CN117372827A - 一种基于边界约束的声呐图像统计增强算法 - Google Patents
一种基于边界约束的声呐图像统计增强算法 Download PDFInfo
- Publication number
- CN117372827A CN117372827A CN202311336638.8A CN202311336638A CN117372827A CN 117372827 A CN117372827 A CN 117372827A CN 202311336638 A CN202311336638 A CN 202311336638A CN 117372827 A CN117372827 A CN 117372827A
- Authority
- CN
- China
- Prior art keywords
- image
- sonar image
- sonar
- pixel
- boundary
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 40
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000003708 edge detection Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 1
- 238000003909 pattern recognition Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 2
- 241000251729 Elasmobranchii Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及一种基于边界约束的声呐图像统计增强算法，包括如下步骤：步骤一、利用边缘检测算法提取声呐图像的边界信息；步骤二、通过分析边界信息，确定目标区域并计算其统计特征；步骤三、利用得到的统计特征对图像进行增强处理，采用自适应滤波法，对目标区域和背景区域进行不同程度的滤波。该基于边界约束的声呐图像统计增强算法，在对图像的边缘进行检测时，先大概检测出声呐图像轮廓的一些像素点，然后通过一些连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘，进而提高声呐图像数据的可视化效果和模式识别性能，增加声呐图像质量。
Description
技术领域
本发明涉及侧扫声呐图像增强技术领域，具体为一种基于边界约束的声呐图像统计增强算法。
背景技术
侧扫声呐是利用回声测深原理探测海底地貌和水下物体的设备。又称旁侧声呐或海底地貌仪。其换能器阵装在船壳内或拖曳体中，走航时向两侧下方发射扇形波束的声脉冲，侧扫声呐图像在水下地质地貌勘测、目标搜寻、障碍物探测和三维模型反演等领域有着广泛的应用。尤其是由于近年来重要战略航道鱼雷、水雷等布设密度加大的原因，侧扫声呐图像分割与目标识别的需求也越来越旺盛。高质量的侧扫声呐图像对水下鱼雷探测、敌方水下侦查设备识别等国防活动具有非常重要的意义。
目前，侧扫声呐图像分割区域都是从整体图像中截取出来的部分图像，导致图像分别率极低，对图像分割与目标识别造成了一定的困难。从侧扫声呐图像直接截取的图像，声呐图像的像素范围较为集中，图像分辨率差，截取的图像即使经过增益改正，但是效果仍然不理想，图像分辨率仍然较差。
本发明提出一种基于边界约束的声呐图像统计增强算法，该声呐图像统计增强算法系统基于边界约束，利用边缘检测算法提取声呐图像的边界信息，通过分析边界信息，确定目标区域并计算其统计特征，利用得到的统计特征对图像进行增强处理，将增强后的图像与原始图像进行融合，得到最终的增强图像。能够有效提升声呐图像的对比度和清晰度，提高目标检测和识别的准确性。
发明内容
针对现有技术的不足，本发明提供了一种基于边界约束的声呐图像统计增强算法，具备提高声呐图像清晰度和提高目标识别准确性等优点，解决了侧扫声呐图像分割区域都是从整体图像中截取出来的部分图像，导致图像分别率极低，对图像分割与目标识别造成了一定的困难。从侧扫声呐图像直接截取的图像，图像整体声呐图像的像素范围较为集中，图像分辨率差，截取的图像即使经过增益改正，但是增益改正效果仍然不理想，图像分辨率仍然较差的问题。
为实现上述目的，本发明提供如下技术方案：一种基于边界约束的声呐图像统计增强算法，包括如下步骤：
步骤一、利用边缘检测算法提取声呐图像的边界信息；
步骤二、通过分析边界信息，确定目标区域并计算其统计特征；
步骤三、利用得到的统计特征对图像进行增强处理，采用自适应滤波法，对目标区域和背景区域进行不同程度的滤波；
步骤四、将增强后的图像与原始图像进行融合，得到最终的增强图像。
进一步，所述步骤一中边缘检测算法采用Canny算子为核心，且Canny算子用于滤波、增强和检测的多阶段边缘检测。
进一步，所述Canny算子的具体步骤如下：
1）高斯滤波
首先需要过滤点图像可能存在的噪声，根据高斯公式生成一个滤波算子，然后将待处理的声呐图像的像素点及邻域声呐图像的像素点的灰度值与这个滤波算子进行卷积运算来实现加权平均运算；
2）计算梯度图像和角度图像
以高斯滤波器为基础来进行梯度计算；
3）梯度图像的非极大值抑制处理
将每个声呐图像的像素点与梯度相同的两个邻域声呐图像的像素点相比，如果梯度值不是这三个声呐图像的像素点中的极大值时就对这个声呐图像的像素点进行抑制，即令这个声呐图像的像素点为零；
4）双阈值算法检测并连接图像边缘
选取两个阈值，小于低阈值的声呐图像的像素点确定为假边缘；而大于高阈值的声呐图像的像素点将被确定为强边缘；通常这两个阈值的大小为1:2或1:3。
进一步，所述步骤二中进行边界信息分析的时候如下步骤：
1）分析需求，确定输入声呐图像的像素信息类型；
2）确认图像边界值的上点、离点和内点；
3）设计用例，覆盖有效等价类；
4）设计用例，覆盖无效等价类。
进一步，所述步骤二中计算统计特征采用算数平均值进行计算，所述步骤三中自适应滤波法通过分析图像的局部统计特征，动态调整增强参数。
进一步，所述自适应滤波法具体步骤如下：
1）设定窗口大小和阈值；
2）在图像上滑动窗口，计算窗口内声呐图像的像素统计特征的均值和方差；
3）根据统计特征和设定的阈值，动态调整窗口内声呐图像的像素增强参数；
4）根据调整后的增强参数，更新窗口内声呐图像的像素值。
进一步，所述步骤三中还需进行噪声抑制处理，用于去除图像中的噪声并提高图像质量，具体步骤如下：
1）定义滤波器的大小和类型：中值、均值或非局部均值；
2）将滤波器应用于声呐图像的每个像素，根据相邻像素的值计算滤波结果；
3）根据计算得到的滤波结果，更新原始声呐图像的像素值，去除噪声并提高图像质量。
进一步，所述步骤四中还需进行双边滤波，具体步骤如下：
1）定义高斯核的大小、标准差和空间权重参数；
2）对图像中的每个像素点，计算其空间距离和像素值之间的差异；
3）根据差异值和权重参数，计算像素的加权平均值；
4）根据计算得到的平均值，更新原始图像的像素值。
进一步，所述步骤四中将利用边缘检测算法生成的图像轮廓与声呐图像进行重合比对，最终确定声呐图像上的内容。
与现有技术相比，本申请的技术方案具备以下有益效果：
1、该基于边界约束的声呐图像统计增强算法，通过采用边缘检测算法，边缘检测算法在对图像的边缘进行检测时，先大概检测出声呐图像轮廓的一些像素点，然后通过一些连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘，使得声呐图像处理后的图像更加清洗，识别度更高。
2、该基于边界约束的声呐图像统计增强算法，采用Canny算子进行边缘化计算，能够准确的寻找到声呐图像的弱边缘点并形成精确的图像边缘，从而提高声呐图像的清晰度。
3、该基于边界约束的声呐图像统计增强算法，通过采用特征增强法，综合使用特征增强方法，进而提高声呐图像数据的可视化效果和模式识别性能，增加声呐图像质量。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施例中的一种基于边界约束的声呐图像统计增强算法，包括如下步骤：
步骤一、利用边缘检测算法提取声呐图像的边界信息；
步骤二、通过分析边界信息，确定目标区域并计算其统计特征；
步骤三、利用得到的统计特征对图像进行增强处理，采用自适应滤波法，对目标区域和背景区域进行不同程度的滤波；
步骤四、将增强后的图像与原始图像进行融合，得到最终的增强图像。
在本实施例中，利用Canny算子作为边缘检测的核心，Canny算子集滤波、增强和检测的多阶段边缘检测为一体，具有以下优点：
好的检测——算法能够尽可能多地标示出图像中的实际边缘；
好的定位——算法标示出的边缘要与实际的边缘尽可能地相同；
最小响应——图像中的边缘只能被标示一次，并且可能存在的图像噪声点不应该被标示为边缘点，能够准确的寻找到声呐图像的弱边缘点并形成精确的图像边缘，从而提高声呐图像的清晰度。
在本实施例中，Canny算子的具体步骤如下：
1）高斯滤波
首先需要过滤点图像可能存在的噪声，根据高斯公式生成一个滤波算子，然后将待处理的声呐图像的像素点及邻域声呐图像的像素点的灰度值与这个滤波算子进行卷积运算来实现加权平均运算，这样就可以有效的去除掉图像中的那些高频率的噪声。
从高斯滤波算子中可以看出这个算子是一个距离加权算子，距离越近权重越高，对该像素点的灰度值的贡献也就越大从而可以很好的压制噪声；
2）计算梯度图像和角度图像
以高斯滤波器为基础来进行梯度计算，其距离中心点越近其权重也就越大；
3）梯度图像的非极大值抑制处理
将每个声呐图像的像素点与梯度相同的两个邻域声呐图像的像素点相比，如果梯度值不是这三个声呐图像的像素点中的极大值时就对这个声呐图像的像素点进行抑制，即令这个声呐图像的像素点为零；
4）双阈值算法检测并连接图像边缘
选取两个阈值，小于低阈值的声呐图像的像素点确定为假边缘；而大于高阈值的声呐图像的像素点将被确定为强边缘；通常这两个阈值的大小为1:2或1:3。
通过采用上述技术方案，以高阈值判定后形成的像素点为基础将那些像素点连接成边缘。当连接到边缘的端点时，在它们的8邻域像素点中重新确定那些满足低阈值的像素点作为新的边缘点，再以此为基础继续检测和连接新的边缘点直到轮廓闭合。
优选地，该基于边界约束的声呐图像统计增强算法，通过采用边缘检测算法，边缘检测算法在对图像的边缘进行检测时，先大概检测出声呐图像轮廓的一些像素点，然后通过一些连接规则将那些像素点连接起来，最后再检测并连接一些之前未被识别的边界点、去除检测到的虚假的像素点和边界点并形成一个整体的边缘。
在本实施例中，在边界信息分析的时候，首先分析需求，确定输入声呐图像的像素信息类型，然后确认图像边界值的上点、离点和内点，最后设计用例，覆盖有效等价类和无效等价类。
在本实施例中，噪声抑制处理的时候，先定义滤波器的大小和类型：中值、均值或非局部均值，然后将滤波器应用于声呐图像的每个像素，根据相邻像素的值计算滤波结果，最后根据计算得到的滤波结果，更新原始声呐图像的像素值，去除噪声并提高图像质量。
在本实施例中，利用边缘检测算法生成的图像轮廓与声呐图像进行重合比对，最终确定声呐图像上的内容。
通过采用上述技术方案，该基于边界约束的声呐图像统计增强算法，采用特征增强法，综合使用特征增强方法，进而提高声呐图像数据的可视化效果和模式识别性能，增加声呐图像质量。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于边界约束的声呐图像统计增强算法，其特征在于：包括如下步骤：
步骤一、利用边缘检测算法提取声呐图像的边界信息；
步骤二、通过分析边界信息，确定目标区域并计算其统计特征；
步骤三、利用得到的统计特征对图像进行增强处理，采用自适应滤波法，对目标区域和背景区域进行不同程度的滤波；
步骤四、将增强后的图像与原始图像进行融合，得到最终的增强图像。
2.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤一中边缘检测算法采用Canny算子为核心，且Canny算子用于滤波、增强和检测的多阶段边缘检测。
3.根据权利要求2所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述Canny算子的具体步骤如下：
1）高斯滤波
首先需要过滤点图像可能存在的噪声，根据高斯公式生成一个滤波算子，然后将待处理的声呐图像的像素点及邻域声呐图像的像素点的灰度值与这个滤波算子进行卷积运算来实现加权平均运算；
2）计算梯度图像和角度图像
以高斯滤波器为基础来进行梯度计算；
3）梯度图像的非极大值抑制处理
将每个声呐图像的像素点与梯度相同的两个邻域声呐图像的像素点相比，如果梯度值不是这三个声呐图像的像素点中的极大值时就对这个声呐图像的像素点进行抑制，即令这个声呐图像的像素点为零；
4）双阈值算法检测并连接图像边缘
选取两个阈值，小于低阈值的声呐图像的像素点确定为假边缘；而大于高阈值的声呐图像的像素点将被确定为强边缘；通常这两个阈值的大小为1:2或1:3。
4.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤二中进行边界信息分析的时候如下步骤：
1）分析需求，确定输入声呐图像的像素信息类型；
2）确认图像边界值的上点、离点和内点；
3）设计用例，覆盖有效等价类；
4）设计用例，覆盖无效等价类。
5.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤二中计算统计特征采用算数平均值进行计算，所述步骤三中自适应滤波法通过分析图像的局部统计特征，动态调整增强参数。
6.根据权利要求5所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述自适应滤波法具体步骤如下：
1）设定窗口大小和阈值；
2）在图像上滑动窗口，计算窗口内声呐图像的像素统计特征的均值和方差；
3）根据统计特征和设定的阈值，动态调整窗口内声呐图像的像素增强参数；
4）根据调整后的增强参数，更新窗口内声呐图像的像素值。
7.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤三中还需进行噪声抑制处理，用于去除图像中的噪声并提高图像质量，具体步骤如下：
1）定义滤波器的大小和类型：中值、均值或非局部均值；
2）将滤波器应用于声呐图像的每个像素，根据相邻像素的值计算滤波结果；
3）根据计算得到的滤波结果，更新原始声呐图像的像素值，去除噪声并提高图像质量。
8.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤四中还需进行双边滤波，具体步骤如下：
1）定义高斯核的大小、标准差和空间权重参数；
2）对图像中的每个像素点，计算其空间距离和像素值之间的差异；
3）根据差异值和权重参数，计算像素的加权平均值；
4）根据计算得到的平均值，更新原始图像的像素值。
9.根据权利要求1所述的一种基于边界约束的声呐图像统计增强算法，其特征在于：所述步骤四中将利用边缘检测算法生成的图像轮廓与声呐图像进行重合比对，最终确定声呐图像上的内容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336638.8A CN117372827A (zh) | 2023-10-17 | 2023-10-17 | 一种基于边界约束的声呐图像统计增强算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311336638.8A CN117372827A (zh) | 2023-10-17 | 2023-10-17 | 一种基于边界约束的声呐图像统计增强算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117372827A true CN117372827A (zh) | 2024-01-09 |
Family
ID=89388644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311336638.8A Pending CN117372827A (zh) | 2023-10-17 | 2023-10-17 | 一种基于边界约束的声呐图像统计增强算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117372827A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117538881A (zh) * | 2024-01-10 | 2024-02-09 | 海底鹰深海科技股份有限公司 | 一种声呐水体成像波束形成方法、系统、设备及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8971637B1 (en) * | 2012-07-16 | 2015-03-03 | Matrox Electronic Systems Ltd. | Method and system for identifying an edge in an image |
| CN104991269A (zh) * | 2015-06-04 | 2015-10-21 | 中国科学技术大学 | 一种边缘引导和结构约束的全波形反演快速方法 |
| CN111476809A (zh) * | 2020-04-08 | 2020-07-31 | 北京石油化工学院 | 一种侧扫声呐图像目标识别方法 |
| CN112164079A (zh) * | 2020-09-29 | 2021-01-01 | 东北电力大学 | 一种声呐图像分割方法 |
| WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
| CN114723641A (zh) * | 2021-07-19 | 2022-07-08 | 国家海洋局北海海洋技术保障中心 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
-
2023
- 2023-10-17 CN CN202311336638.8A patent/CN117372827A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8971637B1 (en) * | 2012-07-16 | 2015-03-03 | Matrox Electronic Systems Ltd. | Method and system for identifying an edge in an image |
| CN104991269A (zh) * | 2015-06-04 | 2015-10-21 | 中国科学技术大学 | 一种边缘引导和结构约束的全波形反演快速方法 |
| CN111476809A (zh) * | 2020-04-08 | 2020-07-31 | 北京石油化工学院 | 一种侧扫声呐图像目标识别方法 |
| WO2021243743A1 (zh) * | 2020-06-04 | 2021-12-09 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
| CN112164079A (zh) * | 2020-09-29 | 2021-01-01 | 东北电力大学 | 一种声呐图像分割方法 |
| CN114723641A (zh) * | 2021-07-19 | 2022-07-08 | 国家海洋局北海海洋技术保障中心 | 一种基于边界约束的侧扫声呐图像统计增强算法 |
Non-Patent Citations (2)
| Title |
|---|
| 智谷一川组 编: "《软件测试技术指南 第2版》", 31 December 2021, 机械工业出版社, pages: 58 - 59 * |
| 李庆武;马国翠;霍冠英;周妍;盛惠兴;: "基于NSCT域边缘检测的侧扫声呐图像分割新方法", 仪器仪表学报, no. 08, 15 August 2013 (2013-08-15), pages 117 - 123 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117538881A (zh) * | 2024-01-10 | 2024-02-09 | 海底鹰深海科技股份有限公司 | 一种声呐水体成像波束形成方法、系统、设备及介质 |
| CN117538881B (zh) * | 2024-01-10 | 2024-05-07 | 海底鹰深海科技股份有限公司 | 一种声呐水体成像波束形成方法、系统、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sekehravani et al. | Implementing canny edge detection algorithm for noisy image | |
| CN109410230B (zh) | 一种可抗噪声的改进Canny图像边缘检测方法 | |
| CN111696107B (zh) | 一种实现闭合连通域的熔池轮廓图像提取方法 | |
| CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
| CN108872997B (zh) | 一种基于侧扫声呐数据融合与精密处理的海底线检测方法 | |
| CN108229433B (zh) | 一种基于直线段检测和形状特征的靠岸舰船检测方法 | |
| WO2022205525A1 (zh) | 基于双目视觉自主式水下机器人回收导引伪光源去除方法 | |
| CN104978715A (zh) | 一种基于滤波窗口及参数自适应的非局部均值图像去噪方法 | |
| CN107368792A (zh) | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 | |
| CN117372827A (zh) | 一种基于边界约束的声呐图像统计增强算法 | |
| CN112017223A (zh) | 基于改进SIFT-Delaunay的异源图像配准方法 | |
| CN109685733B (zh) | 一种基于气泡运动稳定性分析的铅锌浮选泡沫图像时空联合去噪方法 | |
| CN111428573B (zh) | 一种复杂背景下的红外弱小目标检测虚警抑制方法 | |
| Zhu et al. | Saliency-based diver target detection and localization method | |
| CN113436216B (zh) | 基于Canny算子的电气设备红外图像边缘检测方法 | |
| CN112164079B (zh) | 一种声呐图像分割方法 | |
| CN111161308A (zh) | 一种基于关键点匹配的双波段融合目标提取方法 | |
| CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
| CN111192280B (zh) | 一种基于局部特征的视盘边缘检测方法 | |
| CN108596928A (zh) | 基于改进高斯-拉普拉斯算子的噪声图像边缘检测方法 | |
| CN111784722A (zh) | 一种改进Canny车道线边缘检测算法 | |
| CN114155174A (zh) | 基于融合直方图分层和非线性导数的边缘检测算法 | |
| CN114187195A (zh) | 一种2d前视声呐图像去噪方法 | |
| Rao et al. | Statistical analysis for performance evaluation of image segmentation quality using edge detection algorithms | |
| CN110390649B (zh) | 一种用于油气管道焊缝图像降噪的方法 |
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 |