CN105574529A - 一种侧扫声纳目标检测方法 - Google Patents

Abstract

本发明公开了一种侧扫声纳目标检测方法。使用本发明能够有效地降低来自水面或水中的散射等造成的图像噪声以及细小噪声，处理效率高，检测正确率高。本发明首先采用基于3×3窗口的加权平均模板对侧扫声纳的图像进行低通滤波，有效地去除了图像中由水面或水中散射等原因造成的散射噪声，为后续的处理减小了处理压力和复杂度；然后采用K均值算法将声纳图像的像素分类为目标类和阴影类两类，产生两类不同的图像，便于分别对目标和阴影进行后续处理，提高了处理效率；并且采用金字塔增、减采样算法去除图像中的细小噪声；最后采用疑似目标的面积、对应的疑似阴影面积和它们的面积比率三种判据进一步去除伪目标，提高了检测正确率。

Description

一种侧扫声纳目标检测方法

技术领域

本发明涉及数字图像处理技术领域，具体涉及一种侧扫声纳目标检测方法。

背景技术

随着科学技术的发展和对自主式水下机器人的深入研究，声纳技术得到了突飞猛进的发展。对于成像声纳的关注和研究也快速成熟，已经有了接近光学图像质量的声全息成像试验系统、声速镜成像系统等，尽管这些成像系统得到的声图像质量较好，但是不适用于现实环境。实际应用中的水下开放式环境对于传感器的要求较高，需要准确的感知周围环境的真实信息。主动声纳(Activesonar)是自主式水下机器人使用最广泛的探测设备，侧扫声纳是其中一种。

虽然侧扫声纳图像与光学图像一样，在本质上都是能量的平面或空间分布图，但是因为水声信道具有复杂和多变的特性，以及声波本身具有的投射和散射特性，使得其图像与光学图像有很大的不同。水下环境的侧扫声纳图像主要有以下特点：(1)分辨率低，声纳探测装置发射的探测声波的波长一般较长，并且探测步进角度较大，相邻波束间不是连续变化的，有一定的间隔，造成声纳图像的分辨率较低；(2)噪声干扰严重，水声信道和海洋环境复杂多变，声波在传播过程中存在衰减、混响、散射的干扰，另外海洋环境中的其他声响也是声纳图像噪声的主要来源，目标往往被淹没在这些干扰中，难以检测；(3)多径现象，多径现象是声波在传播过程中的途径传播造成的，使得一个目标有多个返回值，从而在图像中产生重影现象，难以确定目标的真实位置；(4)旁瓣，声纳波束在形成时，除了在较窄的主瓣上形成极大值以外，其旁瓣会在较宽的范围内接受信号，因此，当某一回波较强时，其附近波束的同一距离上会形成一条回波亮线，即旁瓣干扰；(5)多普勒效应，当目标运动或者机器人运动时，发射和接收的声波会产生一定的偏移，同一目标在不同时刻的声纳图像上会得到不同的外形轮廓，因而造成目标的变形和失真。

侧扫声纳是对水中目标进行检测的重要设备，如何利用侧扫声纳图像对沉底水雷进行检测和识别是一项极具挑战的工作。

发明内容

有鉴于此，本发明提供了一种侧扫声纳目标检测方法，能够有效地降低来自水面或水中的散射等造成的图像噪声以及细小噪声，处理效率高，检测正确率高。

本发明的侧扫声纳目标检测方法，包括如下步骤：

步骤1，采用基于3×3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波，得到声纳图像X2；

步骤2，采用K均值聚类算法，将步骤1获得的声纳图像X2中的像素点分为目标类和阴影类，由目标类像素点生成目标图像，由阴影类像素点生成阴影图像；

步骤3，对步骤2生成的目标图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到目标图像X_T；

对步骤2生成的阴影图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到阴影图像X_S；

步骤4，采用两个固定的分割阈值分别对步骤3获得的目标图像X_T和阴影图像X_S进行阈值分割，生成以0、1表示的二值黑白目标图像和阴影图像，获得多个疑是目标，以及与疑是目标相对应的疑是阴影；

步骤5，针对步骤4获得的每一个疑是目标及其对应的疑是阴影，分别采用Teh-Chin链逼近算法计算其轮廓，然后对疑是目标和疑是阴影进行矩形拟合，获得疑是目标的拟合矩形的中心坐标点T1_cen与拟合矩形的面积T1_objArea，获得疑是目标对应的疑是阴影的拟合矩形的中心坐标点S1_cen与拟合矩形的面积S1_objArea；

步骤6，对步骤4获得的所有疑是目标进行判决，判断其是否满足如下条件：(1)疑是目标的拟合矩形的面积T1_objArea大于或等于设定的阈值A，且(2)疑是目标对应的疑是阴影的拟合矩形的面积S1_objArea大于或等于设定的阈值B，且(3)rate＝T1_objArea/S1_objArea大于或等于0.7；

如同时满足上述3个条件，则该疑是目标为真实目标，该疑是目标拟合矩形的中心坐标点T1_cen为真实目标的坐标；否则，该疑是目标为虚假目标。

进一步地，所述步骤1中基于3×3窗口的加权平均模板为：

$\frac{1}{9}\×\left(\begin{array}{ccc}1& 1& 1\\ 1& 3& 1\\ 1& 1& 1\end{array}\right).$

进一步地，所述步骤4中，目标图像的分割阈值为90；阴影图像的分割阈值为200。

有益效果：

本发明首先采用基于3×3窗口的加权平均模板对侧扫声纳的图像进行低通滤波，有效地去除了图像中由水面或水中散射等原因造成的散射噪声，为后续的处理减小了处理压力和复杂度，提高声纳图像质量；然后采用K均值算法将声纳图像的像素分类为目标类和阴影类两类，产生两类不同的图像，便于分别对目标和阴影进行后续处理，提高了处理效率；并且采用金字塔增、减采样算法去除图像中的细小噪声；最后采用疑似目标的面积、对应的疑似阴影面积和它们的面积比率三种判据进一步去除伪目标，提高了检测正确率。

附图说明

图1为本发明的算法结构图。

图2为固定阈值分割后的左、右侧扫声纳效果图。

图3为左、右侧扫声纳的最终检测结果效果图。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种侧扫声纳目标检测方法，包括如下步骤：

步骤1，对侧扫声纳原始图像X1进行低通滤波，得到低噪声声纳图像X2。

侧扫声纳的原始图像X1噪声较大，图像噪声主要由水中颗粒的散射和水底泥沙等漫反射等原因造成，这些噪声在侧扫声纳图像上表现为面积较大且较均匀分布的“小雪花”，其在图像中的位置和强度呈随机概率分布。常用的低通滤波方法去除侧扫声纳噪声效果并不好，本发明采用基于3×3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波，能很好地去除图像中的散射噪声，提高声纳图像质量，为后续的处理减小了处理压力和复杂度。基于3×3窗口的加权平均模板如下：

$\frac{1}{9}\×\left(\begin{array}{ccc}1& 1& 1\\ 1& 3& 1\\ 1& 1& 1\end{array}\right)$

声纳图像X1经低通滤波后，得到低噪声声纳图像X2。

步骤2，采用K均值(k-mean)聚类算法，提取声纳图像X2中的目标图像。

采用K均值(k-mean)聚类算法，将声纳图像X2的像素点分为目标类kmeansTarget和阴影类kmeansShadow两类。属于目标类kmeansTarget的像素生成图像X_Target，属于阴影类kmeansShadow的像素生成图像X_Shadow。

步骤3，对步骤2获得的图像去除噪声。

声纳图像X2除了包含目标类像素点、阴影类像素点，还包括背景环境噪声像素点，步骤2进行的K均值(k-mean)聚类算法只是将声纳图像X2的像素点分为目标类kmeansTarget和阴影类kmeansShadow两类，还需要进一步去除K均值(k-mean)聚类算法结果中的背景环境噪声像素点。本发明通过大量运算结果统计分析，发现采用以下方法能够较好地去除噪声：

使用高斯5×5处理核的金字塔减采样算法对步骤2获得的图像X_Target进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到图像X_T。该步骤可以有效地去除图像X_Target中的噪声。

使用高斯5×5处理核的金字塔减采样算法对步骤2获得的图像X_Shadow进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到图像X_S。该步骤可以有效地去除图像X_Shadow中的噪声。

步骤4，对步骤3获得的图像进行固定阈值分割。

分割阈值的选择取决于分割运算之前所采用的方法和参数，通过大量运算结果统计分析，本发明使用分割阈值为90对X_T进行固定阈值分割和使用阈值为200对X_S进行固定阈值分割效果较好，减轻了后续处理运算复杂度和压力。

使用阈值为90对X_T进行固定阈值分割，生成以0、1表示的二值黑白声纳图像X_T1；使用阈值为200对X_S进行固定阈值分割，生成以0、1表示的二值黑白声纳图像X_S1。

固定阈值分割前的图像是用灰度值表示的(8bits)，每个像素点有2的8次方(即256)个可能的灰度值，分割后的图像每个像素点只有2种(0或者1)可能的值；固定阈值分割作用是将图像的像素由多值变换为二值，便于后续的识别处理。

固定阈值分割后，获得疑是目标，以及与该疑是目标相对应的疑是阴影。

步骤5，对步骤4获得的图像进行特征提取。具体包括如下子步骤：

步骤5.1，用Teh-Chin链逼近算法计算出声纳图像X_T1中所有疑是目标轮廓，并填充每个疑是目标轮廓，记录疑是目标个数到objectNumber变量，即疑似目标数量的变量；

步骤5.2，对于X_T1中第i个疑是目标(i＝1，2，…，objectNumber)，根据步骤5.1获得的轮廓计算其面积，将面积存储到T1_objectArea[i]中；对第i个疑是目标的轮廓进行矩形拟合(因为在侧扫声纳图像中目标和其阴影的图像总是呈现为平行四边形，根据这个特点，矩形拟合非常适合)，将其矩形拟合的长边存储到T1_len[i]中，将矩形拟合的短边存储到T1_hei[i]中，将矩形拟合的中心坐标点存储到T1_cen[i]中，计算拟合矩形的面积，存储到T1_objArea[i]中；

在图像X_S1中，对与第i个疑是目标相对应的疑是阴影，根据步骤5.1获得的轮廓计算其面积，将面积存储到S1_objectArea[i]中；并对第i个疑是阴影的轮廓进行矩形拟合，将其矩形拟合的长边存储到S1_len[i]中，将矩形拟合的短边存储到S1_hei[i]中，将矩形拟合的中心坐标点存储到S1_cen[i]中，计算拟合矩形的面积，存储到S1_objArea[i]中；

步骤5.3，针对每一个疑是目标，判断其是否同时满足如下3个条件：

(1)T1_objArea[i]大于或等于设定的阈值A；

(2)S1_objArea[i]大于或等于设定的阈值B；

(3)rate＝T1_objArea[i]/S1_objArea[i]，rate大于或等于0.7(根据大量侧扫声纳图像数据测试和不同目标的测试分析，该数据是较为合适的，识别率较高)；

如果同时满足，则判断该疑是目标为真实目标，其拟合矩形的中心即为真实目标的坐标；否则，该疑是目标为虚假目标。其中，阈值A和阈值B的值根据目标大小经验确定。

步骤5.4，输出检测结果，即目标的坐标T1_cen[i]。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种侧扫声纳目标检测方法，其特征在于，包括如下步骤：

步骤1，采用基于3×3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波，得到声纳图像X2；

步骤2，采用K均值聚类算法，将步骤1获得的声纳图像X2中的像素点分为目标类和阴影类，由目标类像素点生成目标图像，由阴影类像素点生成阴影图像；

步骤3，对步骤2生成的目标图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到目标图像X_T；

对步骤2生成的阴影图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到阴影图像X_S；

步骤4，采用两个固定的分割阈值分别对步骤3获得的目标图像X_T和阴影图像X_S进行阈值分割，生成以0、1表示的二值黑白目标图像和阴影图像，获得多个疑是目标，以及与疑是目标相对应的疑是阴影；

步骤5，针对步骤4获得的每一个疑是目标及其对应的疑是阴影，分别采用Teh-Chin链逼近算法计算其轮廓，然后对疑是目标和疑是阴影进行矩形拟合，获得疑是目标的拟合矩形的中心坐标点T1_cen与拟合矩形的面积T1_objArea，获得疑是目标对应的疑是阴影的拟合矩形的中心坐标点S1_cen与拟合矩形的面积S1_objArea；

步骤6，对步骤4获得的所有疑是目标进行判决，判断其是否满足如下条件：(1)疑是目标的拟合矩形的面积T1_objArea大于或等于设定的阈值A，且(2)疑是目标对应的疑是阴影的拟合矩形的面积S1_objArea大于或等于设定的阈值B，且(3)rate＝T1_objArea/S1_objArea大于或等于0.7；

如同时满足上述3个条件，则该疑是目标为真实目标，该疑是目标拟合矩形的中心坐标点T1_cen为真实目标的坐标；否则，该疑是目标为虚假目标。

2.如权利要求1所述的侧扫声纳目标检测方法，其特征在于，所述步骤1中基于3×3窗口的加权平均模板为：

$\frac{1}{9}\×\left(\begin{array}{ccc}1& 1& 1\\ 1& 3& 1\\ 1& 1& 1\end{array}\right).$

3.如权利要求1所述的侧扫声纳目标检测方法，其特征在于，所述步骤4中，目标图像的分割阈值为90；阴影图像的分割阈值为200。