CN112712047B - 一种基于图像处理的海洋哺乳动物回声定位信号检测方法 - Google Patents

一种基于图像处理的海洋哺乳动物回声定位信号检测方法 Download PDF

Info

Publication number
CN112712047B
CN112712047B CN202110023458.9A CN202110023458A CN112712047B CN 112712047 B CN112712047 B CN 112712047B CN 202110023458 A CN202110023458 A CN 202110023458A CN 112712047 B CN112712047 B CN 112712047B
Authority
CN
China
Prior art keywords
frequency
signal
time
straight line
image
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
Application number
CN202110023458.9A
Other languages
English (en)
Other versions
CN112712047A (zh
Inventor
吕连港
段德鑫
刘宗伟
姜莹
杨春梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202110023458.9A priority Critical patent/CN112712047B/zh
Publication of CN112712047A publication Critical patent/CN112712047A/zh
Application granted granted Critical
Publication of CN112712047B publication Critical patent/CN112712047B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/14—Classification; Matching by matching peak patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Image Processing (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明涉及一种基于图像处理的海洋哺乳动物回声定位信号检测方法，属于信号处理领域。该方法根据动物回声定位信号在时频图中近似直线的特征采用图像滤波和直线检测进行处理，并进一步采用随机森林检测模型提升检测准确率。本发明方法根据海洋哺乳动物回声定位信号似直线的特征，采用图像处理方法和随机森林检测模型对采集的数据进行处理，在低信噪比条件下，不仅保持了较高准确率而且有更高的召回率。

Description

一种基于图像处理的海洋哺乳动物回声定位信号检测方法
技术领域
本发明属于信号处理领域，具体地涉及一种基于图像处理的海洋哺乳动物回声定位信号检测方法。
背景技术
海洋哺乳动物的回声定位信号是一种短时脉冲信号，鲸豚类海洋哺乳动物普遍可以发出回声定位信号用来定位、觅食等活动。研究回声定位信号对于增进对海洋哺乳动物的了解有着重要意义。因此需要开发海洋哺乳动物的回声定位信号的检测算法，通常用准确率和召回率评价信号检测算法的性能，准确率描述了算法的找准能力，而召回率描述了算法的找全能力。目前常用能量算法进行回声定位信号检测，但此算法在时域上进行检测，在低信噪比条件下召回率很低甚至不能检测。
发明内容
为克服现有方法存在的问题，本发明提供了一种基于图像处理的海洋哺乳动物回声定位信号检测方法。该方法根据动物回声定位信号在时频图中近似直线的特征采用图像滤波和直线检测进行处理，并进一步采用随机森林检测模型提升检测准确率。
本发明通过如下技术方案来实现的：
一种基于图像处理的海洋哺乳动物回声定位信号检测方法，所述方法具体步骤如下：
1)信号图像化，将一段水下声音信号标准化处理，然后分成长度1s的段，采样快速傅里叶变化进行时频处理得到每段数据的时频图，存为灰度图；
2)图像处理，对获取的灰度时频图进行图像滤波以滤除孤立噪点并凸显线条状信号；然后进行直线检测以确定直线信号在时频图中起始位置和结束位置；
3)特征提取，首先定义信号特征，然后根据每一直线信号在灰度图中的起始位置和结束位置提取信号特征，产生样本数据；
设一条检测到的直线在时频图中的起点终点坐标分别为(x,y1)、(x,y2)，LV为时频图像高度，单位为像素，fs为信号采样频率，则信号特征定义如下：
(1)起始频率为时频图上检测直线的起点坐标对应频率，
Figure BDA0002889398880000021
(2)截止频率为时频图上检测到的直线的终点坐标对应频率，
Figure BDA0002889398880000022
(3)频带宽度为时频图上检测直线的起点与终点坐标差对应的频率带宽，Bandwidth＝fend-fstart；
(4)色阶能量为每条检测到的直线所对应的图像灰度值累加和，
Figure BDA0002889398880000023
(5)质心频率为每条检测到的直线的“色阶能量”特征值一半的纵坐标所对应的频率值，
Figure BDA0002889398880000031
(6)中心频率为每条检测到的直线长度的一半的纵坐标所对应的频率值，
Figure BDA0002889398880000032
(7)峰值灰度为每条检测到的直线上色阶灰度最大值的色阶灰度，graypeak＝MAX(gray(x,y)),y∈[y1,y2]；
(8)峰值频率为每条检测到的直线上色阶灰度最大值所对应的频率值，
Figure BDA0002889398880000033
其中ygraymax为峰值灰度对应图像纵坐标；
第四步，将样本数据输入训练生成的随机森林检测模型确定哪些直线信号是目标动物的回声定位信号；随机森林检测模型是用训练数据(由以上三步得到且已知哪些直线信号是回声定位信号)输入随机森林分类器训练得到。
本发明与现有技术相比的有益效果是：
本发明方法根据海洋哺乳动物回声定位信号似直线的特征，采用图像处理方法和随机森林检测模型对采集的数据进行处理，在低信噪比条件下，不仅保持了较高准确率而且有更高的召回率。
附图说明
图1是一段数据的原始时域图；
图2是一段数据的时频灰度图；
图3是经过图像滤波后的时频图；
图4是直线检测的原理示意图；
图5是经过随机森林检测模型后的结果；
图6是本发明方法步骤示意图；
图7本方法的检测性能图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明，但本发明的保护范围不受实施例任何形式上的限制。
海洋哺乳动物的回声定位信号是一种短时脉冲信号，该信号在时频图像中类似于一根直线。水下的噪声信号中有些在时频图像中是非直线的，可以通过滤波与直线检测的图像处理排除，有些噪声在时频图像中也呈现直线特征，现有技术中的能量算法则无法排除直线信号。
本发明提出了一种基于图像处理的哺乳动物回声定位信号检测方法。该方法根据动物回声定位信号在时频图中似直线的特征采取图像处理方法，精确确定直线信号的位置。随后提取直线信号特征输入训练生成的随机森林检测模型确定哪些直线信号是动物的回声定位信号。
具体的操作步骤(见图6)包括：首先将一段包含柏氏中喙鲸回声定位信号的水下声音数据S执行标准化操作得到标准化数据信号。标准化操作的步骤为首先去掉信号的直流分量：St＝S-mean(s)，其中mean()表示取均值操作；将信号的功率归一化：St＝St/Std(St)，其中Std()表示取标准差操作。然后对信号进行分段，Sd＝St/N将信号分成N段，每段长约1s(图1)。随后，对信号Sd进行时频处理得到信号的时频灰度图(图2)IM(x,y,gray)。第二步，将获取的灰度时频图执行降噪滤波，对时频图像IM的海森矩阵H计算其特征值λ1，λ2，约定λ2＞λ1，根据特征值计算出滤波输出IMf(图3)，
Figure BDA0002889398880000051
其中，
Figure BDA0002889398880000052
β,c为参数。
滤波后图像IMf(x,y,gray)中灰度为0的像素点为黑色(图3)，将非0的像素点(x0,y0)由x-y平面变换到θ-r平面进行霍夫直线检测(图4)，即r＝x0 cosθ+y0 sinθ。以凸显线条状信号，并精确确定图4中直线信号的起始位置和结束位置。
第三步根据图4给出的直线信号的起始位置和结束位置提取图2中对应直线信号的起始频率、截止频率、频带宽度、色阶能量、质心频率、中心频率、峰值灰度和峰值频率8个信号特征。形成[N×8]的样本数据，其中N为检测到直线的数量。
设一条检测到的直线在时频图(图2)中的起点终点坐标分别为(x,y1)、(x,y2)，LV为时频图像高度，单位为像素，fs为信号采样频率，则信号特征定义如下：
(1)起始频率为时频图上检测直线的起点坐标对应频率，
Figure BDA0002889398880000053
(2)截止频率为时频图上检测到的直线的终点坐标对应频率，
Figure BDA0002889398880000054
(3)频带宽度为时频图上检测直线的起点与终点坐标差对应的频率带宽，Bandwidth＝fend-fstart；
(4)色阶能量为每条检测到的直线所对应的图像灰度值累加和，
Figure BDA0002889398880000061
(5)质心频率为每条检测到的直线的“色阶能量”特征值一半的纵坐标所对应的频率值，
Figure BDA0002889398880000062
(6)中心频率为每条检测到的直线长度的一半的纵坐标所对应的频率值，
Figure BDA0002889398880000063
(7)峰值灰度为每条检测到的直线上色阶灰度最大值的色阶灰度，graypeak＝MAX(gray(x,y)),y∈[y1,y2]；
(8)峰值频率为每条检测到的直线上色阶灰度最大值所对应的频率值，
Figure BDA0002889398880000064
其中ygraymax为峰值灰度对应图像纵坐标；
第四步，将样本数据输入训练生成的随机森林检测模型确定哪些直线信号是目标动物的回声定位信号(图5)，即对图4中的每一个直线信号给出是回声定位信号(1)或不是回声定位信号(0)的结果。
随机森林检测模型是用训练数据输入随机森林分类器训练得到。随机森林分类器是一种典型的机器学习算法，它通过将大量无规则无次序的数据集进行分类、聚类和建模，构造树状结构的分类规则，从而对样本进行分类或预测。训练数据是已知哪些是回声定位信号的数据，由以上前三步得到的样本数据加上人工标注是或非回声定位信号的信息组成，即[N×9]。
为进一步表明本发明方法的性能，使用包含柏氏中喙鲸、领航鲸、露脊鲸和伊洛瓦底海豚回声定位信号的水下声音数据进行实验。其中柏氏中喙鲸、领航鲸、露脊鲸的数据来自MobySound开源数据库，伊洛瓦底海豚数据来自2017年1月至5月在文莱湾的观测。将各种动物的声数据通过添加噪声生成-2、0、4、6、8、10、12、14、16、18dB信噪比的数据进行实验，结果表明对于四种动物的检测准确率超过85％。在低于0dB的信噪比下本方法对于四种动物都能检测到回声定位信号(见图7)。证明了本方法的有效性。

Claims (1)

1.一种基于图像处理的海洋哺乳动物回声定位信号检测方法，其特征在于所述方法具体步骤如下：
1)信号图像化，将一段水下声音信号标准化处理，然后分成长度1s的段，采样快速傅里叶变化进行时频处理得到每段数据的时频图，存为灰度图；
2)图像处理，对获取的灰度时频图进行图像滤波以滤除孤立噪点并凸显线条状信号；然后进行直线检测以确定直线信号在时频图中起始位置和结束位置；
3)特征提取，首先定义信号特征，然后根据每一直线信号在灰度图中的起始位置和结束位置提取信号特征，产生样本数据；
设一条检测到的直线在时频图中的起点终点坐标分别为(x,y1)、(x,y2)，LV为时频图像高度，单位为像素，fs为信号采样频率，则信号特征定义如下：
(1)起始频率为时频图上检测直线的起点坐标对应频率，
Figure FDA0002889398870000011
(2)截止频率为时频图上检测到的直线的终点坐标对应频率，
Figure FDA0002889398870000012
(3)频带宽度为时频图上检测直线的起点与终点坐标差对应的频率带宽，Bandwidth＝fend-fstart；
(4)色阶能量为每条检测到的直线所对应的图像灰度值累加和，
Figure FDA0002889398870000013
(5)质心频率为每条检测到的直线的“色阶能量”特征值一半的纵坐标所对应的频率值，
Figure FDA0002889398870000014
(6)中心频率为每条检测到的直线长度的一半的纵坐标所对应的频率值，
Figure FDA0002889398870000021
(7)峰值灰度为每条检测到的直线上色阶灰度最大值的色阶灰度，graypeak＝MAX(gray(x,y)),y∈[y1,y2]；
(8)峰值频率为每条检测到的直线上色阶灰度最大值所对应的频率值，
Figure FDA0002889398870000022
其中ygraymax为峰值灰度对应图像纵坐标；
第四步，将样本数据输入训练生成的随机森林检测模型确定哪些直线信号是目标动物的回声定位信号；随机森林检测模型是用训练数据输入随机森林分类器训练得到。
CN202110023458.9A 2021-01-08 2021-01-08 一种基于图像处理的海洋哺乳动物回声定位信号检测方法 Active CN112712047B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110023458.9A CN112712047B (zh) 2021-01-08 2021-01-08 一种基于图像处理的海洋哺乳动物回声定位信号检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110023458.9A CN112712047B (zh) 2021-01-08 2021-01-08 一种基于图像处理的海洋哺乳动物回声定位信号检测方法

Publications (2)

Publication Number Publication Date
CN112712047A CN112712047A (zh) 2021-04-27
CN112712047B true CN112712047B (zh) 2022-09-16

Family

ID=75548579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110023458.9A Active CN112712047B (zh) 2021-01-08 2021-01-08 一种基于图像处理的海洋哺乳动物回声定位信号检测方法

Country Status (1)

Country Link
CN (1) CN112712047B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114600802B (zh) * 2022-04-19 2022-12-13 中国科学院水生生物研究所 一种基于母幼豚召唤信号的鲸豚类声学诱引方法及系统
CN116660876A (zh) * 2023-05-26 2023-08-29 吉林大学 一种中华白海豚回声定位信号自动检测和定位方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102971968A (zh) * 2010-04-16 2013-03-13 日本电信电话株式会社 频率偏移估计方法以及频率偏移估计装置
CN106778610A (zh) * 2016-12-16 2017-05-31 哈尔滨工程大学 一种基于时频图像特征的脉内调制识别方法
CN108680245A (zh) * 2018-04-27 2018-10-19 天津大学 鲸豚类Click类叫声与传统声呐信号分类方法及装置
CN110082818A (zh) * 2019-05-05 2019-08-02 自然资源部第一海洋研究所 一种船舶噪声稳健识别方法
CN110146890A (zh) * 2019-06-20 2019-08-20 电子科技大学 一种时频域单通道sar慢速目标检测方法
CN110187388A (zh) * 2019-06-06 2019-08-30 成都信息工程大学 一种基于变分模态分解的稳定地震品质因子q估计方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10448152B2 (en) * 2015-09-21 2019-10-15 Northeastern University Systems and methods for monitoring and classifying marine animals based on acoustic signals
CN105260729B (zh) * 2015-11-20 2018-10-26 武汉大学 一种基于随机森林的卫星遥感影像云量计算方法
CN107015276B (zh) * 2017-04-18 2019-04-12 吉林大学 一种基于改进霍夫变换的自适应时频峰值滤波消噪方法
CN111147431B (zh) * 2018-11-06 2022-06-07 北京京东尚科信息技术有限公司 用于生成信息的方法和装置
CN109671132A (zh) * 2018-11-30 2019-04-23 中国石油大学(北京) 一种基于色域特征的曲线数据采集方法、装置及系统
CN211787862U (zh) * 2020-05-13 2020-10-27 深圳市为美趣学科技有限公司 一种steam教具吉普车

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102971968A (zh) * 2010-04-16 2013-03-13 日本电信电话株式会社 频率偏移估计方法以及频率偏移估计装置
CN106778610A (zh) * 2016-12-16 2017-05-31 哈尔滨工程大学 一种基于时频图像特征的脉内调制识别方法
CN108680245A (zh) * 2018-04-27 2018-10-19 天津大学 鲸豚类Click类叫声与传统声呐信号分类方法及装置
CN110082818A (zh) * 2019-05-05 2019-08-02 自然资源部第一海洋研究所 一种船舶噪声稳健识别方法
CN110187388A (zh) * 2019-06-06 2019-08-30 成都信息工程大学 一种基于变分模态分解的稳定地震品质因子q估计方法
CN110146890A (zh) * 2019-06-20 2019-08-20 电子科技大学 一种时频域单通道sar慢速目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Joint classification of whistles and echolocation clicks from odontocetes;Yang Lu et al.;《Proceedings of Meetings on Acoustics》;20130602;第1-8页 *
宽吻海豚Click信号的时频滤波检测方法;杨武夷 等;《声学学报》;20170731;第42卷(第04期);第445-450页 *

Also Published As

Publication number Publication date
CN112712047A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN112712047B (zh) 一种基于图像处理的海洋哺乳动物回声定位信号检测方法
CN108918532B (zh) 一种快速道路交通标志破损检测系统及其检测方法
US7221621B2 (en) System and method for identification and quantification of sonar targets in a liquid medium
CN108627241B (zh) 一种基于高斯混合模型的宽吻海豚click信号检测方法
CN111784721A (zh) 基于深度学习的超声内窥图像智能分割与量化方法及系统
CN109003275A (zh) 焊缝缺陷图像的分割方法
CN113674308B (zh) 基于图像增强与多重检测的sar图像舰船目标快速检测方法
CN112137620B (zh) 一种基于超宽带雷达的人体微弱呼吸信号检测方法
CN115861359B (zh) 一种水面漂浮垃圾图像自适应分割提取方法
CN111414832A (zh) 一种基于鲸豚类低频水声信号的实时在线识别分类系统
Beslin et al. Automatic acoustic estimation of sperm whale size distributions achieved through machine recognition of on-axis clicks
CN115114949A (zh) 一种基于水声信号的舰船目标智能识别方法及系统
Xie et al. Application of image processing techniques for frog call classification
Jin et al. Semantic segmentation-based whistle extraction of Indo-Pacific Bottlenose Dolphin residing at the coast of Jeju island
CN106447686A (zh) 一种基于快速有限剪切波变换的图像边缘检测方法
CN111754441A (zh) 一种图像复制粘贴伪造被动检测方法
Castro et al. Automatic manatee count using passive acoustics
Kong et al. Automatic detection technology of sonar image target based on the three-dimensional imaging
CN114841218A (zh) 一种语音啸叫检测算法
Dang et al. Infrared target detection based on image entropy
TWI736446B (zh) 可濾橫紋雜訊之海床邊線偵測方法
US11790936B1 (en) Computerised systems and methods for detection
CN117727332B (zh) 基于语谱特征分析的生态种群评估方法
CN109389034B (zh) 一种基于机器学习的驻极体薄膜穿透识别方法
CN116416455A (zh) 基于声纳的无人水下航行器海底目标检测方法

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