CN111260674B - 从声呐图像中提取目标轮廓线的方法、系统及存储介质 - Google Patents
从声呐图像中提取目标轮廓线的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111260674B CN111260674B CN202010036414.5A CN202010036414A CN111260674B CN 111260674 B CN111260674 B CN 111260674B CN 202010036414 A CN202010036414 A CN 202010036414A CN 111260674 B CN111260674 B CN 111260674B
- Authority
- CN
- China
- Prior art keywords
- target
- determining
- sonar image
- candidate
- contour line
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本发明公开了从声呐图像中提取目标轮廓线的方法、系统及存储介质,方法包括:获取含有目标的声呐图像,确定所述声呐图像的候选点;根据所述候选点确定影响因素函数;根据所述影响因素函数,确定每个候选点为目标点的概率;动态确定所述概率的最优值,得到目标的轮廓线。本发明能够得到准确的目标轮廓线,可广泛应用于图像处理技术领域。
Description
技术领域
本发明涉及图像处理技术领域,尤其是从声呐图像中提取目标轮廓线的方法、系统及存储介质。
背景技术
随着计算机技术的发展,智能化船舶将是未来发展的趋势,水下航行器作为一种航行于水下的航行体,其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,光学传感器和激光传感器在计算机视觉领域有很广泛的应用,但是光作为这两种传感器所依赖的传播媒介,并不能在水下探测有较好的效果,一般光学传感器在相对清澈的水下的探测距离在十五米左右,超过这个范围或是在浑浊的水域就会很大程度的影响光学传感器的探测效果。而声波相较于可见光波有较大的波长,可以在水下传播更远的距离,从而在大范围水下探测中得到更清晰的图像。
声呐是目前研究大范围水下环境的最有效的办法,而水下声呐图像处理也是近些年来声呐信号处理领域中研究的热点。水下声呐是向水下发射不同方向的声呐射线,这些声呐波在遇到物体时会有反射,声呐图像就是接收这些反射的声呐波,并把这些反射的声纳波的强度反馈成图像的灰度值而建立的。但是在接收声呐波时会有其他因素比如水下混响、密度不均匀的水团等的影响,在每条声呐波中有几个不同的反射波,加上其他因素比如声呐设备自身的问题的影响,就会在声呐图像中显示很多不准确点和噪声。这也是声呐信号处理的难点。
在对图像进行处理的三维显示过程中,边缘检测占据了十分重要的地位。边缘检测后的结果需准确的表征水下目标的轮廓。由于声波在水下传播时不确定回声和其他噪声的影响,使图像的边缘检测变得更加困难。而目前的边缘检测算法,都不能很好的表达水下图像的轮廓单线。因此,设计一个能更加准确的显示水下目标单线特性的算法就变得很重要。
发明内容
有鉴于此,本发明实施例提供一种准确度高的,从声呐图像中提取目标轮廓线的方法、系统及存储介质。
本发明的第一方面提供了一种从声呐图像中提取目标轮廓线的方法,包括:
获取含有目标的声呐图像,确定所述声呐图像的候选点;
根据所述候选点确定影响因素函数;
根据所述影响因素函数,确定每个候选点为目标点的概率;
动态确定所述概率的最优值,得到目标的轮廓线。
进一步,所述获取含有目标的声呐图像,确定所述声呐图像的候选点,包括:
通过多波束声呐获取含有目标的声呐图像;
对所述声呐图像进行非极大值抑制,确定目标的候选点。
进一步,所述对所述声呐图像进行非极大值抑制,确定目标的候选点,包括:
提取所述声呐图像的每列像素点的灰度值信息作为一个操作单元;
将所述操作单元内的点作为中心,根据所述中心寻找长度为9的邻域范围内的局部最大灰度值;所述最大灰度值比所述邻域范围内的最小灰度值大于第一阈值;所述最大灰度值比相邻像素值大于第二阈值;所述最大灰度值大于第三阈值;
将所述局部最大灰度值确定为目标的候选点。
进一步,所述根据所述候选点确定影响因素函数,包括:
根据候选点的像素灰度值,确定像素灰度值函数;
根据候选点的像素灰度值,确定位置函数;
根据候选点的像素灰度值,确定候选点之间的关系函数;
根据所述像素灰度值函数、位置函数和关系函数,确定影响因素函数。
进一步,所述动态确定所述概率的最优值,得到目标的轮廓线,包括:
通过动态规划模型计算各个候选点的纵坐标最优解;
根据所述各个候选点的纵坐标最优解,确定目标点的坐标;
根据所述目标点的坐标,确定目标的轮廓线。
本发明的第二方面提供了一种从声呐图像中提取目标轮廓线的系统,包括:
获取模块,用于获取含有目标的声呐图像,确定所述声呐图像的候选点;
函数确定模块,用于根据所述候选点确定影响因素函数;
概率确定模块,用于根据所述影响因素函数,确定每个候选点为目标点的概率;
轮廓线确定模块,用于动态确定所述概率的最优值,得到目标的轮廓线。
进一步,所述获取模块包括:
获取单元,用于通过多波束声呐获取含有目标的声呐图像;
确定单元,用于对所述声呐图像进行非极大值抑制,确定目标的候选点。
进一步,所述函数确定模块包括:
第一函数确定单元,用于根据候选点的像素灰度值,确定像素灰度值函数;
第二函数确定单元,用于根据候选点的像素灰度值,确定位置函数;
第三函数确定单元,用于根据候选点的像素灰度值,确定候选点之间的关系函数;
第四函数确定单元,用于根据所述像素灰度值函数、位置函数和关系函数,确定影响因素函数。
本发明的第三方面提供了一种从声呐图像中提取目标轮廓线的系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如第一方面所述的方法。
本发明的第四方面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第一方面所述的方法。
上述本发明实施例中的一个或多个技术方案具有如下优点:本发明的实施例首先获取含有目标的声呐图像,确定所述声呐图像的候选点;接着根据所述候选点确定影响因素函数;然后根据所述影响因素函数,确定每个候选点为目标点的概率;最后动态确定所述概率的最优值,得到目标的轮廓线;本发明能够得到准确的目标轮廓线。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例的整体步骤流程图。
具体实施方式
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。对于本发明实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
针对现有技术的问题,本发明提供了一种从多波束前视声呐图像中提取目标单线的新方法,该方法对多波束前视声呐图像进行预处理后,通过建立图像信息的影响因素函数,得到处理后的声呐图像的各个像素点是目标点的概率,并利用动态规划模型求出最优解,即目标单线。该方法包括:(1)通过非极大值抑制的方法对声呐图像进行预处理,得到候选点。(2)基于声呐图像建立,从候选点的灰度值、每列候选点的位置关系以及相邻两列间的候选点的位置关系三个方面建立候选点是否为目标点的影响因素函数。(3)利用动态规划模型对影响因素进行最优求解,得到目标单线
参照图1,其中,图1中的声呐图像为通过仿真得到的图像。本申请实施例的从声呐图像中提取目标轮廓线的方法包括以下步骤:
步骤1:通过多波束声呐取得一幅含有整体目标的声呐图像,对这幅图像进行非极大值抑制,得到目标点的候选点,并保留候选点的位置信息和灰度值信息。
这一步的具体实施方法为,提取声呐图像的每列像素点的灰度值信息作为一个操作单元,依次将操作单元内的点作为中心寻找长度为9的邻域范围内的局部最大值,并且此局部最大值应比其作为中心时的长度为9的邻域范围内的最小灰度值大30及30以上,以及此最大值应比左右相邻的像素值大20或以上。最后去除掉灰度值为40及40以下的局部最大值后,得到的剩余局部最大值,返回其对应的位置信息和灰度值信息,并将此局部最大值作为目标点的候选点。
步骤2:通过步骤1得到了声呐图像每列像素(列内像素点)的局部最大值作为候选点。这一步将对这些候选点进行处理。
为了更加清楚的区分每个候选点是否为目标点,此处建立影响因素函数F:
F(i,j)=S(i,j)+G(i,j)+D(i,j)
其中,S、G、D分别为像素灰度值函数、列内候选点的位置函数、列间候选点的位置函数。(i,j)为候选点的位置信息。
具体的,其中S(i,j)为像素灰度值函数,其表达式为:
其中,w为坐标为(i,j)的像素点的灰度值。K在本实施例中设定为200。
具体的,G(i,j)为列内候选点的位置函数。即距离声呐发射器越近的候选点越有可能是目标点。其表达式为:
G(x)=e-0.0001*x
其中,x是坐标为(i,j)的候选点的纵坐标。候选点的纵坐标越大,越接近声纳发射器,越有可能成为目标点。
具体的,D(i,j)为列间候选点的位置函数,即相邻两列的各个候选点之间关系函数。此函数的目的是尽可能获得连续的目标单线。此函数的表达式为:
D(xj+1)=λ|xj+1-xj|
其中,x(j+1)为坐标为(i,j+1)像素的纵坐标,x(j)为坐标为(i,j)像素的纵坐标。λ确定的常量值100/n,n是声纳图像的高度。这个函数表示j+1列的候选点与j列的每个候选点之间的关系。即对于j+1列内的每一个候选点,对于此函数都有Nj(j列候选点的个数)个值。
结合上述三个函数式的影响因素函数F为:
其中,ω,x代表坐标为(i,j)的候选点的灰度值和纵坐标。
步骤3:由步骤2确定的影响因数函数可以得到各个候选点是否为目标点的概率,而在此影响因素函数中,其值越小,则代表其为目标点的概率越小。为了更快得到这个目标单线,本实施例利用动态规划模型,如下式所示,对于每个x2值,确定x1的最佳值。计算所有x2的最小值,并记录其函数值最小时的x1的位置。
使用相同的方法获得最小值为P3(x3)的x2,并记录函数值为最小时的x2的位置信息。重复此计算,直到xn为止,最后比较第n列(图像共n列)各个候选点的PN值,相互比较得到第n列的Pn最小的候选点作为起点,并利用之前存储的位置信息进行回溯得到最优解。其中Pn的公式如下所示:
本发明实施例还提供了一种从声呐图像中提取目标轮廓线的系统,包括:
获取模块,用于获取含有目标的声呐图像,确定所述声呐图像的候选点;
函数确定模块,用于根据所述候选点确定影响因素函数;
概率确定模块,用于根据所述影响因素函数,确定每个候选点为目标点的概率;
轮廓线确定模块,用于动态确定所述概率的最优值,得到目标的轮廓线。
在一些实施例中,所述获取模块包括:
获取单元,用于通过多波束声呐获取含有目标的声呐图像;
确定单元,用于对所述声呐图像进行非极大值抑制,确定目标的候选点。
在一些实施例中,所述函数确定模块包括:
第一函数确定单元,用于根据候选点的像素灰度值,确定像素灰度值函数;
第二函数确定单元,用于根据候选点的像素灰度值,确定位置函数;
第三函数确定单元,用于根据候选点的像素灰度值,确定候选点之间的关系函数;
第四函数确定单元,用于根据所述像素灰度值函数、位置函数和关系函数,确定影响因素函数。
本实施例还提供了一种从声呐图像中提取目标轮廓线的系统,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如第一方面所述的方法。
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第一方面所述的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明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作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 (5)
1.从声呐图像中提取目标轮廓线的方法,其特征在于,包括:
获取含有目标的声呐图像,确定所述声呐图像的候选点;
根据所述候选点确定影响因素函数;
根据所述影响因素函数,确定每个候选点为目标点的概率;
动态确定所述概率的最优值,得到目标的轮廓线;
所述根据所述候选点确定影响因素函数,包括:
根据候选点的像素灰度值,确定像素灰度值函数
其中,ω代表像素点的灰度值;K为预设的参数阈值;
根据候选点的像素灰度值,确定位置函数
G(x)=e-0.0001*x
其中,x是坐标为(i,j)的候选点的纵坐标;
根据候选点的像素灰度值,确定候选点之间的关系函数
D(xj+1)=λ|xj+1-xj|
其中,xj+1为坐标为(i,j+1)像素的纵坐标,xj为坐标为(i,j)像素的纵坐标;λ为常量参数;
根据所述像素灰度值函数、位置函数和关系函数,确定影响因素函数
所述根据所述影响因素函数,确定每个候选点为目标点的概率,动态确定所述概率的最优值,得到目标的轮廓线具体为:
根据以下动态模型计算各个候选点的最优解,
其中,xn代表第n列中任一候选点的纵坐标,Pn(xn)代表候选点xn为目标点的概率;根据最优解确定各列目标点的坐标,由所有目标点的坐标获取目标轮廓线。
2.根据权利要求1所述的从声呐图像中提取目标轮廓线的方法,其特征在于,
所述获取含有目标的声呐图像,确定所述声呐图像的候选点,包括:
通过多波束声呐获取含有目标的声呐图像;
对所述声呐图像进行非极大值抑制,确定目标的候选点。
3.根据权利要求2所述的从声呐图像中提取目标轮廓线的方法,其特征在于,
所述对所述声呐图像进行非极大值抑制,确定目标的候选点,包括:
提取所述声呐图像的每列像素点的灰度值信息作为一个操作单元;
将所述操作单元内的点作为中心,根据所述中心寻找长度为9的邻域范围内的局部最大灰度值;所述最大灰度值比所述邻域范围内的最小灰度值大于第一阈值;所述最大灰度值比相邻像素值大于第二阈值;所述最大灰度值大于第三阈值;
将所述局部最大灰度值确定为目标的候选点。
4.从声呐图像中提取目标轮廓线的系统,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-3中任一项所述的方法。
5.一种存储介质,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1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036414.5A CN111260674B (zh) | 2020-01-14 | 2020-01-14 | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010036414.5A CN111260674B (zh) | 2020-01-14 | 2020-01-14 | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111260674A CN111260674A (zh) | 2020-06-09 |
CN111260674B true CN111260674B (zh) | 2023-04-18 |
Family
ID=70948704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010036414.5A Active CN111260674B (zh) | 2020-01-14 | 2020-01-14 | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111260674B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272217B (zh) * | 2022-07-22 | 2023-04-18 | 湖北工业大学 | 一种基于声呐图像的水下机器人定位方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07302342A (ja) * | 1994-05-09 | 1995-11-14 | Fujitsu Ltd | 輪郭抽出方法及び装置 |
CN109166132A (zh) * | 2018-07-16 | 2019-01-08 | 哈尔滨工程大学 | 一种可变初始距离符号函数的侧扫声呐图像目标识别方法 |
CN109239719A (zh) * | 2018-10-19 | 2019-01-18 | 武汉理工大学 | 一种融合多帧信息的多波束前视声呐障碍区域提取方法 |
CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种亚像素边缘检测方法及系统 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008030874A1 (de) * | 2008-06-30 | 2010-01-07 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zum Ermitteln einer Kontur und eines Mittelpunktes eines Objekts |
-
2020
- 2020-01-14 CN CN202010036414.5A patent/CN111260674B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07302342A (ja) * | 1994-05-09 | 1995-11-14 | Fujitsu Ltd | 輪郭抽出方法及び装置 |
CN109166132A (zh) * | 2018-07-16 | 2019-01-08 | 哈尔滨工程大学 | 一种可变初始距离符号函数的侧扫声呐图像目标识别方法 |
CN109239719A (zh) * | 2018-10-19 | 2019-01-18 | 武汉理工大学 | 一种融合多帧信息的多波束前视声呐障碍区域提取方法 |
CN109741356A (zh) * | 2019-01-10 | 2019-05-10 | 哈尔滨工业大学(深圳) | 一种亚像素边缘检测方法及系统 |
CN110570361A (zh) * | 2019-07-26 | 2019-12-13 | 武汉理工大学 | 声呐图像结构化噪声的抑制方法、系统、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
Qiling Tang等.Extraction of salient contours from cluttered scenes.《Pattern Recognition》.2007,全文. * |
李吉祥,陈德山等.基于单波束仰扫回波信号强度处理的船舶吃水检测技术.《船海工程》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111260674A (zh) | 2020-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10809376B2 (en) | Systems and methods for detecting objects in underwater environments | |
US8154952B1 (en) | Method and system for real-time automated change detection and classification for images | |
Bagnitsky et al. | Side scan sonar using for underwater cables & pipelines tracking by means of AUV | |
CN103197308B (zh) | 基于多波束相控阵声纳系统的三维声纳可视化处理方法 | |
US20120099395A1 (en) | Detecting structural changes to underwater structures | |
US20200379104A1 (en) | Three-dimensional forward-looking sonar target recognition with machine learning | |
CN105787886A (zh) | 一种基于多波束图像声纳的实时图像处理方法 | |
Villar et al. | Evaluation of an efficient approach for target tracking from acoustic imagery for the perception system of an autonomous underwater vehicle | |
Thompson et al. | Efficient lidar-based object segmentation and mapping for maritime environments | |
Wawrzyniak et al. | MSIS image postioning in port areas with the aid of comparative navigation methods | |
CN111340946A (zh) | 河道地形模型构建方法、装置、机器人和存储介质 | |
CN111723632A (zh) | 一种基于孪生网络的船舶跟踪方法及系统 | |
Johnson et al. | Seafloor map generation for autonomous underwater vehicle navigation | |
CN111260674B (zh) | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 | |
CN113256697B (zh) | 水下场景的三维重建方法、系统、装置和存储介质 | |
Sung et al. | Sonar image translation using generative adversarial network for underwater object recognition | |
CN110988888B (zh) | 海底信息的获取方法和装置 | |
TWI719711B (zh) | 水下地形淤泥量探測方法 | |
Trucco et al. | Extraction of 3D information from sonar image sequences | |
Petillot et al. | A framework for evaluating underwater mine detection and classification algorithms using augmented reality | |
CN116930976B (zh) | 基于小波模极大值的侧扫声呐图像的海底线检测方法 | |
Muduli et al. | A Review On Recent Advancements In Signal Processing and Sensing Technologies for AUVs | |
CN114488164B (zh) | 水下航行器同步定位与建图方法及水下航行器 | |
CN116559883A (zh) | 一种侧扫声呐图像的纠正方法以及侧扫声呐镶嵌影像 | |
Fula | Underwater mapping using a SONAR |
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 |