B (zh) 一种时空大数据下基于移动马尔可夫模型的预测方法
CN107247938A (zh) 一种高分辨率遥感影像城市建筑物功能分类的方法
CN101276420A (zh) 一种融合光谱信息和多点模拟空间信息的分类方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
CN109872330A (zh) 一种改进狮群优化的二维Otsu快速图像分割方法
CN109961129A (zh) 一种基于改进粒子群的海上静止目标搜寻方案生成方法
Gojcic et al. Robust pointwise correspondences for point cloud based deformation monitoring of natural scenes
CN111144462A (zh) 一种雷达信号的未知个体识别方法及装置
Liu et al. Navigability analysis of local gravity map with projection pursuit-based selection method by using gravitation field algorithm
CN112597956B (zh) 基于人体锚点集合与感知增强网络的多人姿态估计方法
Soro et al. Performance comparison of indoor fingerprinting techniques based on artificial neural network
He et al. Modeling multi-type urban landscape dynamics along the horizontal and vertical dimensions
CN112469116A (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN113469270B (zh) 基于分解多目标差分进化超像素的半监督直觉聚类方法
CN116486896A (zh) 基于域自适应和图网络的配体特异性结合残基预测方法
CN113008226B (zh) 基于门控循环神经网络和粒子滤波的地磁室内定位方法
CN104616302A (zh) 一种目标实时识别方法
CN115032682A (zh) 一种基于图论的多站台地震震源参数估计方法
Chen et al. Differential evolution algorithm with learning selection strategy for SAR image change detection

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant