CN108460773A - 一种基于偏移场水平集的声纳图像分割方法 - Google Patents

Abstract

本发明公开了一种基于偏移场水平集的声纳图像分割方法，属于数字图像处理领域，包含如下步骤：对源图像进行多尺度分解，得到低频子带图像；根据低频子带图像，结合马尔可夫四邻域模型，估计马尔可夫四邻域模型参数；将马尔可夫四邻域模型参数重新代入低频子带图像，得到局部纹理图像；根据原始偏移场水平集理论，推导出三相模型偏移场水平集理论；用局部纹理图像代替源图像代入，构造改进的偏移场水平集模型的能量函数，最小化改进的偏移场水平集模型的能量函数，驱使轮廓收敛到区域边缘；输出分割结果。本发明能够有效抵抗声纳图像噪声干扰，准确地分割声纳图像中的三类区域，同时不增加计算量。

Description

一种基于偏移场水平集的声纳图像分割方法

技术领域

本发明属于数字图像处理领域，尤其涉及一种基于偏移场水平集的声纳图像分割方法。

背景技术

随着海洋资源开发越来越受世界各国的重视，对水下资源的勘探、搜索和考察也是如火如荼，由于水下环境的复杂性，与光学摄像、激光探测一类传感器相比，声纳是目前应用于水下探测的最有效的传感器。声纳系统在上世纪50年代末诞生以来，应用于军事领域的声纳设备，主要用于障碍物避碰，以及一些军事目标的发现、跟踪和识别；近年来，随着海洋开发活动的开展，声纳设备的应用已不仅仅局限于军事目的，甚至已应用到商业和民用领域，如海底资源开发、石油勘探、海难救助、海底地形地貌图自动绘制以及鱼群探测等等。但是对水下声纳图像进行目标分割是非常复杂和困难的，它不仅取决于被分割的不同目标区域，还与海底混响噪声、背景区域等有着紧密的联系。对声纳图像分割的目的就是要从复杂的海底混响区域中提取出目标和阴影，并尽量保留图像原始边缘信息，它是图像分析的关键步骤，如何有效地对水下声纳图像进行分割是国内外研究者们研究的热点与难点。

侧扫声纳是探测海底的有效设备，它以图像形式反映海底信息。探测过程中，侧扫声纳发射声波经物体和海底反射形成反射波，被成像系统接收并按照空间位置排列接收信号得到侧扫声纳图像。声波探测到目标，如岩石、残骸等会形成较强的反射波，在声纳图像中表现为亮区；由于目标遮挡部分声波，目标背后的海底区域无法形成反射波，于是在图像相应区域形成阴影；除了目标和阴影其他区域为背景区域。声纳图像往往灰度不均匀，同时存在大量噪声。

对于分辨率较低、物体纹理不丰富的声纳图像，目标和阴影区域更能够反映物体信息，如形状和体积，这在海底目标探测和识别应用中尤其重要，所以使用图像分割技术提取声纳图像中目标和阴影区域。图像分割是将图像划分为互不重叠且不同特性区域，并区分出感兴趣目标的过程。

水平集图像分割算法将区域轮廓表示为高维度水平集函数在二维图像域上的零水平集，从而将图像分割问题转化为偏微分方程数值问题，通过最小化能量函数驱使轮廓收敛到区域边缘。为了针对图像灰度不均匀问题，偏移场水平集图像分割方法引入偏移场概念描述图像灰度不均匀，同时结合核函数构建局部拟合项生成能量函数。但是该方法对噪声敏感，所以不宜直接处理噪声污染严重的声纳图像分割。

申请号为201310148765.5的专利，一种基于MRF模型的非监督声纳图像分割方法，包含如下步骤：步骤一：对原始声纳图像进行高斯金字塔预处理，得到预处理后的图像；步骤二：计算出预处理后的声纳图像的灰度直方图；步骤三：根据步骤二获得的灰度直方图，计算声纳图像分类及分类个数；步骤四：根据步骤三中的图像分类个数和判别函数，计算MRF分割模型的初始化参数；将初始化参数代入MRF分割模型对声纳图像进行分割。该方法利用了马尔科夫分割模型，但整体上算法较为复杂，不适用于在实际海洋环境中操作。

发明内容

本发明的目的在于公开抗噪能力强，适用于声呐的一种基于偏移场水平集的声纳图像分割方法。

本发明的目的是这样实现的：

一种基于偏移场水平集的声纳图像分割方法，包含如下步骤：

步骤(1)：对源图像进行非下采样轮廓波变换，分别进行一级和二级图像多尺度分解，得到低频子带图像，包括第一低频图像，第二低频图像；

步骤(2)：根据低频子带图像，结合马尔可夫四邻域模型，估计马尔可夫四邻域模型参数：

马尔可夫四邻域模型参数θ_r：

I_x＝∑θ_rI_r，r∈η_x，η_x＝{x+(0，-1)，x+(0，1)，x+(-1，0)，x+(1，0)}；

将I_x＝∑θ_rI_r，r∈η_x化为矩阵形式：

f_x＝θQ_x,x∈Ω；

Q_x＝[f_x+(0,-1)+f_x+(0,1),f_x+(-1,0)+f_x+(1,0)]^T，θ＝[θ₁,θ₂]；

根据最小二乘法：

上式中，I(x)是任意点x像素值，I_r是四邻域像素值，η_x为像素x的四邻域，θ表示图像任意像素x与四邻域像素相关性。

步骤(3)：将马尔可夫四邻域模型参数重新代入低频子带图像，得到局部纹理图像，包括第1级局部纹理图像，第2级局部纹理图像；

步骤(4)：根据原始偏移场水平集理论，推导出三相模型偏移场水平集理论：

三相模型偏移场水平集理论，包括三相模型能量最小化梯度下降流方程组，第1能量单元e₁，第2能量单元e₂：

由声纳图像目标M₁(φ₁,φ₂)＝H(φ₁)H(φ₂)，阴影M₂(φ₁,φ₂)＝H(φ₁)(1-H(φ₂))，背景M₃(φ₁,φ₂)＝1-H(φ₁)得H(φ₁)，H(φ₂)；φ₁为第一水平集函数，φ₂为第二水平集函数；

三相模型能量最小化梯度下降流方程组：

第i能量单元e_i：

上式中，b是第i偏移矩阵；I为源图像，是每个区域对应灰度值，K_i是第i核函数。

步骤(5)：用局部纹理图像代替源图像代入，构造改进的偏移场水平集模型的能量函数，最小化改进的偏移场水平集模型的能量函数，驱使轮廓收敛到区域边缘：

用局部纹理图像代替源图像代入：

上式中，e_i,j是第j级局部纹理图像在第i类区域构成的能量单元，i＝1,2,3,j＝1,2。

最小化改进的偏移场水平集模型的能量函数时使用的梯度下降流方程组：

上式中，w₁＝w∈[0,1]，w₂＝1-w。w₁，w₂为权值。

步骤(6)：输出分割结果。

本发明的有益效果为：

本发明能够有效抵抗声纳图像噪声干扰，并且对声纳图像灰度不均匀现象具有鲁棒性，准确地分割声纳图像中的三类区域。同原始偏移场水平集方法相比，本发明能够得到更好的分割结果，同时不增加计算量，易于转化为实际应用。

附图说明

图1是一种基于偏移场水平集的声纳图像分割方法流程图；

图2是源图像与第一低频图像第二低频图像；

图3是四邻域模型和参数模型图；

图4是第1级局部纹理图像和第2级局部纹理图像对比图；

图5是源图像初始轮廓图；

图6是原始偏移场水平集声纳图像分割结果；

图7是改进偏移场水平集声纳图像分割结果。

具体实施方式

下面结合附图来进一步描述本发明：

如图1，一种基于偏移场水平集的声纳图像分割方法，包含如下步骤：

步骤(1)：如图2，对源图像进行非下采样轮廓波变换，分别进行一级和二级图像多尺度分解，得到低频子带图像，包括第一低频图像，第二低频图像；

步骤(2)：根据低频子带图像，结合马尔可夫四邻域模型，估计马尔可夫四邻域模型参数：

在图像域中假设任意点x像素值I(x)为随机变量，I(x)＝I_x的概率P(I(x)＝I_x)表示为条件概率P(I_x|Ω)。像素x某邻域表示为η_x，当概率P(I_x|Ω)＝P(I_x|η)＞0时，说明当前像素取值只与该邻域有关，与图像其他区域无关，此时称图像像素值具有马尔可夫性质。

如图3，马尔可夫四邻域模型参数θ_r：

I_x＝∑θ_rI_r，r∈η_x，η_x＝{x+(0，-1)，x+(0，1)，x+(-1，0)，x+(1，0)}；

将I_x＝∑θ_rI_r，r∈η_x化为矩阵形式：

f_x＝θQ_x,x∈Ω；

Q_x＝[f_x+(0,-1)+f_x+(0,1),f_x+(-1,0)+f_x+(1,0)]^T，θ＝[θ₁,θ₂]；

根据最小二乘法：

上式中，I(x)是任意点x像素值，I_r是四邻域像素值，η_x为像素x的四邻域，θ表示图像任意像素x与四邻域像素相关性。

步骤(3)：将马尔可夫四邻域模型参数重新代入低频子带图像，如图4，得到局部纹理图像，包括第1级局部纹理图像，第2级局部纹理图像；

相比于同级的低频图像，纹理图像抑制图像噪声同时突出图像区域间差异，增强区域边缘信息。

步骤(4)：根据原始偏移场水平集理论，推导出三相模型偏移场水平集理论，使之能够同时分割图像中三类区域信息；

三相模型偏移场水平集理论，包括三相模型能量最小化梯度下降流方程组，第1能量单元e₁，第2能量单元e₂：

由声纳图像目标M₁(φ₁,φ₂)＝H(φ₁)H(φ₂)，阴影M₂(φ₁,φ₂)＝H(φ₁)(1-H(φ₂))，背景M₃(φ₁,φ₂)＝1-H(φ₁)得H(φ₁)，H(φ₂)；φ₁为第一水平集函数，φ₂为第二水平集函数；

三相模型能量最小化梯度下降流方程组：

第i能量单元e_i：

上式中，b是第i偏移矩阵，用于描述观测源图像I的不均匀性，假设其在图像空间缓慢变化；是每个区域对应灰度值，K_i是第i核函数，选择高斯函数。

步骤(5)：用局部纹理图像代替源图像代入，构造改进的偏移场水平集模型的能量函数，最小化改进的偏移场水平集模型的能量函数，驱使轮廓收敛到区域边缘，克服声纳图像灰度不均匀和强噪声影响完成图像分割：

用局部纹理图像代替源图像代入：

上式中，e_i,j是第j级局部纹理图像在第i类区域构成的能量单元，i＝1,2,3,j＝1,2。

改进模型的数据项能量由两级纹理图像组成，同时驱动水平集演化，最小化改进的偏移场水平集模型的能量函数时使用的梯度下降流方程组：

上式中，w₁＝w∈[0,1]，w₂＝1-w。w₁，w₂为权值。

如图5，为源图像初始轮廓图，如图6和图7，经过对比可知，改进的偏移场水平集模型的能量函数处理后的图像噪声更小。

步骤(6)：输出分割结果。

本发明能够有效抵抗声纳图像噪声干扰，并且对声纳图像灰度不均匀现象具有鲁棒性，准确地分割声纳图像中的三类区域。同原始偏移场水平集方法相比，本发明能够得到更好的分割结果，同时不增加计算量，易于转化为实际应用。

以上所述并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种基于偏移场水平集的声纳图像分割方法，其特征在于：包含如下步骤：

步骤(1)：对源图像进行非下采样轮廓波变换，分别进行一级和二级图像多尺度分解，得到低频子带图像，包括第一低频图像，第二低频图像；

步骤(2)：根据低频子带图像，结合马尔可夫四邻域模型，估计马尔可夫四邻域模型参数；

步骤(3)：将马尔可夫四邻域模型参数重新代入低频子带图像，得到局部纹理图像，包括第1级局部纹理图像，第2级局部纹理图像；

步骤(4)：根据原始偏移场水平集理论，推导出三相模型偏移场水平集理论；

步骤(5)：用局部纹理图像代替源图像代入，构造改进的偏移场水平集模型的能量函数，最小化改进的偏移场水平集模型的能量函数，驱使轮廓收敛到区域边缘；

步骤(6)：输出分割结果。

2.根据权利要求1所述的一种基于偏移场水平集的声纳图像分割方法，其特征在于：所述的马尔可夫四邻域模型参数θ_r：

I_x＝∑θ_rI_r，r∈η_x，η_x＝{x+(0,-1),x+(0,1),x+(-1,0),x+(1,0)}；

将I_x＝∑θ_rI_r，r∈η_x化为矩阵形式：

f_x＝θQ_x,x∈Ω；

Q_x＝[f_x+(0,-1)+f_x+(0,1),f_x+(-1,0)+f_x+(1,0)]^T，θ＝[θ₁,θ₂]；

根据最小二乘法：

上式中，I(x)是任意点x像素值，I_r是四邻域像素值，η_x为像素x的四邻域，θ表示图像任意像素x与四邻域像素相关性。

3.根据权利要求1所述的一种基于偏移场水平集的声纳图像分割方法，其特征在于：所述的三相模型偏移场水平集理论，包括三相模型能量最小化梯度下降流方程组，第1能量单元e₁，第2能量单元e₂：

由声纳图像目标M₁(φ₁,φ₂)＝H(φ₁)H(φ₂)，阴影M₂(φ₁,φ₂)＝H(φ₁)(1-H(φ₂))，背景M₃(φ₁,φ₂)＝1-H(φ₁)得H(φ₁)，H(φ₂)；φ₁为第一水平集函数，φ₂为第二水平集函数；

三相模型能量最小化梯度下降流方程组：

第i能量单元e_i：

上式中，b是第i偏移矩阵；I为源图像，是每个区域对应灰度值，K_i是第i核函数。

4.根据权利要求1所述的一种基于偏移场水平集的声纳图像分割方法，其特征在于：所述的步骤(5)具体为：

用局部纹理图像代替源图像代入：

上式中，e_i,j是第j级局部纹理图像在第i类区域构成的能量单元，i＝1,2,3,j＝1,2；

最小化改进的偏移场水平集模型的能量函数时使用的梯度下降流方程组：

上式中，w₁＝w∈[0,1]，w₂＝1-w；w₁，w₂为权值。