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。     

基于声呐图像的水下目标识别研究综述

水下目标识别是水下无人探测的一项核心技术,在军事和民用领域都有重要的应用。根据当前的水下目标识别研究进展,全面阐述基于声呐图像的水下目标识别原理和方法,对总结研究现状、发现存在的问题以及挖掘潜在的研究方向具有积极意义。针对基于声呐图像的水下目标识别问题,论述了图像去噪、 图像分割以及水下目标识别等方面的主要进展,阐述了基于深度学习实现声呐图像目标识别的最新技术发展现状。通过对水下目标处理过程的讨论和分析,指出基于声呐图像的水下目标识别算法中亟需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做了进一步的展望。     

基于无监督学习卷积神经网络的声呐图像分割

声呐图像分割是图像分割技术发展中的组成部分,是水下目标识别与检测的重要一环。传统方法中基于有监督分割方法的算法往往代价较大,表现出试验周期长、实时性较差、运行速率较慢等不足。并且由于声呐图像的成像质量差、分辨率不高、边缘条件不清晰、人工标注工作量大等客观因素,不易建立用于有监督模型训练的大规模数据集,使得传统分割方法越来越不适应当前实际应用的多方面要求。将基于无监督学习卷积神经网络引入到声呐图像分割任务中,分割模型通过对单帧声呐图像进行训练和测试,最后经过推理得到将阴影区和目标高亮区分割后的声呐图像,得到分割出来的水下目标。通过对实验的分割结果进行各项指标分析,证明此方法有着更好的运行效率和分割精度,并且实时性较高,综合性能优于传统方法。     

基于MRF场的侧扫声呐图像分割方法

为了利用侧扫声呐进行水下目标自动探测和识别,首先必须将声呐图像分为目标高亮区、海底混响区和目标阴影区.由于声呐图像有强背景噪声,传统的图像分割方法显得无能为力,故采用基于MRF场的图像分割方法来准确地分割.根据侧扫声呐目标的成像特点,建立了分割的约束条件;利用阴影与目标的灰度均值比很小这一特点进行初始分割,然后根据分割后目标与阴影的宽度差来剔除虚假目标,由初始分割的结果求得MRF模型初始参数,再采用迭代条件估计得到最终的模型参数和准确的分割结果.由于考虑了相邻像素间的依赖关系,具有抗噪性强、分割效果好的优点,从理论上说是合理的.实测数据分析也证明了这种算法的优越性.     

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。     

基于声场模型的猎雷声呐探测成像仿真方法

针对猎雷声呐对水雷目标探测仿真问题,提出一种基于运动学信息与水下声场传播耦合分析的探测成像仿真方法。利用 Bellhop3D 声场分析方法对水下声信道信号冲击响应进行计算,结合信号复分析方法得到信号传播信道参数以构建声散射模型,以运动耦合方式综合分析声呐搭载平台位置、姿态及速度等因素对回波信号的影响,通过综合考虑上述因素来模拟目标回波信号,从而利用较为真实的等效回波信号进行图像重构。 以高频前视声呐为例,对声呐探测沉底水雷目标情况进行了仿真,结果表明,该方法能够得到高频声呐对沉底水雷目标的探测图像,与实际情况具有一致性,可为进一步构建反水雷相关模拟仿真训练系统提供参考。     

基于分区自适应阈值的声呐障碍物检测算法研究

针对UUV避碰声呐探测障碍物过程中自主选择分割阈值进行障碍物检测的问题,提出了基于分区自适应阈值的障碍物检测算法。首先将避碰声呐图像均匀分为相同大小的图像块,对每个图像块基于最大类间方差算法确定该区域障碍物图像分割的高低阈值,然后对检测到的障碍物进行形态学处理去除孤立噪声点,对目标区域进行连通性分析及内部空洞处理,最终得到完整的障碍物轮廓信息。通过湖试数据验证表明了该方法对声呐障碍物检测的有效性。     

基于深度学习的光学遥感影像舰船检测算法对比分析

舰船目标检测是进行海洋环境监管,保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能,为测试不同深度学习目标检测算法在舰船检测中的效果,本文构建了一个包含3893张图像的数据集,涵盖了复杂背景下不同类型的舰船,基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验,结果表明,YOLOv4 、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上,其中YOLOv4最高达到91.77%,Faster RCNN误检较多,而SSD平均精度最低,只有79.23%,总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试,得到较好的检测效果,对舰船检测未来理论研究的开展具有一定的指导意义。     

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。     

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。