CN114494280A - 基于经验模态分解的前视声呐图像分割方法 - Google Patents

基于经验模态分解的前视声呐图像分割方法 Download PDF

Info

Publication number
CN114494280A
CN114494280A CN202111547257.5A CN202111547257A CN114494280A CN 114494280 A CN114494280 A CN 114494280A CN 202111547257 A CN202111547257 A CN 202111547257A CN 114494280 A CN114494280 A CN 114494280A
Authority
CN
China
Prior art keywords
sonar image
image
gray
looking sonar
looking
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
Application number
CN202111547257.5A
Other languages
English (en)
Inventor
申丽然
谭昕瑜
尹清波
范云生
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.)
Dalian Maritime University
Original Assignee
Dalian Maritime University
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 Dalian Maritime University filed Critical Dalian Maritime University
Priority to CN202111547257.5A priority Critical patent/CN114494280A/zh
Publication of CN114494280A publication Critical patent/CN114494280A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于经验模态分解的前视声呐图像分割方法，属于数字图像处理、数字信号处理、计算机人工智能及模式识别领域，该方法包括以下步骤：对前视声呐图像进行去背景处理，得到去背景处理后的前视声呐图像；对背景处理后的前视声呐图像进行图像分解处理，得到图像分解处理后的前视声呐图像；对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像；对重构后的前视声呐图像进行聚类分割，得到分割后的前视声呐图像；该方法既能达有效抑制噪声干扰，又能保护图像边缘细节信息来进行分割的目的。

Description

基于经验模态分解的前视声呐图像分割方法
技术领域
本发明涉及数字图像处理、数字信号处理、计算机人工智能及模式识别技术领域，尤其涉及基于经验模态分解的前视声呐图像分割方法，该方法利用计算机对前视声呐图像进行增强并有效分割的方法。
背景技术
近年来，随着水下技术的发展，声成像系统成为各种潜艇、智能水下机器人的眼睛，为其提供直观可靠的图像数据，用这些图像数据再进行图像处理和模式识别，可以快速准确的对目标进行判断，实现水下作业的自动化或智能化。多波束前视声呐是声信号经过发射、传输、接收、处理和可视化得到的。由于受到海洋环境多变性、声波传播特性及声呐自身设备的干扰等多方面的影响，对于前视声呐而言，使声呐图像受噪声影响严重，对比度低，分辨率不高，图像质量大大降低。并且目标的细节特征比较少，目标的边界具有较大的不规则性，基本不存在精确的边界和轮廓特征。这给进一步的数据处理和分析带来了更大的困难和挑战。
声呐图像分割是后期进行目标识别、跟踪、分类等问题的前提，是图像处理的重要组成部分。通过精确、准确的分割，可以将目标与背景进行分离，为目标分类和识别提供基础。因此，声呐图像的分割是继声纳图像增强之后又一需要重点研究的问题。由于声呐图像成像质量较低、受噪声污染严重，传统的基于边缘信息或统计信息的图像分割方法难以取得高精度、高鲁棒性的分割结果。并且，由于声呐图像的分割在声纳图像处理中处于承前启后的关键位置，对最终目标正确识别至关重要；而混响以及各种环境噪声的影响使分割技术难度增大，所以声呐图像分割作为声呐图像处理的难点和热点，得到了广泛的关注。
在声呐图像增强方面，采用经验模态分解的方法，和经常采用的小波变换方法类似，经验模态分解可以看做是一个滤波器组，而且其产生的各阶本征模态函数是从高频到低频逐渐展开的过程，即第一层本征模态函数包含图像中的高频信息，最后一层本征模态函数包含图像中的最低频率信息(或者说是趋势信息)。经验模态分解能够通过跨信道模式对齐来分解多变量信号，该方法是依据自身的时间尺度特征来进行信号分解，无需预先设定基函数。理论上可应用于任何类型的信号分解，因而在处理非线性、非平稳数据上，具有非常明显的优势，更加适用于声纳图像的增强。在声呐图像的分割中，由于声呐图像噪声严重，目标边界有较大不规则性，因此进行分割前还需要进行必要的去噪和增强细节信息。声呐图像的噪声主要分布在高频区域，由于目标灰度级较少，因此低频区域不适合进行去噪处理，但低频区域包含了大量的图像信息，可以进行相应的增强细节信息处理。
声呐图像的分割算法还不成熟，一般来说，国内外的研究大多是将光学图像分割理论和算法移植到声呐图像分割上来。现有的声呐图像分割算法有：基于阈值的分割方法，模糊C均值分割法、马尔科夫随机场、水平集等。如图1为前视声呐图像，前视声呐图像具有如下特点：1)目标灰度级较少，背景与噪声的灰度级较多；2)经常存在随机分布的噪声；3)分辨率低，目标的细节特征较少，目标边界具有较大的不规则形，基本不存在精确的边界和轮廓；4)往往背景占大部分的位置，图像整体观感偏暗。一些效果较好的声呐图像分割算法是基于一定的先验条件，无法自动完成图像分割。像基于阈值的分割方法简便易操作，在阈值分割方法中有一部分是根据图像直方图来确定分割阈值，阈值分割计算简单、速度快，但声呐图像的前景和背景的灰度值相差较小，并且前景灰度级不是特别集中，因此分割效果较差。水平集方法具有良好的鲁棒性和准确性，对高噪声声呐图像及真实的声呐图像都有很好的效果，尤其适用于侧扫声呐。但对于前视声呐图像来说，计算过程复杂，在声呐图像处理的时间上还有待提高。模糊C均值聚类分割是应用最广泛的算法。它具有计算量小、多目标分割等优点。但模糊C均值聚类的初始聚类中心对分割结果有很大影响。并且若不使用像素之间的关系，对噪声将非常敏感。
发明内容
根据现有技术存在的问题，本发明公开了一种基于经验模态分解的前视声呐图像分割方法，包括：以下步骤：
S1：对前视声呐图像进行去背景处理，得到去背景处理后的前视声呐图像；
S2：对背景处理后的前视声呐图像进行图像分解处理，得到图像分解处理后的前视声呐图像；
S3：对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像；
S4：对重构后的前视声呐图像进行聚类分割，得到分割后的前视声呐图像。
进一步地：所述去背景处理包括以下步骤：
S1-1：计算输入的前视声呐图像I(x，y)平均邻域灰度的一维灰度直方图fxy；
S1-2：以点灰度为横坐标、区域灰度均值的概率为纵坐标构造二维直方图pxy；
S1-3：利用鸡群优化算法求取前视声呐图像I(x，y)的二维熵为最大时的灰度值s以及区域灰度均值概率t；
S1-4：将前视声呐图像I(x，y)的灰度值小于s且区域灰度均值概率小于t的区域置零，前视声呐图像I(x，y)的灰度值大于s的部分保留，得到去除背景后的图像I1(x,y)。
进一步地：所述利用鸡群优化算法求取声呐图像I(x,y)的二维熵为最大时的灰度值的步骤如下：
S1-3-1：初始化鸡群，设定迭代次数,变量t＝0；
S1-3-2：开始迭代：
S1-3-3：计算每一个鸡群个体的适应度，所述适应度公式采用最大熵判定函数y进行计算；
S1-3-4：进行适应度降序排序，建立层次，将鸡群随机分为若干个子鸡群；
S1-3-5：分别更新公鸡、母鸡、小鸡的位置，计算每个鸡群个体的适应度；
S1-3-6：更新鸡群个体在当前的鸡群最佳位置即适应度最高的位置和鸡群个体位置；再次计算每个个体的适应度；
S1-3-7：迭代次数t＝t+1；
S1-3-8：迭代结束条件：如果达到设定的迭代次数即，则进入S1-3-9，否则返回步骤S1-3-2；
S1-3-9：确定适应度最大的灰度值s和区域灰度均值概率th,将灰度小于适应度最大的灰度值s，区域灰度均值概率小于t的区域置零去除，其余部分保留得到去除背景后的图像I1(x,y)。
进一步地：所述图像分解处理采用二维经验模态分解。
进一步地：采用二维经验模态分解的过程如下：
S2-1：利用去背景后的前视声呐图像I1(x,y)作为分解初始值，平面矩阵ri＝I1，像素横坐标i＝0；
S2-2：设定平面矩阵hj＝ri，像素纵坐标j＝1；
S2-3：求取hj区域极大值和极小值；
S2-4：对所获得的极大值和极小值分别用三次样条插值得到上包络envmax和下包络envmin；
S2-5：计算上包络envmax和下包络envmin的均值m，
Figure BDA0003416101930000041
S2-6：从hj中减去m，设定hj+1＝hj-m，j＝j+1；
S2-7：当hj的平均能量≥阈值或j＜4，则转到S2-3继续执行；
当hj的平均能量＜阈值或j>＝4，则获得去背景后的声呐图像I1(x,y)的第i个本征模态函数Fi＝hj，转到S2-8；
S2-8：设定i＝i+1，
Figure BDA0003416101930000042
当ri为单调函数或者i>＝5，则R＝ri为残余分量，分解过程结束；否则转到S2-2。
进一步地：所述图像分解处理后的前视声呐图像采用高频本征函数和残余分量进行表达。
进一步地：所述对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像的过程如下：
S3-1：获取图像分解处理后的前视声呐图像的前高频四层的IMF：F1,F2,F3,F4,以及残余分量,得到五层分量；
S3-2：对五层分量进行模糊增强处理；即：分别计算五层分量模糊特征平面；
S3-3：对每个模糊特征平面中，隶属度小于0.5的部分进行降低灰度，高于0.5的部分进行提高灰度的操作，得到五层分量增强后的分量XX1,XX2,XX3,XX4,XX5；
S3-4：对前四层增强后的分量进行引导滤波，得到滤波后的分量XL1,XL2,XL3,XL4；
S3-5：前4层滤波后的分量XL1,XL2,XL3,XL4和增强后残差XX5相加进行图像重构，得到重构后的前视声呐图像。
进一步地：所述对重构后的前视声呐图像进行聚类分割，采用C均值聚类分割方法，所述增强C均值聚类分割方法步骤如下：
S4-1:选择重构后的前视声呐图像初始聚类中心cc1，cc2；
S4-2:用邻域像素的均值对重构后的前视声呐图像增强和去噪后的图像进行滤波，生成新的加权图像im；
S4-3:生成的加权图像im的灰度直方图，计算每一个灰度值对于两个聚类中心cc1和cc2的目标函数值Jenfcm；
S4-4:迭代更新聚类中心vj和他的模糊隶属度矩阵uji；
S4-5：若目标函数值Jenfcm达到指定精度或达到设定的迭代次数则停止迭代，得到最终的两个聚类中心cc1和cc2，以及两个聚类中心cc1和cc2的隶属度矩阵ucc1和ucc2，否则返回步骤S4-2；
S4-6:根据模糊隶属度矩阵ucc1和ucc2，从(1,1)位置像素点开始到最后一个像素点位置进行两个隶属度矩阵的比较，若ucc1>ucc2，则该像素点被分类为聚类中心cc1这一簇，若ucc1<ucc2，则该像素点被分类为聚类中心cc2这一簇；
S4-7:将分为两类的像素点分别置0与置255，完成二值分割，得到分割后的声呐图像。
由于采用了上述技术方案，本发明提供的基于经验模态分解的前视声呐图像分割方法，克服现有的前视声呐图像分割方法对噪声的敏感以及对聚类参数初值的依赖性，提供一种针对前视声呐图像的自适应分割方法，该方法利用二维最大熵进行初步的目标背景分离，再对声呐图像进行经验模态分解后的本征模态函数进行增强并去噪；对重构图像计算新的加权图像，进行模糊聚类分割，达到既能够有效抑制噪声干扰，又能保护图像边缘细节信息来进行分割的目的。且该方法能够根据前视声呐图像的特点，在保证目标特征的前提下进行自适应无监督分割。使用增强C均值聚类算法(ENFCM)考虑空间信息，有效降低噪声干扰，在迭代之前对输入的图像进行一次空间信息提取，得到包含空间信息的新图像，然后把这幅新图像线性叠加到原输入图像上；并且直接针对图像像素的灰度级进行聚类，因为像素灰度级的个数L(通常是256)远远小于图像像素的个数n，不仅能够减小初始聚类中心的影响，还能大大提高处理速度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请中记载的一些实施例，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前视声呐图像示例图；
图2基于经验模态分解声呐图像分割方法的流程图；
图3利用IMF重构去除噪声并增强边缘信息声呐图像的流程图；
图4基于增强C均值聚类声呐图像分割的流程图。
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
一种基于经验模态分解的前视声呐图像分割方法，包括：以下步骤：
S1：对前视声呐图像进行去背景处理，得到去背景处理后的前视声呐图像；
S2：对背景处理后的前视声呐图像进行图像分解处理，得到图像分解处理后的前视声呐图像；
S3：对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像；
S4：对重构后的前视声呐图像进行聚类分割，得到分割后的前视声呐图像。
由于声呐图像目标灰度级较少，背景和噪声灰度级较多，根据二维直方图的概率分布特点，概率峰值分别为目标和背景。因此可以利用二维最大熵找到目标灰度与背景及噪声灰度的临界值，进行目标的初步提取。
所述去背景处理包括以下步骤：
S1-1：计算输入的前视声呐图像I(x，y)平均邻域灰度的一维灰度直方图fxy；直方图灰度级L＝256；
S1-2：以点灰度为横坐标、区域灰度均值的概率为纵坐标构造二维直方图Pxy；
S1-3：利用鸡群优化算法求取前视声呐图像I(x，y)的二维熵为最大时的灰度值s以及区域灰度均值概率t；
S1-4：将前视声呐图像I(x，y)的灰度值小于s且区域灰度均值概率小于t的区域置零，前视声呐图像I(x，y)的灰度值大于s的部分保留，得到去除背景后的图像I1(x，y)。
进一步地，所述利用鸡群优化算法求取声呐图像I(x，y)的二维熵为最大时的灰度值的步骤如下：
S1-3-1：初始化鸡群，设定迭代次数，MM＝100，鸡群大小pop＝20，尺寸维数dim＝2，鸡群更新频率G＝10；变量t＝0；
S1-3-2：开始迭代：
S1-3-3：计算每一个鸡群个体的适应度，所述适应度公式采用最大熵判定函数y进行计算；，所述最大熵判定函数y的公式如下：
Figure BDA0003416101930000071
其中：PA为Pxy中pxy(0，0)到pxy(s，t)后称为区域A的概率和，Px＝1-PA为pxy(s，t)到Pxy(L，L)后称为区域B的概率和，HA为区域A的二维熵HA＝-∑i∑jPxy(i，j)log Pxy(i，j)，i＝1，...，s；j＝1，...，t；Hll为所有区域的二维熵Hll＝-∑i∑iPxy(i，j)log Pxy(i，j)，i＝1，...，L；j＝1，...，L；
S1-3-4：进行适应度降序排序，建立层次，将鸡群随机分为若干个子鸡群；
S1-3-5：分别更新公鸡、母鸡、小鸡的位置，公鸡、母鸡和小鸡的位置更新采用的如下：
公鸡的位置更新采用的公式如下：
xij(t+1)＝xi，j(t).(1+Randn(0，σ2)) (2)
Figure BDA0003416101930000072
其中：xij(t+1)为公鸡的新位置；xi，j(t)为公鸡的旧位置；Randn(0，σ2)为标准差为σ2，均值为0的高斯分布；fk为旧位置的适应度，fi为新位置的适应度，ε为常数。
母鸡的位置更新采用的公式如下：
xij(t+1)＝xi，j(t)+c1.Rand.(xr1，j(t)-xi，j(t))+c2.Rand.(xr2，j(t)-xi，j(t)) (4)
Figure BDA0003416101930000081
C2＝exp(fr2-fi) (6)
其中：xij(t+1)为母鸡的新位置，xi，j(t)为母鸡的旧位置，Rand为在取值范围(0，1)内任意数值；fr1为母鸡所在的公鸡的组r1的适应度，fi为当前母鸡的适应度，C1为所在公鸡组对其的影响因子；fr2为其他公鸡和母鸡中随机选取个体r2的适应度，C2为其他鸡对其的影响因子。
小鸡的位置更新采用的公式如下：
xij(t+1)＝xi，j(t)+F.(xm，j(t)-xi，j(t)) (7)
其中：xij(t+1)为小鸡的新位置，xi，j(t)为小鸡的旧位置，母亲母鸡m位置的第j维数值为xm，j(t)，母亲母鸡的位置对小鸡位置的影响因子为F，其为随机函数随机生成，取值范围一般为(0，2)。
计算每个鸡群个体的适应度；
S1-3-6：更新鸡群个体在当前的鸡群最佳位置即适应度最高的位置和鸡群个体位置；再次计算每个个体的适应度；
S1-3-7：迭代次数t＝t+1；
S1-3-8：迭代结束条件：如果达到设定的迭代次数即，则进入S1-3-9，否则返回步骤S1-3-2；
S1-3-9：确定适应度最大的灰度值s和区域灰度均值概率th，将灰度小于适应度最大的灰度值s，区域灰度均值概率小于t的区域置零去除，其余部分保留得到去除背景后的图像I1(x，y)。
进一步地：所述图像分解处理采用二维经验模态分解(the bidimensionalempirical mode decomposition：BEMD)，采用二维经验模态分解的过程如下：
S2-1：利用去背景后的声呐图像I1(x，y)作为分解初始值，平面矩阵ri＝I1，像素横坐标i＝0；
S2-2：设定平面矩阵hj＝ri，像素纵坐标j＝1；
S2-3：求取hj区域极大值和极小值；
S2-4：对所获得的极大值和极小值分别用三次样条插值得到上包络envmax和下包络envmin；
S2-5：计算上包络envmax和下包络envmin的均值m，m的表达式如下：
Figure BDA0003416101930000091
S2-6：从hj中减去m，设定hj+1＝hj-m，j＝j+1；
S2-7：当hj的平均能量≥阈值或j＜4，则转到S2-3继续执行；
当hj的平均能量＜阈值ε或j>＝4，则获得去背景后的声呐图像I1(x，y)的第i个本征模态函数Fi＝hj，转到S2-8；
S2-8：设定i＝i+1，
Figure BDA0003416101930000092
当ri为单调函数或者i>＝5，则R＝ri，ri为残余分量，分解过程结束；否则转到S2-2。
声呐图像经验模态分解后，噪声主要分布在高频本征模态函数中，低频本征模态函数包含了大量的图像信息，利用这一特点，可对所有本征模态函数和残余层进行模糊增强，再对高频本征模态函数利用引导滤波去除噪声；其次只对高频本征模态函数进行相应的增强和去噪。利用处理后的高频本征模态函数和残余层进行声呐图像的重构，较原始的图像有更大的信息熵、均值以及信噪比。
进一步地，所述图像分解处理后的前视声呐图像采Fi(intrinsic modefunctions：IMF)用高频本征函数和残余分量R进行表达，所述对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像的过程如下：
S3-1：获取图像分解处理后的前视声呐图像的前高频四层的IMF：F1，F2，F3，F4，以及残余分量,得到五层分量；
S3-2：对五层分量进行模糊增强处理；即：分别计算五层分量模糊特征平面P(i，j)，
Figure BDA0003416101930000093
其中：xmax为最大灰度值，xmin为最小灰度值，fij为当前像素灰度值；
S3-3：对每个模糊特征平面中，隶属度小于0.5的部分进行降低灰度，高于0.5的部分进行提高灰度的操作，得到五层分量增强后的分量XX1，XX2，XX3，XX4，XX5；
S3-4：对前四层增强后的分量进行引导滤波，得到滤波后的分量XL1，XL2，XL3，XL4；
XL＝ak.XX+bk (10)
Figure BDA0003416101930000101
Figure BDA0003416101930000102
其中：XX为引导图；pi为输入图，本算法也取XX；μk和
Figure BDA0003416101930000103
表示输入图像在局部窗口ωk的均值和方差；|ω|是窗口内的像素数；pk表示引导层在窗口ωk内的均值；ak、bk为线性系数。
S3-5：前4层滤波后的分量XL1，XL2，XL3，XL4和增强后残差XX5相加进行图像重构，得到重构后的前视声呐图像。
增强C均值聚类分割(enFCM)由于利用隶属度综合衡量各因素影响，在处理像声呐图像这种具有不确定性和模糊性的图像上占有一定的优势，它是一种无监督的分类方法，可以在整个分割过程中脱离人为的干预，并且它还考虑了邻域信息，能够有效的减少噪声对聚类分割的影响。
所述对重构后的前视声呐图像进行聚类分割，采用增强C均值聚类分割方法，所述增强C均值聚类分割方法步骤如下：
S4-1:选择重构后的前视声呐图像初始聚类中心cc1，cc1＝s+xmin，cc2，cc2＝xmax-s；其中：xmin为图像J中最小灰度值，xmax为图像J中最大灰度值，s为第一阶段的临界灰度值；
S4-2:用邻域像素的均值对重构后的前视声呐图像增强和去噪后的图像进行滤波，生成新的加权图像im；
Figure BDA0003416101930000104
其中，xk为当前像素，xr为xk邻域像素，Nk为xk邻域像素个数，
Figure BDA0003416101930000105
为均值滤波后的像素值，α为权重因子；
S4-3:生成的加权图像im的灰度直方图，计算每一个灰度值对于两个聚类中心cc1和cc2的目标函数值Jenfcm；
Figure BDA0003416101930000106
其中：rk为统计有效灰度级级数，m为模糊性加权指数，n为待分割灰度级数(聚类样本数)，L为像素灰度几个数，c为预定义的聚类类别数目，uji为模糊隶属度矩阵元素，vj为聚类中心，进行计算；
S4-4:迭代更新聚类中心vj和模糊隶属度uji；
Figure BDA0003416101930000111
Figure BDA0003416101930000112
其中：xi为当前像素，m为模糊性加权指数，uji为模糊隶属度矩阵元素，c为预定义的聚类类别数目。
S4-5：若Jenfcm达到指定精度或达到设定的迭代次数则停止迭代，得到最终的两个聚类中心cc1和cc2，以及他们的隶属度矩阵和，否则返回步骤S4-2；
S4-6:得到最终两个聚类中心的两个模糊隶属度矩阵和，从(1,1)位置像素点开始到最后一个像素点位置进行两个隶属度矩阵的比较，若ucc1>ucc2，则该像素点被分类为聚类中心cc1这一簇，若ucc1<ucc2，则该像素点被分类为聚类中心cc2这一簇。
S4-7:将分为两簇的像素点分别置0与置255，完成二值分割，得到分割后的声呐图像。
上面是本发明提出的方法的一种实施，但在某些步骤上，可以进行适当改变，以适应具体情况的需求。例如，采用二维经验模态分解的过程中利用三次样条进行插值，可以根据需要，进行适当的调整。例如，在S3步骤利用本征模态函数重构图像时，选择的高频本征模态函数层数可以适当调整。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于经验模态分解的前视声呐图像分割方法，其特征在于，包括：以下步骤：
S1：对前视声呐图像进行去背景处理，得到去背景处理后的前视声呐图像；
S2：对背景处理后的前视声呐图像进行图像分解处理，得到图像分解处理后的前视声呐图像；
S3：对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像；
S4：对重构后的前视声呐图像进行聚类分割，得到分割后的前视声呐图像。
2.根据权利要求1所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述去背景处理包括以下步骤：
S1-1：计算输入的前视声呐图像I(x，y)平均邻域灰度的一维灰度直方图fxy；
S1-2：以点灰度为横坐标、区域灰度均值的概率为纵坐标构造二维直方图Pxy；
S1-3：利用鸡群优化算法求取前视声呐图像I(x，y)的二维熵为最大时的灰度值s以及区域灰度均值概率t；
S1-4：将前视声呐图像I(x，y)的灰度值小于s且区域灰度均值概率小于t的区域置零，前视声呐图像I(x，y)的灰度值大于s的部分保留，得到去除背景后的图像I1(x，y)。
3.根据权利要求1所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述利用鸡群优化算法求取声呐图像I(x,y)的二维熵为最大时的灰度值的步骤如下：
S1-3-1：初始化鸡群，设定迭代次数,变量t＝0；
S1-3-2：开始迭代：
S1-3-3：计算每一个鸡群个体的适应度，所述适应度公式采用最大熵判定函数y进行计算；
S1-3-4：进行适应度降序排序，建立层次，将鸡群随机分为若干个子鸡群；
S1-3-5：分别更新公鸡、母鸡、小鸡的位置，计算每个鸡群个体的适应度；
S1-3-6：更新鸡群个体在当前的鸡群最佳位置即适应度最高的位置和鸡群个体位置；再次计算每个个体的适应度；
S1-3-7：迭代次数t＝t+1；
S1-3-8：迭代结束条件：如果达到设定的迭代次数即，则进入S1-3-9，否则返回步骤S1-3-2；
S1-3-9：确定适应度最大的灰度值s和区域灰度均值概率th,将灰度小于适应度最大的灰度值s，区域灰度均值概率小于t的区域置零去除，其余部分保留得到去除背景后的图像I1(x，y)。
4.根据权利要求1所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述图像分解处理采用二维经验模态分解。
5.根据权利要求4所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：采用二维经验模态分解的过程如下：
S2-1：利用去背景后的前视声呐图像I1(x，y)作为分解初始值，平面矩阵ri＝I1，像素横坐标i＝0；
S2-2：设定平面矩阵hj＝ri，像素纵坐标j＝1；
S2-3：求取hj区域极大值和极小值；
S2-4：对所获得的极大值和极小值分别用三次样条插值得到上包络envmax和下包络envmin；
S2-5：计算上包络envmax和下包络envmin的均值m，
Figure FDA0003416101920000021
S2-6：从hj中减去m，设定hj+1＝hj-m，j＝j+1；
S2-7：当hj的平均能量≥阈值或j＜4，则转到S2-3继续执行；
当hj的平均能量＜阈值或j>＝4，则获得去背景后的声呐图像I1(x，y)的第i个本征模态函数Fi＝hj，转到S2-8；
S2-8：设定i＝i+1，
Figure FDA0003416101920000022
当ri为单调函数或者i>＝5，则R＝ri为残余分量，分解过程结束；否则转到S2-2。
6.根据权利要求1所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述图像分解处理后的前视声呐图像采用高频本征函数和残余分量进行表达。
7.根据权利要求6所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像的过程如下：
S3-1：获取图像分解处理后的前视声呐图像的前高频四层的IMF：F1,F2,F3,F4,以及残余分量,得到五层分量；
S3-2：对五层分量进行模糊增强处理；即：分别计算五层分量模糊特征平面；
S3-3：对每个模糊特征平面中，隶属度小于0.5的部分进行降低灰度，高于0.5的部分进行提高灰度的操作，得到五层分量增强后的分量XX1,XX2,XX3,XX4,XX5；
S3-4：对前四层增强后的分量进行引导滤波，得到滤波后的分量XL1,XL2,XL3,XL4；
S3-5：前4层滤波后的分量XL1,XL2,XL3,XL4和增强后残差XX5相加进行图像重构，得到重构后的前视声呐图像。
8.根据权利要求1所述的一种基于经验模态分解的前视声呐图像分割方法，其特征在于：所述对重构后的前视声呐图像进行聚类分割，采用C均值聚类分割方法，所述增强C均值聚类分割方法步骤如下：
S4-1:选择重构后的前视声呐图像初始聚类中心cc1，cc2；
S4-2:用邻域像素的均值对重构后的前视声呐图像增强和去噪后的图像进行滤波，生成新的加权图像im；
S4-3:生成的加权图像im的灰度直方图，计算每一个灰度值对于两个聚类中心cc1和cc2的目标函数值Jenfcm；
S4-4:迭代更新聚类中心vj和他的模糊隶属度矩阵uji；
S4-5：若目标函数值Jenfcm达到指定精度或达到设定的迭代次数则停止迭代，得到最终的两个聚类中心cc1和cc2，以及两个聚类中心cc1和cc2的隶属度矩阵ucc1和ucc2，否则返回步骤S4-2；
S4-6:根据模糊隶属度矩阵ucc1和ucc2，从(1,1)位置像素点开始到最后一个像素点位置进行两个隶属度矩阵的比较，若UCC1>ucc2，则该像素点被分类为聚类中心cc1这一簇，若UCC1<ucc2，则该像素点被分类为聚类中心cc2这一簇；
S4-7:将分为两类的像素点分别置0与置255，完成二值分割，得到分割后的声呐图像。
CN202111547257.5A 2021-12-16 2021-12-16 基于经验模态分解的前视声呐图像分割方法 Pending CN114494280A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111547257.5A CN114494280A (zh) 2021-12-16 2021-12-16 基于经验模态分解的前视声呐图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111547257.5A CN114494280A (zh) 2021-12-16 2021-12-16 基于经验模态分解的前视声呐图像分割方法

Publications (1)

Publication Number Publication Date
CN114494280A true CN114494280A (zh) 2022-05-13

Family

ID=81493339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111547257.5A Pending CN114494280A (zh) 2021-12-16 2021-12-16 基于经验模态分解的前视声呐图像分割方法

Country Status (1)

Country Link
CN (1) CN114494280A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926377A (zh) * 2022-07-18 2022-08-19 自然资源部第一海洋研究所 一种侧扫声呐增益补偿判断模型的建模方法
CN116381607A (zh) * 2023-04-11 2023-07-04 哈尔滨工程大学 多目标击水声特征关联方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926377A (zh) * 2022-07-18 2022-08-19 自然资源部第一海洋研究所 一种侧扫声呐增益补偿判断模型的建模方法
CN116381607A (zh) * 2023-04-11 2023-07-04 哈尔滨工程大学 多目标击水声特征关联方法
CN116381607B (zh) * 2023-04-11 2023-10-27 哈尔滨工程大学 多目标击水声特征关联方法

Similar Documents

Publication Publication Date Title
Wu et al. A parametric fitting algorithm for segmentation of cell images
Campadelli et al. Color image segmentation using Hopfield networks
CN114494280A (zh) 基于经验模态分解的前视声呐图像分割方法
Sulaiman et al. Denoising-based clustering algorithms for segmentation of low level salt-and-pepper noise-corrupted images
CN109033978B (zh) 一种基于纠错策略的cnn-svm混合模型手势识别方法
CN109871855B (zh) 一种自适应的深度多核学习方法
CN114492619B (zh) 一种基于统计和凹凸性的点云数据集构建方法及装置
Filali et al. A study of lesion skin segmentation, features selection and classification approaches
Zhao et al. A novel Neutrosophic image segmentation based on improved fuzzy C-means algorithm (NIS-IFCM)
CN111738256A (zh) 基于改进分水岭算法的复合材料ct图像分割方法
Qi et al. Research on the image segmentation of icing line based on NSCT and 2-D OSTU
CN115861359A (zh) 一种水面漂浮垃圾图像自适应分割提取方法
CN112508963A (zh) 一种基于模糊c均值聚类的sar图像分割方法
Hassan et al. Image enhancement technique at different distance for iris recognition
Abdulazeez et al. Leaf identification based on shape, color, texture and vines using probabilistic neural network
CN112950615B (zh) 一种基于深度学习分割网络的甲状腺结节侵袭性预测方法
CN114117141A (zh) 一种自适应密度聚类方法、存储介质及系统
CN117115197B (zh) 一种led灯珠电路板设计数据智能处理方法及系统
Bandyopadhyay et al. A hybrid fuzzy filtering-fuzzy thresholding technique for region of interest detection in noisy images
CN110473224B (zh) 一种基于kl熵的rsf水平集图像自动分割方法
Akther et al. Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm
CN114240990B (zh) Sar图像点目标分割方法
Jamaludin et al. A fast specular reflection removal based on pixels properties method
Mondal et al. Learning free document image binarization based on fast fuzzy c-means clustering
Wang et al. Sonar Objective Detection Based on Dilated Separable Densely Connected CNNs and Quantum‐Behaved PSO Algorithm

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