CN113313651B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113313651B CN113313651B CN202110655962.0A CN202110655962A CN113313651B CN 113313651 B CN113313651 B CN 113313651B CN 202110655962 A CN202110655962 A CN 202110655962A CN 113313651 B CN113313651 B CN 113313651B
- Authority
- CN
- China
- Prior art keywords
- repaired
- image
- region
- area
- block
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 31
- 230000008439 repair process Effects 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 abstract description 9
- 238000010276 construction Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Processing (AREA)
Abstract
本发明公开了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,包括以下步骤:步骤S1,自动搜索图像纹理失真区域;步骤S2,修复侧扫声呐图像纹理失真区域,包括:步骤S21,在所述步骤S1搜索到的所有纹理失真区域中,选择待修复区域和样本区域;步骤S22,定义修复模板的尺寸;步骤S23,计算图像块的权值;步骤S24,选择待修复块,然后寻找与待修复块像素方差最小的样本块;步骤S25,将所述样本块中的像素通过弱相关匹配到待修复块内,以修复待修复块;步骤S26,更新待修复区域的边界,然后再重复执行所述步骤S21到步骤S25,直至修复待修复区域。采用本发明可以获取高质量海底地貌图像,同时解决海上风电场建设和后续安全运行监测难题。
Description
技术领域
本发明涉及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。
背景技术
海上风电、桥梁等海洋工程建设中,对水下地形地貌特征以及地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,侧扫声呐是基于声学散射原理来探测海底地形的,侧扫声呐系统工作时,换能器基阵向两侧发射脉冲声波,声波按球面波形式向外传播,碰到海底或者水中物体时发生散射,反向散射波沿原传播路线返回被换能器接受,反映在记录纸或者显示器上,侧扫声呐分辨率是多波束测深分辨率的50到100倍,是获取海底精细地貌信息的有效手段。
侧扫声呐图像处理是获取高质量海底地貌信息的关键,侧扫声呐系统测量时,丢失Ping、丢失回波、异常回波等问题时常发生,常导致侧扫声呐瀑布图像中出现空白、异常灰度变化,导致形成的侧扫声呐图像对海底出现异常解译,因此需要对这些纹理失真区开展修复,确保侧扫声呐图像对海底的正确表达;为了消除异常回波区的影响,目前主要采用人工方法,通过人工判读纹理失真区的存在,然后借助周围像素的灰度值,通过平均内插或中值内插来实现纹理失真区的修复;平均内插即借助修复区周边正常像素的灰度值,通过算术平均,计算插补像素的灰度值来实现修复;平均内插法简单,易于实现,但常导致修复区灰度变化差异非常小,修复后的图像出现同灰度值或差异很小的灰度值,海底的纹理变化特征缺失;中值插值法与均值插值法思想近似,即借助周边像素的灰度值,通过寻求周边像素灰度序列的中值替代异常像素的灰度值,进而实现异常像素的修复;当采用的周围像素灰度相同时,修复的相邻像素灰度值变化较小,难以反映海底的纹理变化特征。因此,目前需要一种修复方法来解决这一问题。
发明内容
本发明的目的在于克服现有技术的缺陷而提供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,以获取高质量海底地貌图像,并有效的解决海上风电场建设和后续安全运行监测难题。
本发明所述的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,包括以下步骤:
步骤S1,自动搜索图像纹理失真区域,包括采用以下步骤S11或步骤S12实现侧扫声呐图像纹理失真区域的自动搜索;
所述步骤S11,在侧扫声呐图像中先从上往下沿着海底线移动观察,然后在海底线周围从左往右移动观察,并根据观察到的海底线的异常变化搜索纹理失真区域;
所述步骤S12,根据侧扫声呐图像的失真特征搜索纹理失真区域;以及
步骤S2,修复侧扫声呐图像纹理失真区域,包括以下步骤:
步骤S21,在所述步骤S1搜索到的所有纹理失真区域中,选择尺寸最大的纹理失真区域作为待修复区域,在侧扫声呐图像的所有纹理完整区域中选择位于所述待修复区域附近且与该待修复区域纹理最接近的纹理完整区域作为样本区域;
步骤S22,根据侧扫声呐图像的分辨率以及图像纹理的复杂程度定义一修复模板的尺寸,利用该修复模板从上到下从左往右依次遍历待修复区域内的像素,包括:将待修复区域与样本区域进行模板匹配,并在样本区域内逐像素搜索,选择与待修复区域的位于修复模板内像素的方差最小的区域块,以该区域块直接替换待修复区域的相应位置;
步骤S23,将待修复区域与样本区域的分界线划分为若干段边界l,并根据以下公式(1)计算得到若干个以边界l为中心的图像块的权值p:
p=α·C(l)+β·D(l)+γ·H(l) (1);
式中,C(l)为置信度,D(l)为数据项,H(l)为以边界l为中心点的图像块的灰度信息熵,α、β、γ均为系数,且α+β+γ=1;
步骤S24,在所述步骤S23计算得到的所有图像块的权值p中选择权值最大的图像块作为最优先修复的待修复块,然后在样本区域中寻找与该最优先修复的待修复块像素方差最小的样本块;
步骤S25,将所述步骤S24中寻找到的样本块中的像素通过弱相关匹配到最优先修复的待修复块内,以修复该最优先修复的待修复块;以及
步骤S26,更新待修复区域的边界,然后再重复执行所述步骤S21到步骤S25,直至修复待修复区域。
在上述的基于周围变化的侧扫声呐图像纹理失真区域修复方法中,所述步骤S11包括:
对侧扫声呐图像进行斜距改正以形成平距图像,假设该平距图像上最多允许连续n个像素重复,则将纹理失真区域定义为海底线周围距海底线距离为d0的图像范围,其中,d0满足以下公式(2):
式中,h为声呐仪器在测量获得侧扫声呐图像时与海底的垂直距离。
在上述的基于周围变化的侧扫声呐图像纹理失真区域修复方法中,所述步骤S12包括以下步骤:
步骤S121,设定一R×L的二维滑动窗口,对侧扫声呐图像进行遍历,并按照以下公式(3)计算得到侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy,其中,R和L为自然数:
式中,G(x,y)为像素(x,y)的灰度值;
步骤S122,根据侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy统计得到整体灰度横向梯度变化均值Egx以及整体灰度纵向梯度变化均值Egy;
步骤S123,当侧扫声呐图像的一个由二维滑动窗口所限定区域中70%以上的像素满足以下公式(4)的条件时,将该区域定义为疑似的图像缺失区域;
式中,λ为第一阈值系数,取值范围为0~1;
步骤S124,根据以下公式(5)判断在所述疑似的图像缺失区域中每个像素(x,y)是否失真:
式中,λ’为第二阈值系数,取值范围为0~1,E为每个像素(x,y)的灰度梯度均值,Emean为侧扫声呐图像去除水柱区异常值后的整体灰度梯度均值;以及
步骤S125,将由步骤S124中找到的失真的像素合并所形成的区域定义为纹理失真区域。
在上述的基于周围变化的侧扫声呐图像纹理失真区域修复方法中,在所述步骤S21中,将样本区域定义为海底线周围距海底线距离为d0~3d0的图像范围,其中,d0满足以下公式(2):
式中,h为声呐仪器在测量获得侧扫声呐图像时与海底的垂直距离。
在上述的基于周围变化的侧扫声呐图像纹理失真区域修复方法中,在所述步骤S23中,设定以边界l为中心点的图像块的尺寸为R×L,并按照以下公式(6)计算该图像块的灰度信息熵H(l):
式中,f(i,j)为所述图像块在位置(i,j)熵值的灰度值,|f(i,j)|表示灰度值f(i,j)出现的频数,Pi,j为归一化后的灰度概率值。
在上述的基于周围变化的侧扫声呐图像纹理失真区域修复方法中,所述步骤S25包括:遍历计算所述步骤S24中最优先修复的待修复块中的每个像素的周围像素与寻找到的样本块中的每个像素的周围像素的方差,并选取方差最小值所对应的样本块中的像素的灰度值作为方差最小值所对应的最优先修复的待修复块中的像素的灰度值。
基于上述技术方案,本发明利用灰度共生矩阵描述纹理的统计特性,反映图像灰度关于方向、相邻间隔、变化幅度的综合信息,实现纹理失真区域修复,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。本发明相较于传统的人工修复方法具有高精度、高质量、高分辨率、低成本、低风险和实施方便等优点。
附图说明
图1是本发明的基于二维滑动窗口R×L中灰度信息熵的纹理失真区域修复原理示意图。
具体实施方式
下面将结合附图对本发明作进一步说明。
请参阅图1,本发明,即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,包括以下步骤:
步骤S1,自动搜索图像纹理失真区域,包括采用以下步骤S11或步骤S12实现侧扫声呐图像纹理失真区域的自动搜索;
步骤S11,在侧扫声呐图像中先从上往下沿着海底线(即,侧扫声呐图像中水柱区与两侧地形回波区的分界线,此分界线处最易发生纹理失真变化)移动观察,然后在海底线周围从左往右移动观察,并根据观察到的海底线的异常变化搜索纹理失真区域;
考虑到声呐仪器在测量获得侧扫声呐图像时,其与海底的垂直距离h(即,拖鱼高度)会影响到侧扫声呐图像的纹理失真区域,因此,步骤S11具体包括:对侧扫声呐图像进行斜距改正以形成平距图像,假设该平距图像上最多允许连续n个像素重复,则将纹理失真区域定义为海底线周围距海底线距离为d0的图像范围,其中,d0满足以下公式(2):
步骤S12,根据侧扫声呐图像的失真特征搜索纹理失真区域;具体包括:
步骤S121,设定一R×L的二维滑动窗口,对侧扫声呐图像进行遍历,并按照以下公式(3)计算得到侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy,其中,R和L为自然数:
式中,G(x,y)为像素(x,y)的灰度值;
步骤S122,根据侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy统计得到整体灰度横向梯度变化均值Egx以及整体灰度纵向梯度变化均值Egy;
步骤S123,当侧扫声呐图像的一个由二维滑动窗口所限定区域中70%以上的像素满足以下公式(4)的条件时,将该区域定义为疑似的图像缺失区域;
式中,λ为第一阈值系数,取值范围为0~1,可根据侧扫声呐图像样本区域与待修复区域的灰度分布特点进行设定;
步骤S124,考虑到疑似的图像缺失区域中并不是所有的像素都失真,因此需要进一步根据以下公式(5)判断在疑似的图像缺失区域中每个像素(x,y)是否失真:
式中,λ’为第二阈值系数,取值范围为0~1,E为每个像素(x,y)的灰度梯度均值,Emean为侧扫声呐图像去除水柱区异常值后的整体灰度梯度均值(因为侧扫声呐图像中的失真表现在灰度级的整体减小、海底线跟踪有误以及目标阴影等因素造成,因此,需要采用海底线周围的失真区域的灰度先验信息来粗剔除异常,从而获得侧扫声呐图像去除水柱区异常值后的整体灰度梯度均值);以及
步骤S125,将由步骤S124中找到的失真的像素合并所形成的区域定义为纹理失真区域;
步骤S2,修复侧扫声呐图像纹理失真区域,本步骤的基本思想是,从待修复区域Ω的边缘逐步修复侧扫声呐图像,使得侧扫声呐图像的纹理不断生长直至修复完成;具体来说,步骤S2包括:
步骤S21,在所述步骤S1搜索到的所有纹理失真区域中,选择尺寸最大的纹理失真区域作为待修复区域Ω,由于水下地形地貌变化的渐进性,为了减少计算量,在侧扫声呐图像的所有纹理完整区域中选择位于待修复区域Ω附近且与该待修复区域Ω纹理最接近的纹理完整区域作为样本区域其中,将样本区域/>定义为海底线周围距海底线距离为d0~3d0的图像范围,d0满足上述公式(2);
步骤S22,根据侧扫声呐图像的分辨率以及图像纹理的复杂程度定义一修复模板的尺寸,利用该修复模板从上到下从左往右依次遍历待修复区域Ω内的像素,包括:将待修复区域Ω与样本区域进行模板匹配,并在样本区域内逐像素搜索,选择与待修复区域Ω的位于修复模板内像素的方差最小的区域块,以该区域块直接替换待修复区域Ω的相应位置;
步骤S23,将待修复区域Ω与样本区域的分界线划分为若干段边界l,并根据以下公式(1)计算得到若干个以边界l为中心的图像块的权值p:
p=α·C(l)+β·D(l)+γ·H(l) (1);
式中,C(l)为置信度,D(l)为数据项,H(l)为以边界l为中心点的图像块的灰度信息熵,α、β、γ均为系数,且α+β+γ=1;
具体来说,设定的一个以边界l为中心点的图像块的尺寸为R×L,并按照以下公式(6)计算该图像块的灰度信息熵H(l):
式中,f(i,j)为图像块在位置(i,j)熵值的灰度值,|f(i,j)|表示灰度值f(i,j)出现的频数,Pi,j为归一化后的灰度概率值,表征灰度值出现的统计概率值;其中,|f(i,j)|既可统计待求像素在整个窗口像素灰度值出现的频数,也可统计待求像素与各个方向灰度值出现的频数;
步骤S24,考虑到图像块的灰度信息熵H(l)越大,该图像块所含的纹理越丰富复杂,越应优先修复,因此,在步骤S23计算得到的所有图像块的权值p中选择权值最大的图像块作为最优先修复的待修复块然后在样本区域/>中寻找与该最优先修复的待修复块像素方差最小的样本块/>
步骤S25,将步骤S24中寻找到的样本块中的像素通过弱相关匹配到最优先修复的待修复块/>内,以修复该最优先修复的待修复块/>其中,所谓“弱相关匹配”就是指遍历计算步骤S24中最优先修复的待修复块/>中的每个像素的周围像素与寻找到的样本块/>中的每个像素的周围像素的方差,并选取方差最小值所对应的样本块/>中的像素的灰度值作为方差最小值所对应的最优先修复的待修复块/>中的像素的灰度值;以及
步骤S26,更新待修复区域Ω的边界(即,待修复区域Ω的边缘像素的连线,完成一小块修复后,可重新划分边界),然后再重复执行步骤S21到步骤S25,直至修复待修复区域。
综上所述,本发明,即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,实现了侧扫声呐图像纹理失真区域的最佳修复,提高了声呐图像对海底地形地貌信息描述的精细度和准确性,同时它能提升工作效率,降低作业成本,使用起来更加方便快捷,也减少了实施耗时。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下,还可以作出各种变换或变型,因此所有等同的技术方案也应该属于本发明的范畴,应由各权利要求所限定。
Claims (5)
1.一种基于周围变化的侧扫声呐图像纹理失真区域修复方法,其特征在于:所述修复方法包括以下步骤:
步骤S1,自动搜索图像纹理失真区域,包括采用以下步骤S11或步骤S12实现侧扫声呐图像纹理失真区域的自动搜索;
所述步骤S11,在侧扫声呐图像中先从上往下沿着海底线移动观察,然后在海底线周围从左往右移动观察,并根据观察到的海底线的异常变化搜索纹理失真区域;
所述步骤S12,根据侧扫声呐图像的失真特征搜索纹理失真区域;
所述步骤S12包括以下步骤:
步骤S121,设定一R×L的二维滑动窗口,对侧扫声呐图像进行遍历,并按照以下公式(3)计算得到侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy,其中,R和L为自然数:
式中,G(x,y)为像素(x,y)的灰度值;
步骤S122,根据侧扫声呐图像的各个由二维滑动窗口所限定区域中每个像素(x,y)的灰度横向梯度变化值gx以及灰度纵向梯度变化值gy统计得到整体灰度横向梯度变化均值Egx以及整体灰度纵向梯度变化均值Egy;
步骤S123,当侧扫声呐图像的一个由二维滑动窗口所限定区域中70%以上的像素满足以下公式(4)的条件时,将该区域定义为疑似的图像缺失区域;
式中,λ为第一阈值系数,取值范围为0~1;
步骤S124,根据以下公式(5)判断在所述疑似的图像缺失区域中每个像素(x,y)是否失真:
式中,λ’为第二阈值系数,取值范围为0~1,E为每个像素(x,y)的灰度梯度均值,Emean为侧扫声呐图像去除水柱区异常值后的整体灰度梯度均值;以及
步骤S125,将由步骤S124中找到的失真的像素合并所形成的区域定义为纹理失真区域;以及
步骤S2,修复侧扫声呐图像纹理失真区域,包括以下步骤:
步骤S21,在所述步骤S1搜索到的所有纹理失真区域中,选择尺寸最大的纹理失真区域作为待修复区域,在侧扫声呐图像的所有纹理完整区域中选择位于所述待修复区域附近且与该待修复区域纹理最接近的纹理完整区域作为样本区域;
步骤S22,根据侧扫声呐图像的分辨率以及图像纹理的复杂程度定义一修复模板的尺寸,利用该修复模板从上到下从左往右依次遍历待修复区域内的像素,包括:将待修复区域与样本区域进行模板匹配,并在样本区域内逐像素搜索,选择与待修复区域的位于修复模板内像素的方差最小的区域块,以该区域块直接替换待修复区域的相应位置;
步骤S23,将待修复区域与样本区域的分界线划分为若干段边界l,并根据以下公式(1)计算得到若干个以边界l为中心的图像块的权值p:
p=α·C(l)+β·D(l)+γ·H(l) (1);
式中,C(l)为置信度,D(l)为数据项,H(l)为以边界l为中心点的图像块的灰度信息熵,α、β、γ均为系数,且α+β+γ=1;
步骤S24,在所述步骤S23计算得到的所有图像块的权值p中选择权值最大的图像块作为最优先修复的待修复块,然后在样本区域中寻找与该最优先修复的待修复块像素方差最小的样本块;
步骤S25,将所述步骤S24中寻找到的样本块中的像素通过弱相关匹配到最优先修复的待修复块内,以修复该最优先修复的待修复块;以及
步骤S26,更新待修复区域的边界,然后再重复执行所述步骤S21到步骤S25,直至修复待修复区域。
2.根据权利要求1所述的基于周围变化的侧扫声呐图像纹理失真区域修复方法,其特征在于,所述步骤S11包括:
对侧扫声呐图像进行斜距改正以形成平距图像,假设该平距图像上最多允许连续n个像素重复,则将纹理失真区域定义为海底线周围距海底线距离为d0的图像范围,其中,d0满足以下公式(2):
式中,h为声呐仪器在测量获得侧扫声呐图像时与海底的垂直距离。
3.根据权利要求1所述的基于周围变化的侧扫声呐图像纹理失真区域修复方法,其特征在于,在所述步骤S21中,将样本区域定义为海底线周围距海底线距离为d0~3d0的图像范围,其中,d0满足以下公式(2):
式中,h为声呐仪器在测量获得侧扫声呐图像时与海底的垂直距离。
4.根据权利要求1所述的基于周围变化的侧扫声呐图像纹理失真区域修复方法,其特征在于,在所述步骤S23中,设定以边界l为中心点的图像块的尺寸为R×L,并按照以下公式(6)计算该图像块的灰度信息熵H(l):
式中,f(i,j)为所述图像块在位置(i,j)熵值的灰度值,|f(i,j)|表示灰度值f(i,j)出现的频数,Pi,j为归一化后的灰度概率值。
5.根据权利要求1所述的基于周围变化的侧扫声呐图像纹理失真区域修复方法,其特征在于,所述步骤S25包括:遍历计算所述步骤S24中最优先修复的待修复块中的每个像素的周围像素与寻找到的样本块中的每个像素的周围像素的方差,并选取方差最小值所对应的样本块中的像素的灰度值作为方差最小值所对应的最优先修复的待修复块中的像素的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655962.0A CN113313651B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655962.0A CN113313651B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313651A CN113313651A (zh) | 2021-08-27 |
CN113313651B true CN113313651B (zh) | 2024-03-29 |
Family
ID=77378712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110655962.0A Active CN113313651B (zh) | 2021-06-11 | 2021-06-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313651B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274148A (zh) * | 2022-12-05 | 2023-12-22 | 魅杰光电科技(上海)有限公司 | 基于深度学习的无监督晶圆缺陷检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445395A (zh) * | 2020-03-03 | 2020-07-24 | 哈尔滨工程大学 | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 |
WO2020233083A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像修复方法、装置、存储介质及终端设备 |
CN112837252A (zh) * | 2021-01-27 | 2021-05-25 | 中交三航(上海)新能源工程有限公司 | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 |
-
2021
- 2021-06-11 CN CN202110655962.0A patent/CN113313651B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233083A1 (zh) * | 2019-05-21 | 2020-11-26 | 深圳壹账通智能科技有限公司 | 一种图像修复方法、装置、存储介质及终端设备 |
CN111445395A (zh) * | 2020-03-03 | 2020-07-24 | 哈尔滨工程大学 | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 |
CN112837252A (zh) * | 2021-01-27 | 2021-05-25 | 中交三航(上海)新能源工程有限公司 | 一种侧扫声呐条带图像公共覆盖区图像融合方法及系统 |
Non-Patent Citations (3)
Title |
---|
Object Removal by Exemplar-Based Inpainting;A. Criminisi, P. Perez;IEEE;20031231;全文 * |
一种有效的大区域图像修复算法;王战 等;计算机应用与软件;20151015;第32卷(第10期);第178-180、268页 * |
基于灰度熵合成样本块的图像修复算法;赵廉政 等;计算机工程;20161115;第42卷(第11期);第267-271页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313651A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6868041B2 (en) | Compensation of sonar image data primarily for seabed classification | |
CN102928844B (zh) | 一种水下亚波长分辨率三维成像方法 | |
CN110706177B (zh) | 一种侧扫声呐图像灰度均衡化方法及系统 | |
CN103292792B (zh) | 一种适用海底探测与假地形处理的实测svp重构方法 | |
WO2021179548A1 (zh) | 河道地形模型构建方法、装置、机器人和存储介质 | |
CN111445395B (zh) | 一种基于深度学习的侧扫声呐瀑布图像中间区域修复方法 | |
CN110379011B (zh) | 一种基于改进三次b样条曲线的水下地形点云孔洞修补方法 | |
CN113313651B (zh) | 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 | |
CN115187666A (zh) | 深度学习和图像处理结合的侧扫声呐海底高程探测方法 | |
Beaudoin et al. | Geometric and radiometric correction of multibeam backscatter derived from Reson 8101 systems | |
KR101339678B1 (ko) | 갯녹음 실태조사를 위한 암반,비암반 면적 산출방법 | |
CN111443344A (zh) | 一种侧扫声呐海底线自动提取方法及装置 | |
CN116523822A (zh) | 一种基于侧扫声呐的海缆检测识别方法 | |
CN112882037A (zh) | 侧扫声呐海底线检测方法及装置 | |
JP4585838B2 (ja) | 底質探知装置 | |
CN116559883A (zh) | 一种侧扫声呐图像的纠正方法以及侧扫声呐镶嵌影像 | |
Ye et al. | Geometric correction method of side-scan sonar image | |
CN116184376A (zh) | 一种水下三维地形及多波束图像声呐数据仿真系统和方法 | |
CN113096171B (zh) | 多波束与侧扫声纳图像的多尺度迭代自适应配准方法 | |
CN111260674B (zh) | 从声呐图像中提取目标轮廓线的方法、系统及存储介质 | |
CN115272461A (zh) | 一种基于先验知识的侧扫声呐图像的海底高程检测方法 | |
CN115248436A (zh) | 一种基于成像声呐的鱼类资源评估方法 | |
CN113378932A (zh) | 一种基于高精度异源共视图像的侧扫声呐位置矫正方法 | |
CN116930976B (zh) | 基于小波模极大值的侧扫声呐图像的海底线检测方法 | |
JP2010145224A (ja) | スキャニングソナー装置 |
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 |