CN111476809A - 一种侧扫声呐图像目标识别方法 - Google Patents

Abstract

本发明涉及一种侧扫声呐图像目标识别方法，包括：采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述原始声呐图像中包含有要识别的目标；将所述原始声呐图像进行灰度二值化处理；对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多尺度几何变换域对所述声呐图像进行增强；对增强后的声呐图像，利用Canny算子进行边缘检测；根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图像中的非目标边缘，保留检测目标边缘；对边缘检测后的目标进行识别。本发明提供的技术方案，通过在多尺度几何变化域下的图像增强去噪并结合侧扫方向性的边缘检测技术，大大提高复杂噪声背景下的侧扫声呐图像边缘检测的能力和识别效率。

Description

一种侧扫声呐图像目标识别方法

技术领域

本发明涉及目标识别技术领域，具体涉及一种侧扫声呐图像目标识别方法。

背景技术

海洋声学目标探测技术对于维护国家主权，保障国家海洋环境安全，促进 海洋探索与开发至关重要。侧扫声呐作为海底绘图最理想工具，工作频率较高， 解像度相对较强，能够清晰的反映出海底的地形地貌以及海底的沉船飞机残骸 等，自上世纪六十年代以来，侧扫声纳系统就在海底目标探测、海底测绘和海 底探索、海洋资源开发等领域得到了广泛的应用。现有对侧扫声呐图像处理的 研究主要包括图像增强、几何校正、降噪复原等预处理以及边缘检测与分割、 目标识别等方面，其中，边缘检测与分割是最关键的技术，对最终的目标正确 识别至关重要，常用的技术包括基于Canny算子的边缘检测算法、基于Snake模型的声呐图像轮廓提取、基于数学形态学的图像分割等等。随着海洋测绘研 究的不断深入，对水下复杂目标的探测提出了更高的要求，需要使用更为复杂 的方法对水下目标进行精准识别。

当前侧扫声呐在探测目标时，背景干扰有混响、海洋环境噪声和航行器噪 声等，致使目标反射特性的回波信号失真，在图像上的反映就是出现明显的斑 点噪声现象，噪声突出、边缘模糊、纹理较弱，同时，由于成像方法、系统参 数设置等因素的影响，侧扫声呐成像存在明显的远近明亮变化和几何畸变。

发明内容

有鉴于此，本发明的目的在于克服现有技术的不足，提供一种侧扫声呐图 像目标识别方法，以实现在多尺度几何变化域下的图像增强去噪并结合侧扫方 向性的边缘检测技术，大大提高复杂噪声背景下的侧扫声呐图像边缘检测的能 力和识别效率。

为实现以上目的，本发明采用如下技术方案：

一种侧扫声呐图像目标识别方法，包括：

步骤S1、采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述 原始声呐图像中包含有要识别的目标；

步骤S2、将所述原始声呐图像进行灰度二值化处理；

步骤S3、对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多 尺度几何变换域对所述声呐图像进行增强；

步骤S4、对增强后的声呐图像，利用Canny算子进行边缘检测；

步骤S5、根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图 像中的非目标边缘，保留检测目标边缘；

步骤S6、对边缘检测后的目标进行识别。

优选地，所述步骤S3包括：

步骤S31、对灰度二值化处理后的声呐图像进行对数变换；

步骤S32、将对数变换后的声呐图像进行Curvelet变换；

步骤S33、在Curvelet变换域对所述声呐图像进行增强。

优选地，所述步骤S31包括：

灰度二值化处理后的声呐图像中的噪声用乘性模型来描述：

I＝RZ (1)

其中，I为观测到的包含噪声的信号，R为期望恢复的真实信号，Z为噪 声随机变量；

对公式(1)取对数，得到：

lnI＝lnR+lnZ (2)。

优选地，所述步骤S32包括：

对公式(1)进行Curvelet变换，得到：

其中，l、d、(i,j)分别表示Curvelet系数的尺度、方向与位置，c为观测 到的包含噪声的信号，x为期望恢复的真实信号，ε为噪声随机变量。

将公式(3)简记为：

c＝x+ε (4)

公式(2)中，令n＝lnZ，对n按照泰勒级数展开，得到：

由于Z的绝大多数分布接近于1，Z-1的取值通常很小，取公式(5)中 幂级数展开的首项，可得：

n≈Z-1 (6)

由式(2)并结合平移瑞利分布可得到n的分布为

公式(7)中，p为概率密度函数，m为偏移量，α为瑞利分布的衰减参 数；

由于m≈1，式(7)可近似为瑞利分布：

由于Curvelet系数在分布上呈正负对称，则噪声n对应的Curvelet系数ε 的概率密度函数可用阶跃函数U(ε)表示为：

优选地，所述步骤S33包括：

由于瑞利分布衰减参数α与变换域的噪声方差σ²相关，根据公式(9)，ε的 均值为0，方差为：

由公式(10)可得：

其中，噪声方差σ²的估计采用Donoho的鲁棒性方法：

其中，M为Curvelet变换域最细子带的中值；

对每一个带通方向子带的系数进行以下处理：

依据自适应的邻域窗口确定方法，确定最终的自适应的邻域窗口N(i,j)，

由于公式(4)中，x与ε相互独立，因此有：

其中，

为包含噪声的Curvelet系数值c的方差，

为局部的高斯分布方 差；由于c为0均值的随机变量，c的方差可以根据公式(14)近似求解：

其中，N(i,j)表示以当前系数c(i,j)为中心的邻域窗口,M_n表示邻域窗口中系 数的个数，(p，q)表示(i，j)中的任一点；

结合公式(13)，得到局部的高斯分布方差

的估计值

将由公式(12)与公式(11)求得的α估计值

及

代入到x的基于最大 后验概率估计的解析表达式(16)中：

对阈值处理后的Curvelet系数做Curvelet逆变换；

对Curvelet逆变换后的结果做指数变换，得到噪声去除后的恢复图像。

优选地，所述步骤S4包括：

步骤S41、对增强后的声呐图像，使用高斯滤波器对图像进行预处理；

步骤S42、利用Canny算子，计算预处理后的声呐图像中各像素的梯度强 度和梯度方向；

步骤S43、对各像素进行非极大值抑制，以确定边缘点；

步骤S44、用双阈值算法检测和连接边缘点。

优选地，所述步骤S42包括：

由于Canny算子可以返回水平Gx和垂直Gy方向的一阶导数，因此，可根 据公式(17)确定像素点的梯度强度G和梯度方向θ为：

优选地，所述步骤S43包括：

将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当 前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则 该像素点将被抑制。

优选地，所述步骤S5包括：

步骤S51、对于边缘检测后的声呐图像，假设一幅M×N的图像，将其按照 侧扫声呐侧扫方向切片成M×L的图像；

步骤S52、在被划分成的每个M×L个长条形图像中，计算该区域中所包含 的所有像素点值的和，记为s(L)；

步骤S53、根据s(L)，利用图像自适应阈值滤波方法，过滤掉边缘检测后的 声呐图像中的非目标边缘，保留检测目标边缘。

优选地，所述步骤S53包括：

随机设置图像切片个数，第n个切片内的像素值的和与前n-1个切片内的 像素值之和的差值构成切片之间的距离，按照如下公式(18)对距离进行度量：

其中d(i)为第n个切片到第i个切片的距离；若O(n)<阈值，则设置s(L)＝0， 否则，在切片集合中剔除该切片；若连续若干个切片都被剔除，说明是目标， 连续保留s(L)并还原图像。

本发明采用以上技术方案，至少具备以下有益效果：

通过在多尺度几何变化域下的图像增强去噪并结合侧扫方向性的边缘检测 技术，大大提高复杂噪声背景下的侧扫声呐图像边缘检测的能力和识别效率。

进一步地，声呐图像中的斑点噪声可以用乘性模型来描述，再考虑水下环 境噪声的影响加上环境噪声随机变量。首先对噪声图像取对数，得到含有近似 高斯加性噪声的声呐图像，再进行Curvelet变换，结合贝叶斯理论就可以得到 信号的估计值。在图像去噪之后，进行梯度幅值和方向的计算，非极大值抑制， 这时能够得到比较清晰的明暗交界的边缘，包括海底分界和物体边缘都被提取 了出来。再考虑侧扫声呐特性，采用指向性阈值滤波方法过滤掉海底边缘等其 他非目标，就能完整的保留检测目标，并实现图像的实时检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术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 中的附图仅仅是本发明的一些实施例，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为本发明一实施例提供的一种侧扫声呐图像目标识别方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方 案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不 是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创 造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

参见图1，本发明一实施例提供的一种侧扫声呐图像目标识别方法，包括：

步骤S1、采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述 原始声呐图像中包含有要识别的目标；

步骤S2、将所述原始声呐图像进行灰度二值化处理；

步骤S3、对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多 尺度几何变换域对所述声呐图像进行增强；

步骤S4、对增强后的声呐图像，利用Canny算子进行边缘检测；

步骤S5、根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图 像中的非目标边缘，保留检测目标边缘；

步骤S6、对边缘检测后的目标进行识别。

可以理解的是，水下侧扫声呐噪声干扰较强，混响严重，从而导致声呐图 像斑点噪声突出、目标边缘模糊，本发明提供的技术方案，通过在多尺度几何 变化域下的图像增强去噪并结合侧扫方向性的边缘检测技术，大大提高复杂噪 声背景下的侧扫声呐图像边缘检测的能力和识别效率，能够在水下低分辨率模 糊实时图像中提取出目标轮廓，整体效果良好。

优选地，所述步骤S3包括：

步骤S31、对灰度二值化处理后的声呐图像进行对数变换；

步骤S32、将对数变换后的声呐图像进行Curvelet变换；

步骤S33、在Curvelet变换域对所述声呐图像进行增强。

优选地，所述步骤S31包括：

灰度二值化处理后的声呐图像中的噪声用乘性模型来描述：

I＝RZ (1)

其中，I为观测到的包含噪声的信号，R为期望恢复的真实信号，Z为噪 声随机变量；

对公式(1)取对数，得到：

lnI＝lnR+lnZ (2)。

优选地，所述步骤S32包括：

对公式(1)进行Curvelet变换，得到：

其中，l、d、(i,j)分别表示Curvelet系数的尺度、方向与位置，c为观测 到的包含噪声的信号，x为期望恢复的真实信号，ε为噪声随机变量。

将公式(3)简记为：

c＝x+ε (4)

公式(2)中，令n＝lnZ，对n按照泰勒级数展开，得到：

由于Z的绝大多数分布接近于1，Z-1的取值通常很小，取公式(5)中 幂级数展开的首项，可得：

n≈Z-1 (6)

由式(6)并结合平移瑞利分布可得到n的分布为

公式(7)中，p为概率密度函数，m为偏移量，α为瑞利分布的衰减参 数；

由于m≈1，式(7)可近似为瑞利分布：

由于Curvelet系数在分布上呈正负对称，则噪声n对应的Curvelet系数ε 的概率密度函数可用阶跃函数U(ε)表示为：

优选地，所述步骤S33包括：

由于瑞利分布衰减参数α与变换域的噪声方差σ²相关，根据公式(9)，ε的 均值为0，方差为：

由公式(10)可得：

其中，噪声方差σ²的估计采用Donoho的鲁棒性方法：

其中，M为Curvelet变换域最细子带的中值；

对每一个带通方向子带的系数进行以下处理：

依据自适应的邻域窗口确定方法，确定最终的自适应的邻域窗口N(i,j)，

由于公式(4)中，x与ε相互独立，因此有

其中，

为包含噪声的Curvelet系数值c的方差，

为局部的高斯分布方 差；由于c为0均值的随机变量，c的方差可以根据公式(14)近似求解：

其中，N(i,j)表示以当前系数c(i,j)为中心的邻域窗口,M_n表示邻域窗口中系 数的个数，(p，q)表示(i，j)中的任一点；

结合公式(13)，得到局部的高斯分布方差

的估计值

将由公式(12)与公式(11)求得的α估计值

及

代入到x的基于最大 后验概率估计的解析表达式(16)中：

对阈值处理后的Curvelet系数做Curvelet逆变换；

对Curvelet逆变换后的结果做指数变换，得到噪声去除后的恢复图像。

优选地，所述步骤S4包括：

步骤S41、对增强后的声呐图像，使用高斯滤波器对图像进行预处理；

步骤S42、利用Canny算子，计算预处理后的声呐图像中各像素的梯度强 度和梯度方向；

步骤S43、对各像素进行非极大值抑制，以确定边缘点；

步骤S44、用双阈值算法检测和连接边缘点。

可以理解的是，理想情况下，边缘检测应仅产生位于边缘上的像素点集合， 但在实际操作中由于噪声引起的边缘间断等影响，这些像素并不能完全描述边 缘特性，此时需借助阈值对处理后的像素点进行深入处理。若点的边缘强度值 比高阈值大，则将该点作为边缘点记录下来；若比低阈值小，则将其作为非边 缘点记录下来；若处于低阈值和高阈值之间，则计算该像素点是否与之前得到 的边缘点连通，如果连通，就将该像素点标记为边缘点，这样就能把不闭合的 边缘连接成轮廓，即可得到图像边缘。

优选地，所述步骤S42包括：

由于Canny算子可以返回水平Gx和垂直Gy方向的一阶导数，因此，可根 据公式(17)确定像素点的梯度强度G和梯度方向θ为：

优选地，所述步骤S43包括：

将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当 前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则 该像素点将被抑制。

优选地，所述步骤S5包括：

步骤S51、对于边缘检测后的声呐图像，假设一幅M×N的图像，将其按照 侧扫声呐侧扫方向切片成M×L的图像；

步骤S52、在被划分成的每个M×L个长条形图像中，计算该区域中所包含 的所有像素点值的和，记为s(L)；

步骤S53、根据s(L)，利用图像自适应阈值滤波方法，过滤掉边缘检测后的 声呐图像中的非目标边缘，保留检测目标边缘。

优选地，所述步骤S53包括：

随机设置图像切片个数，第n个切片内的像素值的和与前n-1个切片内的 像素值之和的差值构成切片之间的距离，按照如下公式(18)对距离进行度量：

其中d(i)为第n个切片到第i个切片的距离；若O(n)<阈值，则设置s(L)＝0， 否则，在切片集合中剔除该切片；若连续若干个切片都被剔除，说明是目标， 连续保留s(L)并还原图像。

可以理解的是，对于边缘检测后的图像，往往包含海底线、待检测目标以 及剩余噪声。假设一幅M×N的图像，将其按照侧扫声呐侧扫方向切片成M× L的图像，其中M为侧扫声呐所能探测到的海底宽度，L为原始图像长度上的 任意裁剪，L内可能包含任意扫描线，而且M×L1和M×L2可以有任意程度 的重叠。

在被划分成的每个M×L个长条形图像中，计算该区域中所包含的所有像 素点值的和，记为s(L),则有s(L)＝sum(the value of pixel)，在没有目标的情况下，就能得 到海底线+剩余噪声的累积像素值；在目标存在的情况下，该区域内的累积像素 值将发生突变。

图像自适应阈值滤波方法：随机设置图像切片个数，第n个切片内的像素 值的和与前n-1个切片内的像素值的和的差值构成切片之间的距离，按照如下 公式对距离进行度量：

其中d(i)为第n个切片到第i个切片的距离；若O(n)<阈值，则设置s(L)＝0， 否则，在切片集合中剔除该切片；若连续若干个切片都被剔除，说明是目标， 连续保留s(L)并还原图像。

综上所述，本发明提供的技术方案，声呐图像中的斑点噪声可以用乘性模 型来描述，再考虑水下环境噪声的影响加上环境噪声随机变量。首先对噪声图 像取对数，得到含有近似高斯加性噪声的声呐图像，再进行Curvelet变换，结 合贝叶斯理论就可以得到信号的估计值。在图像去噪之后，进行梯度幅值和方 向的计算，非极大值抑制，这时能够得到比较清晰的明暗交界的边缘，包括海 底分界和物体边缘都被提取了出来。再考虑侧扫声呐特性，采用指向性阈值滤 波方法过滤掉海底边缘等其他非目标，就能完整的保留检测目标，并实现图像 的实时检测。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于 此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到 变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应 以所述权利要求的保护范围为准。术语“第一”、“第二”仅用于描述目的，而不 能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明 确的限定。

Claims (10)

1.一种侧扫声呐图像目标识别方法，其特征在于，包括：

步骤S1、采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述原始声呐图像中包含有要识别的目标；

步骤S2、将所述原始声呐图像进行灰度二值化处理；

步骤S3、对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多尺度几何变换域对所述声呐图像进行增强；

步骤S4、对增强后的声呐图像，利用Canny算子进行边缘检测；

步骤S5、根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图像中的非目标边缘，保留检测目标边缘；

步骤S6、对边缘检测后的目标进行识别。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：

步骤S31、对灰度二值化处理后的声呐图像进行对数变换；

步骤S32、将对数变换后的声呐图像进行Curvelet变换；

步骤S33、在Curvelet变换域对所述声呐图像进行增强。

3.根据权利要求2所述的方法，其特征在于，所述步骤S31包括：

灰度二值化处理后的声呐图像中的噪声用乘性模型来描述：

I＝RZ (1)

其中，I为观测到的包含噪声的信号，R为期望恢复的真实信号，Z为噪声随机变量；

对公式(1)取对数，得到：

lnI＝lnR+lnZ (2)。

4.根据权利要求3所述的方法，其特征在于，所述步骤S32包括：

对公式(1)进行Curvelet变换，得到：

其中，l、d、(i,j)分别表示Curvelet系数的尺度、方向与位置，c为观测到的包含噪声的信号，x为期望恢复的真实信号，ε为噪声随机变量，

将公式(3)简记为：

c＝x+ε (4)

公式(2)中，令n＝ln Z，对n按照泰勒级数展开，得到：

由于Z的绝大多数分布接近于1，Z-1的取值通常很小，取公式(5)中幂级数展开的首项，可得：

n≈Z-1 (6)

由公式(6)并结合平移瑞利分布可得到n的分布为

公式(7)中，p为概率密度函数，m为偏移量，α为瑞利分布的衰减参数；

由于m≈1，公式(7)可近似为瑞利分布：

由于Curvelet系数在分布上呈正负对称，则噪声n对应的Curvelet系数ε的概率密度函数可用阶跃函数U(ε)表示为：

5.根据权利要求4所述的方法，其特征在于，所述步骤S33包括：

由于瑞利分布衰减参数α与变换域的噪声方差σ²相关，根据公式(9)，ε的均值为0，方差为：

由公式(10)可得：

其中，噪声方差σ²的估计采用Donoho的鲁棒性方法：

其中，M为Curvelet变换域最细子带的中值；

对每一个带通方向子带的系数进行以下处理：

依据自适应的邻域窗口确定方法，确定最终的自适应的邻域窗口N(i,j)，

由于公式(4)中，x与ε相互独立，因此有：

其中，

为包含噪声的Curvelet系数值c的方差，

为局部的高斯分布方差；由于c为0均值的随机变量，c的方差可以根据公式(14)近似求解：

其中，N(i,j)表示以当前系数c(i,j)为中心的邻域窗口,M_n表示邻域窗口中系数的个数，(p，q)表示(i，j)中的任一点；

结合公式(13)，得到局部的高斯分布方差

的估计值

将由公式(12)与公式(11)求得的α估计值

及

代入到x的基于最大后验概率估计的解析表达式(16)中：

对阈值处理后的Curvelet系数做Curvelet逆变换；

对Curvelet逆变换后的结果做指数变换，得到噪声去除后的恢复图像。

6.根据权利要求1所述的方法，其特征在于，所述步骤S4包括：

步骤S41、对增强后的声呐图像，使用高斯滤波器对图像进行预处理；

步骤S42、利用Canny算子，计算预处理后的声呐图像中各像素的梯度强度和梯度方向；

步骤S43、对各像素进行非极大值抑制，以确定边缘点；

步骤S44、用双阈值算法检测和连接边缘点。

7.根据权利要求6所述的方法，其特征在于，所述步骤S42包括：

根据Canny算子返回的水平Gx和垂直Gy方向的一阶导数，根据公式(17)确定像素点的梯度强度G和梯度方向θ为：

8.根据权利要求7所述的方法，其特征在于，所述步骤S43包括：

将当前像素的梯度强度与沿正负梯度方向上的两个像素进行比较，如果当前像素的梯度强度与另外两个像素相比最大，则该像素点保留为边缘点，否则该像素点将被抑制。

9.根据权利要求1所述的方法，其特征在于，所述步骤S5包括：

步骤S51、对于边缘检测后的声呐图像，假设一幅M×N的图像，将其按照侧扫声呐侧扫方向切片成M×L的图像；

步骤S52、在被划分成的每个M×L个长条形图像中，计算该区域中所包含的所有像素点值的和，记为s(L)；

步骤S53、根据s(L)，利用图像自适应阈值滤波方法，过滤掉边缘检测后的声呐图像中的非目标边缘，保留检测目标边缘。

10.根据权利要求9所述的方法，其特征在于，所述步骤S53包括：

随机设置图像切片个数，第n个切片内的像素值的和与前n-1个切片内的像素值之和的差值构成切片之间的距离，按照如下公式(18)对距离进行度量：

其中d(i)为第n个切片到第i个切片的距离；若O(n)<阈值，则设置s(L)＝0，否则，在切片集合中剔除该切片；若连续若干个切片都被剔除，说明是目标，连续保留s(L)并还原图像。

Images