CN108985304B - 一种基于浅剖数据的沉积层结构自动提取方法 - Google Patents
一种基于浅剖数据的沉积层结构自动提取方法 Download PDFInfo
- Publication number
- CN108985304B CN108985304B CN201710398444.9A CN201710398444A CN108985304B CN 108985304 B CN108985304 B CN 108985304B CN 201710398444 A CN201710398444 A CN 201710398444A CN 108985304 B CN108985304 B CN 108985304B
- Authority
- CN
- China
- Prior art keywords
- image
- shallow
- horizontal
- scale
- dimensional
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供一种基于浅剖数据的沉积层结构自动提取方法,包括:步骤1、将水平距离r0和深度h0的浅剖数据矩阵作为浅剖图像I;基于图像统计特性的均衡滤波器,进行基于统计特性的图像均衡增强,提高浅剖图像I中各分界面上的能量对比度;步骤2、选定需要提取边界特征的尺度范围,进行多尺度线条滤波,提取能量对比度,获得最大响应图像M;步骤3、对步骤2中的最大响应图像M进行二维小波变换,得到消除垂直干扰的水平方向的细节子图像Mh;进行归一化处理,重复步骤2,获得水平线条的区域信息图像;步骤4、对步骤3中图像的界面结构和背景进行二值化处理,通过列向量错位相减,获得水平线条的区域边界;获得海底沉积层的层数和各层的厚度。
Description
技术领域
本发明涉及海洋遥感的技术领域,特别涉及一种基于浅剖数据的沉积层结构自动提取方法。
背景技术
随着海洋资源的开发以及国防建设的需要,海底沉积层的结构获取是海洋科学考察和研究海底地质变迁的重要内容。传统的提取海底沉积层分层结构方法是采用柱状原状取样设备利用机械压力或者重力定点取样,通过实验室对底质进行分析得到沉积层的分层信息。但是,这种提取方法的时间成本和经济成本均十分的昂贵,而且相对于广阔的海洋,由于取样范围极其有限而无法有效表征海洋环境的空间分布规律。
根据不同沉积层分层界面处的阻抗差异引起的反射回波的时间和强度差异,可用声学遥感的方法快速、准确地获得海底地形和沉积层的等效结构信息。利用浅剖,即浅剖层剖面仪,进行海底遥感探测时,通常会受到海上噪声和海底混响等诸多干扰,其中海上噪声主要包括船舶自噪声和尾流噪声,造成获得的海底沉积层浅剖结果的信噪比较低,因此,实际获得的海上测量数据需要具有相关专业知识的研究人员来分析以提取沉积层的结构信息,这种处理方式效率低,且无法有效处理大量数据,以及难以满足多系统联合环境测量的要求。
发明内容
本发明的方法综合多种图像处理的方法对浅剖数据进行处理,有效消除设备工作过程中主要的噪声干扰、准确提取沉积层的分层结构,可进一步获取沉积层分层数、各层的位置和厚度,解决了在多系统联合海底特性测量中浅剖数据处理慢和准确性低的问题。通过本发明的方法给出的准确的海底分层模型,同时也为岸基声呐设备的应用提供更准确的先验信息,为海底声学遥感提供解决方案。
本发明的目的在于,为了解决上述现有的提取沉积层结构参数的提取方法存在的缺陷,本发明提供了一种基于浅剖数据的沉积层结构自动提取方法,其具体包括:
步骤1、将浅层剖面仪输出的图像,作为原始浅剖图像;将水平距离r0和深度h0的浅剖数据矩阵表示为浅剖图像I;利用基于图像统计特性的均衡滤波器,对所述浅剖图像I进行基于统计特性的图像均衡增强,进而提高浅剖图像I中各分界面上的能量对比度,输出均衡后的浅剖图像;
步骤2、选定需要提取边界特征的尺度范围,在所述尺度范围内,在不同尺度s下,将二维多尺度线条滤波器对步骤1中所述均衡后的浅剖图像中的线条信息进行多尺度线条滤波,提取所述均衡后的浅剖图像中的能量对比度的结构特征,小尺度的随机高斯噪声将会被滤除掉,获得二维多尺度线条滤波器对所述均衡后的浅剖图像的分层界面结构的最大响应图像M;
步骤3、采用双正交小波滤波器组的二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,并分解为水平方向细节子图像、垂直方向细节子图像和平滑的低频图像;通过二维小波变换的分解,得到消除垂直干扰的沉积层结构的水平线条的水平方向的细节子图像Mh;对所述细节子图像Mh在垂直方向上作出归一化处理,由于所述细节子图像Mh仅含有所述最大响应图像M中水平线条的边界信息,因此,把归一化处理后的细节子图像Mh重新输入到二维多尺度线条滤波器中,并重复步骤2,获得完整的水平线条的区域信息的图像。
步骤4、对步骤3中的最后获得的完整的水平线条的区域信息的图像的界面结构和背景进行二值化处理,通过列向量错位相减,获得水平线条的区域边界;最终获得海底沉积层的层数和各层的厚度信息。
在步骤1中,利用基于图像统计特性的均衡滤波器,对所述浅剖图像进行基于统计特性的图像均衡增强的具体过程如下:
步骤1-1、将浅层剖面仪输出的图像,作为原始浅剖图像;在水平距离和沉积层的分层结构的深度上进行分割,并分割为适当水平距离r0和深度h0的r0×h0浅剖图像I;
步骤1-2、将所述浅剖图像I的灰度值映射到最大灰度值范围0-255,通过如下公式(1),采用基于统计理论的图像均衡技术,获得均衡后的浅剖图像在沉积层的分层结构的各边界面上的能量对比度P,也就是图像中的灰度值;随后输出均衡后的浅剖图像;
P=min|c1(T(k))-c0(k)| (1)
其中,c0是原始图像的累积统计直方图;c1是在所有强度下图像的累积统计直方图;T代表对图像灰度的一种线性处理。
在步骤2中,获得二维多尺度线条滤波器对所述均衡后的浅剖图像的分层界面结构的最大响应图像M的具体过程如下:
步骤2-1、将步骤1中的所述均衡后的浅剖图像表示为一个二维矩阵L,采用高斯核函数,通过公式(2),获得输入矩阵在尺度s下的海森矩阵H,即Hessian矩阵H;
其中,
其中,“*”表示卷积运算;
步骤2-2、通过公式(3)和(4),获得Hessian矩阵H的本征值λ1和λ2;
再将本征值λ1和λ2带入公式(5)和(6)中,获得二维多尺度线条滤波器的尺度参数R和S;
其中,λ1,λ2是海森矩阵(Hessian)的本征值,而且λ1>λ2;A是用来描述结构信息的最大的椭圆截面积,l是椭圆长轴距离。R是海森矩阵H的本征值之比,描述均衡后的浅剖图像局部特征的椭圆的长轴和短轴之比,S是海森矩阵H的本征值平方和的平方根,描述所述均衡后的浅剖图像结构信息和所述均衡后的浅剖图像背景噪声的比值。
步骤2-3、通过公式(7)和计算Hessian矩阵,根据在不同尺度S下的本征值来匹配图像结构的响应M(s),
其中,α是用来调节二维多尺度线条滤波器对R的敏感度,β是用来调节二维多尺度线条滤波器对S的敏感度;
步骤2-4、再通过公式(8),获得二维多尺度线条滤波器对沉积层的分层结构界面的最大响应图像M:
其中,smin是最小的二维多尺度线条滤波器的尺度。smax是最大的二维多尺度线条滤波器的尺度;
步骤2-5、选择尺度s范围,并重复步骤2-1至2-5,将不同尺度s下的二维多尺度线条滤波器响应的最大值赋值给M,即为提取得到的对沉积层分层界面的最佳匹配特征的响应,输出二维多尺度线条滤波器对沉积层分层结构界面的最大响应图像M。
在步骤3中,采用双正交小波滤波器组的二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,最终获得完整的水平线条的区域信息的图像的具体过程如下:
步骤3-1、对步骤2中输出的最大响应图像M进行二维的小波分解处理,即在每一行进行一维小波变换,获得所述最大响应图像M的高频分量和低频分量,然后在每一列进行插值;然后,将每一行的一维高频分量图像和一维低频分量图像,在每一列进行一维小波变换,再对每一行进行差值;
步骤3-2、利用双正交小波滤波器组的二维小波变换,可以将步骤2中输出的最大响应图像M分解为互相独立的方向细节子图和平滑的低频图像,即水平方向细节子图、垂直方向细节子图、对角方向细节子图;其中,所述垂直方向的细节子图中包含了全部的垂直方向的干扰,而水平线条的结构在水平方向的细节子图像Mh中保留了下来;
步骤3-3、通过二维小波变换的分解,将得到的水平方向的细节子图像Mh在垂直方向上作归一化处理;
步骤3-4、把归一化处理后的水平方向的细节子图像Mh,重新输入到二维多尺度线条滤波器中,并重复步骤2,获得光滑、连续的、水平线条的结构的区域信息的图像。
在步骤4中,获得水平线条的区域边界、海底沉积层的层数和各层的厚度信息的具体过程如下:
步骤4-1、在步骤3输出的水平线条的结构的区域信息的图像中,水平分层结构和浅剖背景有明显的灰度对比,提取的结构和背景有不同的响应,那么将步骤3输出的水平线条的结构的区域信息的图像表示为统计直方图的形式,选定灰度阈值Th,将步骤3输出的水平线条的结构的区域信息的图像表示为二值图像;
步骤4-2、在每一个水平距离r0上,依据公式(9),可以通过列向量错位相减,得到水平线条区域的边界列向量b:
b=|a(1:N-1)-a(2:N)| (9)
其中,a是某一距离处深度方向向量,即列向量,N是深度方向上的最大数据量,即垂直方向像素的最大个数;边界列向量b中的非零值所在采样点的位置代表水平线条边界的位置;
步骤4-3、通过公式(10)、(11)、(12),输出沉积层在每一个距离上的分层数以及各层的厚度;
沉积层在每一个水平距离r0上的分层数目n为:
沉积层中第i层分界面的深度d(i)为:
沉积层中第i层分界面的的厚度t(i)为:
t(i)=d(i+1)-d(1) (12)
其中,d(1)为海底深度。
本发明的优点在于:本发明的方法可以自动提取沉积层结构,可靠性高,提取速度快,针对特殊环境,可以自适应的改变滤波器参数,环境适应能力强,可以有效应用到多系统快速海底环境测量,海洋遥感等领域。另外,本发明的方法有效消除设备工作过程中主要的噪声干扰、准确提取沉积层的分层结构,可进一步获取沉积层分层数、各层的位置和厚度,解决了在多系统联合海底特性测量中浅剖数据处理慢和准确性低的问题。本发明的方法可应用于多系统联合海底测量中沉积层分层数目的快速获取,可为地声参数反演和声传播提供正确的海底信息而提高各应用的准确性。此外,本发明给出的准确的海底分层模型,同时也为岸基声呐设备的应用提供更准确的先验信息,为海底声学遥感提供解决方案。
附图说明
图1是本发明的一种基于浅剖数据的沉积层结构自动提取方法的流程图;
图2是本发明的一种基于浅剖数据的沉积层结构自动提取方法的在步骤3中的二维小波分解的处理流程图;
图3(1)是本发明的一种基于浅剖数据的沉积层结构自动提取方法的步骤1的输出均衡后的没有明显沉积层的浅剖图像;
图3(2)是本发明的一种基于浅剖数据的沉积层结构自动提取方法的步骤1的输出均衡后的有一层沉积层的浅剖图像;
图3(3)是本发明的一种基于浅剖数据的沉积层结构自动提取方法的步骤1的输出均衡后的有两层沉积层的浅剖图像;
图4(1)是对图3(1)进行统计均衡后输出的最大响应图像M;
图4(2)是对图3(2)进行统计均衡后输出的最大响应图像M;
图4(3)是对图3(3)进行统计均衡后输出的最大响应图像M;
图5(1)是对图4(1)进行二维多尺度线条滤波后输出的最佳响应图像;
图5(2)是对图4(2)进行二维多尺度线条滤波后输出的最佳响应图像;
图5(3)是对图4(3)进行二维多尺度线条滤波后输出的最佳响应图像;
图6(1)是对图5(1)进行二值化处理后输出的响应图像;
图6(2)是对图5(2)进行二值化处理后输出的响应图像;
图6(3)是对图5(3)进行二值化处理后输出的响应图像。
具体实施方式
以下结合附图对本发明作进一步的详细说明。
如图1所示,本发明提供了一种基于浅剖数据的沉积层结构自动提取方法,其具体包括:
步骤1、将浅层剖面仪输出的图像,作为原始浅剖图像;将水平距离r0和深度h0的浅剖数据矩阵表示为浅剖图像I;利用基于图像统计特性的均衡滤波器,对所述浅剖图像I进行基于统计特性的图像均衡增强,进而提高浅剖图像I中各分界面上的能量对比度,输出均衡后的浅剖图像;
步骤2、选定需要提取边界特征的尺度范围,在所述尺度范围内,在不同尺度s下,将二维多尺度线条滤波器对步骤1中所述均衡后的浅剖图像中的线条信息进行多尺度线条滤波,提取所述均衡后的浅剖图像中的能量对比度的结构特征,小尺度的随机高斯噪声将会被滤除掉,获得二维多尺度线条滤波器对所述均衡后的浅剖图像的分层界面结构的最大响应图像M;
步骤3、采用双正交小波滤波器组的二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,并分解为水平方向细节子图像、垂直方向细节子图像和平滑的低频图像;通过二维小波变换的分解,得到消除垂直干扰的沉积层结构的水平线条的水平方向的细节子图像Mh;对所述细节子图像Mh在垂直方向上作出归一化处理,由于所述细节子图像Mh仅含有所述最大响应图像M中水平线条的边界信息,因此,把归一化处理后的细节子图像Mh重新输入到二维多尺度线条滤波器中,并重复步骤2,获得完整的水平线条的区域信息的图像。
步骤4、对步骤3中的最后获得的完整的水平线条的区域信息的图像的界面结构和背景进行二值化处理,通过列向量错位相减,获得水平线条的区域边界;最终获得海底沉积层的层数和各层的厚度信息。
在步骤1中,利用基于图像统计特性的均衡滤波器,对所述浅剖图像进行基于统计特性的图像均衡增强的具体过程如下:
步骤1-1、将浅层剖面仪输出的图像,作为原始浅剖图像;在水平距离和沉积层的分层结构的深度上进行分割,并分割为适当水平距离r0和深度h0的r0×h0浅剖图像I;
步骤1-2、将所述浅剖图像I的灰度值映射到最大灰度值范围0-255,通过如下公式(1),采用基于统计理论的图像均衡技术,获得均衡后的浅剖图像在沉积层的分层结构的各边界面上的能量对比度P,在图像中以灰度值表示;随后输出均衡后的浅剖图像;
P=min|c1(T(k))-c0(k)| (1)
其中,c0是原始图像的累积统计直方图;c1是在所有强度下图像的累积统计直方图;T代表对图像灰度的一种线性处理。
经过统计,所述均衡后的浅剖图像I有效地增强和提高了沉积层的分层结构的各边界面上的灰度值P,特别是那些能量不是很强的各边界面,从而获得更加清晰的剖面图像,有利于对沉积层的分层结构界面的后续处理。
在浅剖图像中,沉积层的分层结构的表现形式是呈水平方向分布的水平线条,水平线条的宽度随着沉积层的分层结构的深度h0和水平距离r0变化而变化,所述水平线条的宽度随分层结构的深度h0增加而减小,所述水平线条的宽度随水平距离r0的变化,则与实际海洋环境相关。
在步骤2中,获得二维多尺度线条滤波器对所述均衡后的浅剖图像的分层界面结构的最大响应图像M的具体过程如下:
步骤2-1、将步骤1中的所述均衡后的浅剖图像表示为一个二维矩阵L,采用高斯核函数,通过公式(2),获得输入矩阵在尺度s下的海森矩阵H,即Hessian矩阵H;
其中,
其中,“*”表示卷积运算;
步骤2-2、通过公式(3)和(4),获得Hessian矩阵H的本征值λ1和λ2;
再将本征值λ1和λ2带入公式(5)和(6)中,获得二维多尺度线条滤波器的尺度参数R和S;
其中,λ1,λ2是海森矩阵(Hessian)的本征值,而且λ1>λ2;A是用来描述结构信息的最大的椭圆截面积,l是椭圆长轴距离。R是海森矩阵H的本征值之比,描述均衡后的浅剖图像局部特征的椭圆的长轴和短轴之比,S是海森矩阵H的本征值平方和的平方根,描述所述均衡后的浅剖图像结构信息和所述均衡后的浅剖图像背景噪声的比值。
步骤2-3、通过公式(7)和计算Hessian矩阵,根据在不同尺度s下的本征值来匹配图像结构的响应M(s),
其中,α是用来调节二维多尺度线条滤波器对R的敏感度,β是用来调节二维多尺度线条滤波器对S的敏感度;
步骤2-4、再通过公式(8),获得二维多尺度线条滤波器对沉积层的分层结构界面的最大响应图像M:
其中,smin是最小的二维多尺度线条滤波器的尺度。smax是最大的二维多尺度线条滤波器的尺度;
步骤2-5、选择尺度s范围,并重复步骤2-1和2-2,将不同尺度s下的二维多尺度线条滤波器响应的最大值赋值给M,即为提取得到的对沉积层分层界面的最佳匹配特征的响应,输出二维多尺度线条滤波器对沉积层分层结构界面的最大响应图像M。
在步骤3中,采用双正交小波滤波器组的二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,最终获得完整的水平线条的区域信息的图像的具体过程如下:
步骤3-1、对步骤2中输出的最大响应图像M进行二维的小波分解处理,即在每一行进行一维小波变换,获得所述最大响应图像M的高频分量和低频分量,然后在每一列进行插值;然后,将每一行的一维高频分量图像和一维低频分量图像,在每一列进行一维小波变换,再对每一行进行差值;
步骤3-2、二维的小波变换作为一种成熟、有效的图像处理手段,可以将图像逐层分解成一系列互相独立的、表示不同细节的子图像:
f0=fi+d1+d2+…+di
其中f0是原始图像;fi是最后的平滑子图像,也就是表示图像的低频信息;di=fi-1-fi代表fi-1和fi之间的细节子图像。
利用双正交小波滤波器组的二维小波变换,可以将步骤2中输出的最大响应图像M分解为互相独立的方向细节子图和平滑的低频图像,即水平方向细节子图、垂直方向细节子图、对角方向细节子图;其中,所述垂直方向的细节子图中包含了全部的垂直方向的干扰,而水平线条的结构在水平方向的细节子图像Mh中保留了下来;
如图2所示,对步骤3-1和步骤3-2做一个完整描述,利用一对一维滤波器g和h,将步骤2中输出的最大响应图像M,首先在每一列上分解为一维低频部分和一维高频部分,然后在每一行上再次利用滤波器g和h,将两个一维图像分解为四个二维图像分别表示水平方向子图像、垂直方向子图像、对角方向子图像和低频图像。
步骤3-3、通过二维小波变换的分解,将得到的水平方向的细节子图像Mh在垂直方向上作归一化处理;
步骤3-4、把归一化处理后的水平方向的细节子图像Mh,重新输入到二维多尺度线条滤波器中,并重复步骤2,获得光滑、连续的、水平线条的结构的区域信息的图像。
在步骤4中,获得水平线条的区域边界、海底沉积层的层数和各层的厚度信息的具体过程如下:
步骤4-1、在步骤3输出的水平线条的结构的区域信息的图像中,水平分层结构和浅剖背景有明显的灰度对比,提取的结构和背景有不同的响应,那么将步骤3输出的水平线条的结构的区域信息的图像表示为统计直方图的形式,选定灰度阈值Th,将步骤3输出的水平线条的结构的区域信息的图像表示为二值图像。
步骤4-2、在每一个水平距离上,依据公式(9),可以通过列向量错位相减,得到水平线条区域的边界列向量b:
b=|a(1:N-1)-a(2:N)| (9)
其中,a是某一距离处深度方向向量,即列向量,N是深度方向上的最大数据量,即垂直方向像素的最大个数;边界列向量b中的非零值所对应的垂直采样点代表水平线条边界的位置;
步骤4-3、通过公式(10)、(11)、(12),输出沉积层在每一个距离上的分层数以及各层的厚度;
沉积层在每一个水平距离r0上的分层数目n为:
沉积层中第i层分界面的深度d(i)为:
沉积层中第i层分界面的的厚度t(i)为:
t(i)=d(i+1)-d(1) (12)
其中,d(1)为海底深度。
图3(1)是浅剖输出的图像,没有明显的沉积层,一条水平线条是海底表面的反射回波。
图3(2)是浅剖输出的图像,有一层沉积层,第一条水平线条是海底表面的反射回波,第二条能量相对较低的水平线条是沉积层分层界面由于阻抗差异产生的能量回波。
图3(3)是浅剖输出的图像,有两层沉积层,第一条水平线条是海底表面的反射回波,第二和第三条能量相对较低的水平线条是沉积层分层界面由于阻抗差异产生的能量回波。
图4(1)、图4(2)和图4(3)是分别对图3(1)、图3(2)和图3(3)进行统计均衡的结果。图4中的水平线条的能量对比度得到了增强,既在图像中表现为灰度值对比度的增强,在后续的图像处理中,强对比度图像将更有利于图像结构的提取。
图5(1)、图5(2)和图5(3)是分别对图4(1)、图4(2)和图4(3)进行多尺度线条滤波的最佳响应图像。图5中可以看出,在非线条结构区域,随机的噪声被抑制;在水平线条区域,水平线条的基本结构被提取出来。
图6(1)、图6(2)和图6(3)是分别对图5(1)、图5(2)和图5(3)进行处理的最终输出结果。图6中可以看出,水平线条区域已经被完全提取出来,而且能量对比度不强的深层沉积层分层界面也得到了加强。因而,仅需要简单的数学运算就可以将沉积层的层数及对应的厚度提取出来,达到了本发明所要实现的效果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于浅剖数据的沉积层结构自动提取方法,其特征在于,其具体包括:
步骤1、将浅剖数据矩阵表示为浅剖图像I;再对所述浅剖图像I进行基于统计特性的图像均衡增强,以提高浅剖图像I中各分界面上的能量对比度;
步骤2、利用二维多尺度线条滤波器对步骤1中均衡后的浅剖图像进行多尺度线条滤波,提取所述均衡后的浅剖图像中的能量对比度的结构特征,滤除小尺度的随机高斯噪声后获得浅剖图像的分层界面结构的最大响应图像M;
在步骤2中,获得浅剖图像的分层界面结构的最大响应图像M的步骤包括:
步骤2-1、将步骤1中的所述均衡后的浅剖图像表示为一个二维矩阵L,采用高斯核函数,通过公式(2),获得输入矩阵在尺度s下的海森矩阵H;
其中,
其中,“*”表示卷积运算;
步骤2-2、通过公式(3)和(4),获得海森矩阵H的本征值λ1和λ2;
再将本征值λ1和λ2带入公式(5)和(6)中,获得二维多尺度线条滤波器的尺度参数R和S;
式中,λ1,λ2是海森矩阵H的本征值,而且λ1>λ2;A是用来描述结构信息的最大的椭圆截面积,l是椭圆长轴距离;R是海森矩阵H的本征值之比,描述均衡后的浅剖图像局部特征的椭圆的长轴和短轴之比,S是海森矩阵H的本征值平方和的平方根,描述所述均衡后的浅剖图像结构信息和所述均衡后的浅剖图像背景噪声的比值;
步骤2-3、通过公式(7)和计算海森矩阵H,根据在不同尺度s下的本征值来匹配图像结构的响应M(s),
式中,α是用来调节二维多尺度线条滤波器对R的敏感度,β是用来调节二维多尺度线条滤波器对S的敏感度;
步骤2-4、再通过公式(8),获得二维多尺度线条滤波器对沉积层的分层结构界面的最大响应图像M:
其中,smin是最小的二维多尺度线条滤波器的尺度;smax是最大的二维多尺度线条滤波器的尺度;
步骤2-5、选择尺度s范围,并重复步骤2-1至2-4,提取得到的对沉积层分层界面的最佳匹配特征的响应,输出二维多尺度线条滤波器对沉积层分层结构界面的最大响应图像M;
步骤3、通过二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,并分解为水平方向细节子图像、垂直方向细节子图像和平滑的低频图像;得到水平方向的细节子图像Mh;并在垂直方向上作归一化处理;把归一化处理后的水平方向的细节子图像Mh输入到二维多尺度线条滤波器,再重复步骤2,获得完整的水平线条的区域信息的图像;
步骤4、对步骤3中的最后获得的完整的水平线条的区域信息的图像的界面结构和背景进行二值化处理,再通过列向量错位相减,获得水平线条的区域边界;最终获得海底沉积层的层数和各层的厚度信息。
2.根据权利要求1所述的一种基于浅剖数据的沉积层结构自动提取方法,其特征在于,在步骤1中,利用基于图像统计特性的均衡滤波器,对所述浅剖图像进行基于统计特性的图像均衡增强的具体步骤包括:
步骤1-1、在浅层剖面仪输出的图像上;沿水平距离和沉积层的分层结构的深度对其进行分割,并分割为适当水平距离r0和深度h0的r0×h0浅剖图像I;
步骤1-2、将所述浅剖图像I的灰度值映射到最大灰度值范围0-255,通过如下公式(1),采用基于统计理论的图像均衡技术,获得均衡后的浅剖图像在沉积层的分层结构的各边界面上的能量对比度P;输出均衡后的浅剖图像;
P=min|c1(T(k))-c0(k)| (1)
式中,c0是原始图像的累积统计直方图;c1是在所有强度下图像的累积统计直方图;T代表对图像灰度的一种线性处理。
3.根据权利要求1所述的一种基于浅剖数据的沉积层结构自动提取方法,其特征在于,在步骤3中,采用双正交小波滤波器组的二维小波变换,对步骤2中的最大响应图像M进行不同方向的分解,最终获得完整的水平线条的区域信息的图像的步骤包括:
步骤3-1、对步骤2中输出的最大响应图像M进行二维的小波分解处理,即在每一行进行一维小波变换,获得所述最大响应图像M的高频分量和低频分量,然后在每一列进行插值;然后,将每一行的一维高频分量图像和一维低频分量图像,在每一列进行一维小波变换,再对每一行进行差值;
步骤3-2、利用双正交小波滤波器组的二维小波变换,可以将步骤2中输出的最大响应图像M分解为互相独立的方向细节子图和平滑的低频图像,即水平方向细节子图、垂直方向细节子图、对角方向细节子图;其中,所述垂直方向的细节子图中包含了全部的垂直方向的干扰,而水平线条的结构在水平方向的细节子图像Mh中保留了下来;
步骤3-3、通过二维小波变换的分解,将得到的水平方向的细节子图像Mh在垂直方向上作归一化处理;
步骤3-4、把归一化处理后的水平方向的细节子图像Mh,重新输入到二维多尺度线条滤波器中,并重复步骤2,获得光滑、连续的、水平线条的结构的区域信息的图像。
4.根据权利要求1所述的一种基于浅剖数据的沉积层结构自动提取方法,其特征在于,在步骤4中,获得水平线条的区域边界、海底沉积层的层数和各层的厚度信息的步骤包括:
步骤4-1、在步骤3输出的水平线条的结构的区域信息的图像中,水平分层结构和浅剖背景有明显的灰度对比,提取的结构和背景有不同的响应,那么将步骤3输出的水平线条的结构的区域信息的图像表示为统计直方图的形式,选定灰度阈值Th,将步骤3输出的水平线条的结构的区域信息的图像表示为二值图像;
步骤4-2、在每一个水平距离r0上,依据公式(9),可以通过列向量错位相减,得到水平线条区域的边界列向量b:
b=|a(1:N-1)-a(2:N)| (9)
其中,a是某一距离处深度方向向量,即列向量,N是深度方向上的最大数据量,即垂直方向像素的最大个数;边界列向量b中的非零值所在采样点的位置代表水平线条边界的位置;
步骤4-3、通过公式(10)、(11)、(12),输出沉积层在每一个距离上的分层数以及各层的厚度;
沉积层在每一个水平距离r0上的分层数目n为:
沉积层中第i层分界面的深度d(i)为:
沉积层中第i层分界面的的厚度t(i)为:
t(i)=d(i+1)-d(1) (12)
式中,d(1)为海底深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710398444.9A CN108985304B (zh) | 2017-05-31 | 2017-05-31 | 一种基于浅剖数据的沉积层结构自动提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710398444.9A CN108985304B (zh) | 2017-05-31 | 2017-05-31 | 一种基于浅剖数据的沉积层结构自动提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985304A CN108985304A (zh) | 2018-12-11 |
CN108985304B true CN108985304B (zh) | 2021-07-30 |
Family
ID=64501023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710398444.9A Active CN108985304B (zh) | 2017-05-31 | 2017-05-31 | 一种基于浅剖数据的沉积层结构自动提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985304B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965698B (zh) * | 2020-08-28 | 2021-04-23 | 广州海洋地质调查局 | 一种浅地层层界提取方法及处理终端 |
CN112257711B (zh) * | 2020-10-26 | 2021-04-09 | 哈尔滨市科佳通用机电股份有限公司 | 一种铁路货车地板破损故障检测方法 |
CN112541444B (zh) * | 2020-12-17 | 2023-08-22 | 昆明理工大学 | 一种基于双边滤波与Hessian矩阵的多尺度太阳色球纤维识别方法 |
CN113218894B (zh) * | 2021-03-15 | 2022-04-22 | 中国地质大学(武汉) | 一种浅剖快速识别浅水湖泊沉积物污染分层信息方法 |
CN113589294A (zh) * | 2021-07-20 | 2021-11-02 | 武汉船舶通信研究所(中国船舶重工集团公司第七二二研究所) | 一种水下浅地层剖面数据的处理方法、系统、设备及介质 |
CN115542331B (zh) * | 2022-09-23 | 2023-04-07 | 江苏海洋大学 | 一种基于浅剖声强数据的淤泥层厚度自动提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN101976343A (zh) * | 2010-09-03 | 2011-02-16 | 北京师范大学 | 湖泊沉积物硅藻识别技术与装置 |
CN104749568A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院声学研究所 | 一种基于水听器阵列的浅海目标深度的分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130327728A1 (en) * | 2012-06-09 | 2013-12-12 | Brentwood Industries, Inc. | Process for Collecting Sediment from a Settling Tank |
-
2017
- 2017-05-31 CN CN201710398444.9A patent/CN108985304B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101430759A (zh) * | 2008-12-04 | 2009-05-13 | 上海大学 | 优化的人脸识别预处理方法 |
CN101976343A (zh) * | 2010-09-03 | 2011-02-16 | 北京师范大学 | 湖泊沉积物硅藻识别技术与装置 |
CN104749568A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院声学研究所 | 一种基于水听器阵列的浅海目标深度的分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108985304A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985304B (zh) | 一种基于浅剖数据的沉积层结构自动提取方法 | |
Liu et al. | Random noise suppression in seismic data: What can deep learning do? | |
CN108415077B (zh) | 边缘检测低序级断层识别方法 | |
Asjad et al. | A new approach for salt dome detection using a 3D multidirectional edge detector | |
Yang et al. | Deep learning seismic random noise attenuation via improved residual convolutional neural network | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
Feng et al. | Denoising deep learning network based on singular spectrum analysis—DAS seismic data denoising with multichannel SVDDCNN | |
CN111046967A (zh) | 一种基于卷积神经网络和注意力机制的水下图像分类方法 | |
CN109410228A (zh) | 基于多尺度数学形态学特征融合的海洋内波检测算法 | |
CN110348459B (zh) | 基于多尺度快速地毯覆盖法声呐图像分形特征提取方法 | |
CN109581516B (zh) | 曲波域统计量自适应阈值探地雷达数据去噪方法及系统 | |
CN110532615B (zh) | 一种浅海复杂地形的逐级分解方法 | |
He et al. | GPR image denoising with NSST-UNET and an improved BM3D | |
Zhou et al. | Deep denoising method for side scan sonar images without high-quality reference data | |
CN109427042B (zh) | 一种提取局部海域沉积层的分层结构和空间分布的方法 | |
CN111461999A (zh) | 一种基于超像素相似性测量的sar图像相干斑抑制方法 | |
Fu | Texture feature extraction and recognition of underwater target image considering incomplete tree wavelet decomposition | |
CN116187168A (zh) | 基于神经网络-重力信息小波分解提高水深反演精度方法 | |
CN112285793B (zh) | 一种大地电磁去噪方法及系统 | |
CN113516187A (zh) | 一种采用局部特征对比度的红外弱小目标检测算法 | |
CN112036258A (zh) | 基于投影零化递归神经网络的遥感图像目标检测算法 | |
Chen et al. | Research on sonar image denoising method based on fixed water area noise model | |
Liu et al. | Remove and recover: two stage convolutional autoencoder based sonar image enhancement algorithm | |
CN114994763B (zh) | 同频同向的连续海底地震波场波动成分分离方法 | |
Wang et al. | An adaptive PolSAR trilateral filter based on the mechanism of scattering consistency |
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 |