一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法
【專利摘要】本發(fā)明涉及的是數(shù)字圖像處理技術(shù)領(lǐng)域。具體涉及一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法。本發(fā)明包括：對側(cè)掃聲納圖像進(jìn)行預(yù)處理；設(shè)定第一圖像灰度初始閾值T；對側(cè)掃聲納圖像進(jìn)行以閾值T進(jìn)行分割，得到有效點(diǎn)；判斷有效點(diǎn)個數(shù)是否在理想計算范圍N以內(nèi)，如果有效點(diǎn)個數(shù)在理想計算范圍N以內(nèi)，執(zhí)行步驟(5)，如果有效點(diǎn)個數(shù)不在理想計算范圍N以內(nèi)，以S為速度提高閾值T，替代原有閾值，重新執(zhí)行步驟(3)；得到有效點(diǎn)后，計算每個點(diǎn)的累積量。本發(fā)明提供了一種高效的分割出側(cè)掃聲納圖像中的目標(biāo)的方法，對于含有構(gòu)成海底強(qiáng)反射點(diǎn)的點(diǎn)狀噪聲和海底混響產(chǎn)生的云狀噪聲的側(cè)掃聲納圖像有著更好的分割效果，能夠更有效的分割出聚集點(diǎn)。
【專利說明】
-種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及的是數(shù)字圖像處理技術(shù)領(lǐng)域。具體設(shè)及一種利用點(diǎn)聚集特性的側(cè)掃聲 納目標(biāo)探測方法。
【背景技術(shù)】
[0002] 目標(biāo)探測是指確定單一圖像或序列圖像中是否有目標(biāo)并將感興趣的目標(biāo)區(qū)域和 不感興趣的背景區(qū)域分開的一種操作。它往往會利用已知的先驗(yàn)知識，計算相關(guān)的特征量， 并利用運(yùn)些特征量區(qū)分目標(biāo)與背景。目前水聲目標(biāo)探測技術(shù)被廣泛應(yīng)用于石油勘探、水下 地形觀察、深海管線探查、水下物體打拱、海洋漁業(yè)等領(lǐng)域。軍事方面，淺海地區(qū)水雷探測已 經(jīng)成了各國海軍的重大難題。而聲納系統(tǒng)可大范圍探測水下區(qū)域，因此水聲探測系統(tǒng)已經(jīng) 成了各國研究熱點(diǎn)。
[0003] 在淺海地區(qū)進(jìn)行水雷探測是十分困難的。水雷目標(biāo)小且常隱藏于一些人造障礙物 中。美國海面戰(zhàn)研中屯、在水雷目標(biāo)自動或半自動探測方面進(jìn)行了進(jìn)十年研究，利用非可交 換群諧波分析理論，研制出了能有效降低虛警概率的多算法融合水雷目標(biāo)探測系統(tǒng)。該系 統(tǒng)可W快速處理聲納圖像，提取可疑區(qū)域。
[0004] 目前國外學(xué)者已經(jīng)對水下目標(biāo)探測方法進(jìn)行了大量研究，得到了一些高效的基于 聲納圖像的目標(biāo)探測系統(tǒng)。而國內(nèi)的相應(yīng)研究還處于起步階段，還沒有成型的相應(yīng)產(chǎn)品。目 標(biāo)探測并提取的結(jié)果將會直接影響目標(biāo)識別的處理結(jié)果，因此對于目標(biāo)探測方法的研究是 有重要意義的。在處理實(shí)際側(cè)掃聲納圖像中，會遇到如下問題：
[0005] 1、側(cè)掃聲納圖像信噪比較低
[0006] 2、側(cè)掃聲納圖像中的待測目標(biāo)相對較小
[0007] 3、海底不規(guī)整或者有較多聲波強(qiáng)反射的巖石等較小物體 [000引 4、海底混響
[0009] W上問題可W更加形象的轉(zhuǎn)化為兩種高噪聲下的分割問題，一種是構(gòu)成海底強(qiáng)反 射點(diǎn)的點(diǎn)狀噪聲（structural noi Se )，一種是海底混響，我們運(yùn)里稱作云狀噪聲 (contamination region noise)，運(yùn)兩種噪聲，現(xiàn)有的圖像增強(qiáng)算法仍然沒辦法完全有效 的去除運(yùn)兩種噪聲，因此要把精力放在分割算法上。主流的分割算法分為兩種，一種是傳統(tǒng) 通過各種優(yōu)化準(zhǔn)則設(shè)定灰度闊值的分割方法，例如傳統(tǒng)的闊值分割或者最大類間方差的分 割算法；另一種是通過設(shè)定平面閉合曲線，通過計算曲線內(nèi)外的像素灰度差值來控制曲線 的縮放，例如水平集分割方法或者無邊緣特性的動態(tài)輪廓分割算法。
[0010] 本發(fā)明主要提出的是一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法。通過與文獻(xiàn)
[1]、文獻(xiàn)[2]所述方法進(jìn)行對比，證實(shí)了此方法在有效提取目標(biāo)的同時可W有效分割出待 測目標(biāo)。
[0011] 與本發(fā)明相關(guān)的參考文獻(xiàn)包括：
[0012] [1]劉衛(wèi)剛，胡錫梅基于有效點(diǎn)聚集度的指紋圖像分級分割算法.中北大學(xué)現(xiàn)代教 育技術(shù)與信息中屯、.2011
[0013] [2]吳一全改進(jìn)的二維化SU法闊值分割快速迭代算法.南昌航空大學(xué)無損檢測技 術(shù)教育部重點(diǎn)實(shí)驗(yàn)室.2011

【發(fā)明內(nèi)容】

[0014] 本發(fā)明的目的在于提供一種分割出的目標(biāo)更加完整的利用點(diǎn)聚集特性的側(cè)掃聲 納目標(biāo)探測方法。
[0015] 本發(fā)明的目的是運(yùn)樣實(shí)現(xiàn)的：
[0016] 利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法，包括如下步驟：
[0017] (1)對側(cè)掃聲納圖像進(jìn)行預(yù)處理；
[0018] (2)設(shè)定第一圖像灰度初始闊值T;
[0019] (3)對側(cè)掃聲納圖像進(jìn)行W闊值T進(jìn)行分割，得到有效點(diǎn)；
[0020] (4)判斷有效點(diǎn)個數(shù)是否在理想計算范圍NW內(nèi)，如果有效點(diǎn)個數(shù)在理想計算范圍 NW內(nèi)，執(zhí)行步驟巧），如果有效點(diǎn)個數(shù)不在理想計算范圍N W內(nèi)，WS為速度提高闊值T，替代 原有闊值，重新執(zhí)行步驟(3);
[0021] (5)得到有效點(diǎn)后，計算每個點(diǎn)的累積量；
[0022] (6)設(shè)定第二闊值來篩選出待測目標(biāo)的像素點(diǎn)。
[0023] 所述步驟(5)中計算每個點(diǎn)的累積量所使用的公式如下：
[0024]
[0025] 其中Ci為有效點(diǎn)i的累積量，距離約束函數(shù)Wij作為權(quán)值，Dij表示第i個有效點(diǎn)和第j 個有效點(diǎn)之間的歐氏距離。
[0026] 所述的第二闊值為所有點(diǎn)累積量的均值。
[0027] 本發(fā)明的有益效果在于：
[0028] 本發(fā)明提供了一種高效的分割出側(cè)掃聲納圖像中的目標(biāo)的方法，對于含有構(gòu)成海 底強(qiáng)反射點(diǎn)的點(diǎn)狀噪聲和海底混響產(chǎn)生的云狀噪聲的側(cè)掃聲納圖像有著更好的分割效果， 能夠更有效的分割出聚集點(diǎn)，優(yōu)于傳統(tǒng)分割意義下的闊值判定分割，解決了無法去除運(yùn)兩 種噪聲的困擾，分割過程中利用了目標(biāo)的點(diǎn)累積量作為判斷依據(jù)有效地分割出待標(biāo)記的目 標(biāo)，使得分割出的目標(biāo)更加完整，并且能夠排除其他噪聲亮點(diǎn)，使得本方法的輸出結(jié)果更加 可觀。
【附圖說明】
[0029 ]圖1為算法流程圖；
[0030] 圖2為待檢測圖像1;
[0031] 圖3為待檢測圖像2;
[0032] 圖4為本文方法的處理結(jié)果，處理圖像為待檢測圖像1;
[0033] 圖5為本文方法的處理結(jié)果，處理圖像為待檢測圖像2;
[0034] 圖6為文獻(xiàn)1的處理結(jié)果，處理圖像為待檢測圖像1;
[0035] 圖7為文獻(xiàn)1的處理結(jié)果，處理圖像為待檢測圖像2;
[0036] 圖8為文獻(xiàn)2的處理結(jié)果，處理圖像為待檢測圖像1;
[0037] 圖9為文獻(xiàn)2的處理結(jié)果，處理圖像為待檢測圖像2。
【具體實(shí)施方式】
[0038] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步描述。
[0039] 本發(fā)明提供了一種檢測側(cè)掃聲納中的目標(biāo)的方法，運(yùn)是一種利用點(diǎn)聚集特性對側(cè) 掃聲納圖像中可疑區(qū)域進(jìn)行篩選的目標(biāo)探測方法，是一種拓?fù)鋭?chuàng)新型分割算法。首先假設(shè) 待探測目標(biāo)在側(cè)掃聲納的聲回波強(qiáng)度上一直保持最強(qiáng)（即至少有一部分像素的灰度值為 255)，在本發(fā)明中通過使用有效的N個點(diǎn)之間的距離，即聚集性，來給點(diǎn)賦W不同的值并累 計，當(dāng)所有有效點(diǎn)的相互之間的累積量計算完成后，每個點(diǎn)都會有屬于自己的累積量，聚集 在一起的點(diǎn)，即歐氏距離較近的點(diǎn)的累積量就會比那些孤立的點(diǎn)大，隨后通過設(shè)定累計闊 值來分割出聚集特性強(qiáng)的，算法流程圖如圖1所示。
[0040] 利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法，其步驟包括：
[0041] (1)對側(cè)掃聲納圖像進(jìn)行預(yù)處理；
[0042] (2)設(shè)定第一圖像灰度初始闊值T;
[0043] (3)對側(cè)掃聲納圖像進(jìn)行W闊值T進(jìn)行分割，先得到有效點(diǎn)；
[0044] (4)判斷有效點(diǎn)個數(shù)是否在理想計算范圍N'W內(nèi)，滿足，執(zhí)行第五步，不滿足，WS 為速度提高闊值T，替代原有闊值，回到第=步；
[0045] (5)得到有效點(diǎn)后，計算每個點(diǎn)的累積量；
[0046] (6)設(shè)定第二闊值(通常設(shè)定為所有點(diǎn)累積量的均值)來篩選出聚集性高的點(diǎn)，即 是待測目標(biāo)的像素點(diǎn)。
[0047] (7)利用兩幅側(cè)掃聲納圖像進(jìn)行實(shí)驗(yàn)分別與一種基于有效點(diǎn)聚集度的圖像分割算 法、改進(jìn)的二維化SU法闊值分割快速迭代算法進(jìn)行對比，證明了本方法在檢測效果相似的 條件下具有效的分割出待標(biāo)記的目標(biāo)。
[004引進(jìn)一步結(jié)合附圖，
[0049] (1)對側(cè)掃聲納圖像進(jìn)行預(yù)處理；
[0050] 待處理圖像原圖如圖1所示，是由側(cè)掃聲納獲得的聲納圖像。
[0051] 首先對圖像進(jìn)行預(yù)處理。首先把圖像轉(zhuǎn)換為灰度圖像，然后將其二值化，之后運(yùn)用 形態(tài)學(xué)開運(yùn)算對其進(jìn)行處理。
[0052] 開運(yùn)算是先腐蝕后膨脹的過程，用來消除小物體、在纖細(xì)點(diǎn)處分離物體、平滑較大 物體的邊界的同時并不明顯改變其面積。其運(yùn)用公式如下：
[0化3]
[0化4] Xb為開運(yùn)算后的圖像，X為原圖像，B為開運(yùn)算使用的結(jié)構(gòu)元素，0為腐蝕運(yùn)算符，思 為膨脹運(yùn)算符。
[0055] (2)設(shè)定第一圖像灰度初始闊值T;
[0056] W整幅圖像的灰度均值作為初始闊值T。
[0057] T=2f(i,j)/mXn
[0058] f(i，j)表示圖像的像素點(diǎn)的灰度值，m、n分別是圖像的行數(shù)與列數(shù)，
[0059] 為整幅圖像的像素點(diǎn)個數(shù)。
[0060] (3)對側(cè)掃聲納圖像W闊值T進(jìn)行分割，先得到有效點(diǎn)；
[0061] 將整幅圖像看成一個集合A,每個像素點(diǎn)的灰度值即為集合中的元素 a,表示為如 下公式：
[0062] A= {aii,ai2. . .amn}
[0063] B={bi,b2, . . . ,bk|b>T}
[0064] C=ki,C2, . . . ,ci|c<T}
[00 化]
[0066] m、n分別是圖像的行數(shù)與列數(shù)，B表示A中大于灰度闊值T的像素點(diǎn)的集合，b為a中 大于灰度闊值T的元素，C表示A中小于灰度闊值T的像素點(diǎn)的集合，C為a中大于灰度闊值T的 兀素。
[0067] (4)判斷有效點(diǎn)個數(shù)是否在理想計算范圍N'W內(nèi)，滿足，執(zhí)行第五步，不滿足，WS 為速度提高闊值T，替代原有闊值，回到第=步；
[0068] 范圍N'的值為300，S為常數(shù)，取值范圍[1，5]。有效點(diǎn)個數(shù)若是滿足N'，則執(zhí)行下一 步，若不滿足，根據(jù)本發(fā)明數(shù)據(jù)情況，WS = 2的速度進(jìn)行累加，提高闊值T，返回第=步重新 進(jìn)行闊值分割。累加公式為：
[0069] T = T+S
[0070] (5)得到有效點(diǎn)后，使用如下公式計算每個點(diǎn)的累積量
[0071]
[0072] 其中Cl為有效點(diǎn)i的累積量，距離約束函數(shù)Wu作為權(quán)值，Di康示第i個有效點(diǎn)和第j 個有效點(diǎn)之間的歐氏距離。首先假設(shè)待探測目標(biāo)在側(cè)掃聲納的聲回波強(qiáng)度上一直保持最強(qiáng) (即至少有一小部分像素的灰度是255)，在本發(fā)明中通過使用有效的N個點(diǎn)之間的距離，即 聚集性，來給點(diǎn)賦W不同的值并累計。對于距離約束函數(shù)，可W根據(jù)不同環(huán)境下尋找不同類 型目標(biāo)來設(shè)定，如果希望分割出具有點(diǎn)聚集性的目標(biāo)，那就多為單調(diào)遞減函數(shù)，或者更嚴(yán)謹(jǐn) 的使用先增后減的函數(shù)，運(yùn)里有兩個個備選函數(shù)方案：
[0073] Wij = Q . Dij+^
[0074] Wij = Q . (Di廣目）2+6
[0075] 其中a<〇，0與肚勻?yàn)槠屏俊?br>[0076] (6)設(shè)定第二闊值(通常設(shè)定為所有點(diǎn)累積量的均值)來篩選出聚集性高的點(diǎn)，即 是待測目標(biāo)的像素點(diǎn)。
[0077] 當(dāng)所有有效點(diǎn)的相互之間的累積量計算完成后，每個點(diǎn)都會有屬于自己的累積 量，W選擇為例，權(quán)值相對距離屬于單調(diào)遞減函數(shù)(原點(diǎn)處除外），那么聚集在一起的點(diǎn)，即 歐氏距離較近的點(diǎn)的累積量C就會比那些孤立的點(diǎn)大，于是就可W通過設(shè)定合理的累積量 闊值來分割出聚集的點(diǎn)。
[0078] 文獻(xiàn)[1]、文獻(xiàn)[2]中分別描述的算法是一種基于有效點(diǎn)聚集度的圖像分割算法和 改進(jìn)的二維化SU法闊值分割快速迭代算法。將之實(shí)現(xiàn)后與本發(fā)明處理結(jié)果進(jìn)行比較，發(fā)現(xiàn) 在均能將目標(biāo)區(qū)域標(biāo)出的條件下，本發(fā)明的算法具有更少的虛警。
【主權(quán)項】
1. 一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法，其特征在于:包括如下步驟： (1) 對側(cè)掃聲納圖像進(jìn)行預(yù)處理； (2) 設(shè)定第一圖像灰度初始閾值T; (3) 對側(cè)掃聲納圖像進(jìn)行以閾值T進(jìn)行分割，得到有效點(diǎn)； (4) 判斷有效點(diǎn)個數(shù)是否在理想計算范圍N以內(nèi)，如果有效點(diǎn)個數(shù)在理想計算范圍N以 內(nèi)，執(zhí)行步驟(5)，如果有效點(diǎn)個數(shù)不在理想計算范圍N以內(nèi)，以S為速度提高閾值T，替代原 有閾值，重新執(zhí)行步驟(3); (5) 得到有效點(diǎn)后，計算每個點(diǎn)的累積量； (6) 設(shè)定第二閾值來篩選出待測目標(biāo)的像素點(diǎn)。2. 根據(jù)權(quán)利要求1所述的一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法，其特征在于： 所述步驟(5)中計算每個點(diǎn)的累積量所使用的公式如下：其中Ci為有效點(diǎn)i的累積量，距離約束函數(shù)Wij作為權(quán)值，Dij表示第i個有效點(diǎn)和第j個有 效點(diǎn)之間的歐氏距離。3. 根據(jù)權(quán)利要求1所述的一種利用點(diǎn)聚集特性的側(cè)掃聲納目標(biāo)探測方法，其特征在于： 所述的第二閾值為所有點(diǎn)累積量的均值。
【文檔編號】G06T7/00GK105957084SQ201610297911
【公開日】2016年9月21日
【申請日】2016年5月6日
【發(fā)明人】卞紅雨, 陳奕名, 徐揚(yáng)
【申請人】哈爾濱工程大學(xué)