CN112114300B - 一种基于图像稀疏表示的水下弱目标检测方法 - Google Patents

Abstract

本发明提供一种基于图像稀疏表示的水下弱目标检测方法，以主动声纳多波束探测目标时的接收数据经匹配滤波处理得到的时间方位能量图为基础，通过建立目标模型、建立超完备目标字典，利用压缩感知算法将图像稀疏表示，求解最优稀疏表示系数解，计算稀疏集中度指标以判断图像中目标存在与否，再利用最优稀疏表示系数解重构时间方位能量图，滤除大部分噪声干扰，从而实现水下弱目标的检测与定位。

Description

一种基于图像稀疏表示的水下弱目标检测方法

技术领域

本发明涉及一种水声探测方法，尤其涉及一种基于图像稀疏表示的水下弱目标检测方法，可应用于水下目标主动探测中，属于水声学和水声信号处理领域。

背景技术

随着人们对海洋认知的不断深入，探究海洋中探测目标和传递信息的有效方法逐渐成为各国的研究热点，水下目标检测与定位技术便是其中最重要的研究方向之一。然而水下环境复杂多变，干扰源种类多样和较强的海洋环境噪声为水下目标检测带来了较大的困难。同时随着水下目标声隐身技术的发展，包含目标信息的信号可能淹没在复杂的背景干扰中，这大大降低了目标的可探测特征和探测概率，因此研究高效准确的水下弱目标检测与定位方法已成为当务之急。

通常情况下，主动声纳在多波束工作模式下探测目标时可以得到不同波束方向上的接收信号，经过匹配滤波处理，可以得到不同波束方向、各个时延所对应的能量，以此为基础绘制图像可得时间方位能量图，进一步处理分析，可以得到目标所在通道(方位角度)及其对应时延(目标与声纳之间的距离)，实现目标定位。再比如侧扫声纳、合成孔径声纳等还可以得到分辨率更高、包含信息更丰富的声纳图像。因此，为实现水下弱目标检测与定位，图像处理技术越来越受到水声领域学者的关注和重视。

在图像处理领域，针对单帧图像的弱目标检测目前常用的方法有：图像滤波算法、基于小波变换的算法以及基于机器学习的算法。其中，图像滤波算法主要思路为先将图像滤波来估计背景，然后将原始图像与所得的背景图像进行差分从而突出弱目标，再进行阈值分割，实现对弱目标的检测，核心为通过滤波实现背景抑制。常用滤波方法为中值滤波、高通滤波、双边滤波、形态学滤波等。此类方法的局限性为针对水声图像抑制噪声能力不强。基于小波变换的算法原理为基于目标区域的能量高于背景的能量且与周围区域无关的特性，可以将目标看作是图像信号中的高频部分，而背景则是低频部分，利用小波变换实现高、低频率分离，进一步处理提高图像信噪比，实现目标检测。但此方法复杂性和目标检测性能与小波基的选取有直接关系，稳定性及实用性有待提高。基于机器学习的算法则是通过使用模式识别和机器学习的方法来自动区分出目标类和背景类。但此方法需要足够多的学习样本来训练得到目标模型和背景模型，复杂度较高。

近年来，将压缩感知技术与图像处理技术结合已成为单帧图像目标检测领域的新兴热门方法。期刊(徐健,常志国.基于聚类的自适应图像稀疏表示算法及其应用[J].光子学报,2011,040(002):316-320.)提出了一种针对图像进行稀疏表示的字典训练方法，聚类每一步迭代所产生的余项，将聚类中心作为新的字典原子，令字典能够更适应于样本的稀疏表示，以此为基础利用压缩感知算法对图像进行稀疏表示去噪，但与基于机器学习的算法一样需要大量学习样本。专利(赵佳佳,唐峥远,杨杰.基于超完备稀疏表示的红外小目标检测方法.申请号：CN201010230877)根据红外小目标特性构造基于二维高斯模型的目标模型，从而建立超完备字典，将测试图像划分为若干子图像进行稀疏表示，从而更好的抑制背景，突出目标，得到更高的检测率。

发明内容

本发明的目的在于提供一种能够利用主动声纳接收数据匹配滤波得到的时间方位能量图检测并定位目标的基于图像稀疏表示的水下弱目标检测方法。利用主动声纳探测目标可以得到不同波束方向上的接收信号，经过匹配滤波处理，可以得到不同波束方向、不同时间所对应的能量，将其绘制成图像可得时间方位能量图。以声纳发射信号自相关为基础建立目标模型、中心点遍历建立超完备目标字典，利用压缩感知算法对时间方位能量图进行稀疏表示去除噪声干扰，从而判断目标存在与否及其具体位置。

本发明的目的是这样实现的：步骤如下：

步骤一：获得主动声纳多通道接收数据；

步骤二：生成时间方位能量图；

步骤三：建立目标模型；

步骤四：建立超完备目标字典；

步骤五：图像稀疏表示；

步骤六：目标存在性判定，基于稀疏表示系数定义稀疏集中度指标，设置阈值，若稀疏集中度指标大于等于阈值，则目标存在，进行步骤七；若稀疏集中度指标小于阈值，则判断该时间方位能量图中不存在目标；

步骤七：目标定位：输出目标所在通道、对应时延，实现目标定位。

本发明还包括这样一些结构特征：

1.步骤二具体是：声纳多波束主动探测目标时获取多个通道的接收数据，定义通道数为N；分别将N个通道的接收数据进行匹配滤波处理，取包络，数据点数为L；以时间为x轴，以通道编号为y轴，以能量为z轴，绘制时间方位能量图，对应能量矩阵为N×L维；假设每个时间方位能量图中目标个数不超过n个，即设定稀疏度。

2.步骤三具体是：基于目标回波匹配滤波处理后在没有噪声干扰的情况下所得波形可近似为发射信号自相关波形的特点，利用声纳发射信号自相关后的包络建立目标模型。

3.步骤四具体是：将目标模型的中心点在时间方位能量图中遍历，生成超完备目标字典；

以时间方位能量图为范围，令目标模型的中心点在每个通道、每个时延处遍历，生成超完备目标字典；第i个子字典D_i为w×h维矩阵，其中w＝N、h＝L，i＝1,2,…,K，K为目标子字典总个数；将每个子字典转化为列向量可得v^d×1，其中d＝w·h；转化后的超完备目标字典D＝[v₁,v₂,…,v_K]∈R^d×K。

4.步骤五具体是：利用压缩感知算法对时间方位能量图进行求解，利用步骤二得到的时间方位能量图与步骤四得到的超完备目标字典，采用正交匹配追踪算法求解，获得最优稀疏表示系数解，具体包括：

5.1.将时间方位能量图对应能量矩阵转化为列向量y，初始化残差r⁰＝y，索引集

迭代次数t＝1；

5.2.找出残差r和超完备目标字典D的列v_j的积最大值所对应的角标，即λ^t＝argmax_{j＝1,2,…,K}|<v_j,r^t-1>|；

5.3.更新索引集Λ^t＝Λ^t-1∪{λ^t}，记录超完备目标字典中重建原子集合

5.4.由最小二乘得到稀疏表示系数

5.5.更新残差

迭代次数t＝t+1；

5.6.判断是否满足t＞n，若满足，则停止迭代，进行下一步；若不满足，则重复5.2～5.5；

5.7.输出最优稀疏表示系数解

6.步骤六中，定义稀疏集中度指标

其中，

为第i个子字典D_i对应的稀疏表示系数，设置阈值τ，阈值可由相同条件下仅背景噪声的稀疏表示系数对应的稀疏集中度指标值表示。

7.步骤七具体是：利用超完备目标字典与稀疏表示系数解重构时间方位能量图，从而判断目标所在通道及其对应时延，通道为方位角度，对应时延为目标与声纳之间的距离，实现目标定位。

与现有技术相比，本发明的有益效果是：本发明以主动声纳多波束探测目标时的接收数据经匹配滤波处理得到的时间方位能量图为基础，通过建立目标模型、建立超完备目标字典，利用压缩感知算法将图像稀疏表示，求解最优稀疏表示系数解，计算稀疏集中度指标以判断图像中目标存在与否，再利用最优稀疏表示系数解重构时间方位能量图，滤除大部分噪声干扰，从而实现水下弱目标的检测与定位。

附图说明

图1是本发明方法流程图；

图2是匹配滤波后取包络的时间方位能量图；

图3是稀疏度为8的重构时间方位能量图；

图4是最优稀疏表示系数解；

图5是稀疏度为1的重构时间方位能量图。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

本发明是一种基于图像稀疏表示的水下弱目标检测方法，包括时间方位能量图生成模型、目标模型及超完备目标字典建立模型、图像稀疏表示模型、目标检测及定位模型四部分：

时间方位能量图生成模型：

步骤1：获得主动声纳多通道接收数据。

步骤1中，声纳主动探测目标时常采用多波束工作方式，即在一定空间范围内多个波束同时工作，从而获取多个通道的接收数据，定义通道数为N。

步骤2：生成时间方位能量图。对主动声纳多通道接收数据进行匹配滤波处理，取包络，以通道编号为纵轴，时间为横轴，绘制时间方位能量图。

步骤2中，分别将N个通道的接收数据进行匹配滤波处理，取处理后波形的包络，数据点数为L。以时间为x轴，以通道编号为y轴，以能量为z轴，绘制时间方位能量图，对应能量矩阵为N×L维。假设每个时间方位能量图中目标个数不超过n个(即设定稀疏度)。

目标模型及超完备目标字典建立模型：

步骤3：建立目标模型。利用声纳发射信号自相关后的包络建立目标模型。

步骤3中，由于主动声纳是根据接收到的目标回波完成目标检测的，因此对目标回波进行匹配滤波处理，在没有噪声干扰的情况下所得波形可近似为发射信号自相关波形，以此为基础建立目标模型。

步骤4：建立超完备目标字典。将目标模型的中心点在时间方位能量图中遍历，生成超完备目标字典。

步骤4中，以时间方位能量图为范围，令目标模型的中心点在每个通道、每个时延处遍历，生成超完备目标字典。第i个子字典D_i为w×h维矩阵，其中w＝N、h＝L，i＝1,2,…,K，K为目标子字典总个数。将每个子字典转化为列向量可得v^d×1，其中d＝w·h。转化后的超完备目标字典D＝[v₁,v₂,…,v_K]∈R^d×K。

图像稀疏表示模型：

步骤5：图像稀疏表示。利用压缩感知算法对时间方位能量图进行求解，获得最优稀疏表示系数解。

步骤5中，利用步骤2得到的时间方位能量图与步骤4得到的超完备目标字典，采用正交匹配追踪(OMP)算法求解，获得最优稀疏表示系数解。其具体实现过程总结如下：

1.将时间方位能量图对应能量矩阵转化为列向量y，初始化残差r⁰＝y，索引集

迭代次数t＝1；

2.找出残差r和超完备目标字典D的列v_j的积最大值所对应的角标，即λ^t＝argmax_{j＝1,2,…,K}|<v_j,r^t-1>|；

3.更新索引集Λ^t＝Λ^t-1∪{λ^t}，记录超完备目标字典中重建原子集合

4.由最小二乘得到稀疏表示系数

5.更新残差

迭代次数t＝t+1；

6.判断是否满足t＞n，若满足，则停止迭代，进行下一步；若不满足，则重复2～5；

7.输出最优稀疏表示系数解

目标检测及定位模型：

步骤6：目标存在性判定。定义稀疏集中度指标，设置阈值，若稀疏集中度指标大于等于阈值，则目标存在，进行步骤7；若稀疏集中度指标小于阈值，则判断此时间方位能量图中不存在目标。

步骤6中，定义稀疏集中度指标

其中，

为第i个子字典D_i对应的稀疏表示系数。设置阈值τ，当满足

条件时，判断该时间方位能量图中存在目标，进行步骤7；若不满足该条件，则判断此时间方位能量图中不存在目标。其中，阈值可由相同条件下仅背景噪声的稀疏表示系数对应的稀疏集中度指标值表示。

步骤7：目标定位：输出目标所在通道、对应时延。利用超完备目标字典与稀疏表示系数解重构时间方位能量图，从而判断目标所在通道(方位角度)及其对应时延(目标与声纳之间的距离)，实现目标定位。

步骤7中，重构时间方位能量图，公式如下：

再将列向量

恢复成能量矩阵，可得到去除大部分噪声干扰的图像，

中非零元素对应字典代表目标位置，即目标所在通道(方位角度)及其对应时延(目标与声纳之间的距离)。

本发明的关键点和欲保护点：

1.首先，需要保护的是：基于主动声纳多波束探测目标时的接收数据经匹配滤波处理得到的时间方位能量图，本方法提出的基于图像稀疏表示的水下弱目标检测方法框架和理论过程。

2.其次，本方法采用发射信号自相关波形作为目标模型，以此为基础建立超完备字典，模型简单且计算效率高，通过压缩感知算法可实现对水下弱目标的有效检测与定位。

3.再次，本方法中压缩感知算法虽采用了正交匹配追踪(OMP)算法，但不限于此种压缩感知方法，其他贪婪算法如子空间追踪(SP)算法均可替代本方法中的正交匹配追踪(OMP)算法，从而达到相似的效果。

4.最后，本方法采用稀疏集中度指标作为目标存在性判断准则，利用水下目标对应稀疏表示系数与背景噪声对应稀疏表示系数的特征差别设置阈值τ。

现利用仿真分析阐述本发明的有益效果：

假设在声纳主动探测过程中，10个波束同时工作，观测时间为1s；声纳发射信号为中心频率500Hz的CW脉冲信号，脉宽0.05s，采样频率5kHz；每个通道匹配滤波取包络后数据点数为5000；观测时间内目标个数不超过8个；含目标通道接收信号信噪比为-23dB；稀疏集中度指标阈值为0.42。更改设置稀疏度为1(等于真实目标个数)，观察重构后的时间方位能量图。

图2为匹配滤波后取包络的时间方位能量图，图3为稀疏度为8的重构时间方位能量图，图4为最优稀疏表示系数解。稀疏集中度指标

大于阈值，可判定目标存在；目标所在通道为4通道，对应时延0.5000s(真实值：4通道0.5s时延)。图5为稀疏度为1(等于真实目标个数)的重构时间方位能量图，目标所在通道为4通道，对应时延0.5000s。由此可见，本方法可重构时间方位能量图，滤除大部分噪声干扰，实现水下弱目标的检测与定位。

Claims (1)

1.一种基于图像稀疏表示的水下弱目标检测方法，其特征在于：步骤如下：

步骤一：获得主动声纳多通道接收数据；

步骤二：生成时间方位能量图；

声纳多波束主动探测目标时获取多个通道的接收数据，定义通道数为N；分别将N个通道的接收数据进行匹配滤波处理，取包络，数据点数为L；以时间为x轴，以通道编号为y轴，以能量为z轴，绘制时间方位能量图，对应能量矩阵为N×L维；假设每个时间方位能量图中目标个数不超过n个，即设定稀疏度；

步骤三：建立目标模型；

基于目标回波匹配滤波处理后在没有噪声干扰的情况下所得波形可近似为发射信号自相关波形的特点，利用声纳发射信号自相关后的包络建立目标模型；

步骤四：建立超完备目标字典；

将目标模型的中心点在时间方位能量图中遍历，生成超完备目标字典；

以时间方位能量图为范围，令目标模型的中心点在每个通道、每个时延处遍历，生成超完备目标字典；第i个子字典D_i为w×h维矩阵，其中w＝N、h＝L，i＝1,2,…,K，K为目标子字典总个数；将每个子字典转化为列向量可得v^d×1，其中d＝w·h；转化后的超完备目标字典D＝[v₁,v₂,…,v_K]∈R^d×K；

步骤五：图像稀疏表示；

利用压缩感知算法对时间方位能量图进行求解，利用步骤二得到的时间方位能量图与步骤四得到的超完备目标字典，采用正交匹配追踪算法求解，获得最优稀疏表示系数解，具体包括：

5.1.将时间方位能量图对应能量矩阵转化为列向量y，初始化残差r⁰＝y，索引集

迭代次数t＝1；

5.2.找出残差r和超完备目标字典D的列v_j的积最大值所对应的角标，即λ^t＝argmax_{j＝1,2,…,K}|〈v_j,r^t-1>|；

5.3.更新索引集Λ^t＝Λ^t-1∪{λ^t}，记录超完备目标字典中重建原子集合

5.4.由最小二乘得到稀疏表示系数

5.5.更新残差

迭代次数t＝t+1；

5.6.判断是否满足t＞n，若满足，则停止迭代，进行下一步；若不满足，则重复5.2～5.5；

5.7.输出最优稀疏表示系数解

步骤六：目标存在性判定，基于稀疏表示系数定义稀疏集中度指标，设置阈值，若稀疏集中度指标大于等于阈值，则目标存在，进行步骤七；若稀疏集中度指标小于阈值，则判断该时间方位能量图中不存在目标；

定义稀疏集中度指标

其中，

为第i个子字典D_i对应的稀疏表示系数，设置阈值τ，阈值可由相同条件下仅背景噪声的稀疏表示系数对应的稀疏集中度指标值表示；

步骤七：目标定位：输出目标所在通道、对应时延，实现目标定位；

利用超完备目标字典与稀疏表示系数解重构时间方位能量图，从而判断目标所在通道及其对应时延，通道为方位角度，对应时延为目标与声纳之间的距离，实现目标定位。

Images