CN112837252A - 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 - Google Patents
一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 Download PDFInfo
- Publication number
- CN112837252A CN112837252A CN202110110077.4A CN202110110077A CN112837252A CN 112837252 A CN112837252 A CN 112837252A CN 202110110077 A CN202110110077 A CN 202110110077A CN 112837252 A CN112837252 A CN 112837252A
- Authority
- CN
- China
- Prior art keywords
- image
- scan sonar
- substrate
- gray
- pixel
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims description 14
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000000758 substrate Substances 0.000 claims description 141
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000011161 development Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Abstract
本发明提供的侧扫声呐条带图像公共覆盖区图像融合方法及系统,涉及图像处理技术领域,利用两次侧扫声呐条带图像数据信息的互补性,通过计算两批图像数据反映海底底质分布一致性、周围纹理变化的一致性,实现两批侧扫声呐图形的融合,提高了侧扫声呐图像处理的质量,降低了基于声呐图形开展施工作业的难度、风险和成本,提高了效率,对于海上风电的建设和运营具有重要的现实意义。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种侧扫声呐条带图像公共覆盖区图像融合方法及系统。
背景技术
海上风电、海上桥梁等海洋工程建设中,对水下地形地貌特征以及底质的分布变化特征有较高的要求。相较基于单波束测深系统或多波束测深系统获取海底地形地貌信息的传统方法,基于侧扫声呐系统可以接近海床,通过线扫描获取精细的海底地形地貌信息,且分辨率是多波束测深分辨率的50到100倍,是获取海底地形地貌信息关键且有效的手段,在专利申请CN111476809A和CN110675410A均有应用。
侧扫声呐测量中,条带图像均存在一定的公共覆盖区,而公共覆盖区的声呐图像唯一,因此需要对不同条带的公共覆盖区图像信息实施融合处理。现有的处理方法主要有直接覆盖法和灰度平均法。直接覆盖法是在地理坐标框架下,利用后续条带图像将已拼接的条带图像直接覆盖,用新的条带图像上的同名像素的灰度值,得到拼接后的图像。直接覆盖法实施简单,但忽视了两次测量信息间的互补性,且会面临一个较大的风险,即当后续图像质量较差或者出现异常时,导致拼接后的侧扫声呐条带图像不能对海底地形地貌正确反映。灰度平均方法是利用已有声呐图形和将要拼接图形在公共位置(或同名像素)上的两个灰度值,计算平均值,并用平均值作为拼接后图形的最终灰度值。灰度平均法顾及了两幅图像数据反映的地貌信息互补性,若两幅数据的测量质量均符合要求,基于算术平均的图像融合应该可以反映真实的地貌变化,但侧扫声呐水下成像条件复杂,噪声的影响异常严重,加之两次测量的增益差异,会导致直接算术平均得到的最终融合结果不能真实的反映海底的地貌变化;此外,算术平均实则是一致平滑滤波,因此融合后的图像消除了海底地形地貌的细节纹理,即使两次测量数据均不存在粗差和系统误差,实际融合效果也并不理想。
因此,一种能够真实反映条带图像公共覆盖区数据真实的融合处理方法,对提高侧扫声呐条带图像处理的质量,降低基于声呐图形开展施工作业的难度、风险和成本,以及对于海上风电的建设和运营具有重要的现实意义。
发明内容
本发明目的在于提供一种侧扫声呐条带图像公共覆盖区图像融合方法及系统,用于获取海底高精度高分辨率地貌图像,解决海上风电场建设和后续安全运行监测难题,相较于传统的图像融合方法,具有高精度、高质量、高分辨率、低成本、低风险和实施方便等优点。
为达成上述目的,本发明提出如下技术方案:一种侧扫声呐条带图像公共覆盖区图像融合方法,包括如下步骤:
1)对两幅侧扫声呐条带图像的公共覆盖区进行灰度统计,判断两幅侧扫声呐条带图像是否存在系统偏差;若存在系统偏差,对图像进行系统偏差消除;
2)根据分类算法对公共覆盖区的两幅侧扫声呐条带图像灰度进行分类,具体为:采用统计法,建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;
3)获得公共覆盖区每个像素的底质后,根据同名像素点的底质与周围像素底质一致性,计算图像融合后同名像素点的灰度值,实现两幅侧扫声呐条带图像公共覆盖区在同名像素点上的融合。
进一步的,所述步骤1)中判断两幅侧扫声呐条带图像中是否存在系统偏差的过程为:计算两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值,灰度差值为每个同名像素的灰度差值;若灰度差值的平均值不超过预设允许误差,则表明两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值超过预设允许误差,则表明两幅侧扫声呐条带图像存在系统偏差;
定义两幅侧扫声呐条带图像在公共覆盖区灰度的差值的平均值为dGmean,则
若dGmean≤ε,则两幅侧扫声呐条带图像无系统偏差;
若dGmean>ε,则两幅侧扫声呐条带图像存在系统偏差,进行系统偏差消除,即G1-m=G1-m-dGmean;
其中,G1-m、G2-m分别为第m个格网在第一幅侧扫声呐条带图像和第二幅侧扫声呐条带图像中的像素,n为公共覆盖区像素的个数,ε为预设允许误差。
进一步的,所述步骤2)中底质分类的过程为:
3.1)初始化类别数k,即建立k个聚类中心;
3.2)计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;
3.3)根据新的分类结果,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;
3.4)重复步骤3.2)和3.3),直至前后两次对应的聚类中心灰度偏差小于设定阈值,得到最终分类结果。
进一步的,所述步骤3)还包括判断侧扫声呐条带图像中同名像素点的底质与周围像素底质的一致性;
若同名像素点的底质与周围像素底质一致,则满足:
其中,Sedim表示沉积物类型,δ1~δ4分别表示角二阶矩限差、相关系数限差、对比度限差和信息熵限差,下标为0的各纹理描述参数表示同名像素点的纹理描述参数,下标为i的各纹理描述参数表示同名像素点周围的像素的纹理描述参数。
进一步的,定义两幅侧扫声呐条带图像分别为图像一和图像二,图像融合后同名像素点的灰度值记为G0;
若同名像素点在图像一和图像二内均满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值为其在图像一和图像二中灰度值的平均值,即
G0=(G1-G2)/2
其中,G1为同名像素点在图像一内的灰度值,G2为同名像素点在图像二内的灰度值;
若同名像素点在图像一或图像二内满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值取值为满足底质与周围像素底质一致的图像上同名像素的灰度值,即
G0=GS
其中,GS为满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度;
若同名像素点在图像一和图像二内均不满足底质与周围像素底质一致,则在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,记为G11和G22;图像融合后同名像素点的灰度值为当前图像内同名像素点的灰度值的平均值,即
G0=(G11+G22)/2。
本发明还提供一种侧扫声呐条带图像公共覆盖区图像融合系统,包括图像获取模块,用于获取两幅侧扫声呐条带图像;
统计模块,用于统计两幅侧扫声呐条带图像公共覆盖区的灰度;
第一判断模块,用于两幅侧扫声呐条带图像是否存在系统偏差;
消除模块,用于当两幅侧扫声呐条带图像存在系统偏差时进行系统偏差的消除;
分类模块,用于根据K-means++算法对两幅侧扫声呐条带图像公共覆盖区的灰度进行分类,具体为:根据统计模块统计的灰度建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;
底质获取模块,用于根据分类模块底质分类的结果获得公共覆盖区每个像素的底质;
计算模块,用于根据同名像素点的底质与周围像素底质一致性计算图像融合后同名像素点的灰度值。
进一步的,所述判断模块的判断过程为:判断两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值与预设允许误差的大小;若灰度差值的平均值不超过预设允许误差,则判断两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值大于预设允许误差,则判断两幅侧扫声呐条带图像存在系统偏差。
进一步的,所述分类模块进行底质分类的单元包括:
初始化单元,用于初始化类别数k,建立k个聚类中心;
第一聚类单元,用于计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;
第二聚类单元,用于根据第一聚类单元获得的每个像素点分类,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;
判断重复单元,用于判断第一聚类单元和第二聚类单元中对应的聚类中心灰度偏差与设定阈值的大小;若第一聚类单元和第二聚类单元中对应的聚类中心灰度偏差小于设定阈值,则获得最终分类结果,否则重复执行第一聚类单元和第二聚类单元。
进一步的,还包括第二判断模块,用于判断侧扫声呐条带图像中同名像素点的底质与周围像素底质的一致性。
进一步的,当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均满足底质与周围像素底质一致,则计算模块的计算过程为取同名像素点在两幅侧扫声呐条带图像中灰度值的平均值为图像融合后同名像素点的灰度值;
当第二判断模块判断两幅侧扫声呐条带图像中只有一幅侧扫声呐条带图像中同名像素点满足底质与周围像素底质一致,则计算模块的计算过程为取满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度值为图像融合后同名像素点的灰度值;
当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均不满足底质与周围像素底质一致,则计算模块的计算过程为:在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,取当前图像内同名像素点的灰度值的平均值为图像融合后同名像素点的灰度值。
由以上技术方案可知,本发明的技术方案提供的侧扫声呐条带图像公共覆盖区图像融合方法及系统,获得了如下有益效果:
本发明公开的侧扫声呐条带图像公共覆盖区图像融合方法及系统,利用两次侧扫声呐测量信息的互补性,通过计算两批图像数据反映海底底质分布一致性、周围纹理变化的一致性,实现两批侧扫声呐图形的融合;具体为:先通过对两批侧扫声呐图形公共覆盖区进行灰度统计判断两批数据是否存在系统偏差,然后根据K-means++算法进行纹理描述参数分类,即底质分类;最后基于周围底质分布一致性的最优融合策略实现两批侧扫声呐图像公共覆盖区的融合,获得海底高精度高分辨率地貌图像。
本发明基于两批侧扫声呐测量数据质量可靠,理论上反映的海底地貌纹理变化和底质应该一致的原理,提出采用联合底质分布一致性和纹理一致性的数据融合方法,实现多期侧扫声呐测量图像信息的最优融合,提高了声呐图形对海底地形地貌信息描述的准确性。此外,本发明的融合方法不仅使用方便快捷,减少实施耗时,提升工作效率;同时其准确性相较于传统融合方案显著更高,对地形地貌描述的精细度和准确性也同步提高;在实际应用中,实施更方便,有利于提高作业效率、降低作业成本,对于海上风电的建设和运营具有重要的现实意义。
应当理解,前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见,或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中,在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见,在每个图中,并非每个组成部分均被标记。现在,将通过例子并参考附图来描述本发明的各个方面的实施例,其中:
图1基于周边像素纹理一致性的同名像素灰度值选取方法原理示意图;
图2基于周边底质分布一致性的同名像素灰度值选取方法原理示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,除非上下文清楚地指明其它情况,否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制,而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件,并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。“上”“下”“左”“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
基于现有技术中对侧扫声呐测量图像的公共覆盖区进行融合的直接覆盖法和灰度平均法均具有无法真实反映海底地貌变化的技术问题,实际融合效果并不理想,融合获得的地貌数据不能准确指导施工作业,对施工风险和成本的降低作用较差;本发明旨在提出一种联合底质分布一致性和纹理一致性的侧扫声呐测量图像的公共覆盖区数据融合方法,实现两批侧扫声呐图形数据的融合,提高侧扫声呐图像处理的质量,降低基于声呐图形开展施工作业的难度、风险和成本,提高工作效率。
下面结合附图所示的实施例,对本发明的侧扫声呐条带图像公共覆盖区图像融合方法及系统作进一步具体介绍。
一种侧扫声呐条带图像公共覆盖区图像融合方法,包括如下步骤:
1)对两幅侧扫声呐条带图像的公共覆盖区进行灰度统计,判断两幅侧扫声呐条带图像是否存在系统偏差;若存在系统偏差,对图像进行系统偏差消除;
2)根据分类算法对公共覆盖区的两幅侧扫声呐条带图像灰度进行分类,具体为:采用统计法,建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;
3)获得公共覆盖区每个像素的底质后,根据同名像素点的底质与周围像素底质一致性,计算图像融合后同名像素点的灰度值,实现两幅侧扫声呐条带图像公共覆盖区在同名像素点上的融合。
本发明采用联合底质分布一致性和纹理一致性的数据融合方法,实现对两幅侧扫声呐条带图像的公共覆盖区图像融合的前提是,要确保两幅侧扫声呐条带图像数据的质量可靠,在数据质量可高的前提下,理论上二者反映的海底地貌纹理变化和底质一致。
步骤1)中判断两幅侧扫声呐条带图像中是否存在系统偏差的过程为:计算两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值,灰度差值为每个同名像素的灰度差值;若灰度差值的平均值不超过预设允许误差,则表明两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值超过预设允许误差,则表明两幅侧扫声呐条带图像存在系统偏差;
定义两幅侧扫声呐条带图像在公共覆盖区灰度的差值的平均值为dGmean,则
若dGmean≤ε,则两幅侧扫声呐条带图像无系统偏差;
若dGmean>ε,则两幅侧扫声呐条带图像存在系统偏差,进行系统偏差消除,即G1-m=G1-m-dGmean;
其中,G1-m、G2-m分别为第m个格网在第一幅侧扫声呐条带图像和第二幅侧扫声呐条带图像中的像素,n为公共覆盖区像素的个数,ε为预设允许误差,实施例中ε取值为0.5。
步骤2)中,图像灰度共生矩阵P计算各像素的纹理描述参数,图像灰度共生矩阵P包括N行N列,其中,
角二阶矩ASM描述纹理的粗糙程度,计算公式为
相关系数COR反映图像纹理特征间的相关性,计算公式为
其中,μi和μj表示均值,σi和σj表示方差,i、j分别表示图像灰度共生矩阵P的第i行和第j列;
对比度CON描述图像纹理的清晰化程度,计算公式为:
熵ENT描述图像的纹理复杂程度,熵越大,图像蕴含的信息越丰富纹理,越复杂,其计算公式为
由于侧扫声呐图形是利用来自海底背散射强度转换为灰度值得到的图像,因此对侧扫声呐条带图像上像素点纹理描述参数的分类,即是实现对海底底质的分类。借助于K-means++算法对公式(2)至(9)得到的纹理描述参数进行非监督分类,及底质分类的过程为:
3.1)初始化类别数k,即建立k个聚类中心;
3.2)计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;
3.3)根据新的分类结果,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;
3.4)重复步骤3.2)和3.3),直至前后两次对应的聚类中心灰度偏差小于设定阈值,得到最终分类结果,一般设定阈值取0.5。
根据底质分类的结果,获得了两幅侧扫声呐条带图像公共覆盖区每个像素的底质后,采用基于周围底质分布一致性的最优融合策略实现两批侧扫声呐图像公共覆盖区的融合。其基本原理是根据同名像素点的底质信息与周围像素底质的一致性,即图1和图2所示,确定同名像素点的灰度值;再根据底质一致性原则,实现两个条带图像在同名像素点上的融合。
因此,先要判断侧扫声呐条带图像中同名像素点的底质与周围像素底质的一致性;具体为,若同名像素点的底质与周围像素底质一致,则肯定满足公式(10),即
其中,Sedim表示沉积物类型,δ1~δ4分别表示角二阶矩限差、相关系数限差、对比度限差和信息熵限差,下标为0的各纹理描述参数表示同名像素点的纹理描述参数,下标为i的各纹理描述参数表示同名像素点周围的像素的纹理描述参数。
判断同一图像中同名像素点的底质与周围像素底质的一致性后,根据判断结构分别进行图像融合后同名像素点灰度值的计算。
定义两幅侧扫声呐条带图像分别为图像一和图像二,图像融合后同名像素点的灰度值记为G0;
若同名像素点在图像一和图像二内均满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值为其在图像一和图像二中灰度值的平均值,即
G0=(G1-G2)/2
其中,G1为同名像素点在图像一内的灰度值,G2为同名像素点在图像二内的灰度值;
若同名像素点在图像一或图像二内满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值取值为满足底质与周围像素底质一致的图像上同名像素的灰度值,即
G0=GS
其中,GS为满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度;
若同名像素点在图像一和图像二内均不满足底质与周围像素底质一致,则在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,记为G11和G22;图像融合后同名像素点的灰度值为当前图像内同名像素点的灰度值的平均值,即
G0=(G11+G22)/2。
本发明另一实施例,提供一种侧扫声呐条带图像公共覆盖区图像融合系统,该系统包括图像获取模块、统计模块、第一判断模块、消除模块、分类模块、底质获取模块和计算模块,上述模块在运行时实现上一实施例公开的侧扫声呐条带图像公共覆盖区图像融合方法。
各模块的具体功能如下:图像获取模块,用于获取两幅侧扫声呐条带图像;统计模块,用于统计两幅侧扫声呐条带图像公共覆盖区的灰度;第一判断模块,用于两幅侧扫声呐条带图像是否存在系统偏差;消除模块,用于当两幅侧扫声呐条带图像存在系统偏差时进行系统偏差的消除;分类模块,用于根据K-means++算法对两幅侧扫声呐条带图像公共覆盖区的灰度进行分类,具体为:根据统计模块统计的灰度建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;底质获取模块,用于根据分类模块底质分类的结果获得公共覆盖区每个像素的底质;计算模块,用于根据同名像素点的底质与周围像素底质一致性计算图像融合后同名像素点的灰度值。
判断模块的判断过程为:判断两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值与预设允许误差的大小,预设允许误差记为ε;若灰度差值的平均值不超过预设允许误差,则判断两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值大于预设允许误差,则判断两幅侧扫声呐条带图像存在系统偏差。
基于侧扫声呐图形是利用来自海底背散射强度转换为灰度值得到的图像,可直接通过对底质的分类即实现对侧扫声呐条带图像上像素点纹理描述参数的分类。分类模块实现对底质分类的单元包括:初始化单元,用于初始化类别数k,建立k个聚类中心;第一聚类单元,用于计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;第二聚类单元,用于根据第一聚类单元获得的每个像素点分类,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;判断重复单元,用于判断第一聚类单元和第二聚类单元中对应的聚类中心灰度偏差与设定阈值的大小;若第一聚类单元和第二聚类单元中对应的聚类中心灰度偏差小于设定阈值,则获得最终分类结果,否则重复执行第一聚类单元和第二聚类单元。最终获得准确的各像素点的底质,确保图像融合后像素点灰度值的计算准确。
为实现联合底质分布一致性和纹理一致性的数据融合,在进行公共覆盖区图像融合后像素点灰度值计算之前,需要先行判断同名像素点的底质与周围像素底质的一致性;因此,侧扫声呐条带图像公共覆盖区图像融合系统还包括第二判断模块,用于判断侧扫声呐条带图像中同名像素点的底质与周围像素底质的一致性,根据第二判断模块的判断结果,公共覆盖区图像融合后同名像素点的灰度值计算方法不同。
具体为,当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均满足底质与周围像素底质一致,则计算模块的计算过程为取同名像素点在两幅侧扫声呐条带图像中灰度值的平均值为图像融合后同名像素点的灰度值;当第二判断模块判断两幅侧扫声呐条带图像中只有一幅侧扫声呐条带图像中同名像素点满足底质与周围像素底质一致,则计算模块的计算过程为取满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度值为图像融合后同名像素点的灰度值;当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均不满足底质与周围像素底质一致,则计算模块的计算过程为:在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,取当前图像内同名像素点的灰度值的平均值为图像融合后同名像素点的灰度值。
本发明的侧扫声呐条带图像公共覆盖区图像融合方法,在数据质量可靠和反映的海底地貌纹理变化和底质一致的前提下,充分利用两次侧扫声呐条带图像数据的互补性,通过计算和判断两批侧扫声呐条带图像数据是否满足反映的海底底质分布一致性、周围纹理变化的一致性,根据一致性判断结果实现两批侧扫声呐条带图像在不同计算方法下的融合;相较于现有技术中的传统方法,显著提高侧扫声呐图像处理的质量,降低基于声呐图形开展施工作业的难度、风险和成本,提高对海底地形地貌描述的精细度和准确性。
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (10)
1.一种侧扫声呐条带图像公共覆盖区图像融合方法,其特征在于,包括如下步骤:
1)对两幅侧扫声呐条带图像的公共覆盖区进行灰度统计,判断两幅侧扫声呐条带图像是否存在系统偏差;若存在系统偏差,对图像进行系统偏差消除;
2)根据分类算法对公共覆盖区的两幅侧扫声呐条带图像灰度进行分类,具体为:采用统计法,建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;
3)获得公共覆盖区每个像素的底质后,根据同名像素点的底质与周围像素底质一致性,计算图像融合后同名像素点的灰度值,实现两幅侧扫声呐条带图像公共覆盖区在同名像素点上的融合。
2.根据权利要求1所述的侧扫声呐条带图像公共覆盖区图像融合方法,其特征在于,所述步骤1)中判断两幅侧扫声呐条带图像中是否存在系统偏差的过程为:计算两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值,灰度差值为每个同名像素的灰度差值;若灰度差值的平均值不超过预设允许误差,则表明两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值超过预设允许误差,则表明两幅侧扫声呐条带图像存在系统偏差;
定义两幅侧扫声呐条带图像在公共覆盖区灰度的差值的平均值为dGmean,则
若dGmean≤ε,则两幅侧扫声呐条带图像无系统偏差;
若dGmean>ε,则两幅侧扫声呐条带图像存在系统偏差,进行系统偏差消除,即G1-m=G1-m-dGmean;
其中,G1-m、G2-m分别为第m个格网在第一幅侧扫声呐条带图像和第二幅侧扫声呐条带图像中的像素,n为公共覆盖区像素的个数,ε为预设允许误差。
3.根据权利要求1所述的侧扫声呐条带图像公共覆盖区图像融合方法,其特征在于,所述步骤2)中底质分类的过程为采用K-means++算法进行分类,包括:
3.1)初始化类别数k,即建立k个聚类中心;
3.2)计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;
3.3)根据新的分类结果,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;
3.4)重复步骤3.2)和3.3),直至前后两次对应的聚类中心的灰度偏差小于设定阈值,得到最终分类结果。
5.根据权利要求4所述的侧扫声呐条带图像公共覆盖区图像融合方法,其特征在于,定义两幅侧扫声呐条带图像分别为图像一和图像二,图像融合后同名像素点的灰度值记为G0;
若同名像素点在图像一和图像二内均满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值为其在图像一和图像二中灰度值的平均值,即
G0=(G1-G2)/2
其中,G1为同名像素点在图像一内的灰度值,G2为同名像素点在图像二内的灰度值;
若同名像素点在图像一或图像二内满足底质与周围像素底质一致,则图像融合后同名像素点的灰度值取值为满足底质与周围像素底质一致的图像上同名像素的灰度值,即
G0=GS
其中,GS为满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度;
若同名像素点在图像一和图像二内均不满足底质与周围像素底质一致,则在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,记为G11和G22;图像融合后同名像素点的灰度值为当前图像内同名像素点的灰度值的平均值,即
G0=(G11+G22)/2。
6.一种侧扫声呐条带图像公共覆盖区图像融合系统,其特征在于,包括
图像获取模块,用于获取两幅侧扫声呐条带图像;
统计模块,用于统计两幅侧扫声呐条带图像公共覆盖区的灰度;
第一判断模块,用于两幅侧扫声呐条带图像是否存在系统偏差;
消除模块,用于当两幅侧扫声呐条带图像存在系统偏差时进行系统偏差的消除;
分类模块,用于根据K-means++算法对两幅侧扫声呐条带图像公共覆盖区的灰度进行分类,具体为:根据统计模块统计的灰度建立图像灰度共生矩阵P,根据图像灰度共生矩阵P计算各像素点纹理描述参数,包括角二阶矩ACM、相关系数COR、对比度CON和熵ENT,对各像素的纹理描述参数进行底质分类;
底质获取模块,用于根据分类模块底质分类的结果获得公共覆盖区每个像素的底质;
计算模块,用于根据同名像素点的底质与周围像素底质一致性计算图像融合后同名像素点的灰度值。
7.根据权利要求6所述的侧扫声呐条带图像公共覆盖区图像融合系统,其特征在于,所述判断模块的判断过程为:判断两幅侧扫声呐条带图像在公共覆盖区的灰度差值的平均值与预设允许误差的大小;若灰度差值的平均值不超过预设允许误差,则判断两幅侧扫声呐条带图像无系统偏差;若灰度差值的平均值大于预设允许误差,则判断两幅侧扫声呐条带图像存在系统偏差。
8.根据权利要求6所述的侧扫声呐条带图像公共覆盖区图像融合系统,其特征在于,所述分类模块进行底质分类的单元包括:
初始化单元,用于初始化类别数k,建立k个聚类中心;
第一聚类单元,用于计算侧扫声呐条带图像中每个像素点灰度值到聚类中心的灰度偏差,并对每个像素点分类;
第二聚类单元,用于根据第一聚类单元获得的每个像素点分类,再建立k个新的聚类中心,计算每个像素点灰度值到新的聚类中心的灰度偏差,重新对每个像素点分类;
判断重复单元,用于判断第一聚类单元和第二聚类单元中对应的聚类中心灰度偏差与设定阈值的大小;若第一聚类单元和第二聚类单元对应的聚类中心灰度偏差小于设定阈值,则获得最终分类结果,否则重复执行第一聚类单元和第二聚类单元。
9.根据权利要求6所述的侧扫声呐条带图像公共覆盖区图像融合系统,其特征在于,还包括第二判断模块,用于判断侧扫声呐条带图像中同名像素点的底质与周围像素底质的一致性。
10.根据权利要求9所述的侧扫声呐条带图像公共覆盖区图像融合系统,其特征在于,当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均满足底质与周围像素底质一致,则计算模块的计算过程为取同名像素点在两幅侧扫声呐条带图像中灰度值的平均值为图像融合后同名像素点的灰度值;
当第二判断模块判断两幅侧扫声呐条带图像中只有一幅侧扫声呐条带图像中同名像素点满足底质与周围像素底质一致,则计算模块的计算过程为取满足底质与周围像素底质一致的侧扫声呐条带图像上同名像素的灰度值为图像融合后同名像素点的灰度值;
当第二判断模块判断同名像素点在两幅侧扫声呐条带图像中均不满足底质与周围像素底质一致,则计算模块的计算过程为:在图像一和图像二中分别查找一与周围像素底质一致的像素点的灰度值作为当前图像内同名像素点的灰度值,取当前图像内同名像素点的灰度值的平均值为图像融合后同名像素点的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110077.4A CN112837252A (zh) | 2021-01-27 | 2021-01-27 | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110077.4A CN112837252A (zh) | 2021-01-27 | 2021-01-27 | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112837252A true CN112837252A (zh) | 2021-05-25 |
Family
ID=75930851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110077.4A Pending CN112837252A (zh) | 2021-01-27 | 2021-01-27 | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837252A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313651A (zh) * | 2021-06-11 | 2021-08-27 | 中交三航(上海)新能源工程有限公司 | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 |
CN113378932A (zh) * | 2021-06-11 | 2021-09-10 | 中交第三航务工程局有限公司 | 一种基于高精度异源共视图像的侧扫声呐位置矫正方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
CN110706177A (zh) * | 2019-09-30 | 2020-01-17 | 北京大学 | 一种侧扫声呐图像灰度均衡化方法及系统 |
-
2021
- 2021-01-27 CN CN202110110077.4A patent/CN112837252A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
CN110706177A (zh) * | 2019-09-30 | 2020-01-17 | 北京大学 | 一种侧扫声呐图像灰度均衡化方法及系统 |
Non-Patent Citations (2)
Title |
---|
JIANHU ZHAO 等: ""A Comprehensive Bottom-Tracking Method for Sidescan Sonar Image Influenced by Complicated Measuring Environment"", 《IEEE JOURNAL OF OCEANIC ENGINEERING》, 31 July 2017 (2017-07-31) * |
唐秋华 等: ""多波束声学底质分类研究进展与展望"", 《海 洋 科 学 进 展》, 31 January 2019 (2019-01-31) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113313651A (zh) * | 2021-06-11 | 2021-08-27 | 中交三航(上海)新能源工程有限公司 | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 |
CN113378932A (zh) * | 2021-06-11 | 2021-09-10 | 中交第三航务工程局有限公司 | 一种基于高精度异源共视图像的侧扫声呐位置矫正方法 |
CN113313651B (zh) * | 2021-06-11 | 2024-03-29 | 中交三航(上海)新能源工程有限公司 | 一种基于周围变化的侧扫声呐图像纹理失真区域修复方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298298B (zh) | 目标检测及目标检测网络的训练方法、装置及设备 | |
US7885455B2 (en) | Method of combining images of multiple resolutions to produce an enhanced active appearance model | |
CN112837252A (zh) | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 | |
CN111223133A (zh) | 一种异源图像的配准方法 | |
CN111476159A (zh) | 一种基于双角回归的检测模型训练、检测方法及装置 | |
CN108549894A (zh) | 一种基于深度学习算法的船舶水尺图像自动读数方法 | |
CN113313047B (zh) | 一种基于车道结构先验的车道线检测方法及系统 | |
CN112419380B (zh) | 一种基于云掩膜的静止轨道卫星序列影像高精度配准方法 | |
CN110765912B (zh) | 一种基于统计约束和Mask R-CNN的SAR图片船舶目标检测方法 | |
CN104899852A (zh) | 一种基于遗传算法及支持向量机的微小颗粒检测系统标定方法 | |
CN105678712B (zh) | 结合自适应梯度分块和等距变换的改进Criminisi图像修复方法 | |
US20230134125A1 (en) | Alignment validation in vehicle-based sensors | |
CN112634375B (zh) | 一种ai智能检测中的平面标定和三维重建方法 | |
CN116310837B (zh) | 一种sar舰船目标旋转检测方法及系统 | |
CN116310883B (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
CN115816834B (zh) | 用于打印机打印质量实时监测的方法及系统 | |
CN116957935A (zh) | 基于航迹线约束的侧扫声呐条带图像拼接方法 | |
CN116299236A (zh) | 一种基于抽稀PS点的InSAR大气误差校正方法 | |
Bailey et al. | Determining large scale sandbar behaviour | |
CN113689478B (zh) | 量测设备的对齐方法、装置及系统 | |
CN110689532B (zh) | 一种图像比对的方法及其系统 | |
CN112924037A (zh) | 基于图像配准的红外体温检测系统及检测方法 | |
CN114494165A (zh) | 一种基于聚类的光条提取方法及装置 | |
CN113159158A (zh) | 一种基于生成对抗网络的车牌矫正与重构方法及系统 | |
CN112233063A (zh) | 一种大尺寸圆形物体的圆心定位方法 |
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 |