CN115272461A - 一种基于先验知识的侧扫声呐图像的海底高程检测方法 - Google Patents

一种基于先验知识的侧扫声呐图像的海底高程检测方法 Download PDF

Info

Publication number
CN115272461A
CN115272461A CN202210832943.5A CN202210832943A CN115272461A CN 115272461 A CN115272461 A CN 115272461A CN 202210832943 A CN202210832943 A CN 202210832943A CN 115272461 A CN115272461 A CN 115272461A
Authority
CN
China
Prior art keywords
matrix
starboard
port
value
correlation
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
CN202210832943.5A
Other languages
English (en)
Inventor
陶维亮
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210832943.5A priority Critical patent/CN115272461A/zh
Publication of CN115272461A publication Critical patent/CN115272461A/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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/74—Determining position or orientation of objects or cameras using feature-based methods involving reference images or patches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8902—Side-looking sonar
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/52—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00
    • G01S7/539—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S15/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/68—Analysis of geometric attributes of symmetry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于海洋测绘技术领域，公开了一种基于先验知识的侧扫声呐图像的海底高程检测方法。本发明基于侧扫声呐测量平台测量得到的左右舷原始条带图像，充分利用海底边界的梯度特征、连续性、对称性等先验信息，全自动地提取图像中的海底线，从而得以测量声呐平台相对海底的高程，为下一步斜距信息转平距信息及合成地貌图像打下了基础，本发明简单易操作，具有鲁棒性，具备大范围应用的潜力。

Description

一种基于先验知识的侧扫声呐图像的海底高程检测方法
技术领域
本发明属于海洋测绘技术领域，更具体地，涉及一种基于先验知识的侧扫声呐图像的海底高程检测方法。
背景技术
侧扫声呐是水下探测和海洋调查的主要设备之一，具有成本低、分辨率高、扫测效率高等优点。侧扫声呐在水下向左右舷分别发射的声波，经过一段距离的水体传播，到达海底后反射回波。回波强度反映水底特征，按时间顺序记录回波强度序列即可得到当前断面的水底地貌；声呐平台在行进过程中不断记录回波后向散射强度，即可由线及面的得到扫测区域的水底地貌图像。由此可见侧扫声呐不保存相位信息，不做相干定位，无法直接获取高程信息。通常可从侧扫声呐图像数据中提取海底线，计算平台高程，再依据记录回波时间序列得到目标斜距，和测量高程计算平距，从而获取水底地貌图像。可见侧扫声呐的每个测量位置下方水底高程的测量精度，直接决定了地貌图像每个断面各点的位置精度，从而决定了地貌图像的准确性。
侧扫声呐海底高程测量的常规方法是利用手动或设置强度阈值的方式，从侧扫声呐图像中提取海底线，从而计算海底高程。但该方法容易受海面回波或水体杂散目标回波影响，难以实现准确可靠的自动化探测结果，手动标记法又极大影响了测量效率和增加了人力成本。
发明内容
本发明通过提供一种基于先验知识的侧扫声呐图像的海底高程检测方法，解决现有技术中侧扫声呐海底高程的测量效率较低、准确性较低的问题。
本发明提供一种基于先验知识的侧扫声呐图像的海底高程检测方法，包括以下步骤：
步骤1、获取左舷条带图像和右舷条带图像，并转换为灰度图像，得到左舷灰度矩阵IL和右舷灰度矩阵IR；
步骤2、基于预设的阈值，分别对所述左舷灰度矩阵IL、所述右舷灰度矩阵IR进行分类，得到左舷分类矩阵CL和右舷分类矩阵CR；
步骤3、基于左舷模板对所述左舷分类矩阵CL中的各个断面进行匹配，得到左舷相关性矩阵XL；基于右舷模板对所述右舷分类矩阵CR中的各个断面进行匹配，得到右舷相关性矩阵XR；
步骤4、基于所述左舷相关性矩阵XL得到左舷连续性矩阵QL，基于所述右舷相关性矩阵XR得到右舷连续性矩阵QR；
步骤5、基于所述左舷相关性矩阵XL得到左舷对称性矩阵SL，基于所述右舷相关性矩阵XR得到右舷对称性矩阵SR；
步骤6、综合所述左舷相关性矩阵XL、所述左舷连续性矩阵QL和所述左舷对称性矩阵SL，加权得到左舷置信度矩阵BL；综合所述右舷相关性矩阵XR、所述右舷连续性矩阵QR和所述右舷对称性矩阵SR，加权得到右舷置信度矩阵BR；
步骤7、在所述左舷置信度矩阵BL中，对于每个断面，标记其上置信度值最大的点为左舷该断面的海底分界点，将左舷所有断面的海底分界点连成的曲线作为左舷海底线；在所述右舷置信度矩阵BR中，对于每个断面，标记其上置信度值最大的点为右舷该断面的海底分界点，将右舷所有断面的海底分界点连成的曲线作为右舷海底线；
步骤8、基于所述右舷海底线和所述左舷海底线，计算得到海底高程。
优选的，所述步骤1中，所述左舷灰度矩阵IL和所述右舷灰度矩阵IR的尺寸均为M×N；其中，M为一个断面的点数，N为断面数；
所述步骤2中，灰度值大于等于所述阈值的像素点划分为预测目标，分类值为1；灰度值小于所述阈值的像素点划分为预测背景，分类值为0；
所述左舷分类矩阵CL表示为：
Figure BDA0003746226660000021
所述右舷分类矩阵CR表示为：
Figure BDA0003746226660000031
其中，q为阈值；i∈[1，M]，i表示断面点序号；j∈[1，N]，j表示断面号；CL(i,j)表示左舷分类矩阵中第i行第j列元素的分类值，IL(i,j)表示左舷灰度矩阵中第i行第j列元素的灰度值，CR(i,j)表示右舷分类矩阵中第i行第j列元素的分类值，IR(i,j)表示右舷灰度矩阵中第i行第j列元素的灰度值。
优选的，所述步骤3中，所述左舷模板TL为[1 1 1 1 0 0 0]，所述右舷模板TR为[00 0 1 1 1 1]；
所述左舷相关性矩阵XL的计算公式为：
Figure BDA0003746226660000032
所述右舷相关性矩阵XR的计算公式为：
Figure BDA0003746226660000033
其中，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，TL(k)表示左舷模板中第k个元素的值，CL(i+k,j)表示左舷分类矩阵中第i+k行第j列元素的分类值，XR(i,j)表示右舷相关性矩阵中第i行第j列元素的相关值，TR(k)表示右舷模板中第k个元素的值，CR(i+k,j)表示右舷分类矩阵中第i+k行第j列元素的分类值。
优选的，所述步骤4中，以一侧舷的j断面上的第i点L(i，j)在该侧舷上一断面j-1上的对应第i点L(i，j-1)为中心，找出前后n个点构成的第一邻域中的最大相关值；基于所述第一邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的连续性矩阵；
所述左舷连续性矩阵QL的计算公式为：
QL(i,j)＝XL(i，j)·Max(XL(i-n，j-1)，XL(i-n+1，j-1)，…，XL(i+n，j-1)；
其中，QL(i,j)表示左舷连续性矩阵中第i行第j列元素的连续性评估值，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，n表示构成第一邻域的点数；
所述右舷连续性矩阵QR的计算公式为：
QR(i，j)＝XR(i，j)·Max(XR(i-n，j-1)，XR(i-n+1，j-1)，…，XR(i+n，j-1))；
其中，QR(i，j)表示右舷连续性矩阵中第i行第j列元素的连续性评估值，XR(i，j)表示右舷相关性矩阵中第i行第j列元素的相关值。
优选的，所述步骤5中，以一侧舷的j断面上的第i点L(i，j)在另一侧舷断面j上的对称点，即第i点R(i，j)为中心，找出前后m个点构成的第二邻域中的最大相关值；基于所述第二邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的对称性矩阵；
所述左舷对称性矩阵SL的计算公式为：
SL(i，j)＝XL(i，j)·Max(XR(i-m，j)，XR(i-m+1，j)，…，XR(u+m，j))；
所述右舷对称性矩阵SR的计算公式为：
SR(i，j)＝XR(i，j)·Max(XL(i-m，j)，XL(i-m+1，j)，…，XL(i+m，j))；
其中，SL(i，j)表示左舷对称性矩阵中第i行第j列元素的对称性评估值，SR(i，j)表示右舷对称性矩阵中第i行第j列元素的对称性评估值，XL(i，j)表示左舷相关性矩阵中第i行第j列元素的相关值，XR(i，j)表示右舷相关性矩阵中第i行第j列元素的相关值，m表示构成第二邻域的点数。
优选的，所述步骤6中，所述左舷置信度矩阵BL的计算公式为：BL＝(1-k1-k2)XL+k1SL+k2QL；所述右舷置信度矩阵BR的计算公式为：BR＝(1-k1-k2)XR+k1SR+k2QR；
其中，k1表示对称性评价的权重因子，k2表示连续性评价的权重因子。
优选的，所述步骤8中，左舷第j个断面的海底高程表示为：
Figure BDA0003746226660000041
右舷第j个断面的海底高程表示为：
Figure BDA0003746226660000042
其中，HL(j)表示左舷第j个断面的海底高程，HR(j)表示右舷第j个断面的海底高程，VL(j)表示左舷第j个断面的海底分界点位置与声源位置起点的像素距离，VR(j)表示右舷第j个断面的海底分界点位置与声源位置起点的像素距离，c表示水下声速，ΔT表示侧扫声呐图像数据点的采样时间，fs表示侧扫声呐图像数据点的采样频率。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明基于侧扫声呐测量平台测量得到的左右舷原始条带图像，充分利用海底边界的梯度特征、连续性、对称性等先验信息，全自动地提取图像中的海底线，从而得以测量声呐平台相对海底的高程，为下一步斜距信息转平距信息及合成地貌图像打下了基础，本发明简单易操作，具有鲁棒性，具备大范围应用的潜力。
附图说明
图1为侧扫声呐源条带图像；
图2为本发明实施例提供的一种基于先验知识的侧扫声呐图像的海底高程检测方法的流程图。
具体实施方式
侧扫声呐向水底方向发射左右两束声波，两束声波在侧扫声呐平台的前进方向波束窄，而在前进方向的垂直横向方向波束宽，声波覆盖区域为横向方向的一个断面。发射声波碰到海底目标后反射，侧扫声呐平台按照时间顺序分别记录反射回波强度，从而得到左右两个断面的一维强度序列。侧扫声呐平台在航行过程中持续获取左右舷连续断面的一维强度序列，并将其堆叠起来，形成两幅覆盖左右舷断面区域的二维侧扫声呐地貌条带图像。
图1为侧扫声呐源条带图像。该图像由左右舷条带图像直接拼接而成，左半部分为左舷条带图像，右半部分为右舷条带图像。该图像中线表示声源发射位置；两侧颜色深的地方表示回波强度强，通常为海底回波；声源到海底之间颜色较黑的区域表示未接收到目标回波，通常为水体；声源到海底之间有不规则的回波强度强的区域，通常为海面回波或混响、杂波干扰，这些因素极大地影响海底线的准确提取。水体、杂波与海底的分界线为海底线。
为了满足复杂环境下海底高程的自动、准确、可靠提取的要求，提高侧扫声呐地貌图像的成图精度和质量，本发明基于侧扫声呐图像海底线的特征和先验知识，对左右舷图像每个断面的所有点的相对海底分界点的置信度进行计算，从中提取置信度最高的点作为该断面的左右舷海底边界。得到所有断面的左右舷边界点，即得到符合已知先验知识和特征的条带图像的海底线。依据提取的海底线计算声呐平台相对正下方海底高程信息。以该高程信息为基础，可以进一步将条带图像数据中的斜距信息转换为平距信息，提高侧扫声呐地貌图像精度。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本实施例提供一种基于先验知识的侧扫声呐图像的海底高程检测方法，参见图2，包括以下步骤：
步骤1、获取左舷条带图像和右舷条带图像，并转换为灰度图像，得到左舷灰度矩阵IL和右舷灰度矩阵IR。
利用二维侧扫声呐测量平台获取左右舷条带图像，并转换为灰度图像，其图像数据矩阵分别为IL和IR，所述左舷灰度矩阵IL和所述右舷灰度矩阵IR的尺寸均为M×N，M为一个断面的点数，N为断面数。
步骤2、基于预设的阈值，分别对所述左舷灰度矩阵IL、所述右舷灰度矩阵IR进行分类，得到左舷分类矩阵CL和右舷分类矩阵CR。
对左右舷灰度矩阵，根据设置的阈值q进行分类，灰度值大于等于阈值q的像素点为预测目标，分类值为1；灰度值小于阈值q的像素点为预测背景，分类值为0。从而形成左舷分类矩阵CL和右舷分类矩阵CR。
具体的，
Figure BDA0003746226660000061
其中，j∈[1，N]，表示断面号(或行号)，i∈[1，M]，表示断面点序号(或列号，以声源发射处，即左舷图像的最右侧，右舷图像的最左侧，或如图1所示的直接拼接图的中线，为起点)；CL(i,j)表示左舷分类矩阵中第i行第j列元素的分类值，IL(i,j)表示左舷灰度矩阵中第i行第j列元素的灰度值，CR(i,j)表示右舷分类矩阵中第i行第j列元素的分类值，IR(i,j)表示右舷灰度矩阵中第i行第j列元素的灰度值。
步骤3、基于左舷模板对所述左舷分类矩阵CL中的各个断面进行匹配，得到左舷相关性矩阵XL；基于右舷模板对所述右舷分类矩阵CR中的各个断面进行匹配，得到右舷相关性矩阵XR。
对左右舷分类矩阵CL和CR，利用如图2所示中的1×7大小的左右舷模板分别对各个断面进行匹配，计算得到其相关值。
所述左舷模板TL为：[1 1 1 1 0 0 0]，所述右舷模板TR为：[0 0 0 1 1 1 1]，所述左舷相关性矩阵XL的计算公式为：
Figure BDA0003746226660000071
所述右舷相关性矩阵XR的计算公式为：
Figure BDA0003746226660000072
其中，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，TL(k)表示左舷模板中第k个元素的值，CL(i+k,j)表示左舷分类矩阵中第i+k行第j列元素的分类值，XR(i,j)表示右舷相关性矩阵中第i行第j列元素的相关值，TR(k)表示右舷模板中第k个元素的值，CR(i+k,j)表示右舷分类矩阵中第i+k行第j列元素的分类值。
下面对获得左右舷相关性矩阵做进一步说明。
从声源发射处(即左舷图像的最右侧，右舷图像的最左侧，或如图1所示的直接拼接图的中线)开始的断面点序列CLj(i)和CRj(i)中，待识别的海底分界处附近的区域特征为：背景(分类值为0)→目标(即海底，分类值为1)→保持为目标状态(值为1)，梯度从0跳变为1，并保持为1。
与之相区别，连续背景区域特征：背景(值为0)→背景(值为0)，梯度保持为0；连续目标区域特征：目标(值为1)→目标(值为1)，梯度也保持为1。
噪声、干扰引起的突变点区域特征：背景(值为0)→目标(值为1→背景(值为0)，梯度从0跃变为1后，接着会有负梯度使分类回到背景，然后再变为0，保持背景状态。
由此可见，海底分界处区域的分类变化具有独特的特征，通过上述左右舷模板，可以通过最大相关值匹配出海底分界处的区域特征，并确定海底分界位置(最相关区域的第4点，即背景向目标跃变的位置点)。另外，模板匹配时断面两侧边缘点都缺少一侧的区域值，导致最终的相关结果序列比原断面点数少6个点。为此，对左右舷图像各断面的分类值序列，两侧用边缘值各延拓3个点，最终相关结果序列保持和原断面点数一一对应。由于海底位置不会位于两侧，因此延拓操作不对结果产生影响。由此步骤得到左舷相关性矩阵XL和右舷相关性矩阵XR。
步骤4、基于所述左舷相关性矩阵XL得到左舷连续性矩阵QL，基于所述右舷相关性矩阵XR得到右舷连续性矩阵QR。
以一侧舷的j断面上的第i点L(i，j)在该侧舷上一断面j-1上的对应第i点L(i，j-1)为中心，找出前后n个点构成的第一邻域中的最大相关值；基于所述第一邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的连续性矩阵。
以左侧为例，对上述步骤计算得到左舷相关性序列XL，以左舷的j断面上的第i点L(i，j)在左舷上一断面j-1上的对应第i点L(i，j-1)为中心，找出前后n个点构成的邻域中的最大相关值，表达如下：
Max(XL(i-n，j-1)，XL(i-n+1，j-1)，…，XL(i+n，j-1))。
将上述最大相关值与XL(i，j)的乘积作为连续性评估值，左舷连续性矩阵QL表达如下：
QL(i，j)＝XL(i，j)·Max(XL(i-n，j-1)，XL(i-n+1，j-1)，…，XL(i+n，j-1))。
其中，QL(i，j)表示左舷连续性矩阵中第i行第j列元素的连续性评估值，XL(i，j)表示左舷相关性矩阵中第i行第j列元素的相关值，n表示构成第一邻域的点数，n依据侧扫声呐平台的航行速率及纵向分辨率来确定，例如可取为n＝5。
同样可求出右舷连续性矩阵QR，表达如下：
QR(i，j)＝XR(i，j)·Max(XR(i-n，j-1)，XR(i-n+1，j-1)，…，XR(i+n，j-1))。
其中，QR(i，j)表示右舷连续性矩阵中第i行第j列元素的连续性评估值，XR(i，j)表示右舷相关性矩阵中第i行第j列元素的相关值。
由于侧扫声呐平台在某一位置测量断面的回波，然后在航行到下一位置时测量下一断面的回波，两个位置间隔不大，因此可以合理的假设声呐平台相对正海底的高程值变化也不大，相邻两个断面检测出来的海底分界位置则距离不会太大。在上述连续性计算公式中，以自身点的相关值为基础，乘以在上一断面对应点的邻域中存在的预测海底分界点的相关值，可以评估检测出来海底分界点回波的沿断面的连续性，有利于筛选错误检测的海底位置。
步骤5、基于所述左舷相关性矩阵XL得到左舷对称性矩阵SL，基于所述右舷相关性矩阵XR得到右舷对称性矩阵SR。
以一侧舷的j断面上的第i点L(i，j)在另一侧舷断面j上的对称点，即第i点R(i，j)为中心，找出前后m个点构成的第二邻域中的最大相关值；基于所述第二邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的对称性矩阵。以左侧为例，对上述步骤计算得到左舷相关性矩阵XL，以左舷的j断面上的第i点L(i，j)在右舷断面j上的对称点，即第i点R(ij)为中心，找出前后m个点构成的邻域中的最大相关值，表达如下：
Max(XR(i-m，j)，XR(i-m+1，j)，…，XR(i+m，j))。
将上述最大相关值与XL(i，j)的乘积作为对称性评估值，左舷对称性矩阵SL表达如下：
SL(i，j)＝XL(i，j)·Max(XR(i-m，j)，XR(i-m+1，j)，…，XR(i+m，j))。
同样，可求出右舷对称性矩阵SR，表达如下：
SR(i，j)＝XR(i，j)·Max(XL(i-m，j)，XL(i-m+1，j)，…，XL(i+m，j))。
其中，SL(i，j)表示左舷对称性矩阵中第i行第j列元素的对称性评估值，SR(i，j)表示右舷对称性矩阵中第i行第j列元素的对称性评估值，XL(i，j)表示左舷相关性矩阵中第i行第j列元素的相关值，XR(i，j)表示右舷相关性矩阵中第i行第j列元素的相关值，m表示构成第二邻域的点数，m依据侧扫声呐的测量范围及横向分辨率来确定，例如可取为m＝3。
所述侧扫声呐平台向两侧发射声波，遇到海底后反射回波，按时间顺序记录回波强度即得到侧扫声呐图像。由此成像机理可知，对左舷和右舷发射声波，通常正下方海底是最近的海底回波，两边海底分界点都对应的正海底位置，因此两侧正海底回波应该同时到达侧扫声呐。在侧扫声呐图像上则反映为左右海底边界相对中线是具有对称性的。在上述公式中，以自身点的相关值为基础，乘以在对称位置邻域存在的预测海底分界点的相关值进行，可以评估检测出来的海底分界点回波的左右舷对称性，有利于筛选错误检测的海底位置。
步骤6、综合所述左舷相关性矩阵XL、所述左舷连续性矩阵QL和所述左舷对称性矩阵SL，加权得到左舷置信度矩阵BL；综合所述右舷相关性矩阵XR、所述右舷连续性矩阵QR和所述右舷对称性矩阵SR，加权得到右舷置信度矩阵BR。
综合所述左右舷图像的相关性矩阵、对称性矩阵、连续性矩阵，加权合成综合置信度矩阵，该矩阵与所述原始侧扫声呐图像尺寸相同，所述置信度矩阵中每个元素对应图像的一个像素，所述置信度矩阵中每个元素的值对应图像的一个像素是和该左舷图像(或右舷图像)中海底分界线的可信度。
所述左舷置信度矩阵BL的计算公式为：BL＝(1-k1-k2)XL+k1SL+k2QL；所述右舷置信度矩阵BR的计算公式为：BR＝(1-k1-k2)XR+k1SR+k2QR。。
其中，k1表示对称性评价的权重因子，k2表示连续性评价的权重因子，k1和k2由实际航行参数估计，例如设置k1＝0.3，k2＝0.3，而相关性的系数则为1-k1-k2＝0.4。
步骤7、在所述左舷置信度矩阵BL中，对于每个断面，标记其上置信度值最大的点为左舷该断面的海底分界点，将左舷所有断面的海底分界点连成的曲线作为左舷海底线；在所述右舷置信度矩阵BR中，对于每个断面，标记其上置信度值最大的点为右舷该断面的海底分界点，将右舷所有断面的海底分界点连成的曲线作为右舷海底线。
在所述左右舷图像的置信度矩阵BL和BR中，对每个断面j，标记其上置信度值最大的点为海底分界点VL(j)和VR(j)。左右舷所有断面的海底分界点连成的曲线即为侧扫声呐图像的海底线。
步骤8、基于所述右舷海底线和所述左舷海底线，计算得到海底高程。
左舷第j个断面的海底高程表示为：
Figure BDA0003746226660000111
右舷第j个断面的海底高程表示为：
Figure BDA0003746226660000112
其中，HL(j)表示左舷第j个断面的海底高程，HR(j)表示右舷第j个断面的海底高程，VL(j)表示左舷第j个断面的海底分界点，VR(j)表示右舷第j个断面的海底分界点，c表示水下声速，ΔT表示侧扫声呐图像数据点的采样时间，fs表示侧扫声呐图像数据点的采样频率。
即由每个断面j的海底分界点位置与声源位置起点的像素距离VL(j)和VR(j)，可计算得到每个断面的高程。
综上，本发明利用侧扫声呐测量平台测量得到的左右舷原始条带图像，全自动地提取图像中的海底线，从而得以测量声呐平台相对海底的高程，为下一步斜距信息转平距信息及合成地貌图像打下了基础。本发明首先利用阈值对图像进行粗分类，将每个像素点分类为预测目标或预测背景(包括噪声、杂波等)；然后基于侧扫声呐成像机理及其在海底分界局部区域、海底区域、水体区域、杂波区域的梯度特征，使用模板匹配的方法计算各像素点邻域与海底分界局部区域特征的相似程度；基于所述模板匹配形成的相关度矩阵，比对相邻断面的海底分布相关值对应情况，计算其连续性矩阵，揭示每个像素点与其相邻断面相应点的海底分布连续情况；基于所述模板匹配形成的相关度矩阵，比对左右舷的相关值对应情况，计算其对称性矩阵，揭示每个像素点与其对称位置相应点的对称分布情况；最后，综合梯度相关性、连续性指标、对称性指标，对所有先验信息的约束进行加权叠加，合成综合置信度指标。通过检测各断面的最大置信度指标，提取最大可能的海底分界点，得到海底线，从而通过简单声波传播计算得到侧扫声呐平台在断面测量过程中的高程。本发明充分利用了海底边界的梯度特征、对称性、连续性等先验信息，简单易操作，具有鲁棒性，具备大范围应用的潜力。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，包括以下步骤：
步骤1、获取左舷条带图像和右舷条带图像，并转换为灰度图像，得到左舷灰度矩阵IL和右舷灰度矩阵IR；
步骤2、基于预设的阈值，分别对所述左舷灰度矩阵IL、所述右舷灰度矩阵IR进行分类，得到左舷分类矩阵CL和右舷分类矩阵CR；
步骤3、基于左舷模板对所述左舷分类矩阵CL中的各个断面进行匹配，得到左舷相关性矩阵XL；基于右舷模板对所述右舷分类矩阵CR中的各个断面进行匹配，得到右舷相关性矩阵XR；
步骤4、基于所述左舷相关性矩阵XL得到左舷连续性矩阵QL，基于所述右舷相关性矩阵XR得到右舷连续性矩阵QR；
步骤5、基于所述左舷相关性矩阵XL得到左舷对称性矩阵SL，基于所述右舷相关性矩阵XR得到右舷对称性矩阵SR；
步骤6、综合所述左舷相关性矩阵XL、所述左舷连续性矩阵QL和所述左舷对称性矩阵SL，加权得到左舷置信度矩阵BL；综合所述右舷相关性矩阵XR、所述右舷连续性矩阵QR和所述右舷对称性矩阵SR，加权得到右舷置信度矩阵BR；
步骤7、在所述左舷置信度矩阵BL中，对于每个断面，标记其上置信度值最大的点为左舷该断面的海底分界点，将左舷所有断面的海底分界点连成的曲线作为左舷海底线；在所述右舷置信度矩阵BR中，对于每个断面，标记其上置信度值最大的点为右舷该断面的海底分界点，将右舷所有断面的海底分界点连成的曲线作为右舷海底线；
步骤8、基于所述右舷海底线和所述左舷海底线，计算得到海底高程。
2.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤1中，所述左舷灰度矩阵IL和所述右舷灰度矩阵IR的尺寸均为M×N；其中，M为一个断面的点数，N为断面数；
所述步骤2中，灰度值大于等于所述阈值的像素点划分为预测目标，分类值为1；灰度值小于所述阈值的像素点划分为预测背景，分类值为0；
所述左舷分类矩阵CL表示为：
Figure FDA0003746226650000021
所述右舷分类矩阵CR表示为：
Figure FDA0003746226650000022
其中，q为阈值；i∈[1，M]，i表示断面点序号；j∈[1，N]，j表示断面号；CL(i,j)表示左舷分类矩阵中第i行第j列元素的分类值，IL(i,j)表示左舷灰度矩阵中第i行第j列元素的灰度值，CR(i,j)表示右舷分类矩阵中第i行第j列元素的分类值，IR(i,j)表示右舷灰度矩阵中第i行第j列元素的灰度值。
3.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤3中，所述左舷模板TL为[1 1 1 1 0 0 0]，所述右舷模板TR为[0 0 0 1 1 11]；
所述左舷相关性矩阵XL的计算公式为：
Figure FDA0003746226650000023
所述右舷相关性矩阵XR的计算公式为：
Figure FDA0003746226650000024
其中，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，TL(k)表示左舷模板中第k个元素的值，CL(i+k,j)表示左舷分类矩阵中第i+k行第j列元素的分类值，XR(i,j)表示右舷相关性矩阵中第i行第j列元素的相关值，TR(k)表示右舷模板中第k个元素的值，CR(i+k,j)表示右舷分类矩阵中第i+k行第j列元素的分类值。
4.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤4中，以一侧舷的j断面上的第i点L(i，j)在该侧舷上一断面j-1上的对应第i点L(i，j-1)为中心，找出前后n个点构成的第一邻域中的最大相关值；基于所述第一邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的连续性矩阵；
所述左舷连续性矩阵QL的计算公式为：
QL(i，j)＝XL(i，j)·Max(XL(i-n，j-1)，XL(i-n+1，j-1)，…，XL(i+n，j-1))；
其中，QL(i,j)表示左舷连续性矩阵中第i行第j列元素的连续性评估值，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，n表示构成第一邻域的点数；
所述右舷连续性矩阵QR的计算公式为：
QR(i，j)＝XR(i，j)·Max(XR(i-n，j-1)，XR(i-n+1，j-1)，…，XR(i+n，j-1))；
其中，QR(i,j)表示右舷连续性矩阵中第i行第j列元素的连续性评估值，XR(i,j)表示右舷相关性矩阵中第i行第j列元素的相关值。
5.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤5中，以一侧舷的j断面上的第i点L(i，j)在另一侧舷断面j上的对称点，即第i点R(i，j)为中心，找出前后m个点构成的第二邻域中的最大相关值；基于所述第二邻域中的最大相关值和该侧舷的相关性矩阵得到该侧的对称性矩阵；
所述左舷对称性矩阵SL的计算公式为：
SL(i，j)＝XL(i，j)·Max(XR(i-m，j)，XR(i-m+1，j)，…，XR(i+m，j))；
所述右舷对称性矩阵SR的计算公式为：
SR(i，j)＝XR(i，j)·Max(XL(i-m，j)，XL(i-m+1，j)，…，XL(i+m，j))；
其中，SL(i,j)表示左舷对称性矩阵中第i行第j列元素的对称性评估值，SR(i,j)表示右舷对称性矩阵中第i行第j列元素的对称性评估值，XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值，XR(i,j)表示右舷相关性矩阵中第i行第j列元素的相关值，m表示构成第二邻域的点数。
6.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤6中，所述左舷置信度矩阵BL的计算公式为：BL＝(1-k1-k2)XL+k1SL+k2QL；所述右舷置信度矩阵BR的计算公式为：BR＝(1-k1-k2)XR+k1SR+k2QR；
其中，k1表示对称性评价的权重因子，k2表示连续性评价的权重因子。
7.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法，其特征在于，所述步骤8中，左舷第j个断面的海底高程表示为：
Figure FDA0003746226650000041
右舷第j个断面的海底高程表示为：
Figure FDA0003746226650000042
其中，HL(j)表示左舷第j个断面的海底高程，HR(j)表示右舷第j个断面的海底高程，VL(j)表示左舷第j个断面的海底分界点位置与声源位置起点的像素距离，VR(j)表示右舷第j个断面的海底分界点位置与声源位置起点的像素距离，c表示水下声速，ΔT表示侧扫声呐图像数据点的采样时间，fs表示侧扫声呐图像数据点的采样频率。
CN202210832943.5A 2022-07-14 2022-07-14 一种基于先验知识的侧扫声呐图像的海底高程检测方法 Pending CN115272461A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210832943.5A CN115272461A (zh) 2022-07-14 2022-07-14 一种基于先验知识的侧扫声呐图像的海底高程检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210832943.5A CN115272461A (zh) 2022-07-14 2022-07-14 一种基于先验知识的侧扫声呐图像的海底高程检测方法

Publications (1)

Publication Number Publication Date
CN115272461A true CN115272461A (zh) 2022-11-01

Family

ID=83764817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210832943.5A Pending CN115272461A (zh) 2022-07-14 2022-07-14 一种基于先验知识的侧扫声呐图像的海底高程检测方法

Country Status (1)

Country Link
CN (1) CN115272461A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381661A (zh) * 2023-05-25 2023-07-04 威海凯思信息科技有限公司 一种海洋地貌探测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116381661A (zh) * 2023-05-25 2023-07-04 威海凯思信息科技有限公司 一种海洋地貌探测方法及装置
CN116381661B (zh) * 2023-05-25 2023-08-15 威海凯思信息科技有限公司 一种海洋地貌探测方法及装置

Similar Documents

Publication Publication Date Title
Wang et al. A comparison of waveform processing algorithms for single-wavelength LiDAR bathymetry
US6438071B1 (en) Method for producing a 3D image
Aykin et al. Forward-look 2-D sonar image formation and 3-D reconstruction
US6868041B2 (en) Compensation of sonar image data primarily for seabed classification
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
Negaharipour On 3-D scene interpretation from FS sonar imagery
CN114488164A (zh) 水下航行器同步定位与建图方法及水下航行器
JP3515751B2 (ja) 海底三次元構造の再構成方法
US10359508B2 (en) System and method for calibration of echo sounding systems and improved seafloor imaging using such systems
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
KR101339678B1 (ko) 갯녹음 실태조사를 위한 암반,비암반 면적 산출방법
Hiroji Extracting sonar relative beam patterns for multi-sector multibeam sonar
Villar et al. Pipeline detection system from acoustic images utilizing CA-CFAR
Violante Acoustic remote sensing for seabed archaeology
CN116523822A (zh) 一种基于侧扫声呐的海缆检测识别方法
CN113009417B (zh) 利用声场干涉特性的海底声学阵列阵形估计方法
CN112862677B (zh) 一种同平台异源声呐的声学图像拼接方法
Thornton et al. Acoustic and visual instrumentation for survey of manganese crusts using an underwater vehicle
Bryant Side scan sonar for hydrography-an evaluation by the Canadian hydrographic service
RU2510045C2 (ru) Фазовый гидролокатор бокового обзора
Jerram et al. Storm response surveying with phase-measuring bathymetric sidescan sonar
KR101696088B1 (ko) 초음파 물체 인식 방법 및 장치
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
Brisson et al. Multiphase echosounder to improve shallow-water surveys
Midtgaard et al. Estimation of detection/classification performance using interferometric sonar coherence

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