一种侧扫声呐图像目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111476809A(43)申请公布日2020.07.31(21)申请号202010277647.4G06T5/00(2006.01)(22)申请日2020.04.08(71)申请人北京石油化工学院地址102600北京市大兴区大兴清源北路19号申请人中国人民解放军军事科学院国防科技创新研究院(72)发明人李晶于化鹏唐培文(74)专利代理机构北京细软智谷知识产权代理有限责任公司11471代理人涂凤琴(51)Int.Cl.G06T7/13(2017.01)G06T7/136(2017.01)G06T7/00(2017.01)权利要求书3页说明书9页附图1页(54)发明名称一种侧扫声呐图像目标识别方法(57)摘要本发明涉及一种侧扫声呐图像目标识别方法，包括：采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述原始声呐图像中包含有要识别的目标；将所述原始声呐图像进行灰度二值化处理；对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多尺度几何变换域对所述声呐图像进行增强；对增强后的声呐图像，利用Canny算子进行边缘检测；根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图像中的非目标边缘，保留检测目标边缘；对边缘检测后的目标进行识别。本发明提供的技术方案，通过在多尺度几何变化域下的图像增强去噪并结合侧扫方向性的边缘检测技术，大大提高复杂噪声背景下的侧扫声呐图像边缘检测的能力和识别效率。CN111476809ACN111476809A权利要求书1/3页1.一种侧扫声呐图像目标识别方法，其特征在于，包括：步骤S1、采集连续的侧扫声呐海底图像，获取若干张原始声呐图像，所述原始声呐图像中包含有要识别的目标；步骤S2、将所述原始声呐图像进行灰度二值化处理；步骤S3、对灰度二值化处理后的声呐图像中的噪声进行模型化处理，在多尺度几何变换域对所述声呐图像进行增强；步骤S4、对增强后的声呐图像，利用Canny算子进行边缘检测；步骤S5、根据侧扫方向性图像阈值滤波方法，过滤掉边缘检测后的声呐图像中的非目标边缘，保留检测目标边缘；步骤S6、对边缘检测后的目标进行识别。2.根据权利要求1所述的方法，其特征在于，所述步骤S3包括：步骤S31、对灰度二值化处理后的声呐图像进行对数变换；步骤S32、将对数变换后的声呐图像进行Curvelet变换；步骤S33、在Curvelet变换域对所述声呐图像进行增强。3.根据权利要求2所述的方法，其特征在于，所述步骤S31包括：灰度二值化处理后的声呐图像中的噪声用乘性模型来描述：I＝RZ(1)其中，I为观测到的包含噪声的信号，R为期望恢复的真实信号，Z为噪声随机变量；对公式(1)取对数，得到：lnI＝lnR+lnZ(2)。4.根据权利要求3所述的方法，其特征在于，所述步骤S32包括：对公式(1)进行Curvelet变换，得到：其中，l、d、(i,j)分别表示Curvelet系数的尺度、方向与位置，c为观测到的包含噪声的信号，x为期望恢复的真实信号，ε为噪声随机变量，将公式(3)简记为：c＝x+ε(4)公式(2)中，令n＝lnZ，对n按照泰勒级数展开，得到：由于Z的绝大多数分布接近于1，Z-1的取值通常很小，取公式(5)中幂级数展开的首项，可得：n≈Z-1(6)由公式(6)并结合平移瑞利分布可得到n的分布为2CN111476809A权利要求书2/3页公式(7)中，p为概率密度函数，m为偏移量，α为瑞利分布的衰减参数；由于m≈1，公式(7)可近似为瑞利分布：由于Curvelet系数在分布上呈正负对称，则噪声n对应的Curvelet系数ε的概率密度函数可用阶跃函数U(ε)表示为：5.根据权利要求4所述的方法，其特征在于，所述步骤S33包括：由于瑞利分布衰减参数α与变换域的噪声方差σ2相关，根据公式(9)，ε的均值为0，方差为：由公式(10)可得：其中，噪声方差σ2的估计采用Donoho的鲁棒性方法：其中，M为Curvelet变换域最细子带的中值；对每一个带通方向子带的系数进行以下处理：依据自适应的邻域窗口确定方法，确定最终的自适应的邻域窗口N(i,j)，由于公式(4)中，x与ε相互独立，因此有：其中，为包含噪声的Curvelet系数值c的方差，为局部的高斯分布方差；由于c为0均值的随机变量，c的方差可以根据公式(14)近似求解：其中，N(i,j)表示以当前系数c(i,j)为中心的邻域窗口,Mn表示邻域窗口中系数的个数，(p，q)表示(i，j)中的任一点；结合公式(13)，得到局部的高斯分布方差的估计值将由公式(12)与公式(11)求得的α估计值及代入到x的基于最大后验概率估计的解析表达式(16)中：3CN111476809A权利要求书3/3页对