CN110570361B

CN110570361B - 声呐图像结构化噪声的抑制方法、系统、装置和存储介质

Info

Publication number: CN110570361B
Application number: CN201910684570.XA
Authority: CN
Inventors: 陈德山; 周鹏; 严新平
Original assignee: Wuhan University of Technology WUT
Current assignee: Wuhan University of Technology WUT
Priority date: 2019-07-26
Filing date: 2019-07-26
Publication date: 2022-04-01
Anticipated expiration: 2039-07-26
Also published as: CN110570361A

Abstract

本发明公开了一种声呐图像结构化噪声的抑制方法、系统、装置和存储介质，其中方法包括以下步骤：输入声呐图像后，获取声呐图像上各像素点的灰度值；采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像。本发明通过采用预设的基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理，提取出前景障碍区域和背景区域，能够很好地抑制了声呐图像结构化自噪声，可广泛应用于船舶感知和计算机图像处理领域。

Description

声呐图像结构化噪声的抑制方法、系统、装置和存储介质

技术领域

本发明涉及船舶感知和计算机图像处理领域，尤其涉及一种声呐图像结构化噪声的抑制方法、系统、装置和存储介质。

背景技术

计算机技术的发展，无人驾驶汽车和无人机相继被大众熟知。智能化一直是船舶发展的趋势，无人驾驶是船舶行业的未来。伴随着近年来新科学技术理论提出，船舶自动化水平不断提高。它集船舶设计、人工智能、信息处理、运动控制等专业技术为一体，研究内容涉及自动驾驶、自主避障、规划与导航、模式识别等多方面。无人船的水下探测技术应用范围也越来越广泛，包括军事探测、海底测量、沉船打捞、水下管道检测等。

水下航行器是一种航行于水下的航行体，包括载人水下航行器和无人水下航行器，它能够完成水下勘探、侦测甚至是军事上的进攻防守等任务。目前，光学传感器和激光扫面在视觉方面应用的比较广泛，但是在水下光学传感器分辨率高，探测范围有限，一般水下光学传感器在相对较清澈的水域能见度在十米到二十米之间，如果在相对浑浊的水域能见度会下降以及影响水下光学成像。水中悬浮微粒对光线的反射和散射极大地限制了光学成像设备在水中的使用，声波的波长是可见光波长的2000倍，可以绕过悬浮微粒，从而使声学成像成为可能。

由于混响噪声等因素的影响，声呐图像成像质量远不如光学图像，声图像对比度低，噪声重，目标边缘不完整；同时，声波波束在传播中受界面影响会引起多径效应，并存在旁瓣干扰，且当目标或者声呐系统处于运动状态时，会出现多普勒效应，这些因素都会造成声图像上的目标形变和失真。声图像的这些特点给图像分割、目标识别等处理带来较大的困难。因此，在声呐图像处理前，对其灰度分析统计特性进行分析十分必要，有助于寻找和提出合适的算法模型对声呐图像进行相关处理，目前还没有一种有效对声呐图像结构化噪声进行处理的方案。

名词解释：

自噪声：是指装在舰艇、声呐浮标和其他各种船只上的水听器不可避免地会接收到由于这些装载体以及声呐设备本身所产生的噪声，这种噪声即称为自噪声。

结构化噪声：结构化噪声是指噪声属性相同，且分布具有系统性、规律性的噪声。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于GMM的声呐图像结构化噪声的抑制方法、系统、装置和存储介质。

本发明所采用的第一技术方案是：

一种声呐图像结构化噪声的抑制方法，包括以下步骤：

输入声呐图像后，获取声呐图像上各像素点的灰度值；

采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像。

进一步，还包括建立基于GMM模型的结构化噪声模型的步骤，所述建立初始的结构化噪声模型的步骤具体包括以下步骤：

获取声呐背景图像数据，所述声呐背景图像数据为多帧连续且无障碍区域的声呐图像；

依次根据声呐背景图像数据获取各像素点于每帧声呐图像的灰度值，并根据获得的灰度值生成与各像素点对应的灰度值集合；

对灰度值集合进行归一化处理后，建立初始的结构化噪声模型；

将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型。

进一步，其中对灰度值集合进行归一化处理后，建立初始的结构化噪声模型这一步骤，具体包括以下步骤：

将灰度值集合内的灰度值分为I个灰度级后，对每个灰度级做归一化处理；

根据各灰度级的频率分别情况建立初始的结构化噪声模型；

其中，所述I为正整数。

进一步，所述初始的结构化噪声模型的表达公式如下所示：

其中，K表示结构化噪声模型包含高斯模型的数量，w_k为每个高斯模型在结构化噪声模型中所占的权重，0≤w_k≤1，

g(x|μ_k,∑_k)表示结构化噪声模型中第K个高斯模型。

进一步，所述将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型这一步骤，具体包括以下步骤：

采用预设的隐变量将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型；

求解最终的结构化噪声模型的均值参数和标准差参数。

进一步，所述均值参数的表达式具体为：

所述标准差参数的表达式具体为：

其中

分别表示第i+1次迭代，第k个类的均值、标准差和所占权重，γ是隐变量，E是对γ的估计，x是声呐图像各点连续时间序列的灰度值，N是声呐图像连续帧的数量。

进一步，所述采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像这一步骤，具体包括以下步骤：

结合均值参数和标准差参数对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像；

对抑制结构化噪声后的声呐图像进行中值滤波后，输出最后的声呐图像。

进一步，所述输入声呐图像后，获取声呐图像上各像素点的灰度值这一步骤，具体为：

输入声呐图像后，将声呐图像转换为灰度图像，再根据灰度图像中获取各像素点的灰度值。

本发明所采用的第二技术方案是：

一种声呐图像结构化噪声的抑制系统，包括：

数据采集模块，用于获取声呐图像；

数声呐图像处理模块，用于获取声呐图像上各像素点的灰度值，并采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像。

本发明所采用的第三技术方案是：

一种计算机代码自动生成装置，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行上所述方法。

本发明所采用的第四技术方案是：

一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。

本发明的有益效果是：本发明通过采用预设的基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理，提取出前景障碍区域和背景区域，能够很好地抑制了声呐图像结构化自噪声。

附图说明

图1是本发明实施例中一种声呐图像结构化噪声的抑制方法的步骤流程图；

图2是具体实施例中声呐图像结构化噪声的抑制方法的流程示意图；

图3是具体实施例中声呐图像结构化噪声的抑制方法的步骤流程图；

图4是发明实施例中一种声呐图像结构化噪声的抑制系统的结构框图。

具体实施方式

如图1所示，本实施例提供了一种声呐图像结构化噪声的抑制方法，包括以下步骤：

S1、建立基于GMM模型的结构化噪声模型；

S2、输入声呐图像后，获取声呐图像上各像素点的灰度值；

S3、采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像。

所述输入的声呐图像可以为实时采集的声呐数据，也可以为存储中的声呐数据。获取声呐图像上各像素点的灰度值，具体地，为便于图像处理，先将声呐图像转换为灰度图像，所述灰度图像可以根据需要分为多个灰度，在本实施例中，分为256个灰度。由于声呐图像中包括前景图像和背景图像，前景图像即包括障碍的前景障碍区域，背景图像即为无障碍的背景区域，在获取各像素值的灰度值后，采用预设的基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理，以提取出前景障碍区域和背景区域，达到对结构化噪声的去除，很好地抑制了声呐图像结构化自噪声，给后续的目标识别等处理带来更加有利的条件。

其中，步骤S1具体包括步骤S11～S14：

S11、获取声呐背景图像数据，所述声呐背景图像数据为多帧连续且无障碍区域的声呐图像；

S12、依次根据声呐背景图像数据获取各像素点于每帧声呐图像的灰度值，并根据获得的灰度值生成与各像素点对应的灰度值集合；

S13、对灰度值集合进行归一化处理后，建立初始的结构化噪声模型；

S14、将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型。

所述声呐背景图像数据为在时间上连续的无障碍区域的声呐图像，所述声呐背景图像数据可由声呐数据解析获得。为了方便图像处理计算，将声呐图像转换为成8位深度的灰度图像。获取每一帧图像的各像素点的灰度值，并按照各像素点的对应关系，将同一像素点位置、不同帧图像的灰度值组成灰度值集合。针对各灰度值集合进行归一化处理，在本实施例中为高斯归一化后，建立初始的结构化噪声模型。将GMM模型和初始的结构化噪声模型进行拟合后，最终获得最终的结构化噪声模型。

其中，S13具体包括步骤A1～A2：

A1、将灰度值集合内的灰度值分为I个灰度级后，对每个灰度级做归一化处理；其中，所述I为正整数。

A2、根据各灰度级的频率分别情况建立初始的结构化噪声模型。

所述初始的结构化噪声模型的表达公式如下所示：

g(x|μ_k,∑_k)表示结构化噪声模型中第K个高斯模型。

具体地，对进行归一化处理中，按照预设的方式将各灰度值集合内的灰度值分为I个灰度级；具体可以采用多种方式进行分级，比如根据每个灰度值集合内的最大灰度值和最小灰度值进行分级，也可以按照预设的分级数值进行分级。各点在连续时间内，每个灰度级做归一化处理，再根据其频率分布情况建立结构化噪声模型。

其中，所述步骤S14具体包括步骤B1～B2：

B1、采用预设的隐变量将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型；

B2、求解最终的结构化噪声模型的均值参数和标准差参数。

其中，可以采用多种方式进行拟合，在本实施例中，通过引入隐变量对GMM模型和初始的结构化噪声模型进行拟合，并在拟合过程中，采用EM(Expectation Maximization)算法来求解均值参数和标准差参数，如此极大地提高了计算的效率，节约了时间成本。

其中，步骤S2具体为：输入声呐图像后，将声呐图像转换为灰度图像，再根据灰度图像中获取各像素点的灰度值。

其中，步骤S3具体包括步骤S31～S32：

S31、结合均值参数和标准差参数对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像；

S32、对抑制结构化噪声后的声呐图像进行中值滤波后，输出最后的声呐图像。

在上述方法中，通过背景图像灰度特性，结合GMM模型构建结构化噪声模型，并采用结构化噪声模型对声呐图像进行噪声抑制，能够很好地对结构化噪声的去除，且能够使得信息损失最小，很好地提取完整的前景障碍区域。

以下结合图2和图3对上述方法进行详细的解释说明：

步骤一：采集声呐图像数据。

通过声呐系统采集数据，并确保无障碍区域的声呐结构化噪声图像数据足够大且连续。将声呐数据解析成时间连续的声呐图像序列，并将声呐图像数据分成两组，第一组为无障碍区域的声呐结构化噪声图像，第二组为有前景障碍区域的声呐图像。

第一组数据各点的连续帧[1,...,N]灰度值为x₁,x₂,...,x_N。其中x_min为x₁,x₂,...,x_N的最小值，x_max为x₁,x₂,...,x_N的最大值，x₁,x₂,...,x_N中所出现的灰度值分为I个灰度级。在(x_min，x_max)中，n_i表示灰度级i的数量，进行归一化：

步骤二：对步骤一种中所述像素各点在连续时间内，每个灰度级做归一化处理，根据其频率分布情况建立结构化噪声模型。

其中，高斯模型为：

其中，x为声呐图像的各点灰度值，σ为标准差，μ为均值；

结构化噪声模型可以表示为：

其中，K表示结构化噪声模型包含高斯模型的数量；w_k为每个高斯模型在结构化噪声模型中所占的权重，0≤w_k≤1，

g(x|μ_k,∑_k)表示结构化噪声模型中第K个高斯模型。

步骤三：将GMM模型与步骤二中得到的结构化噪声模型进行拟合。

拟合中的关键的公式如下：

引入一个隐变量γ，γ描述的是每一次采样，选取第k个高斯函数的概率，故有：

p(γ_k＝1)＝w_k

实际上，每个样本数据可能是GMM中的任意一个高斯模型。声呐图像的各点连续时间序列灰度值的概率为：

各点连续帧的灰度值这一样本集Y的似然函数即联合概率为：

L(μ,∑)＝L(x₁,x₂...x_N；μ,∑)

引入隐变量，即考虑各点灰度值在多个单高斯模型的概率，其联合概率为：

联合概率取对数：

结构化噪声和GMM拟合中，其均值和标准差的求解，引用EM(ExpectationMaximization)算法可以快速求得：

其中

分别表示第i+1次迭代，第k个类的均值，标准差和所占权重。E是对γ的估计，x是声呐图像各点连续时间序列的灰度值，N是声呐图像连续帧的数量。

步骤四：结合步骤三所得的均值和方差，对第二组声呐图像的每个像素点的灰度值进行处理。

所求得声呐结构化噪声图像各点的连续时间序列的相关数据可表示为：

表示声呐结构化噪声图像左上角第一个像素点的连续时间序列灰度值所求得的k个成分的GMM均值。以此类推，从左到右，从上到下将声呐图像的像素点进行排列，有n个像素点。

表示第n个像素点位置的均值。同上所述，

为第一个像素点位置的标准差，

表示第n个像素点位置，即最后一个像素点位置的标准差；

为一个像素点位置满足k个成分的GMM的权重，

表示第n个像素点的k个权重。

第二组声呐图像包含(1,2,…,i,…,N)像素点，将第二组声呐图像的每个像素点的灰度值与步骤3的μ和Σ进行比较，具体方式如下：

i表示第i个像素点，x_i表示第二组声呐图像的第i个像素点位的灰度值，

表示在步骤3的μ中与第二组i对应的第i组均值，

表示在步骤3的Σ中与第二组i对应的第i组标准差，k表示第k个GMM成分。

若x_i满足上述条件，即在

的

之内，则x_i赋值为0；若x_i不满足上述条件，即在

的

之外，则x_i保留原来的灰度值；

步骤五：第二组数据经过以上处理后，得到抑制结构化噪声的声呐图像；再对得到抑制结构化噪声的声呐图像进行中值滤波后，输出最后的声呐图像。

如图4所示，本实施例还提供了一种声呐图像结构化噪声的抑制系统，包括：

数据采集模块，用于获取声呐图像；

本实施例的一种声呐图像结构化噪声的抑制系统，可执行本发明方法实施例所提供的一种声呐图像结构化噪声的抑制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本实施例还提供了一种计算机代码自动生成装置，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行上所述方法。

本实施例的一种计算机代码自动生成装置，可执行本发明方法实施例所提供的一种声呐图像结构化噪声的抑制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

本实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行如上所述方法。

本实施例的一种存储介质，可执行本发明方法实施例所提供的一种声呐图像结构化噪声的抑制方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种声呐图像结构化噪声的抑制方法，其特征在于，包括以下步骤：

输入声呐图像后，获取声呐图像上各像素点的灰度值；

采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像；

还包括建立基于GMM模型的结构化噪声模型的步骤，建立初始的结构化噪声模型的步骤具体包括以下步骤：

将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型；

其中对灰度值集合进行归一化处理后，建立初始的结构化噪声模型这一步骤，具体包括以下步骤：

根据各灰度级的频率分别情况建立初始的结构化噪声模型；

其中，所述I为正整数。

2.根据权利要求1所述的一种声呐图像结构化噪声的抑制方法，其特征在于，所述初始的结构化噪声模型的表达公式如下所示：

g(x|μ_k,∑_k)表示结构化噪声模型中第K个高斯模型。

3.根据权利要求1-2任一项所述的一种声呐图像结构化噪声的抑制方法，其特征在于，所述将GMM模型和初始的结构化噪声模型进行拟合后，获得最终的结构化噪声模型这一步骤，具体包括以下步骤：

求解最终的结构化噪声模型的均值参数和标准差参数。

4.根据权利要求3所述的一种声呐图像结构化噪声的抑制方法，其特征在于，所述均值参数的表达式具体为：

所述标准差参数的表达式具体为：

其中

表示第i+1次迭代，第k个类的均值、标准差，

表示第i次迭代，第k个类的所占权重；γ是隐变量，E是对γ的估计，x是声呐图像各点连续时间序列的灰度值，N是声呐图像连续帧的数量。

5.根据权利要求3所述的一种声呐图像结构化噪声的抑制方法，其特征在于，所述采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像这一步骤，具体包括以下步骤：

6.一种声呐图像结构化噪声的抑制系统，其特征在于，包括：

数据采集模块，用于获取声呐图像；

声呐图像处理模块，用于获取声呐图像上各像素点的灰度值，并采用基于GMM模型的结构化噪声模型对各像素点的灰度值进行分类处理后，获得抑制结构化噪声后的声呐图像；

根据各灰度级的频率分别情况建立初始的结构化噪声模型；

其中，所述I为正整数。

7.一种计算机代码自动生成装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-5任一项所述方法。

8.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5任一项所述方法。