CN105957084B - 一种利用点聚集特性的侧扫声纳目标探测方法 - Google Patents
一种利用点聚集特性的侧扫声纳目标探测方法 Download PDFInfo
- Publication number
- CN105957084B CN105957084B CN201610297911.4A CN201610297911A CN105957084B CN 105957084 B CN105957084 B CN 105957084B CN 201610297911 A CN201610297911 A CN 201610297911A CN 105957084 B CN105957084 B CN 105957084B
- Authority
- CN
- China
- Prior art keywords
- image
- available point
- threshold
- point
- threshold value
- 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
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
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30212—Military
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及的是数字图像处理技术领域。具体涉及一种利用点聚集特性的侧扫声纳目标探测方法。本发明包括:对侧扫声纳图像进行预处理;设定第一图像灰度初始阈值T;对侧扫声纳图像进行以阈值T进行分割,得到有效点;判断有效点个数是否在理想计算范围N以内,如果有效点个数在理想计算范围N以内,执行步骤(5),如果有效点个数不在理想计算范围N以内,以S为速度提高阈值T,替代原有阈值,重新执行步骤(3);得到有效点后,计算每个点的累积量。本发明提供了一种高效的分割出侧扫声纳图像中的目标的方法,对于含有构成海底强反射点的点状噪声和海底混响产生的云状噪声的侧扫声纳图像有着更好的分割效果,能够更有效的分割出聚集点。
Description
技术领域
本发明涉及的是数字图像处理技术领域。具体涉及一种利用点聚集特性的侧扫声纳目标探测方法。
背景技术
目标探测是指确定单一图像或序列图像中是否有目标并将感兴趣的目标区域和不感兴趣的背景区域分开的一种操作。它往往会利用已知的先验知识,计算相关的特征量,并利用这些特征量区分目标与背景。目前水声目标探测技术被广泛应用于石油勘探、水下地形观察、深海管线探查、水下物体打捞、海洋渔业等领域。军事方面,浅海地区水雷探测已经成了各国海军的重大难题。而声纳系统可大范围探测水下区域,因此水声探测系统已经成了各国研究热点。
在浅海地区进行水雷探测是十分困难的。水雷目标小且常隐藏于一些人造障碍物中。美国海面战研中心在水雷目标自动或半自动探测方面进行了进十年研究,利用非可交换群谐波分析理论,研制出了能有效降低虚警概率的多算法融合水雷目标探测系统。该系统可以快速处理声纳图像,提取可疑区域。
目前国外学者已经对水下目标探测方法进行了大量研究,得到了一些高效的基于声纳图像的目标探测系统。而国内的相应研究还处于起步阶段,还没有成型的相应产品。目标探测并提取的结果将会直接影响目标识别的处理结果,因此对于目标探测方法的研究是有重要意义的。在处理实际侧扫声纳图像中,会遇到如下问题:
1、侧扫声纳图像信噪比较低
2、侧扫声纳图像中的待测目标相对较小
3、海底不规整或者有较多声波强反射的岩石等较小物体
4、海底混响
以上问题可以更加形象的转化为两种高噪声下的分割问题,一种是构成海底强反射点的点状噪声(structural noise),一种是海底混响,我们这里称作云状噪声(contamination region noise),这两种噪声,现有的图像增强算法仍然没办法完全有效的去除这两种噪声,因此要把精力放在分割算法上。主流的分割算法分为两种,一种是传统通过各种优化准则设定灰度阈值的分割方法,例如传统的阈值分割或者最大类间方差的分割算法;另一种是通过设定平面闭合曲线,通过计算曲线内外的像素灰度差值来控制曲线的缩放,例如水平集分割方法或者无边缘特性的动态轮廓分割算法。
本发明主要提出的是一种利用点聚集特性的侧扫声纳目标探测方法。通过与文献[1]、文献[2]所述方法进行对比,证实了此方法在有效提取目标的同时可以有效分割出待测目标。
与本发明相关的参考文献包括:
[1]刘卫刚,胡锡梅基于有效点聚集度的指纹图像分级分割算法.中北大学现代教育技术与信息中心.2011
[2]吴一全改进的二维Otsu法阈值分割快速迭代算法.南昌航空大学无损检测技术教育部重点实验室.2011
发明内容
本发明的目的在于提供一种分割出的目标更加完整的利用点聚集特性的侧扫声纳目标探测方法。
本发明的目的是这样实现的:
利用点聚集特性的侧扫声纳目标探测方法,包括如下步骤:
(1)对侧扫声纳图像进行预处理;
(2)设定第一图像灰度初始阈值T;
(3)对侧扫声纳图像进行以阈值T进行分割,得到有效点;
(4)判断有效点个数是否在理想计算范围N以内,如果有效点个数在理想计算范围N以内,执行步骤(5),如果有效点个数不在理想计算范围N以内,以S为速度提高阈值T,替代原有阈值,重新执行步骤(3);
(5)得到有效点后,计算每个点的累积量;
(6)设定第二阈值来筛选出待测目标的像素点。
所述步骤(5)中计算每个点的累积量所使用的公式如下:
其中Ci为有效点i的累积量,距离约束函数Wij作为权值,Dij表示第i个有效点和第j个有效点之间的欧氏距离。
所述的第二阈值为所有点累积量的均值。
本发明的有益效果在于:
本发明提供了一种高效的分割出侧扫声纳图像中的目标的方法,对于含有构成海底强反射点的点状噪声和海底混响产生的云状噪声的侧扫声纳图像有着更好的分割效果,能够更有效的分割出聚集点,优于传统分割意义下的阈值判定分割,解决了无法去除这两种噪声的困扰,分割过程中利用了目标的点累积量作为判断依据有效地分割出待标记的目标,使得分割出的目标更加完整,并且能够排除其他噪声亮点,使得本方法的输出结果更加可观。
附图说明
图1为算法流程图;
图2为待检测图像1;
图3为待检测图像2;
图4为本文方法的处理结果,处理图像为待检测图像1;
图5为本文方法的处理结果,处理图像为待检测图像2;
图6为文献1的处理结果,处理图像为待检测图像1;
图7为文献1的处理结果,处理图像为待检测图像2;
图8为文献2的处理结果,处理图像为待检测图像1;
图9为文献2的处理结果,处理图像为待检测图像2。
具体实施方式
下面结合附图对本发明做进一步描述。
本发明提供了一种检测侧扫声纳中的目标的方法,这是一种利用点聚集特性对侧扫声纳图像中可疑区域进行筛选的目标探测方法,是一种拓扑创新型分割算法。首先假设待探测目标在侧扫声纳的声回波强度上一直保持最强(即至少有一部分像素的灰度值为255),在本发明中通过使用有效的N个点之间的距离,即聚集性,来给点赋以不同的值并累计,当所有有效点的相互之间的累积量计算完成后,每个点都会有属于自己的累积量,聚集在一起的点,即欧氏距离较近的点的累积量就会比那些孤立的点大,随后通过设定累计阈值来分割出聚集特性强的,算法流程图如图1所示。
利用点聚集特性的侧扫声纳目标探测方法,其步骤包括:
(1)对侧扫声纳图像进行预处理;
(2)设定第一图像灰度初始阈值T;
(3)对侧扫声纳图像进行以阈值T进行分割,先得到有效点;
(4)判断有效点个数是否在理想计算范围N`以内,满足,执行第五步,不满足,以S为速度提高阈值T,替代原有阈值,回到第三步;
(5)得到有效点后,计算每个点的累积量;
(6)设定第二阈值(通常设定为所有点累积量的均值)来筛选出聚集性高的点,即是待测目标的像素点。
(7)利用两幅侧扫声纳图像进行实验分别与一种基于有效点聚集度的图像分割算法、改进的二维Otsu法阈值分割快速迭代算法进行对比,证明了本方法在检测效果相似的条件下具有效的分割出待标记的目标。
进一步结合附图,
(1)对侧扫声纳图像进行预处理;
待处理图像原图如图1所示,是由侧扫声纳获得的声纳图像。
首先对图像进行预处理。首先把图像转换为灰度图像,然后将其二值化,之后运用形态学开运算对其进行处理。
开运算是先腐蚀后膨胀的过程,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。其运用公式如下:
XB为开运算后的图像,X为原图像,B为开运算使用的结构元素,Θ为腐蚀运算符,为膨胀运算符。
(2)设定第一图像灰度初始阈值T;
以整幅图像的灰度均值作为初始阈值T。
T=Σf(i,j)/m×n
f(i,j)表示图像的像素点的灰度值,m、n分别是图像的行数与列数,
为整幅图像的像素点个数。
(3)对侧扫声纳图像以阈值T进行分割,先得到有效点;
将整幅图像看成一个集合A,每个像素点的灰度值即为集合中的元素a,表示为如下公式:
A={a11,a12...amn}
B={b1,b2,...,bk|b≥T}
C={c1,c2,...,cl|c<T}
m、n分别是图像的行数与列数,B表示A中大于灰度阈值T的像素点的集合,b为a中大于灰度阈值T的元素,C表示A中小于灰度阈值T的像素点的集合,c为a中大于灰度阈值T的元素。
(4)判断有效点个数是否在理想计算范围N`以内,满足,执行第五步,不满足,以S为速度提高阈值T,替代原有阈值,回到第三步;
范围N`的值为300,S为常数,取值范围[1,5]。有效点个数若是满足N`,则执行下一步,若不满足,根据本发明数据情况,以S=2的速度进行累加,提高阈值T,返回第三步重新进行阈值分割。累加公式为:
T=T+S
(5)得到有效点后,使用如下公式计算每个点的累积量
其中Ci为有效点i的累积量,距离约束函数Wij作为权值,Dij表示第i个有效点和第j个有效点之间的欧氏距离。首先假设待探测目标在侧扫声纳的声回波强度上一直保持最强(即至少有一小部分像素的灰度是255),在本发明中通过使用有效的N个点之间的距离,即聚集性,来给点赋以不同的值并累计。对于距离约束函数,可以根据不同环境下寻找不同类型目标来设定,如果希望分割出具有点聚集性的目标,那就多为单调递减函数,或者更严谨的使用先增后减的函数,这里有两个个备选函数方案:
Wij=α·Dij+β
Wij=α·(Dij-θ)2+β
其中α<0,θ与β均为偏移量。
(6)设定第二阈值(通常设定为所有点累积量的均值)来筛选出聚集性高的点,即是待测目标的像素点。
当所有有效点的相互之间的累积量计算完成后,每个点都会有属于自己的累积量,以选择为例,权值相对距离属于单调递减函数(原点处除外),那么聚集在一起的点,即欧氏距离较近的点的累积量C就会比那些孤立的点大,于是就可以通过设定合理的累积量阈值来分割出聚集的点。
文献[1]、文献[2]中分别描述的算法是一种基于有效点聚集度的图像分割算法和改进的二维Otsu法阈值分割快速迭代算法。将之实现后与本发明处理结果进行比较,发现在均能将目标区域标出的条件下,本发明的算法具有更少的虚警。
Claims (1)
1.一种利用点聚集特性的侧扫声纳目标探测方法,其特征在于:包括如下步骤:
(1)对侧扫声纳图像进行预处理;
首先把图像转换为灰度图像,然后将其二值化,之后运用形态学开运算对其进行处理;
运用公式如下:
XB为开运算后的图像,X为原图像,B为开运算使用的结构元素,Θ为腐蚀运算符,为膨胀运算符;
(2)设定第一图像灰度初始阈值T;
T=∑f(i,j)/m×n
f(i,j)表示图像的像素点的灰度值,m、n分别是图像的行数与列数;
(3)对侧扫声纳图像进行以阈值T进行分割,得到有效点;
对侧扫声纳图像以阈值T进行分割,先得到有效点;
将整幅图像看成一个集合A,每个像素点的灰度值即为集合中的元素a,表示为如下公式:
A={a11,a12...amn};
B={b1,b2,...,bk|b≥T};
C={c1,c2,...,cl|c<T};
m、n分别是图像的行数与列数,B表示A中大于灰度阈值T的像素点的集合,b为a中大于灰度阈值T的元素,C表示A中小于灰度阈值T的像素点的集合,c为a中大于灰度阈值T的元素;
(4)判断有效点个数是否在理想计算范围N以内,如果有效点个数在理想计算范围N以内,执行步骤(5),如果有效点个数不在理想计算范围N以内,以S为速度提高阈值T,替代原有阈值,重新执行步骤(3);
范围N的值为300,S为常数,取值范围[1,5];有效点个数若是满足N,则执行下一步,若不满足,根据本发明数据情况,以S=2的速度进行累加,提高阈值T,返回第三步重新进行阈值分割。累加公式为:
T=T+S;
(5)得到有效点后,计算每个点的累积量;
所述步骤(5)中计算每个点的累积量所使用的公式如下:
其中Ci为有效点i的累积量,距离约束函数Wij作为权值,Dij表示第i个有效点和第j个有效点之间的欧氏距离;对于距离约束函数,有两个个备选函数方案:
Wij=α·Dij+β
Wij=α·(Dij-θ)2+β
其中α<0,θ与β均为偏移量。
(6)设定第二阈值来筛选出待测目标的像素点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610297911.4A CN105957084B (zh) | 2016-05-06 | 2016-05-06 | 一种利用点聚集特性的侧扫声纳目标探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610297911.4A CN105957084B (zh) | 2016-05-06 | 2016-05-06 | 一种利用点聚集特性的侧扫声纳目标探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957084A CN105957084A (zh) | 2016-09-21 |
CN105957084B true CN105957084B (zh) | 2019-06-11 |
Family
ID=56914323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610297911.4A Active CN105957084B (zh) | 2016-05-06 | 2016-05-06 | 一种利用点聚集特性的侧扫声纳目标探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957084B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN104574409A (zh) * | 2015-01-19 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN105046258A (zh) * | 2015-09-08 | 2015-11-11 | 中国电子科技集团公司第三研究所 | 一种小目标探测声呐图像的目标检测方法及装置 |
-
2016
- 2016-05-06 CN CN201610297911.4A patent/CN105957084B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383A (zh) * | 2009-07-24 | 2009-12-16 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN103927751A (zh) * | 2014-04-18 | 2014-07-16 | 哈尔滨工程大学 | 基于梯度信息融合的水面光视觉图像目标区域检测方法 |
CN104574409A (zh) * | 2015-01-19 | 2015-04-29 | 中国科学院遥感与数字地球研究所 | 一种从图像中探测目标的方法及装置 |
CN105046258A (zh) * | 2015-09-08 | 2015-11-11 | 中国电子科技集团公司第三研究所 | 一种小目标探测声呐图像的目标检测方法及装置 |
Non-Patent Citations (2)
Title |
---|
侧扫声纳目标自动探测研究;朱殿尧等;《吉林大学学报(信息科学版)》;20081130;627-630 |
基于侧扫声纳图像海底目标物提取方法;李海滨等;《中国测绘学会海洋测绘专业委员会第二十二届海洋测绘综合性学术研讨会论文集》;20100610;148-151 |
Also Published As
Publication number | Publication date |
---|---|
CN105957084A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Che Hasan et al. | Integrating multibeam backscatter angular response, mosaic and bathymetry data for benthic habitat mapping | |
CN109100710A (zh) | 一种基于卷积神经网络的水下目标识别方法 | |
Lucieer et al. | Do marine substrates ‘look’and ‘sound’the same? Supervised classification of multibeam acoustic data using autonomous underwater vehicle images | |
Chen et al. | Probabilistic robust hyperbola mixture model for interpreting ground penetrating radar data | |
CN110866545A (zh) | 一种探地雷达资料中管线目标的自动识别方法及系统 | |
Terrasse et al. | Automatic localization of gas pipes from GPR imagery | |
Cotter et al. | Classification of broadband target spectra in the mesopelagic using physics-informed machine learning | |
Fezzani et al. | Analysis of calibrated seafloor backscatter for habitat classification methodology and case study of 158 spots in the Bay of Biscay and Celtic Sea | |
Kershenbaum et al. | An image processing based paradigm for the extraction of tonal sounds in cetacean communications | |
Chen et al. | Probabilistic conic mixture model and its applications to mining spatial ground penetrating radar data | |
Isaacs | Sonar automatic target recognition for underwater UXO remediation | |
Kubicek et al. | Sonar target representation using two-dimensional Gabor wavelet features | |
Villar et al. | A framework for acoustic segmentation using order statistic-constant false alarm rate in two dimensions from sidescan sonar data | |
Hu et al. | A sample enhancement method based on simple linear iterative clustering superpixel segmentation applied to multibeam seabed classification | |
Mandhouj et al. | Sonar image processing for underwater object detection based on high resolution system | |
Picard et al. | Seafloor description in sonar images using the monogenic signal and the intrinsic dimensionality | |
CN105957084B (zh) | 一种利用点聚集特性的侧扫声纳目标探测方法 | |
Kong et al. | Automatic detection technology of sonar image target based on the three‐dimensional imaging | |
US11874407B2 (en) | Technologies for dynamic, real-time, four-dimensional volumetric multi-object underwater scene segmentation | |
Kumar et al. | Landmines detection using migration and selection algorithm on ground penetrating radar images | |
CN113673355A (zh) | 一种海浪波谱仪回波波形分类方法 | |
Müller et al. | Seabed classification of the South Tasman Rise from SIMRAD EM12 backscatter data using artificial neural networks | |
Stienessen et al. | Comparison of model types for prediction of seafloor trawlability in the Gulf of Alaska by using multibeam sonar data | |
CN116975528B (zh) | 基于德劳内三角剖分的极地声信号特征提取方法和装置 | |
CN116051426B (zh) | 一种合成孔径雷达图像处理方法 |
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 |