CN108872997A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108872997A CN108872997A CN201810446617.4A CN201810446617A CN108872997A CN 108872997 A CN108872997 A CN 108872997A CN 201810446617 A CN201810446617 A CN 201810446617A CN 108872997 A CN108872997 A CN 108872997A
- Authority
- CN
- China
- Prior art keywords
- image
- submarine cable
- gradient
- seabed
- point
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了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。受多重因素影响声纳图像中海底线难于检测,为了解决复杂海底线难于精确检测的问题,本发明用于准确检测海底线从而进行后期斜距校正。该方法以LOG函数滤波后的图像作为Canny检测算法的输入图像,进行海底跟踪,其结果与阈值法跟踪结果进行融合,融合后的海底线经过插值、滤波剔除异常值后并与单波束测深数据进行对比。以深圳大鹏湾海域为实例对本发明进行了验证,取得了均方根误差为±0.2m的跟踪精度,验证了本发明的可行性。该发明专利可用于复杂条件下海底线的精度检测。
Description
技术领域
本发明涉及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。
背景技术
侧扫声呐是获取海底地貌信息的一种高效手段,以其高精度、高效率和较高的海底图像质量等优点得到了广泛的运用。目前侧扫声呐主要应用于海洋测绘、海底地质探测、海底地物探测等方面。在生成的侧扫声呐海底灰度图像中,沿航迹方向每一ping数据第一个真实的海底回波点连线、即水柱区和图像区之间存在的明显的界线称之为海底线。它表明了拖鱼距离海底的高度,其检测精度直接影响斜距改正精度。侧扫声呐数据采集时,拖鱼一般都是拖曳式的,其受波浪和尾流的影响以及拖鱼姿态和自噪声、环境噪声的影响较大时,易造成图像水柱区受到污染(如图1所示)。拖鱼高度的检测应满足左右弦海底线对称性原则和拖鱼高度渐变性原则。对称原则:拖鱼左右换能器相距较近,接收到海底的回波经历相同的时间,左右弦提取的海底线应关于航迹线对称。渐变原则:拖鱼高度受海底地形、拖鱼深度影响,满足渐进变化,因此具有渐进性变化特点。拖鱼高度未经校正,必将影响后期的斜距改正、地理编码、条带图像镶嵌。
常用的海底线检测方法主要有最大振幅法、梯度法。张济博等通过数字图像的边缘检测LOG算子提取声呐图像边缘实现了海底线的自动检测,但是LOG算子有一定的局限,它只能消除尺度小于方差σ的灰度变化,当声呐图像受自噪声和环境噪声的影响过大时,LOG算子会误将一些图像噪声作为边缘保留下来,从而造成对海底线的误提取。赵建虎等综合传统阈值法、最后峰法和地形变化趋势的异常跟踪段修复法形成一种综合的方法,实现了海底线的自动提取,但实现过程较为复杂。
发明内容
为了克服现有技术的不足,本发明提供了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,引入LOG&Canny算子和阈值法相融合的方法对侧扫声呐图像的海底线进行检测,从而快捷、准确地解决了LOG算子的局限性和海底线提取实现过程较为复杂的问题。
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,
1)输入原始声纳图像f(x,y);
2)对原始声纳图像f(x,y)滤波降噪,得消除图像高斯噪声后的图像f′(x,y);
3)采用拉普拉斯对图像进行锐化处理得f″(x,y);
4)用Sobel一阶微分模板分别计算水平垂直方向的梯度,计算梯度幅值和方向角,将方向角近似分类;
5)根据分类的方向角对图像进行非极大值抑制,生成边缘梯度直方图、选取双阈值并连接边缘得到海底线1;
6)对每一ping数据进行阈值检测,将检测的海底点进行连接,经过滤波、光滑处理,得到海底线2;
7)将海底线1和2进行融合,剔除异常点、插值、对应位置取平均以融合,若不满足对称、渐变原则,则对图像边缘数据进行插值,得到最终的海底图像,然后再进行平均融合;
8)采用融合后的海底线反演水深值,并将其与单波束测深数据进行对比,以判断该方法的准确性。
步骤2)中,对原始声纳图像f(x,y)滤波降噪具体如下:
原始声纳图像为f(x,y),高斯函数为G(x,y),首先将G(x,y)作为低通滤波器对图像进行低通滤波平滑,随后对滤波后的图像二阶微分运算提取边缘,此过程等价为先对高斯函数进行二阶微分运算,再使用高斯函数的二阶微分结果和原始图像进行卷积运算,LOG(x,y)函数如下:
使用LOG算子进行边缘检测时,能有效地抑制噪声。发现图像灰度值小于LOG函数值的大部分是由噪声组成的,应用此公式进行图像的滤波降噪。
f(x,y)<LOG(x,y) (2)
其中,f(x,y)表示原始图像,LOG(x,y)表示LOG函数值,满足(2)式的图像值为噪声部分,经过噪声过滤的图像,为后续的边缘检测消除了部分干扰,作为后续Canny处理的输入图像。
4、根据权利要求1所述的方法,其特征在于,步骤3)中,对采用拉普拉斯对图像进行锐化处理具体如下:
将滤波后的声呐图像进行锐化处理,采用二阶微分模板对图像进行卷积,模板如下:
经过锐化的图像作为Canny处理的输入图像。
步骤4)中,计算梯度幅值和方向角具体如下:
传统Canny算子使用2×2模板梯度算子来计算平滑后图像的x方向和y方向的梯度幅值Gx和Gy。本发明通过使用Sobel一阶微分模板与图像卷积求取梯度幅值,如下所示:
梯度幅值为:
梯度方向角为:θ=arctan(Gy/Gx)(4)
在计算梯度方向角时,将梯度方向θ归并为4个方向:0°、45°、90°、135°,对于所有边缘,规定梯度方向0°=方向180°,方向45°=方向225°。(这样方向角[-22.5°-22.5°]和[157.5°-202.5°]就归并到0°方向角。其他方向角以此类推。)
步骤5)中,海底线1获取方法具体如下:
根据梯度值大小检查像(i,j)的八领域范围内梯度值大小:
●假如θ(i,j)=0°,则比较像元(i+1,j)、(i,j)和(i-1,j);
●假如θ(i,j)=45°,则比较像元(i+1,j+1)、(i,j)和(i-1,j-1);
●假如θ(i,j)=90°,则比较像元(i,j+1)、(i,j)和(i,j-1);
●假如θ(i,j)=135°,则比较像元(i+1,j-1)、(i,j)和(i-1,j+1);
比较三个像元梯度幅值的大小,如果(i,j)的梯度幅值大于其他两个点的梯度幅值,则(i,j)就被认为是边缘中心点而被记录下来,否则将被删除,所记录的边缘中心点即海底线1。
步骤6)中,海底线2获取方法具体如下:
首先将原始数据一阶差分,一阶差分就是离散函数中连续相邻两项之差,定义X(k),则
Y(k)=X(k+1)-X(k)就是此函数的一阶差分,然后将差分结果归一化到0-1的范围内,其原因在于原始数据差分后范围太大。统计每一ping的灰度断面图,根据图像水柱区噪声程度选取占据灰度断面图70%-80%的灰度值的均值进行阈值判断,根据水柱区噪声选取连续时间为3-7之间,即连续有3-7个采样点的灰度值满足上述条件,则认为第一个采样点为海底点,使用阈值检测结果如下,判断回波发生突变的位置,为了减小水柱区空白左弦海底点往左靠,右弦海底点往右靠,顺序为:左弦则从右到左,右弦则从左到右,此为海底线2。
步骤7)中,将海底线1和2进行融合具体如下:
融合是将海底线1和海底线2对应两个海底点取平均值,当满足海底线对称原则、拖鱼高度渐进变化原则时平均值即为最终海底点,否则对当前海底点进行插值、平滑处理,插值采用局部线性插值,平滑是对连续上下5ping点的横向坐标进行平均,平滑后成果再次采用加权平均进行融合。
本发明的有益效果:本发明基于LOG&Canny和阈值法相融合的侧扫声呐海底线检测方法,引入LOG&Canny算子和阈值法相融合的方法对侧扫声呐图像的海底线进行检测,从而快捷、准确地解决了传统方法在水柱区出现较大噪声时会出现失效的局限性和海底线提取实现过程较为复杂的问题。为后续精确地检测海底高度对后期的斜距改正、图像镶嵌、目标识别提供了较好的基础数据。
附图说明
图1是复杂环境噪声给水柱区造成的影响图;
图2是LOG&Canny算法流程图;
图3是Kirsch算法(3.1部分)、Roberts算法(3.2部分)、Laplace算法(3.3部分)、LOG算法(3.4部分)、Canny算法(3.5部分)以及LOG&Canny(3.6部分)实验结果对比图;
图4是左舷一ping数据(左上);一阶差分(右上);归一化(左下);局部放大(右下)阈值图;
图5是阈值法检测结果图,其中5.1部分为原始声呐图,其中5.2部分为阈值法检测结果;
图6是融合法追踪海底流程图;
图7是实验区平面图;
图8是三种方法检测结果对比,其中左中右三部分分别是8.1LOG&Canny,8.2阈值法,8.3融合法;
图9.1是实测单波束水深值与本发明实验结果对比图;
图9.2是实测单波束水深与阈值法结果差值对比图;
图9.3实测单波束水深与本发明实验结果差值对比图;
图10.1是单波束水深构建DEM图;
图10.2是海底线水深构建DEM图。
具体实施方式
以下结合原理、实施例和附图等对本发明做进一步的说明。
一、原理说明
1.LOG&Canny边缘检测
图像的边缘是指其周围的像素灰度急剧变化的那些像素点的集合,由于海底声纳图像的方式特别,其图像中存在大量的噪声,主要存在一种符合正态分布的图像噪声,称之为高斯噪声,去除这类噪声可以采用现有的一种常见的滤波降噪的方法,即高斯拉普拉斯滤波法。1.1LOG函数滤波
设原图像为f(x,y),高斯函数为G(x,y)。首先将G(x,y)作为低通滤波器对图像进行低通滤波平滑,随后对滤波后的图像二阶微分运算提取边缘。此过程等价为可以先对高斯函数进行二阶微分运算,再使用高斯函数的二阶微分结果和原始图像进行卷积运算。LOG(x,y)函数如下:
实验表明,使用LOG算子进行边缘检测时,能有效地抑制噪声。发现图像灰度值小于LOG函数值的大部分是由噪声组成的,本发明正是应用此原理进行图像的滤波降噪。
f(x,y)<LOG(x,y) (2)
其中,f(x,y)表示原始图像,LOG(x,y)表示LOG函数值。满足上式的图像值可以肯定为噪声部分,经过噪声过滤的图像,消除大部分噪声的影响也为后续的边缘检测消除了部分干扰,可以作为后续Canny处理的输入图像。
1.2 Canny算子检测
Canny边缘检测算子作为一种常见的算子,是公认的性能优良的边缘检测算子。虽然Canny算子也是一阶微分算子,但它对传统的一阶算子进行了扩展:增加了非极大值抑制和双阈值检验。利用非极大值抑制可以有效地抑制多边缘响应提高边缘定位精度,利用双阈值检验可以有效降低漏检率。
1.2.1计算梯度幅值与方向角
传统Canny算子使用2×2模板梯度算子来计算平滑后图像的x方向和y方向的梯度幅值Gx和Gy。基于此本发明通过使用Sobel一阶微分模板与图像卷积求取梯度幅值。如下所示:
梯度幅值为:
梯度方向角为:θ=arctan(Gy/Gx)(4)
在计算梯度方向角时,将梯度方向θ归并为4个方向:0°、45°、90°、135°。对于所有边缘,规定梯度方向0°=方向180°,方向45°=方向225°等。这样方向角[-22.5°-22.5°]和[157.5°-202.5°]就归并到0°方向角。其他方向角以此类推。
1.2.2非极大值抑制
结合方向角的确定,根据梯度值大小检查像(i,j)的八领域范围内梯度值大小:
●假如θ(i,j)=0°,则比较像元(i+1,j)、(i,j)和(i-1,j);
●假如θ(i,j)=45°,则比较像元(i+1,j+1)、(i,j)和(i-1,j-1);
●假如θ(i,j)=90°,则比较像元(i,j+1)、(i,j)和(i,j-1);
●假如θ(i,j)=135°,则比较像元(i+1,j-1)、(i,j)和(i-1,j+1);
比较三个像元梯度幅值的大小,如果(i,j)的梯度幅值大于其他两个点的梯度幅值,则(i,j)就被认为是边缘中心点而被记录下来,否则将被删除。
1.3 LOG&Canny算法结合如下:
实施例1边缘检测算法比较分析
通过对比Laplace、Roberts、Kirsch、Canny、LOG等5种边缘检测算法分析各优劣,验证了对于水柱区噪声弱时,单纯的边缘检测算法能够进行较好的海底线监测。其中本发明的LOG&Canny相结合的方法效果较好。
表1各方法时间对比
表1中记录了各方法运行所需的时间,本方法在0.5s左右就能计算出结果,保证精度的同时也保证了效率,而后几种方法虽然在时间上有所提高,但不能够保证海底线检测的精度。
图3中,可以看出Kirsch算法、Roberts算法、Laplace算法、LOG算法、Canny算法检测的效果依次递增。Kirsch算子较麻烦,它用8个模板对图像上的每个像素点进行卷积求梯度,这8个模板代表8个方向,对图像上的8个特定边缘方向作出最大响应,取最大值作为图像的边缘输出。Roberts算子较简单,利用局部差分算子寻找边缘,采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘,定位精度高但对噪声敏感。Laplace算法采用拉普拉斯模板与图像各像素点卷积再进行阈值检验。图3的3.3部分为参照文献[张济博,潘国富,丁维凤.基于LOG算子的侧扫声呐海底线检测[J].海洋通报,2010,29(03):324-328]的方法改进后检测的海底线效果图。图3的3.5部分为采用较优良的边缘检测算子Canny检测的效果图,效果较为理想。图3的3.6部分为本申请所采用的LOG&Canny方法,通过对比LOG&Canny方法具有明显优势。以上方法对回波弱的海底线不能够有效的识别且均涉及到阈值的选取,阈值选取的合理与否都会影响到边缘定位的准确性。能否进行自适应性的阈值选取,降低人为干预的因素十分关键。实验结果表明该方法能够有效地检测弱回波、水柱区噪声较少的海底线。在计算图像梯度时,本发明没有使用传统的Canny梯度算子,而是采用Sobel一阶微分模板,取得了较好的效果。在计算图像梯度方向时,本发明将梯度方向近似为四个方向,提高了运算的效率降低了检测精度。要达到更高的检测精度,可以进行线性插值计算各个方向的梯度值。
阈值法检验
图像边缘检测算法对于水柱区噪声弱或基本无噪声的情况下,能够进行较精确的海底线监测,如图3所示。但侧扫声呐在采集数据时一般受波束旁瓣干扰、水面回波及尾流、海底悬浮物时水柱区会出现明显的噪声。图1给出了以上特征。对于水柱区噪声较大的声呐图像,单纯的图像边缘检测算法已经无法满足海底线的精确监测,为此需要结合其他的方法才能达到要求。
阈值法易于实现,首先将原始数据一阶差分,一阶差分就是离散函数中连续相邻两项之差。定义X(k),则Y(k)=X(k+1)-X(k)就是此函数的一阶差分,差分效果如图4所示,然后将差分结果归一化到0-1的范围内,其原因在于原始数据差分后范围太大。统计每一ping的灰度断面图,根据图像水柱区噪声程度选取占据灰度断面图70%-80%的灰度值的均值进行阈值判断,根据水柱区噪声选取连续时间为3-7之间,本实验取值为6。即连续有6个采样点的灰度值满足上述条件,则认为第一个采样点为海底点。使用阈值检测结果如下,上述方法较容易判断回波发生突变的位置(图4箭头所指处),为了减小水柱区空白左弦海底点尽量往左靠,右弦海底点尽量往右靠,顺序为:左弦(从右到左)、右弦(从左到右)。
阈值检测结果显示对水柱区噪声比较多的一侧,检测结果将出现较大的偏差。水柱区噪声较少的一侧能够进行有效的检测,可见单纯的阈值法也不能够达到理想的检测效果。
实施例2一种基于侧扫声呐数据融合与精密处理的海底线检测方法实施流程
step1:声波强度转灰度。将XTF数据解码,生成灰度文件;
step2:加载图像。构建Bitmap类型变量,并加载一幅完整的单条带海底声呐图像f(x,y);
step3:图像滤波。计算LOG(x,y)采用式(2)对原始声纳图像f(x,y)滤波降噪,得消除图像高斯噪声后的图像f′(x,y);
step4:图像锐化。步骤三滤波过程中会降低图像边缘强度,因此采用拉普拉斯对图像进行锐化处理得f″(x,y);
step5:梯度幅值及方向角计算。用Sobel一阶微分模板分别计算水平垂直方向的梯度,采用式(3)、(4)计算梯度幅值和方向角,将方向角近似分类;
step6:非极大值抑制连接边缘。根据分类的方向角对图像进行非极大值抑制。生成边缘梯度直方图、选取双阈值并连接边缘,得到海底线1;
step7:自适应阈值检测。对每一ping数据进行阈值检测,将检测的海底点进行连接,经过滤波、光滑处理,得到海底线2;
step8:将以上得到的海底线1和2进行融合。融合后的判断原则在于是否满足海底线对原则、拖鱼高度渐进变化原则。满足则进行下一步,否则进行插值、平滑处理;
step9:线性插值。对图像边缘几ping数据进行插值,得到最终的海底图像。
实施例3深圳大鹏湾海域具体应用和比较
实验采用深圳大鹏湾海域测扫数据,使用了双频侧扫声纳设备,同时采集高频(高分辨率,扫宽2*75m)和低频(普通分辨率、扫宽2*200m)两组数据,而且相邻航迹线测量结果达到100%重叠,与单波束测深同步进行,完成测线171条,SSS仪器为Edgetech 4200FS,频率为385KHz,单波束测深仪型号为HY1600。测区范围如图7所示,测区水深变化为5-15m。测区的地貌形态种类不多,但数量众多,主要有:沙斑、渔网、沙坑、锚沟(锚痕)、礁石等。
选取声呐条带水柱区噪声较大的区域分别进行LOG&Canny法,阈值法,融合法的实验结果如下图所示,在水柱区噪声较大的情况下前两种难以进行有效的海底点定位,融合法可以进行准确的定位。
表2各方法时间对比
表2中显示了各方法的运行时间,从时间上来看基本能够满足实时需求,从实验效果上来看前两种方法对于复杂水柱区环境的声呐图的检测失效,融合法不仅能在时间上得到理想的效果检测的效果也较精确。
表3实测单波束条带与融合法实验结果统计
如前所述,当水柱区产生较大噪声时,图8表明单纯的图像边缘检测算法、阈值法无法有效进行海底线监测。为此本发明提出一种相融合的方法很好的解决了水柱区大噪声下海底线的精确监测问题。为定量描述融合法海底线监测提取的精度,将SSS条带图像中提取出的海底线计算海底地形高程。因侧扫频率远大于单波束测深频率故对SSS条带跟踪点降采样处理,并利用旁侧单波束水深值使用最近邻插值法插值出SSS条带的单波束水深值。分别用海底线对应地形高程数据与插值出的SSS条带的单波束水深值绘制DEM进行对比,水深值对比及单条带水深差值对比,结果如图9.1、图10.1、图10.2所示,可以看出两者地势具有很好的一致变化性。图9.2、图9.3分别是使用阈值法、融合法检测出的水深值与单波束实测水深差值对比,可以看出阈值法检测出的水深差值基本在0.4m以上,而融合法基本在0.3m以内,效果较好。表3中条带S1,S2,S3系统偏差统计结果为±0.19m,±0.185m,±0.233m,与实际测深精度指标一致,从而表明融合法提取海底线的正确性。
数字图像处理技术在声纳图像中的应用较少,本发明基于常见的几种图像边缘检测算法,参考文献[贺强,晏立.基于LOG和Canny算子的边缘检测算法[J].计算机工程,2011,37(03):210-212]的部分方法实现。针对现有检测算子的不足,将LOG与Canny相结合,实验效果相比文献[张济博,潘国富,丁维凤.基于LOG算子的侧扫声呐海底线检测[J].海洋通报,2010,29(03):324-328]较好,本发明还针对传统Canny梯度算子进行修改,在应用中得到较好的效果。实验证明了单纯的边缘检测算法对于水柱区基本无噪声的声呐图像可以进行有效的底跟踪,当水柱区出现较大噪声时,则失效。基于此本发明提出一种边缘检测与阈值法相融合的方法较好地解决了上述问题,对实际应用具有积极意义。
Claims (7)
1.一种基于侧扫声呐数据融合与精密处理的海底线检测方法,其特征在于,
1)输入原始声纳图像f(x,y);
2)对原始声纳图像f(x,y)滤波降噪,得消除图像高斯噪声后的图像f′(x,y);
3)采用拉普拉斯对图像进行锐化处理得f″(x,y);
4)用Sobel一阶微分模板分别计算水平垂直方向的梯度,计算梯度幅值和方向角,将方向角近似分类;
5)根据分类的方向角对图像进行非极大值抑制,生成边缘梯度直方图、选取双阈值并连接边缘得到海底线1;
6)对每一ping数据进行阈值检测,将检测的海底点进行连接,经过滤波、光滑处理,得到海底线2;
7)将海底线1和海底线2进行融合,剔除异常点、插值、对应位置取平均以融合,若不满足对称、渐变原则,则对图像边缘数据进行插值,得到最终的海底图像,然后再进行平均融合;
8)采用融合后的海底线反演水深值,并将其与单波束测深数据进行对比,以判断该方法的准确性。
2.根据权利要求1所述的方法,其特征在于,步骤2)中,对原始声纳图像f(x,y)滤波降噪具体如下:
原始声纳图像为f(x,y),高斯函数为G(x,y),首先将G(x,y)作为低通滤波器对图像进行低通滤波平滑,随后对滤波后的图像二阶微分运算提取边缘,此过程等价为先对高斯函数进行二阶微分运算,再使用高斯函数的二阶微分结果和原始图像进行卷积运算,LOG(x,y)函数如下:
f(x,y)<LOG(x,y) (2)
其中,f(x,y)表示原始图像,LOG(x,y)表示LOG函数值,满足(2)式的图像值为噪声部分,经过噪声过滤的图像,为后续的边缘检测消除了部分干扰,作为后续Canny处理的输入图像。
3.根据权利要求1所述的方法,其特征在于,步骤3)中,对采用拉普拉斯对图像进行锐化处理具体如下:
将滤波后的声呐图像进行锐化处理,采用二阶微分模板对图像进行卷积,模板如下:
经过锐化的图像作为Canny处理的输入图像。
4.根据权利要求1所述的方法,其特征在于,步骤4)中,计算梯度幅值和方向角具体如下:通过使用Sobel一阶微分模板与图像卷积求取梯度幅值,如下所示:
梯度幅值为:
梯度方向角为:θ=arctan(Gy/Gx) (4)
在计算梯度方向角时,将梯度方向θ归并为4个方向:0°、45°、90°、135°,对于所有边缘,规定梯度方向0°=方向180°,方向45°=方向225°。
5.根据权利要求4所述的方法,其特征在于,步骤5)中,海底线1获取方法具体如下:
根据梯度值大小检查像(i,j)的八领域范围内梯度值大小:
假如θ(i,j)=0°,则比较像元(i+1,j)、(i,j)和(i-1,j);
假如θ(i,j)=45°,则比较像元(i+1,j+1)、(i,j)和(i-1,j-1);
假如θ(i,j)=90°,则比较像元(i,j+1)、(i,j)和(i,j-1);
假如θ(i,j)=135°,则比较像元(i+1,j-1)、(i,j)和(i-1,j+1);
比较三个像元梯度幅值的大小,如果(i,j)的梯度幅值大于其他两个点的梯度幅值,则(i,j)就被认为是边缘中心点而被记录下来,否则将被删除,所记录的边缘中心点即海底线1。
6.根据权利要求1所述的方法,其特征在于,步骤6)中,海底线2获取方法具体如下:
首先将原始数据一阶差分,一阶差分就是离散函数中连续相邻两项之差,定义X(k),则Y(k)=X(k+1)-X(k)就是此函数的一阶差分,然后将差分结果归一化到0-1的范围内,统计每一ping的灰度断面图,根据图像水柱区噪声程度选取占据灰度断面图70%-80%的灰度值的均值进行阈值判断,根据水柱区噪声选取连续时间为3-7之间,即连续有3-7个采样点的灰度值满足上述条件,则认为第一个采样点为海底点,使用阈值检测结果如下,判断回波发生突变的位置,为了减小水柱区空白左弦海底点往左靠,右弦海底点往右靠,顺序为:左弦则从右到左,右弦则从左到右,此为海底线2。
7.根据权利要求1所述的方法,其特征在于,步骤7)中,将海底线1和2进行融合具体如下:
融合是将海底线1和海底线2对应两个海底点取平均值,当满足海底线对称原则、拖鱼高度渐进变化原则时平均值即为最终海底点,否则对当前海底点进行插值、平滑处理,插值采用局部线性插值,平滑是对连续上下5ping点的横向坐标进行平均,平滑后成果再次采用加权平均进行融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446617.4A CN108872997B (zh) | 2018-05-10 | 2018-05-10 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810446617.4A CN108872997B (zh) | 2018-05-10 | 2018-05-10 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108872997A true CN108872997A (zh) | 2018-11-23 |
CN108872997B CN108872997B (zh) | 2021-07-02 |
Family
ID=64333556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810446617.4A Active CN108872997B (zh) | 2018-05-10 | 2018-05-10 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108872997B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988888A (zh) * | 2019-11-08 | 2020-04-10 | 中科长城海洋信息系统有限公司 | 海底信息的获取方法和装置 |
CN111323766A (zh) * | 2020-04-13 | 2020-06-23 | 中国科学院声学研究所东海研究站 | 一种舰船尾流声呐图像处理方法 |
CN111443344A (zh) * | 2020-04-07 | 2020-07-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种侧扫声呐海底线自动提取方法及装置 |
CN111476809A (zh) * | 2020-04-08 | 2020-07-31 | 北京石油化工学院 | 一种侧扫声呐图像目标识别方法 |
CN111650591A (zh) * | 2020-04-08 | 2020-09-11 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
CN112882037A (zh) * | 2021-04-28 | 2021-06-01 | 北京星天科技有限公司 | 侧扫声呐海底线检测方法及装置 |
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 |
CN115049651A (zh) * | 2022-08-15 | 2022-09-13 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN115690567A (zh) * | 2022-10-25 | 2023-02-03 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN116930976A (zh) * | 2023-06-19 | 2023-10-24 | 自然资源部第一海洋研究所 | 基于小波模极大值的侧扫声呐图像的海底线检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5493619A (en) * | 1994-03-11 | 1996-02-20 | Haley; Paul H. | Normalization method for eliminating false detections in side scan sonar images |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
CN105891836A (zh) * | 2016-04-01 | 2016-08-24 | 中国船舶重工集团公司第七〇五研究所 | 一种基于测深侧扫声纳的二次回波抑制及地貌图融合方法 |
CN107167810A (zh) * | 2017-05-02 | 2017-09-15 | 河海大学常州校区 | 一种侧扫声纳成像的水下目标快速提取方法 |
-
2018
- 2018-05-10 CN CN201810446617.4A patent/CN108872997B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5493619A (en) * | 1994-03-11 | 1996-02-20 | Haley; Paul H. | Normalization method for eliminating false detections in side scan sonar images |
CN103123723A (zh) * | 2013-01-23 | 2013-05-29 | 中国人民解放军信息工程大学 | 一种基于Canny边缘检测与主动轮廓模型的水边线提取方法 |
CN105891836A (zh) * | 2016-04-01 | 2016-08-24 | 中国船舶重工集团公司第七〇五研究所 | 一种基于测深侧扫声纳的二次回波抑制及地貌图融合方法 |
CN107167810A (zh) * | 2017-05-02 | 2017-09-15 | 河海大学常州校区 | 一种侧扫声纳成像的水下目标快速提取方法 |
Non-Patent Citations (2)
Title |
---|
YANLING HAO ET AL.: "Data fusion of multi-beam sonar and side-scan sonar base on feature contour registration", 《2011 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET)》 * |
贺强 等: "基于LOG和Canny算子的边缘检测算法", 《计算机工程》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110988888A (zh) * | 2019-11-08 | 2020-04-10 | 中科长城海洋信息系统有限公司 | 海底信息的获取方法和装置 |
CN111443344A (zh) * | 2020-04-07 | 2020-07-24 | 中国人民解放军军事科学院国防科技创新研究院 | 一种侧扫声呐海底线自动提取方法及装置 |
CN111443344B (zh) * | 2020-04-07 | 2022-06-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种侧扫声呐海底线自动提取方法及装置 |
CN111650591B (zh) * | 2020-04-08 | 2023-04-28 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
CN111476809A (zh) * | 2020-04-08 | 2020-07-31 | 北京石油化工学院 | 一种侧扫声呐图像目标识别方法 |
CN111650591A (zh) * | 2020-04-08 | 2020-09-11 | 中国船舶重工集团公司第七一五研究所 | 一种主动声纳宽带空间谱回波亮点增强及自动提取方法 |
CN111323766B (zh) * | 2020-04-13 | 2022-02-11 | 中国科学院声学研究所东海研究站 | 一种舰船尾流声呐图像处理方法 |
CN111323766A (zh) * | 2020-04-13 | 2020-06-23 | 中国科学院声学研究所东海研究站 | 一种舰船尾流声呐图像处理方法 |
CN112882037A (zh) * | 2021-04-28 | 2021-06-01 | 北京星天科技有限公司 | 侧扫声呐海底线检测方法及装置 |
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 |
CN115049651A (zh) * | 2022-08-15 | 2022-09-13 | 邹城市天晖软件科技有限公司 | 一种钣金冲压异常检测方法 |
CN115690567A (zh) * | 2022-10-25 | 2023-02-03 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN115690567B (zh) * | 2022-10-25 | 2023-09-26 | 广州三海海洋工程勘察设计有限公司 | 机器学习水深反演方法、装置、计算机设备以及存储介质 |
CN116930976A (zh) * | 2023-06-19 | 2023-10-24 | 自然资源部第一海洋研究所 | 基于小波模极大值的侧扫声呐图像的海底线检测方法 |
CN116930976B (zh) * | 2023-06-19 | 2024-03-26 | 自然资源部第一海洋研究所 | 基于小波模极大值的侧扫声呐图像的海底线检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108872997B (zh) | 2021-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108872997A (zh) | 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 | |
CN104268872B (zh) | 基于一致性的边缘检测方法 | |
Sollazzo et al. | Hybrid procedure for automated detection of cracking with 3D pavement data | |
CN107688180B (zh) | 基于探地雷达的活动断裂浅地表层空间分布探测方法 | |
DE102014224372B4 (de) | Apparate, systeme und verfahren zur verarbeitung einer höhenkarte | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN109460753A (zh) | 一种检测水上漂浮物的方法 | |
KR101670986B1 (ko) | 뇌의 3차원 영상들의 뷰의 자동 플래닝을 위한 시스템 및 방법 | |
Tušer et al. | Evaluation of potential bias in observing fish with a DIDSON acoustic camera | |
CN105510964A (zh) | 复杂构造区低级序走滑断层的地震识别方法 | |
CN102032875A (zh) | 一种基于图像处理的电缆护套厚度测量方法 | |
CN110378921B (zh) | 基于浮泥流变特性与灰度共生矩阵的航道底质层界智能识别方法 | |
Szymczyk et al. | Preprocessing of GPR data | |
CN109886939A (zh) | 基于张量投票的桥梁裂缝检测方法 | |
CN111353993A (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
CN113608195B (zh) | 一种激光雷达全波形数据分解测深方法、装置及电子设备 | |
CN107729814A (zh) | 一种检测车道线的方法及装置 | |
Schneiderwind et al. | Innovative tidal notch detection using TLS and fuzzy logic: Implications for palaeo-shorelines from compressional (Crete) and extensional (Gulf of Corinth) tectonic settings | |
CN114295069A (zh) | 无人机搭载三维激光扫描仪的边坡形变监测方法及系统 | |
Tsatsoulis et al. | Identifying ice floes and computing ice floe distributions in SAR images | |
Tang et al. | Characterization of three algorithms for detecting surface flatness defects from dense point clouds | |
AU2018232961B2 (en) | Methods and systems for detection and characterization of channel systems | |
CN112558077A (zh) | 一种基于相邻条幅的多波束滤波方法及处理终端 | |
Korzeniowska et al. | Mapping gullies using terrain surface roughness | |
Galparsoro et al. | Comparison of supervised and unsupervised automatic classification methods for sediment types mapping using multibeam echosounder and grab sampling |
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 |