CN112164079A - 一种声呐图像分割方法 - Google Patents

Abstract

本发明公开一种声呐图像分割方法，对声呐图像进行滤波处理，得到第一图像；在第一图像中定位目标亮区，利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，并将增强后的目标亮区叠加所述第一图像中，得到第二图像；利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，得到第三图像；对所述第三图像进行后处理，得到最终的分割图像。本发明可以提高目标亮区、目标暗区和混响区的分割准确性，分割图像噪声低，分割效果显著提升。

Description

一种声呐图像分割方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种声呐图像分割方法。

背景技术

水声探测是海军国防、海洋资源开发等领域中的重要技术，主要是利用声呐在水下发射声音脉冲，声音脉冲波撞击水下目标时会发生散射，将探测到的回波信号进行叠加后生成声呐图像，并对声呐图像进行处理以识别水下目标。

受水下环境影响，声呐图像的成像特征包括水下目标对应的目标亮区(简称亮区)、水下目标的阴影对应的目标暗区(简称暗区)，其余部分由较小的黑色/白色斑点、噪声以及背景区域构成的混响区。声呐图像分割的目的在于将目标亮区、目标暗区以及混响区进行区分，从而提取用于识别水下目标的感兴趣区域。

声呐图像分割中应用最广泛的是直方图阈值法，该方法认为灰度概率分布的最佳分割与图像的目标区域有关，直方图的波谷可能表示原始图像中的目标区域，但除了灰度特征外，灰度直方图几乎不携带其他图像特征，例如空间信息等，无法实现声呐图像的精准分割。而另一种是基于熵算法的声呐图像分割，研究方向主要集中在阈值选取的合理性以及速度上，该方法一般将声呐图像看作是带有散斑噪声且分辨率低的光学灰度图像来处理，却忽略了声呐图像的成像特点，仍无法取得良好的分割效果。

发明内容

本发明提供一种声呐图像分割方法，以解决声呐图像分割准确性低、分割效果差的问题。本申请提供的声呐图像分割方法，包括：

对声呐图像进行滤波处理，得到第一图像；

在第一图像中定位目标亮区，利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，并将增强后的目标亮区叠加所述第一图像中，得到第二图像；

利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，得到第三图像；

对所述第三图像进行后处理，得到最终的分割图像。

本申请提供的声呐图像分割方法主要包括滤波、目标亮区的局部增强、基于二维模糊加权的Tsallis熵分割以及后处理这几个环节。首先对声呐图像进行滤波，使声呐图像既有良好的边缘保持效果，又能对混响区噪声起到平滑作用；然后基于目标亮区在边缘检测图上的分布特性和形态学理论，定位目标亮区，并对目标亮区进行膨胀处理，从而实现目标亮区的增强，从而提高目标亮区分割的正确率；在图像分割方面，对传统的二维模糊Tsallis熵算法进行了加权处理，得到改进后的基于二维直方图模糊加权Tsallis熵分割算法，具有良好的去噪能力，可以提高目标亮区、目标暗区和混响区的分割准确性；由于声呐图像阈值分割后仍然存在噪声或目标失真的现象，本文在分割后增设后处理环节，以进一步降噪，提高声呐图像的分割效果。

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中示例性示出了一种声呐图像分割方法的流程图；

图2中示例性示出了声呐图像的示意图；

图3中示例性示出了DCT滤波后得到的第一图像的示意图；

图4中示例性示出了由Robert算子计算得到的边缘检测图像；

图5(a)中示例性示出了目标暗区与混响区的边缘左侧特征图像；

图5(b)中示例性示出了目标暗区与混响区的边缘右侧特征图像；

图6中示例性示出了对边缘检测图像进行局部定位预处理后得到的除干扰图像；

图7(a)中示例性示出了未进行局部定位预处理时的行数直方图；

图7(b)中示例性示出了未进行局部定位预处理时的列数直方图；

图7(c)中示例性示出了进行局部定位预处理后的行数直方图；

图7(d)中示例性示出了进行局部定位预处理后的列数直方图；

图7(e)中示例性示出了对图7(c)进行滤波后的行数直方图；

图7(f)中示例性示出了对图7(d)进行滤波后的列数直方图；

图8中示例性示出了未进行局部定位预处理时目标亮区的定位图；

图9中示例性示出了进行局部定位预处理和直方图滤波后的定位图；

图10中示例性示出了目标亮区的膨胀图；

图11中示例性示出了定位图和膨胀图叠加后的示意图；

图12中示例性示出了增强后的第二图像的示意图；

图13中示例性示出了二维直方图的示意图；

图14中示例性示出了波谷权值系数图；

图15中示例性示出了对角线权值系数图；

图16中示例性示出了加权函数图；

图17中示例性示出了使用常规Tsallis熵分割算法得到分割效果图；

图18中示例性示出了使用基于二维直方图模糊加权Tsallis熵分割算法得到的第三图像；

图19中示例性示出了已知阴影特征时后处理得到的分割图像；

图20中示例性示出了未知阴影特征时后处理得到的分割图像；

图21(a)中示例性示出了从第三图像提取出的亮区图像；

图21(b)中示例性示出了从第三图像提取出的暗区图像；

图22(a)中示例性示出了亮区图像滤波后的示意图；

图22(b)中示例性示出了暗区图像滤波后的示意图；

图23中示例性示出了图22(a)和图22(b)叠加后得到的分割图像；

图24中示例性示出了对暗区图像进行膨胀处理的效果图；

图25中示例性示出了对图24进行等次腐蚀处理的效果图；

图26中示例性示出了目标暗区的轮廓图像；

图27中示例性示出了利用基于数学形态学的后处理方式得到的分割图像。

具体实施方式

为使本申请的目的、实施方式和优点更加清楚，下面将结合本申请示例性实施例中的附图，对本申请示例性实施方式进行清楚、完整地描述，显然，所描述的示例性实施例仅是本申请一部分实施例，而不是全部的实施例。

基于本申请描述的示例性实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请所附权利要求保护的范围。此外，虽然本申请中公开内容按照示范性一个或几个实例来介绍，但应理解，可以就这些公开内容的各个方面也可以单独构成一个完整实施方式。

需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。

本申请中说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别类似或同类的对象或实体，而不必然意味着限定特定的顺序或先后次序，除非另外注明(Unless otherwise indicated)。应该理解这样使用的用语在适当情况下可以互换，例如能够根据本申请实施例图示或描述中给出那些以外的顺序实施。

此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖但不排他的包含，例如，包含了一系列组件的产品或设备不必限于清楚地列出的那些组件，而是可包括没有清楚地列出的或对于这些产品或设备固有的其它组件。

在2kHz～16kHz的频率范围内，声呐源发射短时宽带啁啾的声音脉冲信号，声音脉冲信号通过声呐源发射端的功率放大器和驱动传感器后发射到水下环境中，声音脉冲信号撞击到海底或目标时会发生散射；探测器在探测时，基于物体或目标的高反射性，会探测到回波信号，通过对回波信号进行处理和叠加，从而生成声呐图像。本申请就是对声呐图像进行分割处理。

其中，声呐图像具有比较显著的成像特征，成像特征包括水下目标对应的目标亮区(简称亮区)、水下目标的阴影对应的目标暗区(简称暗区)，其余部分由较小的黑色/白色斑点、噪声以及背景区域构成的混响区。声呐图像的分割是声呐图像处理任务中很重要的一项，即需要准确地将目标亮区、目标暗区和混响区进行分割和区分，从而提取用于识别水下目标的感兴趣区域。下面将详细介绍声呐图像分割方法的具体实施例。

如图1提供的声呐图像分割方法，所述方法包括：

步骤S10，对声呐图像进行滤波处理，得到第一图像。

图2示出了一帧原始声呐图像，由该声呐图像可见，探测到的目标为海底沉船，海底沉船的船体为目标亮区，声呐源从船体左侧发射声音脉冲信号，使得船体右侧形成阴影，该阴影覆盖的区域即为目标暗区，除目标亮区和目标暗区之外的其他区域主要为背景区域，图2中混响区噪声较少，说明该海域水质杂质较少，声呐图像最左侧混响区的灰度偏暗，说明声呐源距离船体目标相对较近或者距离海底距离较远。

在一些实施例中，优选DCT(Discrete Cosine Transform，离散余弦变换)滤波，混响区噪声一般集中在中高频部分，在进行DCT滤波时保留低频部分，中高频部分直接置零，从而达到去除中高频噪声的目的。图3示出了DCT滤波后得到的第一图像，从图3中可以看出，海底混响区的噪声降低，而且目标亮区和目标暗区的保留效果很好，尤其是边缘信息没有因去噪而畸变，保证后续分割的准确性，因此DHC滤波既有良好的边缘保持效果，又能对混响区噪声起到平滑作用，在声呐图像滤波方面具有良好的处理效果。需要说明的是，本申请对滤波方式不做限定。

步骤S20，在第一图像中定位目标亮区，利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，并将增强后的目标亮区叠加所述第一图像中，得到第二图像。

步骤S20的关键在于两部分，即目标亮区的定位和增强，增强后的声呐图像可以进一步提升分割的效果和准确性。

在一些实施例中，定位目标亮区时，首先需要对步骤S10得到的第一图像进行边缘检测，然后对边缘检测图像进行局部定位预处理，以消除干扰的边缘检测点，最后利用基于直方图阈值分割的局部定位算法，定位所述目标亮区。

在一些实施例中，可以采用相关的边缘检测算子实现第一图像的边缘检测，比如Canny算子、Log算子、Robert算子、Sobel算子、Prewitt算子等。申请人对这五种常用的边缘检测算子分别进行了测试，图4示出了Robert算子计算得到的边缘检测图像，Robert算子的检测点数是最少的，去噪效果也最好，混响区噪声与目标亮区的边缘检测结果区别更大，尤其是垂直方向上，目标暗区与混响区的交界边缘检测点明显减少，从而有利于目标亮区的定位，因此可优选Robert算子对第一图像进行边缘检测。边缘检测时使用的算子类型不做限定。

边缘检测完成后，虽然Robert算子可以对目标亮区起到较好的定位效果，但是目标暗区和混响区之间产生的梯度，以及混响区中散斑噪声产生的梯度仍会对目标亮区的定位产生干扰，因此需要进行局部定位预处理，去除或减少这些干扰因素，尤其是目标暗区和混响区产生干扰的边缘检测点。

在一些实施例中，目标暗区和混响区产生的边缘检测点是梯度值较大的点，目标暗区与混响区的交界区的左侧为目标暗区，整体灰度值较小(在0～100范围内)；交界区的右侧为海底混响区，整体灰度值较大(100～200之间)。整体灰度值通过特征图像来表示，获取特征图像需要使用第一图像的扩充图像，以及边缘检测图像的扩充图像，通过建立扩充图像来计算像素点左侧和右侧的整体灰度值。先提出原始的声呐图像的行数和列数，再创建一张扩充图像，当边缘检测图像的扩充图像灰度值为255(即白色)时，计算对应位置的特征值，下面将给出特征图像的特征值计算方式。

边缘检测图像的扩充图像的特征值计算公式为：

上式中，f表示边缘检测图像，g表示边缘检测图像的扩充图像，i为扩充图像的行数序号，j为扩充图像的列数序号，n′为需要扩充的列数，j_max为能够扩充的最大列数。图5(a)示出了目标暗区与混响区的边缘左侧特征图像，图5(b)示出了目标暗区与混响区的边缘右侧特征图像，其中图5(a)中特征值的计算公式为：

图5(b)中特征值的计算公式为：

上述两个公式中，Left(i，j)为目标暗区与混响区的边缘左侧特征图像的像素值；Right(i，j)为目标暗区与混响区的边缘右侧特征图像的像素值；I表示第一图像的扩充图像；i＝(1,2，…，m)，m为声呐图像的行数；j＝(1,2，…，n+n′)，n为声呐图像的列数；Edge_extend表示边缘检测点的灰度值；α为可调节的参数。比如当在原图的基础上左右各扩充8列(即n′＝8)时，α不能超过8，α取值多大时，无法体现该像素点处的临侧特征，若α取值太小时，又不能准确描述左右两侧特征，所以α的取值应大于3且小于或等于8，本文这里α取值为7。

利用左右两侧特征对部分边缘检测点进行去除，目标暗区与混响区的交界左侧特征值低，右侧特征值高，利用这样的特点，将部分目标暗区与混响区交界的边缘检测点移除。因为目标暗区的灰度值很小，不会超过混响区的灰度值，因此左侧特征图像的阈值设置不应超过150，如果阈值设置过高(如130)，描述的是混响区阈值特性而不是目标暗区特性，阈值设置过低(如10)，所包含的目标暗区特征点过少，因此左侧特征图像的阈值选取在50-90之间，将灰度值介于50-90的点进行标记。

如果右侧特征图像的阈值设置过高(如200)，描述的是目标亮区特性，而不是混响区特性，若右侧特征图像的阈值设置过低(如20)，描述的点包括了很大一部分目标暗区特性，因此本文将右侧特征图像的阈值设置为50-150，将灰度值介于50-150的点进行标记。本文经过大量实验发现海底混响区的灰度值大部分介于50-150之间。

对边缘检测图像进行局部定位预处理后得到的除干扰图像如图6所示，相较于图4的边缘检测图像，图6中移除了目标暗区与混响区交界处的干扰点，除干扰图像的边缘检测点个数明显减少，目标亮区内部的一些边缘检测点若同样满足这样的特征也会被移除。经过局部定位预处理(除干扰)的操作后，相对增加了目标亮区的所占比，有助于下一步的目标亮区定位。

当局部定位预处理完成后，则进入实际的目标亮区定位环节。在一些实施例中，借鉴一维直方图阈值分割的思想，提出一种基于行列数直方图阈值分割的局部定位算法，该算法利用本申请定义的行数直方图和列数直方图，通过寻找直方图中的阈值来定位目标亮区。

其中，行数直方图和列数直方图的定义为：行数直方图是通过统计所得到的边缘检测图像的行数，将行数作为横坐标，统计每一行边缘检测点(即灰度值为255的点)出现的个数，将每一行对应的边缘检测点出现的个数作为纵坐标，即得到行数直方图；列数直方图是通过统计所得到的边缘检测图像的列数，将列数作为横坐标，统计每一列边缘检测点(即灰度值为255的点)出现的个数，将每一列对应的边缘检测点出现的个数作为纵坐标，即得到列数直方图。

由于受到散斑噪声影响以及目标亮区自身形状的不规则性，混响区与目标亮区的交界、目标亮区与目标暗区的交界、由自身形状造成的亮区内部产生的虚阴影与目标亮区产生的交界，这些交界将使得目标亮区的边缘检测点较为集中，通过找到这些集中的边缘检测点就能找到目标亮区的大致位置，因此合理地假设边缘检测点出现最多的地方位于亮区内部。以行数直方图为例，图中最值点即为我们要找的检测点，在最值点附近出现零点的位置就是我们要找的阈值点。

接下来进行定位实验测试，得到图7(a)～图7(f)。由图7(a)和图7(b)可以直观看出，频率在横坐标分布较宽，反应了目标亮区在图像的位置相对较大，我们期望最高波峰出现在亮区内部，最高波峰两侧的零点波谷出现在亮区边缘，而这样统计出来的直方图，很难保证亮区内部不会出现零点波谷点，并且由于没有去噪，也无法保证零点波谷位于亮区边缘。采用图7(a)和图7(b)定位目标亮区的效果如图8所示，直接在基于Robert算子的边缘检测图像上定位，定位的目标亮区的结果偏大，而且由于没有去噪，定位的目标亮区包含很多非亮区的边缘检测点，不仅定位不精准，还不利于后续的亮区增强。

图7(a)和图7(b)的方框中的噪声会直接影响定位的准确性，由图7(c)和图7(d)可以直观看出，方框框定的部分相比图7(a)和图7(b)具有良好的去噪效果，框内噪声基本被移除，并出现零点波谷点。但是依旧不适合直接利用图7(c)和图7(d)进行定位，这是由于除噪使得亮区内部点减少，将会给定位带来影响，这种影响体现在亮区内部出现了零点波谷点，图7(c)和图7(d)中黑色箭头所指的位置即是去噪后亮区内部产生的零点波谷点，这些点将会导致定位失败。

图7(e)和图7(f)是分别对图7(c)和图7(d)进行一维均值滤波后得到，均值滤波的窗口大小为5，由图可见均值滤波后消除了之前亮区内部存在的零点波谷点，整个目标亮区的频率分布更集中，可以明显看出波峰两侧的零点波谷点，其中上方的箭头指向波峰，下方两个箭头指向要找的零点波谷点，零点波谷点即为所求阈值，同样也是目标亮区的定位坐标。采用图7(e)和图7(f)定位目标亮区的效果如图9所示，可以明显看出相较于图8，不仅定位范围更小、更精准，并且所定位的目标亮区包含噪声很少，定位准确才能保证目标亮区增强的准确。

当目标亮区定位完成后，即可对图像中局部的目标亮区进行膨胀增强处理。在一些实施例中，本申请采用基于数学形态学膨胀的增强方法，通过对定位的亮区的边缘检测点进行膨胀以实现增强，然而对定位图像进行膨胀处理会将边缘一并膨胀，造成边缘发生畸变，因此需要对所定位的图像进行约束，将膨胀操作的范围缩小。

在一些实施例中，可以设定约束条件，该约束条件可以限制哪些点需要进行膨胀，或者哪些点需要被移除而不必接受膨胀，遍历目标亮区，获取与约束条件匹配的待膨胀处理的边缘检测点，并将与约束条件不匹配的边缘检测点移除，即通过约束条件使得待膨胀处理的边缘检测点减少。例如，遍历图9中的每一行，将每一行的第一个、第二个、倒数第一个和倒数第二个边缘检测点移除，只对剩余部分的边缘检测点进行膨胀处理，得到如图10所示目标亮区的膨胀图，由图10显而易见的是目标亮区被增强了。

本申请对比了diamond算子、disk算子、line算子、octagon算子、rectangle算子、square算子、cube算子、cuboid算子、sphere算子、arbitrary算子的膨胀效果，发现disk算子的膨胀效果更好，膨胀参数可根据实际应用进行设置，比如设置为3，膨胀算法可参照相关现有技术，本实施例不再赘述。

在增强目标亮区的同时，为了使目标亮区的边缘也得到增强效果，可以将图10的膨胀图叠加到图9的定位图上，从而得到图11，然后将图11中白色部分作为增强效果再次叠加到图3所示的第一图像上，从而得到如图12所示的增强后的第二图像。图12可以看出目标船体的增强效果很明显，由于第二图像中增强部分主要集中在目标亮区，可以提高声呐图像整个分割识别的正确率。

步骤S30，利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，得到第三图像。

步骤S10和步骤S20可以统称为声呐图像的分割预处理，步骤S30则是核心的分割处理过程，其原理是通过熵方法求取二维直方图的两个阈值向量，将二维直方图上坐标原点到第一个阈值向量的矩形部分视为目标暗区，将第二个阈值向量到坐标终点的矩形部分视为目标亮区，其余部分视为混响区，从而得到一个仅有黑灰白组成的分割图像，其中白色代表目标亮区，黑色代表目标暗区，灰色代表混响区。

本申请提供一种改进的基于二维直方图模糊加权Tsallis熵分割算法，该熵分割算法是利用波谷权值系数和对角线权值系数进行加权处理，期望二维直方图对角线附件的波谷处权重增加，不仅利用二维直方图上阈值点处的信息，而且要考虑阈值点领域的信息，使阈值的选取更符合声呐图像上目标亮区和目标暗区的分布特性。

在一些实施例中，利用波谷权值系数和对角线权值系数，计算加权函数，根据加权函数和第二图像的二维模糊Tsallis熵，基于最大熵机制，求解最优阈值向量，并根据所述最优阈值向量，利用图像阈值分割方法，对第二图像中的目标亮区、目标暗区和混响区进行分割。图13示出二维直方图，用于描述原图的灰度值以及DCT滤波值的联合概率；图14示出波谷权值系数图，用于描述二维直方图概率分布的起伏程度，数值越大代表对应的区域越凸，反之数值越小代表对应的区域越凹；图15示出对角线权值系数图，用于描述二维直方图对角线的趋近程度，对角线权值系数图不随输入图像的变化而变化，数值越大代表越远离对角线，反之数值越小代表越趋近对角线；图16示出加权函数图，用于描述二维直方图对角线附近的波谷，数值越大代表是对角线附近的波谷的可能性越大，反之数值越小代表是对角线附近的波谷的可能性越小。

在一些实施例中，按照如下方式求解最优阈值向量：

(a_1xa_2xb_1xb_2x)＝argmax(S×w(a_1x,b_1x)×w(a_2x,b_2x))

(a_1xa_2xb_1xb_2x)表示最优阈值向量，S表示二维模糊Tsallis熵，加权函数w(i,j)表示为：

w(i,j)＝1-H(i,j)-A(i,j)

对角线权值系数A(i,j)表示为：

A(i,j)＝|i-j|÷100

波谷权值系数H(i,j)表示为：

H(i,j)＝h(i-m,j-m)+h(i-m,j-m+1)…+h(i-m,j+m)

+h(i-m+1,j-m)+h(i-m,j-m+1)…

+h(i-m+1,j+m)

+…

+h(i+m,j-m)+h(i+m,j-m+1)+…+h(i+m,j+m)

其中，m为二维直方图的邻域，h为二维直方图灰度-灰度均值的联合概率，i为二维直方图的x轴坐标，j为二维直方图的y轴坐标。

其中，二维模糊Tsallis熵S可通过如下公式计算：

S＝S_d+S_s+S_r+(1-q)²×S_dS_sS_r

S_d为目标暗区的Tsallis熵，S_s为混响区的Tsallis熵，S_r为目标亮区的Tsallis熵，q为固定参数，可通过试验获得。

目标暗区的Tsallis熵S_d的计算公式为：

混响区的Tsallis熵S_s的计算公式为：

目标亮区的Tsallis熵S_r的计算公式为：

上述三个熵计算公式中，p_(i,j)为二维直方图灰度-灰度领域均值的联合概率，P_d(i,j)为目标暗区的联合概率，P_s(i,j)为混响区的联合概率，P_r(i,j)为目标亮区的联合概率，L₁为x轴分向量最大灰度值，L₂为y轴分向量最大灰度值，U_dx为目标暗区在二维直方图x方向的隶属度，U_dy为目标暗区在二维直方图y方向的隶属度，U_sx为混响区在二维直方图x方向的隶属度，U_sy为混响区在二维直方图y方向的隶属度，U_rx为目标亮区在二维直方图x方向的隶属度，U_ry为目标亮区在二维直方图y方向的隶属度。

目标亮区、目标暗区和混响区在二维直方图y方向的隶属度的计算方法与x方向的隶属度基本相同，这里不再赘述。其中k为隶属度函数在二维直方图x方向的变量参数。

隶属度函数中其他参数满足：

目标暗区的联合概率P_d(i,j)的计算公式为：

混响区的联合概率P_s(i,j)的计算公式为：

目标亮区的联合概率P_r(i,j)的计算公式为：

其中，U_d为目标暗区的隶属度，U_s为混响区的隶属度，U_r为目标亮区的隶属度。

U_d＝U_dxU_dy

U_s＝U_sxU_sy

U_r＝U_rxU_ry

图16所示的加权函数图中z轴坐标表征权值，x轴为二维直方图中x轴坐标，y轴为二维直方图中y轴坐标。加权函数包括两部分：一部分是波谷权值系数，可以直观看出二维直方图波峰波谷的起伏程度；另一部分为对角线权值系数，可以明显看出对角线和周围的区别，以及清晰描述对角线附近波谷的起伏程度，由于二维直方图尺寸是固定的，因此对角线权值系数不随图像变化。

图17示出了使用常规Tsallis熵分割算法得到分割效果，由图17可以直观看出图像左侧出现了大面积的黑色区域，这是由于声呐源发射的一部分声音脉冲信号(声波)还未到海底时，就已经通过振动周围海水产生了微弱的回波信号，探测器接收到这样的回波信号，在声呐图像上最先接收到信号强度较弱，即因此最先获得的信号能量很少，反应在声呐图像就呈现了左侧较暗的阴影现象，并且图17中存在较多的噪声，而不能将图像中的噪声划分到混响区。此外，在面对不同水下环境条件和目标的声呐图像时，该算法在识别目标暗区和混响区时会发生一定的波动，即应用于声呐图像分割处理中具有不稳定性。

图18中示例性示出了使用本申请基于二维直方图模糊加权Tsallis熵分割算法得到的第三图像，可以明显看出声呐图像取得非常好的去噪效果，并且避免了图像左侧出现的黑影问题，通过对目标亮区进行膨胀增强，使得目标亮区的特征更为显著，本申请的分割算法整体上提高了声呐图像中目标亮区、混响区和目标暗区识别的正确率，并且具有较强的稳定性，目标亮区膨胀增强和改进后的熵分割算法的结合，有效提高了声呐图像分割的效果和准确性。

步骤S40，对所述第三图像进行后处理，得到最终的分割图像。

步骤S30中已经完成了熵阈值分割，但是分割之后得到的第三图像依然存在噪声，因此在步骤S40中进一步对第三图像后处理，主要从有无阴影先验知识、完全无先验知识，以及基于数学形态学的分割后处理角度，提供几种后处理方式。

在一些实施例中，根据声呐源的方位和声波发射方向，并基于目标阴影的投影规律等因素，假设已知阴影特征的先验知识为目标阴影的高度小于目标亮区的高度，即目标被投射后产生的影子在高度上(图中纵向)被缩小，则可以通过寻找第三图像中目标亮区最左侧坐标、最高点和最低点，来进行后处理。

在一些实施例中，可以将目标亮区的最高点之上的区域，以及目标亮区的最低点之下的区域置灰，所述置灰用于标记所在区域为混响区。即当目标阴影的高度小于目标亮区的高度时，目标亮区和目标暗区在高度上一定都位于最高点和最低点之间，因此根据最高点和最低点可划定两条临界线，在两条临界线之外的区域会被置灰，以标记并呈现为混响区，从而去除部分噪声。

在一些实施例中，根据声呐源的方位，可以确定目标阴影相对于目标亮区的方位，将目标亮区与目标阴影的方位相反一侧的区域置灰，所述置灰用于标记所在区域为混响区。比如，由图18的成像特性可以看出声呐源是在目标船体的左侧，因此目标的阴影(即目标暗区)势必呈现在目标船体的右侧，而不会呈现于目标船体的左侧，即目标暗区和声呐源位于船体相反的两侧方位处，因此可以找到目标亮区的最左点，并将最左点以左的区域置灰，即通过最左点划定了一条分界线，将分界线远离目标亮区一侧的区域置灰，从而使该区域被标记并呈现为混响区，从而去除部分噪声。在更具体的实现中，可包括如下步骤：

步骤A1：将第三图像进行二值化，仅保留白色，其余置为0；

步骤A2：统计白色部分的像素点个数；

步骤A3：统计图像像素点个数；

步骤A4：统计每一行白色点出现的次数，保存到一维数组h中；

步骤A5：将数组h进行归一化处理；

步骤A6：寻找数组h中波峰两侧的零点波谷点，分别将结果保存到变量t₁和t₂中；

步骤A7：统计每一列白色点出现的次数，保存到一维数组I中；

步骤A8：寻找数组I中波峰左侧的零点波谷点，分别将结果保存到变量w₁中；

步骤A9：将第三图像中小于t₁行、大于t₂行、以及小于第w₁列的部分值设置为100(即置灰)，其中第w₁列即为目标亮区最左点所在的列，t₂行即为目标亮区最高点所在的行，t₁行即为目标亮区最低点所在的行，这样即可将目标亮区最高、低点定位的行数以及最左点定位的列数作为约束条件，从而得到图19所示的分割图像，这种后处理方式可以将感兴趣区域之外的部分噪声全部移除，从而进一步降低噪声，提高图像分割效果。

在一些实施例中，由于声呐源的方位、角度以及水下环境条件等因素影响，可能无法准确获取目标阴影的大小，这时目标亮区最高、低点的行约束无法生效，因此可以利用目标亮区最左点的列约束进行后处理，因为无论目标阴影大小如何，都不可能出现在目标亮区的左侧(假设声呐源在左侧)，因此在未知阴影特征的情况下，采取根据声呐源的方位进行去噪的后处理方式，获得的分割图像如图20所示。以上后处理方式结合声呐图像的成像特点，可以在避免破坏边缘的情况下，最大程度低移除噪声。

前述后处理方式依赖于阴影的先验知识，并且对目标亮区的关键点的定位精准度要求很高，关键点定位错误会导致误分割。因此，本申请还提供一种基于局部定位分体滤波的后处理方式，在无需任何先验知识的情况下，也能达到理想的后处理效果。

在一些实施例中，将第三图像中的目标亮区和目标暗区分别单独提取出来，得到局部的亮区图像和暗区图像，然后分别对亮区图像和暗区图像进行滤波去噪，最后将滤波后的亮区图像和暗区图像进行叠加，得到分割图像。

图21(a)和21(b)分别示出了亮区图像和暗区图像，由图21(a)和21(b)可以看出，目标亮区和目标暗区在进行阈值分割后仍然有较多噪声，尤其是暗区图像的噪声明显多于亮区图像，说明目标亮区与混响区之间的声呐回波强度差异较大，目标暗区理论上的回波强度为0，当探测距离较远时，混响区回波信号也会变弱，导致了混响区特性在某些情况下与目标暗区相似。

之后对亮区图像中目标亮区以外的区域进行滤波得到图22(a)，以及，对暗区图像中目标暗区以外的区域进行滤波得到图22(b)，比如可采用中值滤波等滤波方式，从图22(a)和图22(b)可以看出，滤波后的亮区图像和暗区图像的噪声被进一步降低，在最大程度保留分割后的亮区边缘和暗区边缘的情况下，取得了较为理想的去噪效果，最后将滤波后的两个图像叠加，得到的分割图像如图23所示，相较于图18，图23中的噪声显著降低，使得目标亮区、目标暗区和混响区的差异化更清晰，分割效果更明显更好。在具体实现中，该实施例包括如下步骤：

步骤B1：将提取出的亮区图像进行二值化，得到图21(a)；

步骤B2：统计亮区二值化图像中白色部分的像素点个数；

步骤B3：统计亮区二值化图像像素点个数；

步骤B4：统计亮区二值化图像每一行白色点出现的次数，保存到一维数组h₁中；

步骤B5：将数组h₁进行归一化处理；

步骤B6：寻找数组h₁中波峰两侧的零点波谷点，分别将结果保存到变量t₁和t₂中；

步骤B7：统计亮区二值化图像每一列白色点出现的次数，保存到一维数组h₂中；

步骤B8：寻找数组h₂中波峰两侧的零点波谷点，分别将结果保存到变量w₁和w₂中；

步骤B9：将亮区二值化图像中小于t₁行、大于t₂行、小于第w₁列和大于第w₂列的部分保留原样，其余部分标记为感兴趣区域，并对感兴趣区域进行中值滤波，中值滤波窗口大小为3*3，最终处理结果见图22(a)，暗区二值化图像的滤波处理方法与亮区二值化图像相同，这里不再赘述。以亮区二值化图像为例，相当于以目标亮区的最高点、最低点、最左点、最右点为顶点，构建了一个矩形边界约束，在矩形范围内的目标亮区不变，对矩形之外的感兴趣区域进行滤波去噪即可。

前面对目标亮区进行了增强处理，为了更准确地寻找出目标暗区的边缘和轮廓特征，在一些实施例中，还提供一种基于数学形态学的后处理方式，具体实现方式是：将第三图像中的目标暗区单独提取出来，得到暗区图像，根据暗区图像适应性选取相匹配的轮廓提取方式，以得到目标暗区的轮廓图像。其中所述轮廓提取方式可以是先膨胀后腐蚀处理，或者是先腐蚀后膨胀处理，并且保证膨胀次数和腐蚀次数相等。需要说明的是，轮廓提取方式中膨胀与腐蚀的先后处理顺序，以及膨胀/腐蚀次数可根据实际暗区图像的特性来适应性选取，以确保目标暗区的轮廓的提取效果为准。然后根据目标暗区的轮廓图像，在第三图像中对目标暗区的轮廓进行标记，得到分割图像。

在一些实施例中，对提取出的暗区图像先进行两次膨胀处理，得到图24所示的效果图，可以看出目标暗区被膨胀增强，之后在图24的基础上，进行等次(本例中即两次)腐蚀处理，即之前膨胀几次，之后就要腐蚀几次，以保证目标暗区的边缘轮廓和尺寸等信息基本保持不变，进而保证目标暗区增强和分割的准确性，等次腐蚀之后得到图25所示的效果图，然后即可根据像素点在水平和垂直方向上的邻域像素点之间差异化，从腐蚀图中提取出目标暗区的轮廓特征，从而获得如图26所示的轮廓图像，该轮廓图像中仅保留了目标暗区的边缘轮廓曲线。然后进行轮廓标记，将图26中获取的边缘轮廓曲线匹配标记到目标暗区上，为了提高分割效果，目标暗区标记的边缘轮廓曲线比如可设置为具有颜色的线条，便于对目标暗区进行区分和识别。

需要说明的是，本申请提供了三种后处理方式，第一种是基于阴影特征/声呐源方位的后处理，第二种是基于局部定位分体滤波的后处理，第三种是基于数学形态学的后处理，这三种后处理方式可以根据实际应用进行适应性的结合，比如将第一种和第三种后处理结合，或者将第二种和第三种后处理结合，本实施例对此不做限定，通过联合后处理，更加提高声呐图像分割的正确性和分割效果。

在一些实施例中，在对目标暗区进行边缘轮廓标记增强的同时，还可以进一步对目标亮区进行后处理增强，具体实现时可包括如下步骤：

步骤C1：将使用上述第二种后处理方式得到的分割图像作为待处理图像(即图23)，这里采用先使用第二种后处理，后进行第三种后处理的联合后处理模式；

步骤C2：分别提取目标亮区和目标暗区；

步骤C3：创建一个disk圆盘形结构元素，该元素大小设置为2；disk圆盘形结构元素的大小不作限定，具体可根据待探测海域对应的探测深度、俯仰角度、海底反射回波的能力强弱等因素适应性设置；

步骤C4：利用所述disk圆盘形结构元素对暗区图像进行两次膨胀处理，得到图24；

步骤C5：利用所述disk圆盘形结构元素对步骤C4得到的膨胀图进行两次腐蚀处理，得到图25；

步骤C6：遍历步骤C5得到的腐蚀图，计算每个像素点在水平方向和垂直方向上的邻域像素点间的差值，仅保留差值大于0的像素点，从而得到图26所示的目标暗区的轮廓图像；

步骤C7：标记步骤C1的待处理图像中每一行首次出现白色点P_i；其中，i表示待处理图像中的行数序号；

步骤C8：标记步骤C6得到的轮廓图像中每一行首次出现白色点S_j；j表示轮廓图像中的行数序号

步骤C9：当步骤C6得到的轮廓图像中第k行，既出现步骤C7的标记点P_k，又出现步骤C8的标记点S_k，则将第k行上标记点P_k和标记点S_k之间的灰色部分替换为白色，即将这些灰度值为100的像素点置为255，以此类推遍历轮廓图像的所有行，并根据轮廓图像对目标暗区进行轮廓标记，即可最终得到图27所示的分割图像。

由图27可见，通过步骤C7～步骤C9，将目标亮区进一步增强，使得目标亮区整体呈现为白色，目标亮区的轮廓和区域更加清晰；目标暗区呈现为黑色，并且目标暗区的边缘勾勒标记了轮廓曲线，使得目标暗区分割区域更加清楚分明，混响区部分则呈现灰色，这样最终的分割图像呈现为白黑灰的图像，并且噪声被显著降低，由此可见该后处理模式可以输出分割准确性高、分割效果更好的声呐分割图像。

由以上技术方案可知，首先，在图像滤波方面，声呐图像经过离散余弦反变换(DCT)滤波得到的第一图像，既有良好的边缘保持效果，又对混响区噪声起到了良好的平滑作用；其次，在图像局部增强方面，选择最适合本申请局部定位方法的Robert算子进行边缘检测，对边缘检测图像进行局部定位预处理，并结合滤波后的行数直方图和列数直方图进行阈值分割，有效提高了定位的准确性，然后利用形态学膨胀的方法对目标亮区增强，使得目标亮区的大量像素点对比度增大；然后，在图像分割方面，利用波谷权值系数和对角线权值系数进行加权，并将加权函数融入二维模糊Tsallis熵的最优阈值向量求解，加之目标亮区的增强效果，使得混响区、目标暗区、目标亮区和总正确率的分割效果都优于传统算法；最后，在分割后处理方面，通过分析阴影特征结合声呐源方位，给出了第一种后处理方法，可以移除掉滤波、形态学无法移除的散斑噪声；第二种基于定位和分体滤波的后处理，既能保护边缘又达到了移除噪声的目的，并且即便定位发生偏差，也不会出现错分割现象；第三种基于数学形态学的后处理，完成了目标亮区的还原和进一步增强，以及对目标暗区轮廓的精准定位标记，取得了较高的分割正确率。

另外，本实施例中涉及与某些现有算法相关的内容，比如DCT滤波、Robert算子、disk膨胀算子、Tsallis熵、二维模糊Tsallis熵和腐蚀处理等内容可以参照相关现有技术的记载说明，本申请说明书中不再赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，并不构成对本发明保护范围的限定。本发明的真正范围和精神由所附的权利要求指出。

Claims (9)

1.一种声呐图像分割方法，其特征在于，包括：

对声呐图像进行滤波处理，得到第一图像；

在第一图像中定位目标亮区，利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，并将增强后的目标亮区叠加所述第一图像中，得到第二图像；

利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，得到第三图像；

对所述第三图像进行后处理，得到最终的分割图像。

2.根据权利要求1所述的方法，其特征在于，所述在第一图像中定位目标亮区包括：

采用Robert算子对所述第一图像进行边缘检测；

对边缘检测图像进行局部定位预处理，以消除干扰的边缘检测点；

利用基于行列数直方图阈值分割的局部定位算法，定位所述目标亮区。

3.根据权利要求1或2所述的方法，其特征在于，所述利用膨胀算子对所述目标亮区的边缘检测点进行局部增强，包括：

遍历所述目标亮区，获取与约束条件匹配的待膨胀处理的边缘检测点，并将与约束条件不匹配的边缘检测点移除；

采用disk膨胀算子对所述待膨胀处理的边缘检测点进行布局增强。

4.根据权利要求1所述的方法，其特征在于，所述利用基于二维直方图模糊加权Tsallis熵分割算法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割，包括：

利用波谷权值系数和对角线权值系数，计算加权函数；

根据所述加权函数和第二图像的二维模糊Tsallis熵，基于最大熵机制，求解最优阈值向量；

根据所述最优阈值向量，利用图像阈值分割方法，对所述第二图像中的目标亮区、目标暗区和混响区进行分割。

5.根据权利要求4所述的方法，其特征在于，按照如下方式求解所述最优阈值向量：

(a_1xa_2xb_1xb_2x)＝argmax(S×w(a_1x,b_1x)×w(a_2x,b_2x))

其中，加权函数w(i,j)表示为：

w(i,j)＝1-H(i,j)-A(i,j)

对角线权值系数A(i,j)表示为：

A(i,j)＝|i-j|÷100

波谷权值系数H(i,j)表示为：

H(i,j)＝h(i-m,j-m)+h(i-m,j-m+1)…+h(i-m,j+m)+h(i-m+1,j-m)+h(i-m,j-m+1)…+h(i-m+1,j+m)+…+h(i+m,j-m)+h(i+m,j-m+1)+…+h(i+m,j+m)

上述各式中，(a_1xa_2xb_1xb_2x)表示最优阈值向量，S表示二维模糊Tsallis熵，m为二维直方图的邻域，h为二维直方图灰度-灰度均值的联合概率，i为二维直方图的x轴坐标，j为二维直方图的y轴坐标。

6.根据权利要求1所述的方法，其特征在于，所述对所述第三图像进行后处理包括：

当已知阴影特征为目标阴影的高度小于目标亮区的高度，查找目标亮区的最高点和最低点；

将所述目标亮区的最高点之上的区域，以及目标亮区的最低点之下的区域置灰，所述置灰用于标记所在区域为混响区。

7.根据权利要求1所述的方法，其特征在于，所述对所述第三图像进行后处理包括：

当目标的阴影特征未知时，根据声呐源的方位，确定目标阴影相对于目标亮区的方位；

将目标亮区与目标阴影的方位相反一侧的区域置灰，所述置灰用于标记所在区域为混响区。

8.根据权利要求1所述的方法，其特征在于，所述对所述第三图像进行后处理包括：

将所述第三图像中的目标亮区和目标暗区单独提取出来，得到亮区图像和暗区图像；

分别对亮区图像和暗区图像进行滤波去噪；

将滤波后的亮区图像和暗区图像进行叠加，得到所述分割图像。

9.根据权利要求1所述的方法，其特征在于，所述对所述第三图像进行后处理包括：

将所述第三图像中的目标暗区单独提取出来，得到暗区图像；

采用与所述暗区图像相匹配的轮廓提取方式，得到目标暗区的轮廓图像；其中，所述轮廓提取方式包括先膨胀后腐蚀处理或者先腐蚀后膨胀处理，膨胀次数与腐蚀次数相等；

根据所述目标暗区的轮廓图像，在第三图像中对目标暗区的轮廓进行标记，得到所述分割图像。

Images