CN107167810A - 一种侧扫声纳成像的水下目标快速提取方法 - Google Patents
一种侧扫声纳成像的水下目标快速提取方法 Download PDFInfo
- Publication number
- CN107167810A CN107167810A CN201710299608.2A CN201710299608A CN107167810A CN 107167810 A CN107167810 A CN 107167810A CN 201710299608 A CN201710299608 A CN 201710299608A CN 107167810 A CN107167810 A CN 107167810A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- msub
- msup
- target area
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8902—Side-looking sonar
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
- G01S15/8906—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques
- G01S15/8977—Short-range imaging systems; Acoustic microscope systems using pulse-echo techniques using special techniques for image reconstruction, e.g. FFT, geometrical transformations, spatial deconvolution, time deconvolution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
- G01S7/52017—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 particularly adapted to short-range imaging
Abstract
本发明公开了一种侧扫声纳成像的水下目标快速提取方法，可以对侧扫声纳图像进行实时分析，快速提取水下目标。先对乘性噪声突出的侧扫声纳图像进行自适应非线性复扩散模型滤波，改善侧扫声纳图像中噪声问题；去噪声纳图进行预分割，并自动确定声纳图像的目标区、海底混响区、阴影区；将预分割结果轮廓重定义，减少分割过程中，水平集模型演化时不断重定义初始水平集所用时间；选取目标区和阴影区进行基于变分水平集模型的演化和分割；最后对待提取目标进行二值化，给操作人员展示明确的三区域分割结果。本发明对实时侧扫声纳进行目标提取，具检测实时性和较强的检测稳定性、准确性，为水下探测和目标跟踪提供了可靠保证。
Description
技术领域
本发明涉及声纳图像处理技术领域，尤其涉及一种侧扫声纳成像的水下目标快速提取方法。
背景技术
声纳成像因其探测距离远、穿透力强等特点，在海洋测绘和水下目标探测及跟踪而得到更广泛的应用。在水下目标远程探测中，利用声纳设备扫描成像，提取侧扫声纳图像中的目标高亮区、阴影区，根据区域面积和大小、结合设备参数设置，即可实现对可疑目标的识别及测量。然而，混响信号的干扰、海洋环境噪声及舰船自噪声的影响，导致成像得到的声纳图像斑点噪声突出、目标边缘模糊，给目标分割与检测带来了极大的困难。此外，作为目标识别及测量的关键，现有的分割算法在速度和准确性上往往不能兼顾。基于阈值、数学形态学、聚类的分割速度快，但易噪声干扰、误差大；基于马尔科夫随机场、统计学的分割准确性高，但需要具备先验知识，即目标的大小、形状等特征；基于几何活动轮廓模型的分割能准确提取边缘，但轮廓演化速度慢。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种侧扫声纳成像的水下目标快速提取方法，本发明针对侧扫声纳图像的特点，结合图像去噪与水平集模型求解方法，对声纳图像进行去噪、分割，提取目标及阴影区图像，实现对水下目标的快速提取。
为实现上述目的，本发明提供了一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述方法包括以下步骤：
步骤一、将声纳设备置于水下探测器前端，成像结果通过网络直接传至远程处理端；
步骤二、远程处理端获取到实时声纳图像，每0.5秒取1帧图片，分别对每帧图片进行后续操作；
步骤三、采用对乘性噪声效果较好的非线性复扩散模型滤波方法对声纳图像进行去噪降斑操作；
步骤四、采取K-means聚类方法对去噪声纳图像进行预分割；
步骤五、自动确定声纳图像的目标区、海底混响区、阴影区，并对预分割得出的目标区和阴影区轮廓进行重定义；
步骤六、根据重定义轮廓，采用变分水平集模型分别对目标区和阴影区边缘进行演化，达到分割目的；
步骤七、将分割结果进行二值化，完成水下目标的提取。
上述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤三中的降斑操作，将受噪声影响的声纳图像平滑后，图像灰度值为：
其中i、j表示图像像素点的位置，Δ分别为一阶、二阶导数，Δtn表示图像的第n次迭代的步长，表示图像的第n次迭代结果，表示图像的第n次迭代的扩散函数。
上述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述将受噪声影响的声纳图像平滑过程中，平滑函数其扩散函数为自适应函数：
其中，ω>0的常数时θ→0+，图像的复扩散的实部等价于图像的高斯卷积，图像的虚部可以视为高斯平滑后二阶拉普拉斯边缘检测；
式(1)中第n次迭代步长，式(2)参数ω的定义为：
式(3)中，Re(In)、分别为第n次迭代后图像实部、图像实部的一阶导数，为图像实部的梯度，mean()函数表示灰度中值，Δtn<Δtmax最大迭代步长，ωmax、ωmin分别为扩散强度参数ω的最大阈值与最小阈值：ωmax＝25、ωmin＝5。
上述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤五中自动确定声纳图像三个区域的方法为：
将三个区域在分割前的区域灰度均值进行比较，灰度最大为目标区，最小为阴影区，并将目标区、海底混响区、阴影区分别标记为JT、JB、JS，分别计算k＝1,2,3时，三个区域各像素点J(i,j)对应的灰度中值meanJk(i,j)，并对中值进行排序；
当某一区域灰度中值为三个中值中的最小值minmeanJk(i,j)时，因阴影区具有最小的灰度均值，此时的第k个类为阴影区，JS＝Gk；
当某一区域灰度中值为三个中值中的最大值maxmeanJk(i,j)时，目标区具有最大的灰度均值，此时的第k个类为目标区，JT＝Gk；
第三个区域为为三个中值中的中间值，此时的第k个类为目标区，JB＝Gk。
上述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤五中对预分割得出目标区和阴影区轮廓进行重定义方法为：
先增强边缘约束：
根据距离计算函数D(i,j)进行初始化：
当J′(i,j)>0时，
当J′(i,j)<0时，
分别为J′(i,j)一阶向后差分和一阶向前差分：
目标区JT和阴影区JS轮廓重新初始化后分别为DT和DS。
上述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤六中对目标区和阴影区边缘进行演化的过程采用了变分水平集模型，该水平集函数定义为：
式(6)中大部分根据图像信息由前述运算计算得出，可以实现自适应水平集参数控制；
第一项为惩罚项，惩罚项的加权系数为μ＝0.2T/ζ，H(φ)、δt分别是为了建立变分水平集模型引入的Heaviside函数和Dirac函数；
第二项为平滑项，平滑项系数λ0＝0.1/ζ，G为待演化的目标区DT和阴影区DS；
第三项为保真项，边缘保持系数RG＝1-2D；
式(6)水平集函数中待分割区域的初始水平集为：
φ0(x,y)＝4t(A-0.5) (7)
式(7)中，A为目标区和阴影区轮廓重新初始化后的聚类图DT或DS，对目标区进行水平集演化时，A＝DT≥d0；对阴影区进行水平集演化时，A＝DS≥d0；d0取0.2。
本发明的有益效果是：
1)本发明对针对乘性噪声突出的侧扫声纳图像进行自适应非线性复扩散模型滤波，改善侧扫声纳图像中噪声问题；
2)本发明将预分割结果轮廓重定义，避免水平集模型演化过程中不断重定义初始水平集所用时间；
3)本发明能自动确定声纳图像的目标区、海底混响区、阴影区，并选取目标区和阴影区进行基于变分水平集模型的演化和分割。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1为侧扫声纳成像水下目标的提取流程图。
具体实施方式
本发明的侧扫声纳成像的水下目标快速提取方法及系统，包括装载声纳成像设备的水下探测器、传输网络和远程处理端。声纳成像设备置于水下探测器前端，检测时需要放置于水下；传输网络可在有线/无线Internet、卫星通信间切换，视使用场所而定；远程处理端可安装于船舶、舰艇，也可以放置于远程控制中心。
远程处理模块包括图像预处理模块、图像分割模块和目标提取模块，处理流程参见图1。
图像预处理用于对声纳成像视频流进行取帧及单帧图像的去噪。视频流每0.5秒取1帧图片；去噪采用可自动调整的迭代步长、扩散强度参数的非线性复扩散模型滤波方法。
所述图像分割模块先将声纳图像进行基于聚类的预分割；参考聚类结果自适应计算目标区和阴影区各自水平集方程的演化参数；对预分割结果进行处理，实现两个待分割区域：目标区和阴影区的轮廓重定义，并将其作为水平集演化的初始轮廓；利用变分模型求解水平集方程，得到最终的区域边缘。
目标提取模块将目标和阴影分割结果的边缘分别提取并二值化，实现目标和目标阴影提取。
一种侧扫声纳成像的水下目标快速提取方法，包括如下步骤：
1.图像预处理
将获取到的声纳成像视频流进行取帧，视频流每0.5秒取1帧图片。将每帧图像灰度化，将灰度化后的声纳图像I(i,j)进行非线性扩散模型平滑，平滑后图像灰度值为：
其中i、j表示图像像素点的位置，Δ分别为一阶、二阶导数，Δtn表示图像的第n次迭代的步长，表示图像的第n次迭代结果，表示图像的第n次迭代的扩散函数。
将非线性扩散模型从实数域扩展到复数域，利用图像的虚部控制扩散函数，即非线性复扩散模型，式(1)中的扩散函数，即非线性复扩散函数为
其中，ω>0的常数时θ→0+，图像的复扩散的实部等价于图像的高斯卷积，图像的虚部可以视为高斯平滑后二阶拉普拉斯边缘检测。
根据复扩散的稳定条件，在迭代过程中，可以改变迭代步长Δt可以改变复扩散的时间；根据图像实部梯度值变化来改变扩散强度参数ω，可以实现在不同区域不同的扩散速度。
式(1)中第n次迭代步长，式(2)参数ω的定义为：
式(3)中，Re(In)、分别为第n次迭代后图像实部、图像实部的一阶导数，为图像实部的梯度，Δtn<Δtmax最大迭代步长。ωmax、ωmin分别为扩散强度参数ω的最大阈值与最小阈值：ωmax＝25、ωmin＝5。自适应非线性复扩散滤波后的声纳图像为J(i,j)。
2.基于聚类方法的声纳图像预分割
声纳图像只有目标区、海底混响区、阴影区三个区域，因而预分割的分类数为3。k-means将J(i,j)的图像像素坐标作为聚类的数据点n，每个像素点的灰度值为数据xn，类数量k＝3，将图像的所有像素点分为k个类的目标函数为：
式(4)中rnk在数据点n被归类到第k类为1，否则为0；中心Bk将每个数据点归类到离它最近的那个中心点所代表的类中。
用公式计算出每个cluster的新的中心点。
重复归类步骤，一直到迭代了最大的步数或者前后的F的值相差小于一个阈值为止，即目标函数达到最小。此时，每个像素点都归属于唯一一个聚类中心点，即分属于第k类(k＝1,2,3)。用k-means聚类算法对降斑后的图像进行粗分割后的分割结果为Gk:{G(i,j)＝k,k＝1,2,3}。
3.声纳图像的区域辨别
声纳图像的灰度值从高到低分别为目标区、海底混响区、阴影区，根据该特性，将三个区域在分割前的区域灰度均值进行比较，灰度最大为目标区，最小为阴影区，并将目标区、海底混响区、阴影区分别标记为JT、JB、JS。分别计算k＝1,2,3时，三个区域各像素点对应的J(i,j)灰度中值meanJk(i,j)，并对中值进行排序。
当某一区域灰度中值为三个中值中的最小值minmeanJk(i,j)时，因阴影区具有最小的灰度均值，此时的第k个类为阴影区，JS＝Gk；
当某一区域灰度中值为三个中值中的最大值maxmeanJk(i,j)时，目标区具有最大的灰度均值，此时的第k个类为目标区，JT＝Gk；
第三个区域为为三个中值中的中间值，此时的第k个类为目标区，JB＝Gk。
4.目标区和阴影区轮廓重新初始化
水平集分割的演化过程中，每次迭代时都需要重新初始化零水平集以保证曲线演化的稳定与演化结果的精确，耗时较长。若初始轮廓比较接近最终的演化轮廓，且轮廓内外部像素点与该最终轮廓的距离，初始轮廓与水平集数值计算时更加精确，则重新初始化零水平的时间将大大减少。目标区和阴影区轮廓重新初始化是对分割区域内外部各点与区域边缘的距离进行重新计算，计算方法如下：
先增强边缘约束：
根据距离计算函数D(i,j)进行初始化：
当J′(i,j)>0时，
当J′(i,j)<0时，
分别为J′(i,j)一阶向后差分和一阶向前差分：
目标区JT和阴影区JS轮廓重新初始化后分别为DT和DS。
5.目标区和阴影区边缘轮廓提取
为获取分割目标的最佳轮廓，本发明对轮廓演化水平集函数进行如下定义：
该函数的第一项为惩罚项，第二项为平滑项，第三项为保真项，G为待演化的目标区和阴影区(即DT和DS)，式(7)中的参数定义见表1，大部分根据图像信息由前述运算计算得出，可以实现自适应控制水平集参数。
表1水平集演化相关控制参数
根据重定义的聚类分割图像，定义目标区和阴影区的初始水平集为：
φ0(x,y)＝4t(A-0.5) (8)
式(8)中，A为目标区和阴影区轮廓重新初始化后的聚类图DT或DS。对目标区进行水平集演化时，A＝DT≥d0；对阴影区进行水平集演化时，A＝DS≥d0；d0取0.2。
水平集演化速度直接影响图像分割的执行速度，因此式(7)中的惩罚项应尽可能大，其影响比重为：
式(9)中的H(φ)、δt分别是为了建立变分水平集模型引入的Heaviside函数和Dirac函数，分别定义为
式(7)中惩罚项ζ(φ)的加权系数为
μ＝0.2T/ζ (12)
式(12)中的T为边缘影响因子，根据声纳图像受噪声影响的程度而确定，在演化开始前给定，噪声越强的声纳图像，其取值越大。
由于初始轮廓是由预分割得出的，它与最终轮廓比较接近，因此式(7)中平滑项系数应该尽量小：
λ0＝0.1/ζ (13)
水平集演化的时间步长与边缘保持需要谨慎设置，过大的步长会导致边缘减弱，过小的步长又会占用更多时间。本发明将时间步长与惩罚项系数相关联，时间步长ts＝0.15/μ。
保真项中，较大的RG可以使演化速度加快。基于聚类的粗分割中，已将每个像素点确定为某一个固定区域中，且重定义后的聚类图像加强了区域边缘，因此将D用作边缘保持以自适应时间步长：
RG＝1-2D (14)
本发明所构建的水平集函数和设置的相关控制参数都由预分割结果得到，可以保持初始边缘设置而不用每次迭代前都重新初始化符号距离函数和边缘。
6.提取目标区域
对目标区域轮廓二值化即可得到待提取的目标。由于声纳图的三区域特性，本发明将目标区设为白色，阴影区为黑色，海底混响区为灰色。即将声纳原图中，目标区域轮廓内的像素点灰度值设为255，阴影区域轮廓内的像素点灰度值设为0，其余灰度值为125。
为说明本发明的目标分割和提取过程中的速度，表1给出了三幅真实声纳图的分割时间，该执行时间包括图像平滑、预分割、区域辨别、轮廓重新初始化、轮廓提取及目标区域二值化等步骤。表2同时对比了FLICM方法和ERSF方法分割执行时间。
表2真实声纳图的分割时间
本发明提出的侧扫声纳成像的水下目标快速提取方法及系统能够将实时扫描得到的声纳视频流进行去噪和分割，完整分割得出目标区、阴影区边缘及轮廓，并得到二值化的目标，执行速度快、准确度高，为水下探测和目标跟踪提供了可靠保证。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述方法包括以下步骤：
步骤一、将声纳设备置于水下探测器前端，成像结果通过网络直接传至远程处理端；
步骤二、远程处理端获取到实时声纳图像，每0.5秒取1帧图片，分别对每帧图片进行后续操作；
步骤三、采用对乘性噪声效果较好的非线性复扩散模型滤波方法对声纳图像进行去噪降斑操作；
步骤四、采取K-means聚类方法对去噪声纳图像进行预分割；
步骤五、自动确定声纳图像的目标区、海底混响区、阴影区，并对预分割得出的目标区和阴影区轮廓进行重定义；
步骤六、根据重定义轮廓，采用变分水平集模型分别对目标区和阴影区边缘进行演化，达到分割目的；
步骤七、将分割结果进行二值化，完成水下目标的提取。
2.如权利要求1所述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤三中的降斑操作，将受噪声影响的声纳图像平滑后，图像灰度值为：
<mrow>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msup>
<mi>&Delta;t</mi>
<mi>n</mi>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mover>
<mi>D</mi>
<mo>&OverBar;</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>&Delta;</mi>
<mi>h</mi>
</msub>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>+</mo>
<msub>
<mo>&dtri;</mo>
<mi>h</mi>
</msub>
<msubsup>
<mi>D</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>&CenterDot;</mo>
<msub>
<mo>&dtri;</mo>
<mi>h</mi>
</msub>
<msubsup>
<mi>I</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
<mi>n</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中i、j表示图像像素点的位置，Δ分别为一阶、二阶导数，Δtn表示图像的第n次迭代的步长，表示图像的第n次迭代结果，表示图像的第n次迭代的扩散函数。
3.如权利要求2所述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述将受噪声影响的声纳图像平滑过程中，平滑函数其扩散函数为自适应函数：
<mrow>
<mi>D</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>Im</mi>
<mo>(</mo>
<mi>I</mi>
<mo>)</mo>
<mo>/</mo>
<mi>&omega;</mi>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，ω>0的常数时θ→0+，图像的复扩散的实部等价于图像的高斯卷积，图像的虚部可以视为高斯平滑后二阶拉普拉斯边缘检测；
式(1)中第n次迭代步长，式(2)参数ω的定义为：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msup>
<mi>&Delta;t</mi>
<mi>n</mi>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>4</mn>
</mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>+</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mi>max</mi>
<mfrac>
<mrow>
<mi>Re</mi>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msup>
<mi>I</mi>
<mi>n</mi>
</msup>
<mo>/</mo>
<mo>&part;</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>Re</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>I</mi>
<mi>n</mi>
</msup>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&omega;</mi>
<mo>=</mo>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>&omega;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>&omega;</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>Re</mi>
<mrow>
<mo>(</mo>
<mo>&dtri;</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mi>Re</mi>
<mo>(</mo>
<mo>&dtri;</mo>
<mi>I</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
<mo>)</mo>
</mrow>
</mfrac>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式(3)中，Re(In)、分别为第n次迭代后图像实部、图像实部的一阶导数，为图像实部的梯度，mean()函数表示灰度中值，Δtn<Δtmax最大迭代步长，ωmax、ωmin分别为扩散强度参数ω的最大阈值与最小阈值：ωmax＝25、ωmin＝5。
4.如权利要求1所述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤五中自动确定声纳图像三个区域的方法为：
将三个区域在分割前的区域灰度均值进行比较，灰度最大为目标区，最小为阴影区，并将目标区、海底混响区、阴影区分别标记为JT、JB、JS，分别计算k＝1,2,3时，三个区域各像素点J(i,j)对应的灰度中值meanJk(i,j)，并对中值进行排序；
当某一区域灰度中值为三个中值中的最小值minmeanJk(i,j)时，因阴影区具有最小的灰度均值，此时的第k个类为阴影区，JS＝Gk；
当某一区域灰度中值为三个中值中的最大值maxmeanJk(i,j)时，目标区具有最大的灰度均值，此时的第k个类为目标区，JT＝Gk；
第三个区域为为三个中值中的中间值，此时的第k个类为目标区，JB＝Gk。
5.如权利要求1所述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤五中对预分割得出目标区和阴影区轮廓进行重定义方法为：
先增强边缘约束：
<mrow>
<msup>
<mi>J</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>3</mn>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>2</mn>
</mtd>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
<mi> </mi>
<mi>J</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
根据距离计算函数D(i,j)进行初始化：
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>J</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>0.6</mn>
<mo>&CenterDot;</mo>
<mfrac>
<mrow>
<msup>
<mi>J</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msup>
<mi>J</mi>
<mrow>
<mo>&prime;</mo>
<mn>2</mn>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msqrt>
</mfrac>
<mo>&CenterDot;</mo>
<msub>
<mi>G</mi>
<mi>g</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
当J′(i,j)>0时，
当J′(i,j)<0时，
分别为J′(i,j)一阶向后差分和一阶向前差分： 目标区JT和阴影区JS轮廓重新初始化后分别为DT和DS。
6.如权利要求1所述的一种侧扫声纳成像的水下目标快速提取方法，其特征在于，所述步骤六中对目标区和阴影区边缘进行演化的过程采用了变分水平集模型，该水平集函数定义为：
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>&phi;</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>t</mi>
</mrow>
</mfrac>
<mo>=</mo>
<mi>&mu;</mi>
<mo>&lsqb;</mo>
<mi>&Delta;</mi>
<mi>&phi;</mi>
<mo>-</mo>
<mi>d</mi>
<mi>i</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>&phi;</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>0</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>i</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>G</mi>
<mfrac>
<mrow>
<mo>&dtri;</mo>
<mi>&phi;</mi>
</mrow>
<mrow>
<mo>|</mo>
<mo>&dtri;</mo>
<mi>&phi;</mi>
<mo>|</mo>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>R</mi>
<mi>G</mi>
</msub>
<msub>
<mi>G&delta;</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&phi;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式(6)中大部分根据图像信息由前述运算计算得出，可以实现自适应水平集参数控制；
第一项为惩罚项，惩罚项的加权系数为μ＝0.2T/ζ，H(φ)、δt分别是为了建立变分水平集模型引入的Heaviside函数和Dirac函数；
第二项为平滑项，平滑项系数λ0＝0.1/ζ，G为待演化的目标区DT和阴影区DS；
第三项为保真项，边缘保持系数RG＝1-2D；
式(6)水平集函数中待分割区域的初始水平集为：
φ0(x,y)＝4t(A-0.5) (7)
式(7)中，A为目标区和阴影区轮廓重新初始化后的聚类图DT或DS，对目标区进行水平集演化时，A＝DT≥d0；对阴影区进行水平集演化时，A＝DS≥d0；d0取0.2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710299608.2A CN107167810B (zh) | 2017-05-02 | 2017-05-02 | 一种侧扫声纳成像的水下目标快速提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710299608.2A CN107167810B (zh) | 2017-05-02 | 2017-05-02 | 一种侧扫声纳成像的水下目标快速提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107167810A true CN107167810A (zh) | 2017-09-15 |
| CN107167810B CN107167810B (zh) | 2020-02-18 |
Family
ID=59813187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710299608.2A Active CN107167810B (zh) | 2017-05-02 | 2017-05-02 | 一种侧扫声纳成像的水下目标快速提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107167810B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460773A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于偏移场水平集的声纳图像分割方法 |
| CN108872997A (zh) * | 2018-05-10 | 2018-11-23 | 国家海洋局第二海洋研究所 | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 |
| CN109658386A (zh) * | 2018-11-26 | 2019-04-19 | 江苏科技大学 | 一种声纳图像管线检测系统及方法 |
| CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
| CN110781924A (zh) * | 2019-09-29 | 2020-02-11 | 哈尔滨工程大学 | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 |
| CN111444777A (zh) * | 2020-03-03 | 2020-07-24 | 哈尔滨工程大学 | 一种同时标记阴影的前视声呐目标检测标记方法 |
| CN113567968A (zh) * | 2021-05-25 | 2021-10-29 | 自然资源部第一海洋研究所 | 一种基于浅水多波束水深数据的水下目标实时分割方法及应用 |
| CN114627367A (zh) * | 2022-05-17 | 2022-06-14 | 国家海洋局北海海洋技术保障中心 | 一种侧扫声呐图像的海底线探测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217422A (zh) * | 2014-06-03 | 2014-12-17 | 哈尔滨工程大学 | 一种自适应窄带水平集的声纳图像检测方法 |
| CN105574529A (zh) * | 2016-01-28 | 2016-05-11 | 中国船舶重工集团公司第七一〇研究所 | 一种侧扫声纳目标检测方法 |
-
2017
- 2017-05-02 CN CN201710299608.2A patent/CN107167810B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217422A (zh) * | 2014-06-03 | 2014-12-17 | 哈尔滨工程大学 | 一种自适应窄带水平集的声纳图像检测方法 |
| CN105574529A (zh) * | 2016-01-28 | 2016-05-11 | 中国船舶重工集团公司第七一〇研究所 | 一种侧扫声纳目标检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| SCOTT REED ET AL.: "The Fusion of Large Scale Classified Side-Scan Sonar Image Mosaics", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
| 李阳 等: "结合空间信息的模糊聚类侧扫声纳图像分割", 《中国图象图形学报》 * |
| 霍冠英 等: "空间约束FCM与MRF结合的侧扫声呐图像分割算法", 《仪器仪表学报》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460773A (zh) * | 2018-02-28 | 2018-08-28 | 哈尔滨工程大学 | 一种基于偏移场水平集的声纳图像分割方法 |
| CN108872997B (zh) * | 2018-05-10 | 2021-07-02 | 国家海洋局第二海洋研究所 | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 |
| CN108872997A (zh) * | 2018-05-10 | 2018-11-23 | 国家海洋局第二海洋研究所 | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 |
| CN109658386A (zh) * | 2018-11-26 | 2019-04-19 | 江苏科技大学 | 一种声纳图像管线检测系统及方法 |
| CN109658386B (zh) * | 2018-11-26 | 2023-07-25 | 江苏科技大学 | 一种声纳图像管线检测系统及方法 |
| CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
| CN110675410B (zh) * | 2019-09-25 | 2023-06-13 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
| CN110781924A (zh) * | 2019-09-29 | 2020-02-11 | 哈尔滨工程大学 | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 |
| CN111444777A (zh) * | 2020-03-03 | 2020-07-24 | 哈尔滨工程大学 | 一种同时标记阴影的前视声呐目标检测标记方法 |
| CN111444777B (zh) * | 2020-03-03 | 2022-09-27 | 哈尔滨工程大学 | 一种同时标记阴影的前视声呐目标检测标记方法 |
| CN113567968A (zh) * | 2021-05-25 | 2021-10-29 | 自然资源部第一海洋研究所 | 一种基于浅水多波束水深数据的水下目标实时分割方法及应用 |
| CN113567968B (zh) * | 2021-05-25 | 2024-04-16 | 自然资源部第一海洋研究所 | 一种基于浅水多波束水深数据的水下目标实时分割方法及应用 |
| CN114627367A (zh) * | 2022-05-17 | 2022-06-14 | 国家海洋局北海海洋技术保障中心 | 一种侧扫声呐图像的海底线探测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107167810B (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107167810A (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
| US11488308B2 (en) | Three-dimensional object detection method and system based on weighted channel features of a point cloud | |
| EP2905722B1 (en) | Method and apparatus for detecting salient region of image | |
| CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
| CN110084234B (zh) | 一种基于实例分割的声呐图像目标识别方法 | |
| US11182644B2 (en) | Method and apparatus for pose planar constraining on the basis of planar feature extraction | |
| CN109800735A (zh) | 一种船目标精确检测与分割方法 | |
| CN111126335B (zh) | 一种结合显著性和神经网络的sar船只识别方法及系统 | |
| Ahn et al. | Enhancement of deep-sea floor images obtained by an underwater vehicle and its evaluation by crab recognition | |
| CN104217422B (zh) | 一种自适应窄带水平集的声纳图像检测方法 | |
| CN113744262B (zh) | 一种基于GAN和YOLO-v5的目标分割检测方法 | |
| US10497128B2 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
| CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
| CN113850838A (zh) | 船舶航行意图获取方法、装置、计算机设备及存储介质 | |
| CN110570361B (zh) | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 | |
| CN104778670A (zh) | 一种基于多元统计模型的分形小波自适应图像去噪方法 | |
| CN113610141A (zh) | 自动驾驶多传感器融合感知模型的鲁棒性测试方法及系统 | |
| CN116051970A (zh) | 一种基于改进的yolov5模型的针对重叠鱼类目标的辨识方法 | |
| CN112556682B (zh) | 一种水下复合传感器目标自动检测算法 | |
| CN102750675A (zh) | 一种斑点噪声污染图像的非局部均值滤波方法 | |
| CN113177929B (zh) | 一种基于全卷积网络的海面溢油检测方法及其系统和应用 | |
| CN104268845A (zh) | 极值温差短波红外图像的自适应双局部增强方法 | |
| CN110348442A (zh) | 一种基于支持向量机的船载雷达图像海上油膜识别方法 | |
| CN113408615B (zh) | 一种基于光学卫星遥感影像的船只自动匹配方法 | |
| CN113963178A (zh) | 地空背景下红外弱小目标检测方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |