CN105787489A - 一种基于水下地貌的匹配导航算法 - Google Patents

Abstract

本发明涉及的是数字图像处理技术领域，具体地说是一种基于水下地貌图像的匹配导航算法。本发明包括：将实时图和待与实时图匹配的基准图都转化为圆形模板，提取两个圆形模板的不变矩特征作为匹配的内容；以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量；欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置；采用粒子群优化算法代替遍历的搜索方式；利用多种群思想改进粒子群优化算法；搜索到实时图的匹配位置后，利用最大互相关法确定航向角。本发明提出了适合水下地貌图像的匹配导航算法。针对导航的特殊需求，本发明采用不变矩特征，克服了水下应用中旋转、平移和尺度变换的影响。

Description

一种基于水下地貌的匹配导航算法

技术领域

本发明涉及的是数字图像处理技术领域，具体地说是一种基于水下地貌图像的匹配导航算法。

背景技术

随着人类探索海洋和军事活动的不断深入，人们对水下潜器的安全性和自主性的需求不断提高，其中导航技术是水下潜器研究领域的重要课题。目前潜器导航技术采用以惯性导航系统(INS)为主体的多种组合导航系统，而惯性导航在长时间的工作中，其定位误差会随着时间而积累。为保证导航效果稳定可靠，可以借助水下潜器实时获取的地形和地貌信息，与已知的数字地图相比较来确定潜器的精确位置，以此来修正惯性导航系统的导航结果。这种技术即是与惯导组合使用的地形地貌辅助导航技术。与现有的利用GPS、无线电、天文信息等辅助导航手段相比，该技术最大的优点是无需上浮，对潜器的隐蔽性非常有利，而且导航信息由潜器自身携带的声学传感器实时获取，不受天气、电磁干扰等影响，具有更好的自主性和抗干扰性。

地形辅助导航的基本原理是利用测深或侧扫声呐设备实时获取水下运载体航迹上的地形或地貌图像(称为实时图)，与载体计算机上存储的地图(称为基准图)进行比较，从而获取载体的当前位置。目前大多数辅助导航研究都集中在利用地形高度信息，而利用地貌信息的则相对较少，所以本发明提出基于水下地貌的匹配导航算法，旨在提高导航定位精度。本发明主要针对地貌导航，是水下运载体导航定位技术的一个重要研究领域。其传统的地形辅助导航方法通常可以分为两类，即地形高度匹配与地貌匹配，其中地形高度匹配采用的数据是测深声纳探测的地形高度数据；地貌匹配采用的数据是侧扫声呐获取的地貌图像。由于地貌图像的分辨率远远高于地形高度数据，在地形辅助导航研究中利用水下地貌无疑会大大提高导航精度。

基于水下地貌的匹配导航算法的本质就是图像匹配算法。匹配算法通常基于图像特征，包括点特征、边缘特征、区域特征、矩特征等。相似性度量常采用平均绝对差度量(MAD)、平方差度量(SD)、平均平方差算法(MSD)、积相关度量(PROD)、归一化积相关度量(NPROD，也称为最大互相关度量)等。相似性度量可以定义为某一距离函数，如欧氏距离、马氏距离、Hausdorff距离等。为了加快匹配速度，常用非线性的随机搜索代替线性的遍历式搜索，如粒子群优化算法(PSO)、遗传算法、蚁群算法、神经网络算法等。也有将多分辨率小波与改进型SSDA相结合的快速匹配算法，并给出了从粗匹配到精匹配的实施过程。在景象匹配的启发下，并结合声呐图像的特点，

发明内容

本发明的目的在于提供一种有效提高整体处理的稳定性和实时性的基于水下地貌图像的匹配导航算法。

本发明的目的是这样实现的：

一种基于水下地貌的匹配导航算法，包括如下步骤：

(1)将实时图和待与实时图匹配的基准图都转化为圆形模板，提取两个圆形模板的不变矩特征作为匹配的内容；

不变矩特征的计算如下：

一幅大小为M×N像素的数字图像f(i,j)，i、j表示图中某一像素所在的行序号与列序号，其p+q阶几何矩m_pq和中心矩μ_pq分别为：

$m_{pq}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{i}^p{j}^{q}f(i,j)$

${\mathrm{\μ}}_{pq}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{(i-\stackrel{\‾}{i})}^p{(j-\stackrel{\‾}{j})}^{q}f(i,j)$

其中，p和q分别为行方向和列方向上矩的阶数；

定义规格化中心矩：

${\mathrm{\η}}_{pq}=\frac{{\mathrm{\μ}}_{pq}}{{\mathrm{\μ}}_{00}^{\mathrm{\γ}}},(\mathrm{\γ}=\frac{p+q+2}{2},p+q=2,3,...)$

七个Hu不变矩特征(φ₁～φ₇)为：

φ₁＝η₂₀+η₀₂

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2$

φ₃＝(η₃₀-3η₁₂)²+3(η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)³

φ₅＝(η₃₀+3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₁₂-η₃₀)(η₂₁+η₀₃)[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量；欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置；

(3)采用粒子群优化算法代替遍历的搜索方式；利用多种群思想改进粒子群优化算法；

(4)搜索到实时图的匹配位置后，利用最大互相关法确定航向角；

在最大互相关法中，利用实时图和与之匹配的基准图的最大互相关值作为相似性度量，将基准图旋转0～359°，计算不同角度下的基准图与实时图之间的最大互相关值，互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值；将最大互相关算法与改进的粒子群优化算法相结合；互相关的计算如下：

$R(u,v)=\frac{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left(X_{ij}{Y}_{i+u,j+v}\right)}{\sqrt{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left({X_{ij}}^2\right)}\sqrt{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left({Y^2}_{i+u,j+v}\right)}}$

式中，X_ij与Y_i+u,j+v分别为位置i,j与i+u,j+v处的去均值灰度值， x和y分别是实时图和基准图像素值，k、l分别为像素的行序号与列序号，实时图的大小是n×n，u和v表示实时图在基准图中的相对位置。

本发明的有益效果在于：

本发明提出了适合水下地貌图像的匹配导航算法。针对导航的特殊需求，本发明采用不变矩特征，克服了水下应用中旋转、平移和尺度变换的影响。另外，本发明采用最大互相关法实现了航向角的确定，并利用多种群思想对粒子群优化算法进行了改进，将其与上述算法结合，有效提高了整体处理的稳定性和实时性。

附图说明

图1为地貌图像匹配技术流程；

图2a为基准图；

图2b为实时图；

图3a为转化为圆形模板的基准图；

图3b为转化为圆形模板的实时图；

图4为标准粒子群算法匹配结果图；

图5为改进粒子群算法匹配结果图；

图6为最大互相关法确定航向角；

图7为整体算法匹配结果。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供了一种基于水下地貌的匹配导航算法。该算法的主要任务包括特征提取、特征匹配和匹配结果输出，其中特征匹配包括搜索匹配位置和确定航向角。

特征提取部分主要提取不变矩特征。

搜索匹配位置采用不变矩特征向量的欧氏距离作为相似性度量，为了减少计算量，提高匹配效率，采用粒子群优化算法代替遍历的搜索策略，并改进粒子群优化算法，来改善算法的性能。

确定航向角时利用最大互相关法，并将最大互相关法结合改进的粒子群优化算法来减少计算量，缩短匹配时间。

最后，各部分流程的算法综合到一起，构成一套完整的地貌图像匹配导航算法，并输出匹配导航结果。算法流程如附图1所示。

基于水下地貌的匹配导航算法，其特征是：

(1)将实时图和待与之匹配的基准图都转化为圆形模板，提取二者的不变矩特征作为匹配的内容。

(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量。欧氏距离越小，则相似程度越高。欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置。

(3)采用粒子群优化算法代替遍历的搜索方式，以缩短匹配时间。

(3)利用多种群思想改进粒子群优化算法，使算法性能更稳定可靠。

(4)搜索到实时图的匹配位置后，利用最大互相关法确定航向角。

在最大互相关法中，利用实时图和与之匹配的基准图的最大互相关值作为相似性度量，将基准图旋转0～359°，计算不同角度下的基准图与实时图之间的最大互相关值，互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。将最大互相关算法与改进的粒子群优化算法相结合，来减少计算量。

本发明是一种基于水下地貌图像的匹配导航算法，其具体内容为：

(1)将实时图和待与之匹配的基准图转化为圆形模板，提取二者的不变矩特征。

(2)以欧氏距离作为实时图与基准图之间不变矩特征向量的相似性度量。取欧氏距离最小时对应的基准图位置为实时图的匹配位置。采用粒子群优化算法代替遍历搜索缩短匹配时间。

(3)利用多种群思想改进粒子群优化算法，提高算法稳定性。

(4)搜索到实时图的匹配位置后，采用最大互相关法确定航向角。在最大互相关法中，利用实时图和与之匹配的基准图的最大互相关值作为相似性度量，计算不同角度下的基准图与实时图之间的互相关值，互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。将最大互相关算法与改进的粒子群优化算法相结合，以减少计算量。

本发明的技术流程见图1。具体实施细节如下：

(1)提取不变矩特征，由于不变矩在圆形模板下具有良好的旋转不变性，所以提取不变矩之前需将实时图和待与之匹配的基准图都转化为圆形模板。基准图与实时图的举例如图2所示，图3为基准图与实时图转化为圆形模板的结果。

不变矩特征的计算如下：

一幅大小为M×N(像素)的数字图像f(i,j)(i、j表示图中某一像素所在的行序号与列序号)，其p+q阶几何矩m_pq和中心矩μ_pq分别为：

$m_{pq}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{i}^p{j}^{q}f(i,j)---\left(1\right)$

${\mathrm{\μ}}_{pq}=\underset{i=1}{\overset{M}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}{(i-\stackrel{\‾}{i})}^p{(j-\stackrel{\‾}{j})}^{q}f(i,j)---\left(2\right)$

其中，p和q分别为行方向和列方向上矩的阶数。

定义规格化中心矩如(3)式：

${\mathrm{\η}}_{pq}=\frac{{\mathrm{\μ}}_{pq}}{{\mathrm{\μ}}_{00}^{\mathrm{\γ}}},(\mathrm{\γ}=\frac{p+q+2}{2},p+q=2,3,...)---\left(3\right)$

由此，七个Hu不变矩特征(φ₁～φ₇)为：

φ₁＝η₂₀+η₀₂(4)

${\mathrm{\φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+{4\mathrm{\η}}_{11}^2---\left(5\right)$

φ₃＝(η₃₀-3η₁₂)²+3(η₂₁-η₀₃)²(6)

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)³(7)

$\begin{array}{c}{\mathrm{\φ}}_5=({\mathrm{\η}}_{30}+3{\mathrm{\η}}_{12})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]+(3{\mathrm{\η}}_{12}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ \[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\end{array}---\left(8\right)$

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)(9)

$\begin{array}{c}{\mathrm{\φ}}_7=(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]+(3{\mathrm{\η}}_{12}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ \[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\end{array}---\left(10\right)$

(2)计算实时图与基准图各自的不变矩特征向量，求取二者的欧氏距离作为相似性度量。欧氏距离越小，相似程度越高。欧氏距离最小时对应的基准图位置即为实时图的匹配位置。采用粒子群优化算法代替遍历搜索，以减少计算量，缩短匹配时间。

(3)利用多种群思想改进粒子群优化算法，使算法性能更稳定可靠。

(4)搜索到实时图的匹配位置后，利用最大互相关法确定航向角。在最大互相关法中，利用实时图和与之匹配的基准图的最大互相关值作为相似性度量，将基准图旋转0～359°，计算不同角度下的基准图与实时图之间的最大互相关值，最大互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值。互相关的计算如下：

$R(u,v)=\frac{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left(X_{ij}{Y}_{i+u,j+v}\right)}{\sqrt{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left({X_{ij}}^2\right)}\sqrt{\frac{1}{n^2}\underset{i=0}{\overset{n-1}{\Σ}}\underset{j=0}{\overset{n-1}{\Σ}}\left({Y^2}_{i+u,j+v}\right)}}---\left(11\right)$

式中，X_ij与Y_i+u,j+v分别为位置(i,j)与(i+u,j+v)处的去均值灰度值， x和y分别是实时图和基准图像素值，k、l分别为像素的行序号与列序号，实时图的大小是n×n，u和v表示实时图在基准图中的相对位置。

将最大互相关算法与改进的粒子群优化算法相结合，来减少计算量。

Claims (1)

1.一种基于水下地貌的匹配导航算法，其特征在于，包括如下步骤：

(1)将实时图和待与实时图匹配的基准图都转化为圆形模板，提取两个圆形模板的不变矩特征作为匹配的内容；

不变矩特征的计算如下：

一幅大小为M×N像素的数字图像f(i,j)，i、j表示图中某一像素所在的行序号与列序号，其p+q阶几何矩m_pq和中心矩μ_pq分别为：

其中，p和q分别为行方向和列方向上矩的阶数；

定义规格化中心矩：

七个Hu不变矩特征(φ₁～φ₇)为：

φ₁＝η₂₀+η₀₂

φ₃＝(η₃₀-3η₁₂)²+3(η₂₁-η₀₃)²

φ₄＝(η₃₀+η₁₂)²+(η₂₁+η₀₃)³

φ₅＝(η₃₀+3η₁₂)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₂₁-η₀₃)(η₂₁+η₀₃)

[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

φ₆＝(η₂₀-η₀₂)[(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]+4η₁₁(η₃₀+η₁₂)(η₂₁+η₀₃)

φ₇＝(3η₂₁-η₀₃)(η₃₀+η₁₂)[(η₃₀+η₁₂)²-3(η₂₁+η₀₃)²]+(3η₁₂-η₃₀)(η₂₁+η₀₃)

[3(η₃₀+η₁₂)²-(η₂₁+η₀₃)²]

(2)以实时图与基准图之间的不变矩特征向量的欧氏距离作为相似性度量；欧氏距离最小时所对应的基准图的位置即为实时图的匹配位置；

(3)采用粒子群优化算法代替遍历的搜索方式；利用多种群思想改进粒子群优化算法；

(4)搜索到实时图的匹配位置后，利用最大互相关法确定航向角；

在最大互相关法中，利用实时图和与之匹配的基准图的最大互相关值作为相似性度量，将基准图旋转0～359°，计算不同角度下的基准图与实时图之间的最大互相关值，互相关值最大时基准图旋转的角度即为实时图相对于基准图的角度差值；将最大互相关算法与改进的粒子群优化算法相结合；互相关的计算如下：

式中，X_ij与Y_i+u,j+v分别为位置i,j与i+u,j+v处的去均值灰度值， x和y分别是实时图和基准图像素值，k、l分别为像素的行序号与列序号，实时图的大小是n×n，u和v表示实时图在基准图中的相对位置。