CN105741284B - 一种多波束前视声纳目标检测方法 - Google Patents
一种多波束前视声纳目标检测方法 Download PDFInfo
- Publication number
- CN105741284B CN105741284B CN201610059595.7A CN201610059595A CN105741284B CN 105741284 B CN105741284 B CN 105741284B CN 201610059595 A CN201610059595 A CN 201610059595A CN 105741284 B CN105741284 B CN 105741284B
- Authority
- CN
- China
- Prior art keywords
- target
- sonar
- image
- suspected
- real goal
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种多波束前视声纳目标检测方法。使用本发明能够有效检测出目标。本发明首先采用基于3×3窗口的中值滤波较好地去除图像中的散射噪声,提高声纳图像质量;然后进行固定阈值分割,将目标和背景分割开来,然后采用3×3的矩形窗口核做1次腐蚀运算形态学运算的腐蚀运算能较好的去除面积较小的伪目标,即进一步降低噪声,减轻识别处理的处理压力和复杂度;最后采用面积比率和长短轴数据比率进一步去除伪目标,提高了检测正确率。
Description
技术领域
本发明涉及数字图像处理技术领域,具体涉及一种多波束前视声纳目标检测方法。
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,需要准确地感知周围环境的真实信息。主动声纳(Active sonar)是自主式水下机器人使用最广泛的探测设备,多波束前视声纳是其中一种。
虽然多波束前视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。水下环境的多波束前视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。
多波束前视声纳是对水中目标进行检测的重要设备,比如,如何利用多波束前视声纳图像对水雷进行检测和识别是一项极具挑战的工作,其中,检测算法是核心。
发明内容
有鉴于此,本发明提供了一种多波束前视声纳目标检测方法,能够有效检测出水下目标。
本发明的多波束前视声纳目标检测方法,包括如下步骤:
步骤1,采用基于3×3窗口的中值滤波方法对多波束前视声纳原始图像进行低通滤波,得到声纳图像X2;
步骤2,对步骤1获得的声纳图像X2进行固定阈值分割,生成以0、1表示的二值黑白图像X3;
步骤3,采用形态学运算的腐蚀运算方法,去除图像X3中面积明显小于目标面积的伪目标,获得包含疑是目标的声纳图像X4;
步骤4,针对声纳图像X4中的所有疑是目标,采用Freeman chain链逼近算法计算出疑是目标的轮廓;根据轮廓计算疑是目标的面积objectArea[i];对疑是目标的轮廓进行最小均方椭圆拟合,获得拟合椭圆的长轴wid[i]、短轴hei[i]、中心坐标center[i],i表示第i个疑是目标;
步骤5,针对声纳图像X4中的每一个疑是目标,判断其是否满足如下条件:
(1)areaRate[i]=objectArea[i]/(wid[i]×hei[i]),areaRate[i]大于或等于设定的阈值B;
(2)newRate[i]=wid[i]/hei[i],newRate[i]大于或等于设定的阈值C;
如同时满足,则该疑是目标为真实目标,疑是目标的拟合椭圆的中心坐标即为真实目标的坐标;否则,该疑是目标为假目标。
进一步地,还包括步骤6和步骤7;
步骤6,根据步骤5获得的真实目标的坐标,计算真实目标的坐标center[i]与sonar坐标之间的距离和方位角度;所述sonar坐标为声纳图像X1中扇形图像的顶点坐标;
步骤7,获取下两帧声纳原始图像,执行步骤1~步骤6;如果真实目标在连续3帧图像中均存在,且真实目标的坐标center[i]与sonar坐标之间的距离和方位角度、真实目标面积objectArea[i]的变化在允许的误差范围内,则该真实目标为最终的真实目标,否则,该目标为假目标。
进一步地,所述步骤2中,分割阈值为235。
进一步地,所述步骤3中,采用3×3的矩形窗口核做1次腐蚀运算。
进一步地,所述步骤5中,阈值B=0.5;阈值C=0.2。
有益效果:
(1)多波束前视声纳的图像噪声较大,图像噪声来自水面或水中的散射等原因造成的,此处的低通滤波有效地降低了这些噪声,为后续的处理减小了处理压力和复杂度;采用基于3*3窗口的中值滤波能很好地去除图像中的散射噪声,提高声纳图像质量。
(2)固定阈值分割结果通常高度依赖声纳图像的背景灰度值,采用阈值为235的固定阈值分割能得到更好的分割结果,用这个方法能很好地把目标和背景分割开来。
(3)经固定阈值分割后的二值图像X3包含较多面积较小的伪目标,采用3×3的矩形窗口核做1次腐蚀运算形态学运算的腐蚀运算能较好的去除面积较小的伪目标,即进一步降低噪声,减轻识别处理的处理压力和复杂度;
(4)采用面积比率和长短轴数据比率进一步去除伪目标,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为映射变换后的图像。
图3为采用本发明算法后检测结果图。
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。
本发明提供了一种多波束前视声纳目标检测方法,具体包括如下步骤:
步骤1,对多波束前视声纳原始图像X1进行低通滤波,得到低噪声声纳图像X2。
多波束前视声纳的原始图像噪声较大,图像噪声主要由水中颗粒的散射和水面波漫反射等原因造成。这些噪声在多波束前视声纳图像上表现为面积不等且分布无规律的白色反射区域,强度较强,且具有时变空变跳变特点,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多波束前视声纳噪声效果并不好,本发明采用基于3×3窗口的中值滤波能很好地去除图像中的噪声,提高声纳图像质量。此处的低通滤波有效地降低了这些噪声,为后续的处理减小了处理压力和复杂度。
基于3×3窗口的中值滤波算法如下:
式中,X2(i,j)是多波束前视声纳原始图像X1中的像素点X1(i,j)的邻域Sij的像素中值。其中,邻域Sij为以像素点X1(i,j)为中心的3×3正方形窗口的区域,median为取中函数。X2(i,j)的具体求取方法为:将以像素X1(i,j)为中心的3×3正方形窗口邻域的所有像素点的像素值读入数组array[9],对该数组进行排序,array[5]即为该3×3邻域的像素中值,用该像素中值代替像素点X1(i,j)的像素值,即为X2(i,j)。声纳图像X1经低通滤波后,得到低噪声声纳图像X2。
步骤2,对步骤1获得的声纳图像X2进行固定阈值分割。
步骤1获得的低噪声声纳图像X2是用灰度值表示的(8bits),声纳图像X2中每个像素点有2的8次方(即256)个可能的灰度值,本发明采用固定阈值对声纳图像X2进行分割,分割后的图像每个像素点只有2种可能的值(为0或者为1);固定阈值分割是图像预处理步骤中非常重要的一步,其分割效果好坏直接影响到识别效果甚至是识别成败,其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。固定阈值分割具体算法如下:
其中,dst(x,y)为坐标为(x,y)的像素点src(x,y)的固定阈值分割运算结果,threshold为分割阈值。
目标在多波束前视声纳的图像中表现为强度很强且面积较为连续的反射亮点区域,根据这一特点,本发明选取分割阈值为235。声纳图像X2经过固定阈值分割运算后,得到声纳图像X3。
步骤3,针对步骤2获得的声纳图像X3,去除面积较小的伪目标。
由于目标在多波束前视声纳的图像中表现为强度很强且面积较为连续的反射亮点区域,因此,经步骤2固定阈值分割后的二值声纳图像X3中,明显小于目标面积的数量众多的小面积区域可视为伪目标,本发明采用形态学运算的腐蚀运算能较好地去除面积较小的伪目标,进一步降低噪声,减轻识别处理的处理压力和复杂度。
腐蚀运算公式如下:
其中,dsterode(x,y)为坐标为(x,y)的像素点src(x,y)的腐蚀运算结果,kernelerode为腐蚀运算的核。
腐蚀运算的核维度不能太大,太大会导致运算复杂度呈指数增长,但又不能太小,太小不能起到较好地去除面积较小的伪目标作用,经过大量测试,本发明采用3×3的矩形窗口核做1次腐蚀运算。声纳图像X3经过形态学运算后,得到声纳图像X4。
步骤4,计算疑是目标参数。
声纳图像X4去除了较多面积较小的伪目标,包含疑是目标,需要计算疑是目标的面积。具体流程为:
步骤4.1,采用Freeman chain链逼近算法计算出声纳图像X4中所有疑是目标的轮廓,并记录疑是目标的个数到objectNumber变量,即疑是目标数量的变量;
步骤4.2,对于X4中第i个疑是目标(i=1,2,…,objectNumber),根据步骤4.1获得的轮廓计算其面积,将计算得到的面积存储到objectArea[i]中;计算第i个疑是目标轮廓的最小均方椭圆拟合,将其椭圆拟合的长轴数据存储到wid[i]中,将其椭圆拟合的短轴数据存储到hei[i]中,将其椭圆拟合的中心坐标点存储到center[i]中;
步骤5,去除声纳图像X4中的假目标,即针对声纳图像X4中的每一个疑是目标,做如下处理:
步骤5.1,对于第i个疑是目标(i=1,2,…,objectNumber),计算其面积比率areaRate[i]=objectArea[i]/(wid[i]×hei[i]),若areaRate[i]小于阈值B,则表明该疑是目标为假目标,应该去除,然后采用同样的方式进行对下一个疑是目标的判断,即i值加1,重复步骤5.1;若areaRate[i]大于或等于阈值B,则跳至步骤5.2;其中,阈值B根据大量声纳图像数据测试和不同目标的测试分析获得,本发明采用阈值B为0.5,此时的识别率较高。
步骤5.2,计算该疑是目标的长短轴数据比率newRate[i]=wid[i]/hei[i],若newRate[i]小于阈值C,则表明该疑是目标为假目标,应该去除,然后采用同样的方式进行对下一个疑是目标的判断,即i值加1,重复步骤5.2;若newRate[i]大于或等于阈值C,则该疑是目标为真实目标,拟合椭圆的中心坐标即为真实目标的坐标,跳至步骤5.3;其中阈值C根据大量声纳图像数据测试和不同目标的测试分析获得,本发明采用阈值C为0.2,此时的识别率较高。
步骤5.3,计算椭圆拟合的中心坐标点center[i]与sonar坐标之间的距离、方位角度;sonar坐标的含义是:声纳输出的数据变换后是二维图像,真实有用的图像范围是一个扇形,扇形的顶点即sonar坐标,即图2和图3中扇形下端的顶点;
步骤6,输出目标检测结果信息,输出包含目标与sonar坐标之间的距离和方位角度、目标大小(objectArea[i])信息,计算机发送控制指令给多波束前视声纳,再次获取下一帧声纳图像后,跳至步骤1,进行下一帧声纳图像的处理。若该目标在连续3帧中均出现,且目标与sonar坐标之间的距离和方位角度、目标大小(objectArea[i])信息的变化范围满足允许的误差,则判断该目标为最终的真实目标,否则,该目标为虚假目标。
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 (4)
1.一种多波束前视声纳目标检测方法,其特征在于,包括如下步骤:
步骤1,采用基于3×3窗口的中值滤波方法对多波束前视声纳原始图像进行低通滤波,得到声纳图像X2;
步骤2,对步骤1获得的声纳图像X2进行固定阈值分割,生成以0、1表示的二值黑白图像X3;
步骤3,采用形态学运算的腐蚀运算方法,采用3×3的矩形窗口核做1次腐蚀运算,去除图像X3中面积明显小于目标面积的伪目标,获得包含疑是目标的声纳图像X4;
步骤4,针对声纳图像X4中的所有疑是目标,采用Freeman chain逼近算法计算出疑是目标的轮廓;根据轮廓计算疑是目标的面积objectArea[i];对疑是目标的轮廓进行最小均方椭圆拟合,获得拟合椭圆的长轴wid[i]、短轴hei[i]、中心坐标center[i],i表示第i个疑是目标;
步骤5,针对声纳图像X4中的每一个疑是目标,判断其是否满足如下条件:
(1)areaRate[i]=objectArea[i]/(wid[i]×hei[i]),areaRate[i]大于或等于设定的阈值B;
(2)newRate[i]=wid[i]/hei[i],newRate[i]大于或等于设定的阈值C;
如同时满足,则该疑是目标为真实目标,疑是目标的拟合椭圆的中心坐标即为真实目标的坐标;否则,该疑是目标为假目标。
2.如权利要求1所述的多波束前视声纳目标检测方法,其特征在于,还包括步骤6和步骤7;
步骤6,根据步骤5获得的真实目标的坐标,计算真实目标的坐标center[i]与sonar坐标之间的距离和方位角度;所述sonar坐标为声纳原始图像中扇形图像的顶点坐标;
步骤7,获取下两帧声纳原始图像,执行步骤1~步骤6;如果真实目标在连续3帧图像中均存在,且真实目标的坐标center[i]与sonar坐标之间的距离和方位角度、真实目标面积objectArea[i]的变化在允许的误差范围内,则该真实目标为最终的真实目标,否则,该目标为假目标。
3.如权利要求1所述的多波束前视声纳目标检测方法,其特征在于,所述步骤2中,分割阈值为235。
4.如权利要求1所述的多波束前视声纳目标检测方法,其特征在于,所述步骤5中,阈值B=0.5;阈值C=0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610059595.7A CN105741284B (zh) | 2016-01-28 | 2016-01-28 | 一种多波束前视声纳目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610059595.7A CN105741284B (zh) | 2016-01-28 | 2016-01-28 | 一种多波束前视声纳目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105741284A CN105741284A (zh) | 2016-07-06 |
CN105741284B true CN105741284B (zh) | 2018-10-26 |
Family
ID=56246805
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610059595.7A Expired - Fee Related CN105741284B (zh) | 2016-01-28 | 2016-01-28 | 一种多波束前视声纳目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741284B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296603B (zh) * | 2016-08-03 | 2019-03-05 | 哈尔滨工程大学 | 一种水下声纳图像的小目标检测方法 |
CN106651866A (zh) * | 2016-12-23 | 2017-05-10 | 江苏中海达海洋信息技术有限公司 | 一种基于神经网络的多波束水柱目标自动分割方法 |
CN108229402A (zh) * | 2018-01-08 | 2018-06-29 | 哈尔滨工程大学 | 基于声波的事件检测系统及检测方法 |
CN109765562B (zh) * | 2018-12-10 | 2020-10-23 | 中国科学院声学研究所 | 一种三维前视声像声纳系统和方法 |
CN111325696B (zh) * | 2020-03-03 | 2023-07-07 | 杭州瑞利海洋装备有限公司 | 一种基于正态分布区间估计的水声图像混响抑制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261736A (zh) * | 2008-04-10 | 2008-09-10 | 西北工业大学 | 多源图像动目标协同检测方法 |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070159922A1 (en) * | 2001-06-21 | 2007-07-12 | Zimmerman Matthew J | 3-D sonar system |
US10502820B2 (en) * | 2013-02-13 | 2019-12-10 | Farsounder, Inc. | Integrated sonar devices and methods |
-
2016
- 2016-01-28 CN CN201610059595.7A patent/CN105741284B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101261736A (zh) * | 2008-04-10 | 2008-09-10 | 西北工业大学 | 多源图像动目标协同检测方法 |
CN102622598A (zh) * | 2012-01-13 | 2012-08-01 | 西安电子科技大学 | 基于区域标记与灰度统计的sar图像目标检测方法 |
Non-Patent Citations (5)
Title |
---|
A Real-time Underwater Object Detection Algorithm for Multi-beam Forward Looking Sonar;Enric Galceran等;《IFAC Processings Volumes》;20121231;第45卷(第5期);第306-311页 * |
Underwater Vehicle Obstacle Avoidance and Path Planning Using a Multi-Beam Forward Looking Sonar;Yvan Petillot等;《IEEE JOURNOL OF OCEANIC ENGINEERING》;20010430;第26卷(第2期);第240-251页 * |
基于链码的合成孔径声纳图像目标识别算法研究;赵春晖等;《计算机应用研究》;20100731;第27卷(第7期);第2738-2740、2744页 * |
多波束声纳水柱影像探测中底层水域目标的研究进展;阳凡林等;《山东科技大学学报》;20131231;第32卷(第6期);第75-83页 * |
高分辨率多波束声纳系统海底目标物检测技术;丁继胜等;《海洋测绘》;20140930;第34卷(第5期);第62-64、71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105741284A (zh) | 2016-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105741284B (zh) | 一种多波束前视声纳目标检测方法 | |
Cerqueira et al. | A novel GPU-based sonar simulator for real-time applications | |
CN105574529B (zh) | 一种侧扫声纳目标检测方法 | |
JP3573783B2 (ja) | ソナー・システム | |
Bagnitsky et al. | Side scan sonar using for underwater cables & pipelines tracking by means of AUV | |
CN108957462B (zh) | 一种基于平坦海底的多波束水体数据处理方法 | |
Sung et al. | Crosstalk removal in forward scan sonar image using deep learning for object detection | |
CN111505651B (zh) | 一种主动声呐回波图潜在运动目标的特征提取方法 | |
CN107942329A (zh) | 机动平台单通道sar对海面舰船目标检测方法 | |
CN113884986A (zh) | 波束聚焦增强的强冲击信号空时域联合检测方法及系统 | |
Sac et al. | 2D high-frequency forward-looking sonar simulator based on continuous surfaces approach. | |
Zhang et al. | Object detection and tracking method of AUV based on acoustic vision | |
Del Rio Vera et al. | Automatic target recognition in synthetic aperture sonar images based on geometrical feature extraction | |
CN115993602A (zh) | 一种基于前视声呐的水下目标检测及定位方法 | |
CN116243289A (zh) | 一种基于成像声呐的无人艇水下目标智能识别方法 | |
CN115810144A (zh) | 一种基于区域预检测的水中悬浮声呐目标识别方法 | |
James et al. | Blind estimation of single look side scan sonar image from the observation model | |
Zhao et al. | Automatic object detection for AUV navigation using imaging sonar within confined environments | |
Lu et al. | Underwater target's size/shape dynamic analysis for fast target recognition using sonar images | |
Li et al. | Research on underwater navigation algorithm based on SIFT matching algorithm | |
CN116930976B (zh) | 基于小波模极大值的侧扫声呐图像的海底线检测方法 | |
Muduli et al. | A Review On Recent Advancements In Signal Processing and Sensing Technologies for AUVs | |
Tipsuwan et al. | A real-time pipeline tracking using a forward-looking sonar | |
CN114578333B (zh) | 一种主动声呐目标动静辨识方法 | |
CN117789016A (zh) | 无人艇多声呐信息融合系统组成方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181026 Termination date: 20200128 |