基于LOG算子的侧扫声呐图像水下小目标检测算法研究

针对侧扫声呐图像噪声干扰严重、分辨率低、目标轮廓模糊等特点，提出了一种基于LOG算子的侧扫声呐图像水下小目标检测算法。首先，根据侧扫声呐图像中水下小目标成像特点，对声呐图像进行滤波及聚类分割，大幅降低图像中噪声；然后，采用斑点检测思想，提取侧扫声呐图像中疑似目标区域；最后，基于自动阈值分割算法对声呐图像进行分割，获取目标区域二值图像，使用二阶矩估计目标尺度，剔除虚假目标，最终实现水下小目标准确检测。实验结果表明：该方法计算速度快、检测成功率高，对侧扫声呐图像中的水下小目标具有良好的检测效果。     

基于侧扫声呐的水下小目标检测技术研究

针对水下小目标探测与识别难的问题,开展基于侧扫声呐的声呐图像滤波、图像分割及目标提取方法研究。常规滤波方法难以有效清除图像中存在的噪声,从而造成图像质量下降。采用非局部均值滤波算法与 GPU 加速的方法,在获得声呐图像较好处理效果的同时,满足水下小目标检测实时性的要求;同时, 采用膨胀算法与 Canny 边缘检测算法相结合的方式,实现了水下真假目标的有效区分。     

基于K-means聚类与数学形态学的侧扫声呐图像目标轮廓自动提取方法

针对侧扫声呐图像斑点噪声强、背景海底散射干扰严重,海底目标轮廓自动提取困难的问题,提出了一种基于K-means聚类与数学形态学相结合的海底目标轮廓自动提取算法。为克服噪声干扰,该算法首先利用中值滤波去除侧扫声呐图像中的强斑点噪声;然后采用K-means聚类算法对侧扫声呐灰度图像进行分割,并二值化,除去大部分海底背景噪声,初步提取出目标;接着利用数学形态学运算去除提取结果中的孤立噪点,并填充目标内部孔洞,得到连续化、圆滑的目标边缘;最后对处理后的侧扫声呐图像进行边缘检测,提取出目标轮廓。实验结果表明:该算法思想简单易行,具有很强的克服背景噪声的能力,自动提取的目标轮廓连续性较好,结果准确可靠。目前,在侧扫声呐图像目标轮廓提取过程中,主要采用人工方式,自动性较差,效率较低。本文算法可以实现目标轮廓的自动提取,提高效率,具有较强的实用价值。     

基于数学形态学的侧扫声呐图像轮廓自动提取

侧扫声呐图像特征自动提取的难点在于特征地貌边缘检测较困难,依据图像灰度突变检测得到的边缘比较粗糙、不连续,而且有断口和小洞。本文在对图像进行预处理和阈值化的基础上,采用数学形态学方法对图像进行处理,即用具有一定形态的结构元素去量度和提取图像中的对应形状,得到连续化、粗化、圆滑的特征区域边缘填充目标内部阴影且消除背景噪声。基于数学形态学的侧扫声呐图像特征自动提取的主要步骤为:首先对侧扫声呐图像进行预处理,然后进行灰度阈值化,接着采用数学形态学方法进行处理,最后对处理后的图像进行边缘检测,提取出特征地貌边缘。实验表明,采用数学形态学方法进行处理后,错断、离散的海底目标物变得连续,背景噪声大大减少,自动提取结果准确可靠。     

侧扫声呐原始数据解析与可视化显示

XTF文件格式是侧扫声呐图像数据的主要存储格式之一,具有可伸缩性、可扩展性等特点;声波散射强度瀑布图是侧扫声呐回波数据直观的显示形式。准确高效解析XTF格式的侧扫声呐数据和正确生成瀑布图显示回波数据对后续数据图像处理过程中的目标变形改正、图像分割及镶嵌等具有重要意义。通过分析侧扫声呐工作原理及声波回波强度瀑布图的结构与特点,对XTF格式的侧扫声呐原始文件结构及十六进制编码原理进行深入研究,以渤海沉船搜寻实测数据为例,使用Matlab编程实现原始数据读取及解码,提取每Ping数据中各要素,比较分析2种灰度转换模型的特点,生成侧扫声呐瀑布图,实现XTF格式侧扫声呐数据的图像可视化。     

基于弱纹理块的噪声估计方法在侧扫声呐图像去噪中的应用

侧扫声呐图像受混响效应影响导致侧扫声呐图像斑点噪声强,边缘模糊,纹理较弱,严重时还会掩盖海底地貌。噪声方差是许多侧扫声呐图像变换域去噪算法的必要参数。指出了侧扫声呐图像在乘性噪声的影响下灰度值溢出的问题,并且以侧扫声呐图像中乘性噪声为背景,考虑灰度值范围对乘性噪声的抑制作用,提出了一种基于弱纹理块的噪声估计方法。算法主要根据噪声的散射模型,将侧扫声呐图像经过幂变换和对数变换,将服从瑞利分布的乘性斑点噪声变换为高斯白噪声,基于变换图像的梯度协方差矩阵和弱纹理块的动态选择,以迭代的方式确定噪声方差。实验结果表明:该算法能够去除灰度值溢出现象对噪声估计的影响,在高亮区域及背景区域的噪声估计结果稳定准确。     

基于小波分析的侧扫声呐信号非线性增强算法

侧扫声呐回波信号是形成侧扫声呐图像的基础,是侧扫声呐系统对水下目标的最直接观测量, 将一维小波变换与非线性增强方法相结合,提出了一种基于小波变换的侧扫声呐回波信号非线性增强算法, 用以改善侧扫声呐图像对比度低、噪声强度大的问题。首先利用改进的 Bayes 阈值对侧扫声呐 ping 信号进行一维小波分解,提取信号特征信息;然后利用 2 种不同的非线性函数对高、低频小波系数进行处理;最后利用小波反变换重构信号,形成增强后的侧扫声呐图像。实测数据验证结果表明：利用该算法对侧扫声呐 ping 信号进行处理,实现了侧扫声呐图像对比度的增强和对噪声的抑制,可以获取较好的图像视觉效果。     

三角剖分有限元法在声呐图像重构中的应用

侧扫声呐原始数据经几何校正后会造成采样点分布不规则的现象,需要通过重采样获得规则网格数据,以满足海底地貌全覆盖显示的需求。重采样间隔与插值算法对重采样图像的质量具有直接影响。本文分析了侧扫声呐数据采样点的分布特点,在此基础上提出了基于扭曲网格三角剖分有限元插值技术的侧扫声呐图像重构方法。与多种插值方法重采样结果的对比实验表明,该方法不仅提高了计算效率,而且能很好地保留原始数据的信息。     

基于互信息和相关比算法的声呐图像配准

针对互信息算法在配准图像过程中易陷入局部极值的问题,提出了一种新的算法,即将互信息和相关比按一定的标准组合在一起,生成一种新的测度算法,并将该算法应用到了多波束图像和侧扫声呐图像的配准中。该组合算法可以改善互信息测度易陷入局部极值的弊端,稳定性更强。通过实验验证,新的组合算法是准确的,可以较好地实现存在较大畸变的多波束和侧扫声呐图像的配准,配准速度和精度优于互信息算法和相关比算法,新的组合算法是对原有算法的改进和优化。     

基于多波束前视声呐的水下静态目标的探测识别技术

基于声呐的水下目标检测是具有重要意义的研究课题。由于声呐图像质量差、对比度低、边缘模糊等,基于特征提取的识别方法在精度和速度上无法满足现有要求。鉴于此,将基于卷积神经网络的 YOLOv3 引入声呐图像的目标识别任务中,首先通过动态亮度分配和中值滤波对图像进行预处理建立数据集,然后对 YOLOv3 模型进行训练和测试,最后根据静态目标的位置不变去除虚假目标,降低误检率。实验结果表明： 较之现有的特征提取识别算法,本算法具有更高的效率和更低的误检率。