CN116990824A - 集群侧扫系统的图形地理信息编码和融合方法 - Google Patents

Abstract

本发明公开了集群侧扫系统的图形地理信息编码和融合方法，尤其涉及一种集群侧扫探测系统的工作方法，同时探测结果的声呐图可以地理信息编码和融合方法，并指导各个节点的工作，系统的组成主要由中心节点C和若干个扫测节点Si组成，C和Si间通过无线通信系统的方式进行数据交互，C主要包括数据处理和计算系统，所有的操作指令由C发出，Si包括侧扫声呐系统和运动系统；采用集群方式，由多个无人扫测节点采用协同的方式进行作业，可以大幅度的提升工作效率。同时各个扫测节点的扫测结果融合后，可以指导整个作业的进行，避免遗漏。

Description

集群侧扫系统的图形地理信息编码和融合方法

技术领域

本发明涉及海底探测技术技术领域，尤其涉及集群侧扫系统的图形地理信息编码和融合方法。

背景技术

侧扫声呐是一种主动声呐系统，通过安装在左右两侧的换能器向外发射扇形声波来获取海底声学影像。侧扫声呐工作时，通常需要对大面积的区域进行作业，时间较长，工作效率较低。

为了解决上述问题，本发明提出集群侧扫系统的图形地理信息编码和融合方法。

发明内容

为实现以上目的，本发明通过以下技术方案予以实现：集群侧扫系统的图形地理信息编码和融合方法，尤其涉及一种集群侧扫探测系统的工作方法，同时探测结果的声呐图可以地理信息编码和融合方法，并指导各个节点的工作，系统的组成主要由中心节点C和若干个扫测节点Si组成，C和Si间通过无线通信系统的方式进行数据交互，C主要包括数据处理和计算系统，所有的操作指令由C发出，Si包括侧扫声呐系统和运动系统(如无人船形式)，具体的处理步骤如下：S1：系统准备，中心节点C和各扫测节点Si通信，确定各节点位置和数量；

S2：规划航迹，操作者在中心节点C指定作业区域，计算系统根据扫测区域的范围，结合扫测节点Si数量初步规划航迹，将航迹规划信息发送给各个节点扫测节点Si；

S3:启动扫测，中心节点C发出扫测指令，各个节点扫测节点Si收到后开始扫测，扫测结果实时发送到中心节点C数据处理；

S4:中心节点C收到各个节点数据后，开始进数据处理，各个扫测节点Si发送的数据为侧扫声呐探测图形；

S5：采用特定的边缘检测方法进行海底检测，确定海底基线位置，为后续的图形处理做准备；计算得到的当前扫描线的海底距离计做Z0；具体的，海底检测的方法包括如下步骤：

a:对海底图像进行滤波处理，以平滑图像，减少高频噪声。计算实例如下公式所示,

其中，其中I(x,y)为原始图像，I_G(x,y)为滤波后的图像，*为卷积操作。b:计算图像的梯度，得到图像的梯度幅值和梯度方向，梯度幅值表示像素值的变化程度，梯度方向表示像素值变化的方向，计算实例如下：

其中，其中G_x和G_y为计算得到的图像梯度，G为幅度，θ梯度方向；c:非极大值抑制：在图像梯度方向上进行非极大值抑制，即对每个像素点，只保留梯度方向上幅值最大的像素，其余像素设为0，算法如下：

对上一步的G计算得到数据集M；

d:双阈值处理：根据设定的高阈值和低阈值，对像素点进行分类，分为强边缘、弱边缘和非边缘三类。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被排除，剩余的被认为是弱边缘，计算方法如下：

其中，T_H，T_L分别为设定的高低阈值，k为比例，可取2～3，得到强弱边缘数据集M_e(x,y)

e:边缘连接：根据8邻域关系，对于任意一个弱边缘点，如果其周围有任意一个强边缘点，那么就将其归为强边缘。这样就可以将边缘连接起来，形成完整的边缘，得到即得到海底结果。由于侧扫声呐的数据特性，边缘点的横坐标即为海底距离Z0；

S6:图像灰度补偿，侧扫声呐在数据采集的过程中，由于海水对声波的吸收和散射作用以及声波的扩散，使得声波在海水中传播时，随着距离的增大，其反向散射强度逐渐衰减，在图像上表现出近距端亮度大、远距端亮度小的反差。采用平均灰度增益补偿的方法对图像数据进行补偿。以下给出计算方法：

(5)计算图像的平均灰度值：

其中，I(x,y)为原始图像，M和N为图像行列数。

(6)计算差值：

d(i,j)＝ I_mean-I(i,j) (6)

(7)计算平均灰度增益因子：

(8)进行灰度增益补偿：

I'(i,j)＝I_mean+g·d(i,j) (8)

由式(8)得到新的图像数据I'(i,j)；

S7:斜地矫正，侧扫声呐工作时，由换能器发射一个声脉冲，该脉冲以球面波的形式向外扩散，遇到目标物后沿原路返回由接收换能器接收。声呐记录的距离由脉冲从发射到接收的时间乘以声速计算得到,因而侧扫声呐图像上的目标物在横向上尺度不同，因此为正确表征海底目标物的真实形状及大小,需要对原始图像进行斜距校正。以下给出具体计算实例。

假设图像上目标点距离声呐为L_O，则修正后的距离

其中Z₀为以上求得的海底距离；

S8:图像的地理信息编码，计算声图上任意一点的地理坐标的步骤如下:

获取目标点所在扫描线对应的声呐的地理位置，经度B和纬度L，或记为(B，L)；

获取目标点所在扫描线对应的声呐的航向，记为β；

利用坐标转换工具将声呐的经纬度坐标转换为UTM平面坐标，转换后的东坐标为X1，北坐标为Y1，或记为(X1，Y1)；

利用像素点和分辨率获得目标点到声呐航线的垂距，记为L。L＝|δ*X_i|。其中Xi为待计算点到声呐的像素点数，δ为像素分辨率；

将航向角β转换至笛卡尔坐标系下，此时测线的方向角度为γ，γ＝π/2-β,判断目标点在声呐的左舷还是右舷出现，计算声呐到目标点的向量的角度θ,如果目标点在左舷，即θ＝γ+π/2；如果目标点在右舷，则θ＝γ-π/2；

计算目标点的地理坐标系为：

综上即获得了目标点的地理坐标；

S9:图像拼接，对每个扫测节点Si节点发送的图像结果按照上述步骤处理后得到UTM坐标的图像数据，以下给出具体的拼接计算:

手动指定或者按照特征点算法提取两幅图像的匹配特征，得到匹配点对，即原图像中的特征点坐标(x,y)映射到目标图像的特征点坐标(x',y')；

利用匹配点对计算单应性矩阵，即将源图像中的像素坐标映射到目标图像中的像素坐标的变换矩阵，使得:

其中，H为3x3的变换矩阵，即单应性矩阵；

使用最小二乘法计算单应性矩阵:

其中(x_m,y_m),(x'_m,y'_m)分别表示匹配点对源图像和目标图像的像素坐标。通过对上述公式进行求导，可以得到单应性矩阵H的解析解。从而将两幅图像按照特征点映射到同一个坐标体系下；

按照上述的方法对各个节点的扫测图像进行处理，可以得到完成特征匹配变换的图像序列，I₁,I₂,I₃,...I_N，按照如下方法进行图像融合：

其中，I_fuse为最终融合结果图像，(x,y)表示像素坐标，表示第i副图像在(x,y)处的权值，权值可以由用户根据关注的图像细节情况手工指定；

S10:比较上一步的图像拼接结果和原始航迹图，计算覆盖率，如覆盖率大于要求，则中心节点c发送指令给各个节点扫测节点Si，完成扫测过程。如覆盖率不够，则对未覆盖区域进行提取，生成新的航迹，发送给各个节点扫测节点Si，跳到上述第S3步继续进行，直到拼接结果的覆盖率达到要求。

本发明提供了集群侧扫系统的图形地理信息编码和融合方法，具备以下有益效果：

1、本发明设计侧扫探测系统的图形处理和导航领域，提供了一种适用于集群侧扫系统的图形地理信息编码和融合方法，能够指导无人集群扫测系统的工作，如无人船集群。扫测结果能够实时的进行地理信息编码和融合显示，便于和现有的组合导航系统结合；

2、采用集群方式，由多个无人扫测节点采用协同的方式进行作业，可以大幅度的提升工作效率。同时各个扫测节点的扫测结果融合后，可以指导整个作业的进行，避免遗漏。

附图说明

图1为本发明提出的集群侧扫系统的图形地理信息编码和融合方法的流程图；

图2为本发明提出的集群侧扫系统的图形地理信息编码和融合方法中图像的地理信息坐标图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

参考图1-2，本发明提供一种技术方案：集群侧扫系统的图形地理信息编码和融合方法，尤其涉及一种集群侧扫探测系统的工作方法，同时探测结果的声呐图可以地理信息编码和融合方法，并指导各个节点的工作。系统的组成主要由中心节点C和若干个扫测节点Si组成，C和Si间通过无线通信系统的方式进行数据交互，C主要包括数据处理和计算系统，所有的操作指令由C发出，Si包括侧扫声呐系统和运动系统(如无人船形式)，具体的处理步骤如下：

S1：系统准备，中心节点C和各扫测节点Si通信，确定各节点位置和数量；

S2：规划航迹，操作者在中心节点C指定作业区域，计算系统根据扫测区域的范围，结合扫测节点Si数量初步规划航迹，将航迹规划信息发送给各个节点扫测节点Si；

S3:启动扫测，中心节点C发出扫测指令，各个节点扫测节点Si收到后开始扫测，扫测结果实时发送到中心节点C数据处理；

S4:中心节点C收到各个节点数据后，开始进数据处理，各个扫测节点Si发送的数据为侧扫声呐探测图形；

S5：采用特定的边缘检测方法进行海底检测，确定海底基线位置，为后续的图形处理做准备；计算得到的当前扫描线的海底距离计做Z0；具体的，海底检测的方法包括如下步骤：

a:对海底图像进行滤波处理，以平滑图像，减少高频噪声。计算实例如下公式所示,

其中，其中I(x,y)为原始图像，I_G(x,y)为滤波后的图像，*为卷积操作。b:计算图像的梯度，得到图像的梯度幅值和梯度方向，梯度幅值表示像素值的变化程度，梯度方向表示像素值变化的方向，计算实例如下：

其中，其中G_x和G_y为计算得到的图像梯度，G为幅度，θ梯度方向；c:非极大值抑制：在图像梯度方向上进行非极大值抑制，即对每个像素点，只保留梯度方向上幅值最大的像素，其余像素设为0，算法如下：

对上一步的G计算得到数据集M；

d:双阈值处理：根据设定的高阈值和低阈值，对像素点进行分类，分为强边缘、弱边缘和非边缘三类。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被排除，剩余的被认为是弱边缘，计算方法如下：

其中，T_H，T_L分别为设定的高低阈值，k为比例，可取2～3，得到强弱边缘数据集M_e(x,y)

e:边缘连接：根据8邻域关系，对于任意一个弱边缘点，如果其周围有任意一个强边缘点，那么就将其归为强边缘。这样就可以将边缘连接起来，形成完整的边缘，得到即得到海底结果。由于侧扫声呐的数据特性，边缘点的横坐标即为海底距离Z0；

S6:图像灰度补偿，侧扫声呐在数据采集的过程中，由于海水对声波的吸收和散射作用以及声波的扩散，使得声波在海水中传播时，随着距离的增大，其反向散射强度逐渐衰减，在图像上表现出近距端亮度大、远距端亮度小的反差。采用平均灰度增益补偿的方法对图像数据进行补偿。以下给出计算方法：

(9)计算图像的平均灰度值：

其中，I(x,y)为原始图像，M和N为图像行列数。

(10)计算差值：

d(i,j)＝I_mean-I(i,j) (6)

(11)计算平均灰度增益因子：

(12)进行灰度增益补偿：

I'(i,j)＝I_mean+gd(i,j) (8)

由式(8)得到新的图像数据I'(i,j)；

S7:斜地矫正，侧扫声呐工作时，由换能器发射一个声脉冲，该脉冲以球面波的形式向外扩散，遇到目标物后沿原路返回由接收换能器接收。声呐记录的距离由脉冲从发射到接收的时间乘以声速计算得到,因而侧扫声呐图像上的目标物在横向上尺度不同，因此为正确表征海底目标物的真实形状及大小,需要对原始图像进行斜距校正。以下给出具体计算实例。

假设图像上目标点距离声呐为L_O，则修正后的距离

其中Z₀为以上求得的海底距离；

S8:图像的地理信息编码，参考图2，计算声图上任意一点的地理坐标的步骤如下:

获取目标点所在扫描线对应的声呐的地理位置，经度B和纬度L，或记为(B，L)；

获取目标点所在扫描线对应的声呐的航向，记为β；

利用坐标转换工具将声呐的经纬度坐标转换为UTM平面坐标，转换后的东坐标为X1，北坐标为Y1，或记为(X1，Y1)；

利用像素点和分辨率获得目标点到声呐航线的垂距，记为L。

L＝|δX_i|

其中Xi为待计算点到声呐的像素点数，δ为像素分辨率；

将航向角β转换至笛卡尔坐标系下，此时测线的方向角度为γ，γ＝π/2-β,判断目标点在声呐的左舷还是右舷出现，计算声呐到目标点的向量的角度θ,如果目标点在左舷，即θ＝γ+π/2；如果目标点在右舷，则θ＝γ-π/2；

计算目标点的地理坐标系为：

综上即获得了目标点的地理坐标；

S9:图像拼接，对每个扫测节点Si节点发送的图像结果按照上述步骤处理后得到UTM坐标的图像数据，以下给出具体的拼接计算:

手动指定或者按照特征点算法提取两幅图像的匹配特征，得到匹配点对，即原图像中的特征点坐标(x,y)映射到目标图像的特征点坐标(x',y')；

利用匹配点对计算单应性矩阵，即将源图像中的像素坐标映射到目标图像中的像素坐标的变换矩阵，使得:

其中，H为3x3的变换矩阵，即单应性矩阵；

使用最小二乘法计算单应性矩阵:

其中(x_m,y_m),(x'_m,y'_m)分别表示匹配点对源图像和目标图像的像素坐标。通过对上述公式进行求导，可以得到单应性矩阵H的解析解。从而将两幅图像按照特征点映射到同一个坐标体系下；

按照上述的方法对各个节点的扫测图像进行处理，可以得到完成特征匹配变换的图像序列，I₁,I₂,I₃,...I_N，按照如下方法进行图像融合：

其中，I_fuse为最终融合结果图像，(x,y)表示像素坐标，表示第i副图像在(x,y)处的权值，权值可以由用户根据关注的图像细节情况手工指定；

S10:比较上一步的图像拼接结果和原始航迹图，计算覆盖率，如覆盖率大于要求，则中心节点c发送指令给各个节点扫测节点Si，完成扫测过程。如覆盖率不够，则对未覆盖区域进行提取，生成新的航迹，发送给各个节点扫测节点Si，跳到上述第S3步继续进行，直到拼接结果的覆盖率达到要求。

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。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

Claims (1)

1.集群侧扫系统的图形地理信息编码和融合方法，其特征在于，包括如下步骤：

S1：系统准备，中心节点C和各扫测节点Si通信，确定各节点位置和数量；

S2：规划航迹，操作者在中心节点C指定作业区域，计算系统根据扫测区域的范围，结合扫测节点Si数量初步规划航迹，将航迹规划信息发送给各个节点扫测节点Si；

S3:启动扫测，中心节点C发出扫测指令，各个节点扫测节点Si收到后开始扫测，扫测结果实时发送到中心节点C数据处理；

S4:中心节点C收到各个节点数据后，开始进数据处理，各个扫测节点Si发送的数据为侧扫声呐探测图形；

S5：采用特定的边缘检测方法进行海底检测，确定海底基线位置，为后续的图形处理做准备；计算得到的当前扫描线的海底距离计做Z0；具体的，海底检测的方法包括如下步骤：

a:对海底图像进行滤波处理，以平滑图像，减少高频噪声。计算实例如下公式所示,

其中，其中I(x,y)为原始图像，I_G(x,y)为滤波后的图像，*为卷积操作。

b:计算图像的梯度，得到图像的梯度幅值和梯度方向，梯度幅值表示像素值的变化程度，梯度方向表示像素值变化的方向，计算实例如下：

其中，其中G_x和G_y为计算得到的图像梯度，G为幅度，θ梯度方向；

c:非极大值抑制：在图像梯度方向上进行非极大值抑制，即对每个像素点，只保留梯度方向上幅值最大的像素，其余像素设为0，算法如下：

对上一步的G计算得到数据集M；

d:双阈值处理：根据设定的高阈值和低阈值，对像素点进行分类，分为强边缘、弱边缘和非边缘三类。高于高阈值的像素点被认为是强边缘，低于低阈值的像素点被排除，剩余的被认为是弱边缘，计算方法如下：

其中，T_H，T_L分别为设定的高低阈值，k为比例，可取2～3，得到强弱边缘数据集M_e(x,y)

e:边缘连接：根据8邻域关系，对于任意一个弱边缘点，如果其周围有任意一个强边缘点，那么就将其归为强边缘。这样就可以将边缘连接起来，形成完整的边缘，得到即得到海底结果。由于侧扫声呐的数据特性，边缘点的横坐标即为海底距离Z0；

S6:图像灰度补偿，侧扫声呐在数据采集的过程中，由于海水对声波的吸收和散射作用以及声波的扩散，使得声波在海水中传播时，随着距离的增大，其反向散射强度逐渐衰减，在图像上表现出近距端亮度大、远距端亮度小的反差。采用平均灰度增益补偿的方法对图像数据进行补偿。以下给出计算方法：

(1)计算图像的平均灰度值：

其中，I(x,y)为原始图像，M和N为图像行列数。

(2)计算差值：

d(i,j)＝I_mean-I(i,j) (6)

(3)计算平均灰度增益因子：

(4)进行灰度增益补偿：

I'(i,j)＝I_mean+gd(i,j) (8)

由式(8)得到新的图像数据I'(i,j)；

S7:斜地矫正，侧扫声呐工作时，由换能器发射一个声脉冲，该脉冲以球面波的形式向外扩散，遇到目标物后沿原路返回由接收换能器接收。声呐记录的距离由脉冲从发射到接收的时间乘以声速计算得到,因而侧扫声呐图像上的目标物在横向上尺度不同，因此为正确表征海底目标物的真实形状及大小,需要对原始图像进行斜距校正。以下给出具体计算实例。

假设图像上目标点距离声呐为L_O，则修正后的距离

其中Z₀为以上求得的海底距离；

S8:图像的地理信息编码，计算声图上任意一点的地理坐标的步骤如下:

获取目标点所在扫描线对应的声呐的地理位置，经度B和纬度L，或记为(B，L)；

获取目标点所在扫描线对应的声呐的航向，记为β；

利用坐标转换工具将声呐的经纬度坐标转换为UTM平面坐标，转换后的东坐标为X1，北坐标为Y1，或记为(X1，Y1)；

利用像素点和分辨率获得目标点到声呐航线的垂距，记为L。L＝|δX_i|。其中Xi为待计算点到声呐的像素点数，δ为像素分辨率；

将航向角β转换至笛卡尔坐标系下，此时测线的方向角度为γ，γ＝π/2-β,判断目标点在声呐的左舷还是右舷出现，计算声呐到目标点的向量的角度θ,如果目标点在左舷，即θ＝γ+π/2；如果目标点在右舷，则θ＝γ-π/2；

计算目标点的地理坐标系为：

综上即获得了目标点的地理坐标；

S9:图像拼接，对每个扫测节点Si节点发送的图像结果按照上述步骤处理后得到UTM坐标的图像数据，以下给出具体的拼接计算:

手动指定或者按照特征点算法提取两幅图像的匹配特征，得到匹配点对，即原图像中的特征点坐标(x,y)映射到目标图像的特征点坐标(x',y')；

利用匹配点对计算单应性矩阵，即将源图像中的像素坐标映射到目标图像中的像素坐标的变换矩阵，使得:

其中，H为3x3的变换矩阵，即单应性矩阵；

使用最小二乘法计算单应性矩阵:

其中(x_m,y_m),(x'_m,y'_m)分别表示匹配点对源图像和目标图像的像素坐标。通过对上述公式进行求导，可以得到单应性矩阵H的解析解。从而将两幅图像按照特征点映射到同一个坐标体系下；

按照上述的方法对各个节点的扫测图像进行处理，可以得到完成特征匹配变换的图像序列，I₁,I₂,I₃,...I_N，按照如下方法进行图像融合：

其中，I_fuse为最终融合结果图像，(x,y)表示像素坐标，表示第i副图像在(x,y)处的权值，权值可以由用户根据关注的图像细节情况手工指定；

S10:比较上一步的图像拼接结果和原始航迹图，计算覆盖率，如覆盖率大于要求，则中心节点c发送指令给各个节点扫测节点Si，完成扫测过程。如覆盖率不够，则对未覆盖区域进行提取，生成新的航迹，发送给各个节点扫测节点Si，跳到上述第S3步继续进行，直到拼接结果的覆盖率达到要求。