CN115248436A - 一种基于成像声呐的鱼类资源评估方法 - Google Patents

Abstract

本发明公开了一种基于成像声呐的鱼类资源评估方法，涉及资源统计技术领域，主要包括步骤：通过浮标所载的多波束声呐，采集水面下的声呐图像；通过图像预处理获取各声呐图像处理后的预处理图像；通过边缘检测提取预处理图像中目标鱼类的待划分区域；基于二值化划分阈值对待划分区域进行二值化处理，并提取出二值化处理后图像中的目标鱼类；根据各声呐图像中的目标鱼类数量，进行鱼类资源统计。本发明采用固定浮标的方式，通过声呐图像的处理实现了对养殖场网箱内的鱼类进行资源统计，通过二值化划分阈值的确定，降低非目标物对目标鱼类检测的干扰，大大提高了检出精度。

Description

一种基于成像声呐的鱼类资源评估方法

技术领域

本发明涉及资源统计技术领域，具体涉及一种基于成像声呐的鱼类资源评估方法。

背景技术

随着声呐技术以及数字图像处理技术在海洋测绘中的广泛运用，借由数字图像技术的成熟发展，采用声呐图像去探测渔业资源成为了一种新的方式，并且在实际中已经取得了一定的成效。

而在近些年，在渔业资源的评估上普遍采用的是水声探测技术手段为主，光学探测技术为辅的方式。为服务于近远海渔业养殖的拓展与智能化升级，鱼类目标识别与跟踪技术是对渔业养殖场内乃至于野生鱼群资源评估的重要支撑技术。国内外利用不同鱼类的回声特征来实现不同种类的鱼的识别和分类的技术已经陆续被学者采用。然而针对渔业养殖场网箱中的资源评估方法较少，而由于鱼群聚集，密度较高，回声数据有时难以有效解决。

发明内容

为了有效的对养殖场网箱内的高密度鱼群进行数量统计，本发明提出了一种基于成像声呐的鱼类资源评估方法，包括步骤：

S1：通过浮标所载的多波束声呐，采集水面下的声呐图像；

S2：通过图像预处理获取各声呐图像处理后的预处理图像；

S3：通过边缘检测提取预处理图像中目标鱼类的待划分区域；

S4：基于二值化划分阈值对待划分区域进行二值化处理，并提取出二值化处理后图像中的目标鱼类；

S5：根据各声呐图像中的目标鱼类数量，进行鱼类资源统计。

进一步地，所述S2步骤中，图像预处理包括线性拉伸、中值滤波和锐化处理。

进一步地，所述S3步骤中，二值化划分阈值通过对消声水池内单条目标鱼类的声学标定进行获取。

进一步地，所述二值化划分阈值的获取可表示为如下公式：

ω₀＝N₀/m×n

ω₁＝N₁/m×n

p＝ω₀×p₀+ω₁×p₁

g＝ω₀(p₀-p)²+ω₁(p₁-p)²

式中，ω₀为在二值化划分阈值T划分下前景像素点占整体声呐图像像素点的比例，p₀为前景的平均灰度，ω₁为在二值化划分阈值T划分下背景像素点占整体声呐图像像素点的比例，p₁为背景的平均灰度，p为整体声呐图像的平均灰度，m*n为整体声呐图像的尺寸，N₀为声呐图像中灰度值小于T的像素个数，N₁为声呐图像中灰度值大于T的像素个数，g为类间方差，当g最大时的T即为所求的二值化划分阈值。

进一步地，所述S1步骤之后，还包括步骤，

S11：基于声呐的传播区域进行声呐图像的扇形区域转换，并根据相应坐标关系进行坐标转换。

进一步地，采用插值的方法填补扇形区域转换过程中的空白区域。

进一步地，所述S4步骤中，还包括步骤：

通过形态学膨胀处理二值化处理后图像中的非连续边缘。

进一步地，所述多波束声呐通过浮标设置于目标检测区域的中心位置。

进一步地，所述S5步骤中，鱼类资源统计可表示为如下公式：

N＝ρ·V

式中，N为目标鱼类总数，ρ是目标检测区域内目标鱼类的平均密度，N_i为声呐单次测量所测到目标鱼类数量，D为常数。

与现有技术相比，本发明至少含有以下有益效果：

(1)本发明所述的一种基于成像声呐的鱼类资源评估方法，采用固定浮标的方式，通过声呐图像的处理实现了对养殖场网箱内的鱼类进行资源统计；

(2)通过二值化划分阈值的确定，降低非目标物对目标鱼类检测的干扰，大大提高了检出精度。

附图说明

图1为一种基于成像声呐的鱼类资源评估方法的方法步骤图；

图2为声呐图像坐标转换示意图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

实施例一

为了解决传统近海养殖过程中，对养殖场网箱内鱼类资源统计困难的问题，如图1所示，本发明提出了一种基于成像声呐的鱼类资源评估方法，包括步骤：

S1：通过浮标所载的多波束声呐，采集水面下的声呐图像；

S2：通过图像预处理获取各声呐图像处理后的预处理图像；

S3：通过边缘检测提取预处理图像中目标鱼类的待划分区域；

S4：基于二值化划分阈值对待划分区域进行二值化处理，并提取出二值化处理后图像中的目标鱼类；

S5：根据各声呐图像中的目标鱼类数量，进行鱼类资源统计。

在本实施例中，采用型号为Gemini 1200ik的多波束声呐进行声呐图像采集。声呐成像的原理为利用超声波发出信号，碰到移动的水下物体后反射回信号，通过计算信号响应的时间、方位和强弱对水下鱼情做出判断。

在实际使用过程中，声呐反馈回的声呐图像为矩形图像(如图2.a，矩形ABCD)，但实际上，由于声波线性传播，而声源声源由点及面传播的特性，声呐实际扫描的区域应该为扇形区域(如图2.b，扇形区域O’B’C’)，因此在对声呐图像进行使用前还需要对其进行坐标转换。矩形声呐图像中像素点P(x，y)转换为以声呐所在位置为中心的扇形区域中的像素点P′(x′，y′)，其转换关系如图2所示。

依据直角坐标与极坐标之间的关系，转化公式如下式所示：

其中，r为O′P′的长度，r＝L*y/n，L为声呐的探测距离，n为声呐图像的宽度尺寸(也即是图中AB的长度)，θ为对应的极角，θ＝∠B′O′O+x·Δθ，Δθ为声呐的波束间隔。

而由于变换为扇形区域后会存在一些空白区域，为了避免其对检测的影响，此处采用插值的方法对其进行填充，具体可表示为如下公式：

式中，P_i为像素点P周围的像素点的像素值，d_i＝(x，y)²-(x_i，y_i)²，(x，y)为像素点P_i的坐标，n为常数4(表示插值范围)。

坐标变换所得声呐图像仍然存在噪声干扰以及非目标物的声学反射，在图像上以不同形状、亮度的亮点呈现，这些都是容易对后续鱼体目标的边缘检测、阈值划分、目标分割以及数量统计等工作造成干扰的因素。鉴于声学图像信噪比相较于光学图像更低，从复杂背景以及噪声干扰中提取目标难度较高，为了有效进行提取，还需对其进行预处理，包括线性拉伸、中值滤波和锐化处理。

由于声呐图像最终是水下目标物声学反射叠加形成，其背景主要为海水，线性拉伸能够提高图像对比度，突显图像细节，分段线性拉伸算法如式：

其中，z为像素点灰度值，z₁表示灰度值划分阈值，K₁、C₁为线性拉伸系数。基于线性拉伸的特性可知，其在提高对比度的同时，还能够增加目标与噪声之间灰度值的差异，便于后续去噪等处理。但是，图像拉伸虽然提高了目标物与背景的对比度，但同时也将噪声灰度值进行了变换。考虑到该问题，本发明进一步通过中值滤波对声呐图像进行去噪，其算法公式如下：

其中，z(i，j)表示图像内坐标位于(i，j)的灰度值，z’(i，j)表示变换后图像像素点灰度值，h(m，n)为滤波器的脉冲响应函数。

进一步地，考虑到水中存在声学反射的物体多而复杂，仅仅是通过线性拉伸和中值滤波并不能完全消除非目标物的噪声影响，因此，本发明还通过锐化处理的方式对声呐图像进行锐化处理，减少非目标物的干扰。

在对声呐图像进行预处理获得预处理图像后，基本已经能够通过该预处理图像进行目标鱼类的提取。但为了提高算子对噪声和离散点的鲁棒性，本发明中还选用Gaussian-Laplace滤波器对图像进行后续处理，其处理过程如下式：

Δ[G_σ(i，j)·z(i，j)]＝[ΔG_σ(i，j)]·z(i，j)＝LoG·z(i，j)

其中，G_σ(i，j)为高斯卷积函数，LoG为卷积核。

而后，为达到最后提取鱼群数量的目的，本发明采用边缘检测的方式完成这一操作，具体地，采用Laplace算子(并不仅限于该算子，在实际应用中也可以通过其它方式进行测算)进行边缘检测，其作为一种优秀的边缘检测算子被广泛应用于图像边缘检测中。在进过高斯卷积滤波后，再采用Laplace算子进行边缘检测，可表示为如下公式：

边缘检测后图像仍处于噪声与目标混杂的情况，借助边缘检测结果对图像进行二值化处理则是尤为关键的一步，本发明借助消声水池内对单条鱼进行的声学标定的方法来确定二值化划分阈值。

对于图像z(i，j)，记在二值化划分阈值T划分下前景像素点占整体声呐图像像素点的比例为ω₀，前景的平均灰度为p₀，记在二值化划分阈值T划分下背景像素点占整体声呐图像像素点的比例为ω₁，背景的平均灰度为p₁，整体声呐图像的平均灰度为p，类间方差记为g。

那么，在图像大小为m*n，图像中像素的灰度值小于阈值T的像素个数为N₀，像素灰度大于阈值T的像素个数为N₁的情况下，二值化划分阈值T的确定可通过下式进行表示：

ω₀＝N₀/m×n

ω₁＝N₁/m×n

p＝ω₀×p₀+ω₁×p₁

g＝ω₀(p₀-p)²+ω₁(p₁-p)²

式中，N₀+N₁＝m*n，ω₀+ω₁＝1。基于上述公式，通过遍历的方法，使得类间方差g最大，此时所对应的T即为本发明中所需要的二值化划分阈值。

需要注意的是，在一优选实施例中，以养殖水域中通过前视声呐对该水域进行鱼类资源评估分析。分析时，先对声呐原始数据进行预处理，在依靠消声水池实测数据进行阈值分割以及目标提取，最终进行坐标变换，以最终的扇形区域呈现实验处理结果。在实际结果处理时，在确定阈值二值化处理后发现会存在小面积斑点，初步确认情况可能为经过边缘提取后的同一目标存在边缘断裂的情况，为了防止不连续的边缘被误检测为两个目标，消除此类斑点噪声的影响，以水池实验中的声学标定结果为基准，通过形态学中膨胀处理的方法将图像中断裂的小型亮点消除，膨胀处理的表达式如下：

P″(i，j)＝P″(i-1，j)＝P″(i+1，j)＝P″(i，j-1)P″(i，j+1)＝1

ifP′(i，j)＝1

利用形态学膨胀处理，即可消除非连续边缘对于目标鱼类识别的干扰，更好的提高检出率和检测精度。

通过上述处理，实现了各声呐图像中目标鱼类的数量的判断。而在一般情况下，鱼类在围栏养殖区内各水层均有分布，但养殖区内同一围栏中均为同一种鱼类，并且鱼群有着聚集习性，因此应该对测区单位立方米的鱼群密度进行计算，并重点探测鱼群聚集水层区域，进而算出整个围栏养殖区域内的资源量。其具体公式如下：

N＝ρ·V

式中，N为目标鱼类总数，ρ是目标检测区域内目标鱼类的平均密度，N_i为声呐单次测量所测到目标鱼类数量，D为常数。

通过让浮标置于围栏中心区域，通过垂直方向的转动找到鱼群聚集区域，声呐向四周发射波束，完成对围栏养殖区域内的水下数据采集。

综上所述，本发明所述的一种基于成像声呐的鱼类资源评估方法，采用固定浮标的方式，通过声呐图像的处理实现了对养殖场网箱内的鱼类进行资源统计。而通过二值化划分阈值的确定，进一步降低了非目标物对目标鱼类检测的干扰，大大提高了检出精度。

需要说明，本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，在本发明中如涉及“第一”、“第二”、“一”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

Claims (9)

1.一种基于成像声呐的鱼类资源评估方法，其特征在于，包括步骤：

S1：通过浮标所载的多波束声呐，采集水面下的声呐图像；

S2：通过图像预处理获取各声呐图像处理后的预处理图像；

S3：通过边缘检测提取预处理图像中目标鱼类的待划分区域；

S4：基于二值化划分阈值对待划分区域进行二值化处理，并提取出二值化处理后图像中的目标鱼类；

S5：根据各声呐图像中的目标鱼类数量，进行鱼类资源统计。

2.如权利要求1所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述S2步骤中，图像预处理包括线性拉伸、中值滤波和锐化处理。

3.如权利要求1所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述S3步骤中，二值化划分阈值通过对消声水池内单条目标鱼类的声学标定进行获取。

4.如权利要求3所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述二值化划分阈值的获取可表示为如下公式：

ω₀＝N₀/m×n

ω₁＝N₁/m×n

p＝ω₀×p₀+ω₁×p₁

g＝ω₀(p₀-p)²+ω₁(p₁-p)²

式中，ω₀为在二值化划分阈值T划分下前景像素点占整体声呐图像像素点的比例，p₀为前景的平均灰度，ω₁为在二值化划分阈值T划分下背景像素点占整体声呐图像像素点的比例，p₁为背景的平均灰度，p为整体声呐图像的平均灰度，m*n为整体声呐图像的尺寸，N₀为声呐图像中灰度值小于T的像素个数，N₁为声呐图像中灰度值大于T的像素个数，g为类间方差，当g最大时的T即为所求的二值化划分阈值。

5.如权利要求1所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述S1步骤之后，还包括步骤,

S11：基于声呐的传播区域进行声呐图像的扇形区域转换，并根据相应坐标关系进行坐标转换。

6.如权利要求5所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，采用插值的方法填补扇形区域转换过程中的空白区域。

7.如权利要求1所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述S4步骤中，还包括步骤：

通过形态学膨胀处理二值化处理后图像中的非连续边缘。

8.如权利要求1所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述多波束声呐通过浮标设置于目标检测区域的中心位置。

9.如权利要求8所述的一种基于成像声呐的鱼类资源评估方法，其特征在于，所述S5步骤中，鱼类资源统计可表示为如下公式：

N＝ρ·V

式中，N为目标鱼类总数，ρ是目标检测区域内目标鱼类的平均密度，N_i为声呐单次测量所测到目标鱼类数量，D为常数。

Images