CN109102479A - 一种新图像算子的声纳目标增强方法 - Google Patents
一种新图像算子的声纳目标增强方法 Download PDFInfo
- Publication number
- CN109102479A CN109102479A CN201810697479.7A CN201810697479A CN109102479A CN 109102479 A CN109102479 A CN 109102479A CN 201810697479 A CN201810697479 A CN 201810697479A CN 109102479 A CN109102479 A CN 109102479A
- Authority
- CN
- China
- Prior art keywords
- data
- accumulation
- target
- operator
- row
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000003044 adaptive effect Effects 0.000 claims abstract description 9
- 238000009825 accumulation Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 10
- 241001269238 Data Species 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000001965 increasing effect Effects 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 230000003068 static effect Effects 0.000 abstract description 2
- 238000009740 moulding (composite fabrication) Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013467 fragmentation Methods 0.000 description 2
- 238000006062 fragmentation reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种新图像算子的声纳目标增强方法,解决了被动声纳方位历程图目标轨迹增强问题。本发明提出一种新图像检测算子,通过新算子对波束形成后的多帧数据进行检测处理,实现削弱背景噪声、抑制横向线、提取目标轨迹边缘;对检测后的行数据自适应分段均衡处理,增加了局部数据对比度,加大了目标与背景的对比度,获得较大处理增益,明显增强目标,方位历程图清晰。本发明不需要设置任何参数,宽容性好、计算量小,编程实现简单等特点,可用于动态历程图、静态二维图像的处理,使用范围广。
Description
技术领域
本发明属于声纳信号与信息处理领域,主要是一种新图像算子的声纳目标增强方法。
背景技术
被动声纳不发射声波,它利用目标舰艇发出的噪声和目标舰上安装的主动式声纳发射的信号来探测目标,通常采用时间方位历程图对目标轨迹进行检测和跟踪,由于受海洋环境噪声及其他干扰的影响,从而使得目标轨迹显示不明显甚至完全显示不出来,影响目标的正确检测和跟踪。
目前,一般从时间或空间角度来处理。从空间方面,主要是众多的波束形成及背景均衡方法。由于水声信道的空时非平稳性、多途和混响信号复杂,在阵阵形和阵列孔径一定的情况下,常规波束形成在低信噪比下难以区分信号和噪声子空间,空间谱易出现虚假的峰值,实际海上应用的可靠性较差。MVDR算法通过对阵列指向方向施加输出信号无失真约束,可获得较高的分辨率和噪声干扰抑制性能,但需要进行对角加载,通常对角加载量的确定没有好的方法,加载量太大会降低阵增益等。这些算法及其改进方法有的性能不理想,有的约束条件高。背景均衡及改进算法中有些算法虽然能改进方位历程图的总体视觉性能,可去除大范围起伏,但需要通过人工设置参数,一旦参数设置不合适,将会大大影响算法处理效果,增大了算法在实际应用难度,对目标起不到增强的效果。从时间方面,常用的是在算法处理过程中加大信号积累时间长度再进行处理,但是除了增加计算量外,在低信噪比下积累过程中,噪声的积累增益也是不容忽视的。
发明内容
为了提高方位历程图中目标(特别是弱目标)的检测能力,本发明提出一种新图像检测算子的声纳目标增强处理方法。该方法对波束形成后的多帧数据利用新图像检测算子进行动态滑动边缘检测,并对检测后的行数据自适应均衡处理,能获得较大处理增益,经处理后的方位历程图清晰度明显提高、弱目标增强显著、效果好,提高了检测能力,且不影响后续的目标跟踪处理精度。该方法具备不需要设置任何参数,宽容性好、计算量小,编程实现简单等特点。
本发明的目的是通过如下技术方案来完成的。
(1)充分考虑方位历程图中的目标轨迹与背景灰度变化为屋顶状变化曲线(与波束形成曲线相似)特点,利用图像边缘检测的思想提出新的图像检测算子,动态处理多帧波束输出数据,实现削弱背景噪声、抑制横向线、提取目标轨迹边缘。新算子是在当前点对左右均进行一阶差分检测,有效削弱了其横向边缘检测能力,保持目标轨迹宽度,能检测更多的细节信息。设当前像素值为(x,y),5点一维差分为形式为:f(x,y)=|f(x-2,y)-f(x-1,y)+f(x,y)+f(x+1,y)-f(x+2,y)|;扩展为5×5二维算子形式为:
f(x,y)=f(x,y)+f(x-1,y)+f(x-2,y)+f(x-3,y)+f(x-4,y)+f(x,y-1)-f(x,y-2)
+f(x-1,y-1)-f(x-1,y-2)+f(x-2,y-1)-f(x-2,y-2)+f(x-3,i-1)-f(x-3,y-2)
+f(x-4,y-1)-f(x-4,y-2)+f(x,y+1)-f(x,y+2)+f(x-1,i+1)-f(x-1,y+2)
+f(x-2,y+1)-f(x-2,y+2)+f(x-3,y+1)-f(x-3,y+2)+f(x-4,i+1)-f(x-4,y+2)
实现上述技术设计步骤:
第一步,积累五帧波束输出能量谱;
第二步,对积累的五帧数据进行边界扩展,形成5×(N+2)二维数据(其中N为波束数,大于5);
第三步,对积累的5×(N+2)的数据,利用新算子对其进行由左至右的动态滑窗卷积处理,处理结果替代当前波束输出值;
第四步,接收下一帧波束输出数据,替代5×(N+2)矩阵中的第一行数据,同时,5×(N+2)矩阵数据逐行前移。
(2)经过新算子处理后的波束数据,是通过时间维和空间维对波束进行处理的,虽然能获得较大增益,需要进一步加强对比度,凸显目标。利用自适应一维分段均衡增强,对每帧经过算子处理的后波束数据,统计其目标及背景信息自适应寻找分段阈值,再对不同数据段均衡增强,最后合成分段后的均衡数据作为波束输出。其技术实现步骤为:
第一步,求本行数据灰度级自适应统计量;
第二步,按照统计量求分段阈值;
第三步,对每个数据段计算在阈值前后数据段的像素直方图及累计直方图;
第四步,修正灰度变换后像素值,并计算变换后的灰度直方图,
第五步,合并不同数据段变换后的直方图,输出结果。
本发明的有益效果为:
(1)本发明采用图像处理的思想同时从时间维、空间维对波束形成后的数据进行增强处理,不仅从时间维处理获得增益,还从空间处理维获得增益,能获得较大的处理增益,提高了检测能力。
(2)声纳方位历程图的动态逐行的特殊图像,在横向维上由于环境、干扰因素影响会有横向线(幅度较大的一帧或几帧数据)和在垂直维上会有波束较宽或不均匀现象。本发明首次提出新的图像算子是基于上述图像特征在一阶差分算子的基础上提出的,能实现削弱背景、抑制横向线、准确提取目标轨迹。
(3)本发明采用一维分段自适应均衡方法对通过新算子处理后的单帧数据进行自适应分段均衡,对不同段的数据进行直方图均衡,增加了局部数据对比度,加大了目标与背景的对比度。
(4)本发明的处理方法,不需要设置任何参数、计算量小、宽容性好,对含有目标轨迹的动态历程图、静态二维图像均适用。
附图说明
图1:处理方法原理实现框图
图2:目标增强处理前的方位历程图
图3:目标增强处理后的方位历程图
具体实施方式
下面结合附图和实例对本发明作进一步说明:
本发明通过对波束形成后的能量谱进行后置增强处理来增强目标信噪比,提高检测能力。声纳方位历程图的动态逐行的特殊图像,在横向维上由于环境、干扰因素影响会有横向线(幅度较大的一帧或几帧数据)和在垂直维上会有波束较宽或不均匀的现象。基于上述特点,本成果利用提出的新边缘检测算子对多帧波束能量谱进行目标轨迹检测,并作为当前帧波束数据输出,然后采用一维分段自适应均衡方法对通过新算子处理后的单帧数据进行自适应分段均衡,对不同段的数据进行直方图均衡,增加局部数据对比度。经过处理能实现削弱背景、抑制横向线、增强目标与背景的对比度,获得较大处理增益,图像清晰度明显提高、弱目标轨迹增强显著,不影响后续的目标跟踪处理精度。
处理方法原理实现框图见图1
目标增强方法的输入数据为积累后的5×(N+2)波束输出,通过波束的前移动态处理,逐行得到方位历程图。算法主要分为两大过程:新算子卷积处理和自适应分段均衡,实现步骤如下:
第一步,若积累数据小于5帧,继续积累至数据构成5行、N列的二维数据;
第二步,若积累数据大于5帧,用新算子对上述5行、N列数据进行卷积滑窗处理;
第三步,对积累的5×(N+2)的数据,利用新算子对其进行由左至右的动态滑窗卷积处理,处理结果替代当前波束输出值;
第四步,求处理后本行数据灰度级自适应统计量阈值;
第五步,统计本行数据小于阈值各灰度级像素个数,
第六步,计算小于阈值的像素的直方图和累积直方图;
第七步,利用灰度变换函数计算变换后的灰度值并修正;
第八步,统计变换后灰度级的像素个数和数据直方图;
第九步,按照第五步到第八步步骤统计计算大于阈值像素的直方图并变换;
第十步,合并变换后的直方图。
第十一步,输出当前处理数据,并接收下一帧波束输出数据,替代5×(N+2)矩阵中的第一行数据,同时,5×(N+2)矩阵数据逐行前移,准备下帧计算。
更进一步的,在积累积累数据小于5帧时,5×(N+2)的数据为每行数据均为与第一帧数据相同。自适应统计量阈值求取按照每行数据的均值和前此均值进行8:2比例序数的加权求取。
试验处理结果:
对某声纳基阵采集到的海试数据进行处理,本次海试目标较多。图2为MVDR波束形成处理后的方位历程图,图3为一种新图像算子的声纳目标增强方法处理后结果,图中A、B标识为不同强度目标增强后的轨迹,C标识为增强处理后的目标和增强处理前检测不到的弱目标,处理后的历程图信噪比提高至少5dB,清晰度提高至少10dB。
可以理解的是,对本领域技术人员来说,对本发明的技术方案及发明构思加以等同替换或改变都应属于本发明所附的权利要求的保护范围。
Claims (3)
1.一种新图像算子的声纳目标增强方法,其特征在于:输入数据为积累后的5×(N+2)波束输出,通过波束的前移动态处理,逐行得到方位历程图,所述方法包括以下步骤:
第一步,若积累数据小于5帧,继续积累至数据构成5行、N列的二维数据;
第二步,若积累数据大于5帧,用新算子对上述5行、N列数据进行卷积滑窗处理;
第三步,对积累的5×(N+2)的数据,利用新算子对其进行由左至右的动态滑窗卷积处理,处理结果替代当前波束输出值;
第四步,求处理后本行数据灰度级自适应统计量阈值;
第五步,统计本行数据小于阈值各灰度级像素个数;
第六步,计算小于阈值的像素的直方图和累积直方图;
第七步,利用灰度变换函数计算变换后的灰度值并修正;
第八步,统计变换后灰度级的像素个数和数据直方图;
第九步,按照第五步到第八步步骤统计计算大于阈值像素的直方图并变换;
第十步,合并变换后的直方图;
第十一步,输出当前处理数据,并接收下一帧步,利用灰度变换函数计算变波束输出数据,替代5×(N+2)矩阵中的第一行数据,同时,5×(N+2)矩阵数据逐行前移,准备下帧计算。
2.按照权利要求1所述的一种新图像算子的声纳目标增强方法,其特征在于:所述方法还包括以下步骤:在积累积累数据小于5帧时,5×(N+2)的数据为每行数据均为与第一帧数据相同。
3.按照权利要求1所述的一种新图像算子的声纳目标增强方法,其特征在于:所述方法还包括以下步骤:自适应统计量阈值求取按照每行数据的均值和前此均值进行8:2比例序数的加权求取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697479.7A CN109102479A (zh) | 2018-06-29 | 2018-06-29 | 一种新图像算子的声纳目标增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810697479.7A CN109102479A (zh) | 2018-06-29 | 2018-06-29 | 一种新图像算子的声纳目标增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109102479A true CN109102479A (zh) | 2018-12-28 |
Family
ID=64845154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810697479.7A Pending CN109102479A (zh) | 2018-06-29 | 2018-06-29 | 一种新图像算子的声纳目标增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102479A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785260A (zh) * | 2019-01-11 | 2019-05-21 | 哈尔滨工程大学 | 一种针对侧扫声呐图像的非线性增强方法 |
CN110672196A (zh) * | 2019-08-22 | 2020-01-10 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN111220158A (zh) * | 2020-01-15 | 2020-06-02 | 哈尔滨工程大学 | 一种基于时间方位历程图的线谱目标运动参数估计方法 |
CN111882585A (zh) * | 2020-06-11 | 2020-11-03 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN112801065A (zh) * | 2021-04-12 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于时空多特征信息的被动声纳目标探测方法及装置 |
CN112924956A (zh) * | 2021-02-05 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种降低低频噪声级的背景均衡方法 |
CN114418953A (zh) * | 2021-12-24 | 2022-04-29 | 中国船舶重工集团公司七五0试验场 | 一种基于时间历程累计图像的声呐目标检测方法和系统 |
CN116956227A (zh) * | 2023-09-21 | 2023-10-27 | 之江实验室 | 方位历程图显示方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4771470A (en) * | 1985-11-14 | 1988-09-13 | University Of Florida | Noise reduction method and apparatus for medical ultrasound |
CN102222323A (zh) * | 2011-06-13 | 2011-10-19 | 北京理工大学 | 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法 |
CN107945122A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于自适应直方图分段的红外图像增强方法及系统 |
-
2018
- 2018-06-29 CN CN201810697479.7A patent/CN109102479A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4771470A (en) * | 1985-11-14 | 1988-09-13 | University Of Florida | Noise reduction method and apparatus for medical ultrasound |
CN102222323A (zh) * | 2011-06-13 | 2011-10-19 | 北京理工大学 | 基于直方图统计拉伸和梯度滤波的红外图像细节增强方法 |
CN107945122A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于自适应直方图分段的红外图像增强方法及系统 |
Non-Patent Citations (4)
Title |
---|
YA WEI.LIU,等: "Image Enhancement Based on Fractional Differential and Image Entropy", 《ADVANCED MATERIALS RESEARCH》 * |
何艳等: "一种新的红外图像的去噪和增强算法", 《四川大学学报(自然科学版)》 * |
程彬彬等: "声呐图像局部对比度增强方法", 《水雷战与舰船防护》 * |
陶剑锋: "历程图中的弱目标轨迹增强方法", 《西安交通大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785260A (zh) * | 2019-01-11 | 2019-05-21 | 哈尔滨工程大学 | 一种针对侧扫声呐图像的非线性增强方法 |
CN109785260B (zh) * | 2019-01-11 | 2022-03-18 | 哈尔滨工程大学 | 一种针对侧扫声呐图像的非线性增强方法 |
CN110672196B (zh) * | 2019-08-22 | 2021-09-24 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN110672196A (zh) * | 2019-08-22 | 2020-01-10 | 北京航天易联科技发展有限公司 | 一种基于图像算子的移动干扰振源过滤方法 |
CN111220158A (zh) * | 2020-01-15 | 2020-06-02 | 哈尔滨工程大学 | 一种基于时间方位历程图的线谱目标运动参数估计方法 |
CN111882585A (zh) * | 2020-06-11 | 2020-11-03 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN111882585B (zh) * | 2020-06-11 | 2022-05-06 | 中国人民解放军海军工程大学 | 被动声呐多目标方位迹提取方法、电子设备及计算机可读存储介质 |
CN112924956A (zh) * | 2021-02-05 | 2021-06-08 | 中国人民解放军国防科技大学 | 一种降低低频噪声级的背景均衡方法 |
CN112924956B (zh) * | 2021-02-05 | 2022-05-13 | 中国人民解放军国防科技大学 | 一种降低低频噪声级的背景均衡方法 |
CN112801065A (zh) * | 2021-04-12 | 2021-05-14 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于时空多特征信息的被动声纳目标探测方法及装置 |
CN114418953A (zh) * | 2021-12-24 | 2022-04-29 | 中国船舶重工集团公司七五0试验场 | 一种基于时间历程累计图像的声呐目标检测方法和系统 |
CN116956227A (zh) * | 2023-09-21 | 2023-10-27 | 之江实验室 | 方位历程图显示方法、装置、计算机设备和存储介质 |
CN116956227B (zh) * | 2023-09-21 | 2024-01-09 | 之江实验室 | 方位历程图显示方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102479A (zh) | 一种新图像算子的声纳目标增强方法 | |
CN109767439B (zh) | 一种自适应窗口的多尺度差异与双边滤波的目标检测方法 | |
CN109444897B (zh) | 一种基于多特征的多阵航迹关联方法 | |
CN109444820A (zh) | 杂波和干扰共存时多通道雷达先干扰抑制后目标检测方法 | |
CN110764069B (zh) | 一种基于知识辅助的稀疏恢复stap色加载方法 | |
CN108133468B (zh) | 自适应参数增强和尾迹辅助检测的恒虚警率舰船检测方法 | |
CN109785260B (zh) | 一种针对侧扫声呐图像的非线性增强方法 | |
CN109829858B (zh) | 一种基于局部自适应阈值的船载雷达图像溢油监测方法 | |
CN108447031A (zh) | 一种红外图像热背景噪声校正的方法 | |
CN107765225A (zh) | 基于log度量的稀疏正则化SAR图像旁瓣抑制方法 | |
CN105741284A (zh) | 一种多波束前视声纳目标检测方法 | |
CN109143184B (zh) | 一种扫描雷达的双门限检测方法 | |
CN107783096A (zh) | 一种用于方位历程图显示的二维背景均衡方法 | |
CN112435249B (zh) | 一种基于周扫红外搜索系统的动态小目标检测方法 | |
CN112395944A (zh) | 基于加权的多尺度比差联合对比度红外小目标检测方法 | |
CN110221289B (zh) | 用于三坐标有源相控阵雷达的目标检测方法 | |
CN111583267A (zh) | 基于广义模糊c均值聚类的快速sar图像旁瓣抑制方法 | |
CN111783656A (zh) | 一种基于统计特性预分割的自适应红外小目标检测方法 | |
CN111723808B (zh) | 一种基于最大值背景预测的红外弱目标提取方法 | |
CN108537807A (zh) | 一种基于高分四号卫星影像改进的边缘增强检测方法 | |
Yorulmaz et al. | Cepstrum based feature extraction method for fungus detection | |
Peng et al. | Infrared small target detection under complex background | |
CN117475157B (zh) | 基于无人机遥感的农业种植增强监测方法 | |
CN111931570A (zh) | 一种基于全卷积网络的穿墙成像雷达人体目标检测方法 | |
CN111667494A (zh) | 一种船载雷达原始图像的高亮目标快速分割方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181228 |
|
RJ01 | Rejection of invention patent application after publication |