基于非锐化掩模引导滤波的水下图像细节增强算法研究

针对水下图像对比度偏低，细节模糊的问题，本文提出基于非锐化掩模引导滤波的细节增强方法。首先由原始图像做引导图进行滤波得到细节层图像，并对细节层使用噪声检测的中值滤波去除斑点噪声；然后对原始图像进行基于均值滤波的非锐化掩模，得到锐化图像，并将锐化图像作为引导图对原始图像进行引导滤波，获取基础层图像；最后将滤波后的细节层进行增益后与引导滤波获取的基础层进行叠加，达到增强水下图像细节的目的。并通过信息熵、局部对比度和平均梯度3种客观评价指标对图像处理结果进行了对比分析，主观和客观测试结果表明，本文采用的算法能够有效提高图像对比度以及增强细节信息，有利于提高水下图像资料解释的准确性。     

基于灰度直方图和几何特征的声纳图像目标识别

目标形状因子和长、宽、高等几何特征,与目标类别具有很大的关系,而灰度直方图也是目标物理特性的直接表现。根据采用马尔可夫随机场理论分割后的声纳目标和阴影图像,利用其灰度直方图曲线进行目标的聚类分析,再利用几何特征进行类别识别,经实测的数据验证,取得了较好的效果。证明该方法可有效表征不同目标的物理特性,从而区分不同类别的目标,避免了目标绝对反向散射强度的复杂计算,增强了抗噪性。以搜寻目标的几何特征为输入参数,可迅速锁定要搜寻的目标,借助其它探测手段,实现目标的自动识别。     

基于粗糙集理论的水下红外图像增强

图像增强是通过改变图像中某类像素的灰度值,以改变图像视觉效果或为有助于机器自动分割。水下红外图像对比度差,干扰强,为了便于人工判读,在保边去噪的基础上还要进行增强处理。将基于粗糙集理论的中值滤波和增强方法应用于水下红外图像处理中,给出了实验结果。结果表明这种方法具有可行性。     

基于小波的水下图像后向散射噪声去除

介绍水下图像成像的特点,分析影响水下成像的主要因素:吸收和散射。在此基础上,采用小波的方法对水下图像进行去噪。首先对低频系数采用了LUM滤波器进行滤波,然后对高频系数采用了NeighShrink方法和对其改进后的ENS方法进行去噪。通过实验证实,该方法去除水下图像噪声具有较好的效果。     

Curvelet变换域侧扫声纳图像增强算法

针对海底侧扫声纳图像对比度低、纹理弱、噪声严重等问题,提出了一种基于第二代Curvelet变换的声纳图像增强算法。首先对原始声纳图像进行多尺度、多方向的Curvelet变换分解,得到低频子带和高频子带;然后引入非线性S型函数对低频系数进行处理,提高图像整体的对比度;采用一种可以避免过度增强的新型非线性函数对各尺度的高频子带系数进行处理,提高图像整体的对比度,增强图像边缘和纹理细节,并通过估计噪声水平设定阈值进行阈值降噪。最后经Curvelet逆变换得到增强图像。实验表明,该方法不仅改善了海底侧扫声纳图像对比度低的问题,而且降低了噪声,突出了声纳图像的边缘和纹理细节。     

小波函数对侧扫声纳图像滤波效果的影响分析

侧扫声纳技术应用日益广泛，已成为海洋测量的重要工具，而去除噪声处理是对侧扫声纳图像进行正确判读的前提。利用小波函数滤波处理的方法，分别采用Haar、Daubechies、Coiflets、Symlets、Discrete Meyer、Biorthogonal、Reverse Biorthogonal等小波函数与中值滤波函数对侧扫声纳图像进行处理，并以平滑指数和边缘保持指数为评价指标，对滤波效果进行定量比较。试验表明，小波函数可以有效地平滑声纳图像，并能保持其较好的边缘效果。     

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。     

可变尺度区域拟合模型的侧扫声纳分割方法

为解决现有侧扫声纳图像目标分割准确度不高的问题,提出一种联合最大熵去噪和可变尺度区域拟合模型的侧扫声纳图像分割方法。首先,计算图像一维熵,基于最大熵原则对侧扫图像进行降噪处理,提高图像质量,并根据峰值信噪比评判降噪效果;然后基于可变尺度区域拟合模型,采用高斯核函数对分割活动轮廓进行约束,分割降噪后的侧扫声纳图像。通过对含有不同目标物的侧扫声纳图像进行分割实验,验证了联合最大熵去噪和可变尺度区域拟合模型的有效性。     

基于纹理特征的围填海SAR图像分水岭分割方法

本文提出了一种基于纹理特征的围填海SAR图像分水岭分割方法,首先对机载MiniSAR图像进行灰度共生矩阵纹理滤波,获得纹理特征图像,再对纹理特征图像进行分水岭算法分割,将获得的形态学重建图像进行门限阈值分割,得到最后的二值化分割结果。该方法一方面通过调整灰度共生矩阵纹理滤波的窗口大小,抑制了斑点噪声的影响;另一方面,利用分水岭算法对边缘模糊杂乱图像的优势,提高了围填海信息提取的准确性。实验结果表明,本方法对高分辨率SAR图像围填海监测图像的分割效果良好。     

一种基于小波阈值的SAR图像降噪方法

由于SAR特殊的相干成像机理导致图像有斑点噪声,使得目标识别和特征提取造成困难。在小波变换阈值降噪法的基础上,提出一种改进的SAR图像降噪方法。先用新的阈值公式对图像进行小波分解,再对小波系数进行更为细致的处理,最后通过逆变换实现图像去噪和重建。实验结果表明,与传统方法相比,本方法更为有效地去除了SAR图像的噪声,并能保持图像的细节特征,有着良好的图像视觉解译效果。     

基于粗集理论的声呐图像中值滤波

保边去噪是图像滤波中的主要问题。声呐图像像素少品质恶劣,保边去噪显得尤为重要。将基于粗集理论的中值滤波应用于声呐图像处理中,给出了实验结果。结果表明这种方法具有可行性。     

基于小波变换和高斯函数的影像去噪方法研究

提出了小波变换与高斯函数相结合进行影像去噪的方法，在去除高斯白噪声的同时能够有效去除椒盐噪声。此方法是在小波域内结合小波变换的特点对高频子带分别进行高斯低通滤波，将滤波后的小波系数经过反变换后即可得到经过去噪后的影像。实验表明该方法不仅对高斯噪声和椒盐噪声去噪效果明显，而且保留了影像的细节信息，其滤波效果优于中值滤波和小波软阈值法。     

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。     

Side-scan sonar mapping and computer-aided interpretation in the Santa Barbara Channel,California

We have experimented with digital processing of side scan sonar data taken in a 14 sq-km area of continental shelf offshore Southern California. The data were FM tape recorded during the survey and digitized and processed later in the laboratory. The digital image processing included both image correction and image enhancement. Geometric corrections were applied to correct for image distortions due to variable ship position and speed and sonar slant range. Enhancements that were tried included contrast stretching, band-pass filtering, image restoration (inverse filtering), and various edge enhancements such as density slicing and standard deviation filters. Interpretive procedures were also attempted and included digital mosaicking, stereoscopic viewing, and falsecolor display. The most effective processing was geometric correction combined with contrast stretching. Mosaicking proved difficult due to imprecise navigation (±50 m), but was very effective in increasing the understanding of the geologic structure in the survey area.     

基于模糊聚类的声呐图像多区域分割

图像分割是图像识别中的主要问题,同时它又是一个经典难题;声呐图像恶劣的品质使图像的分割变得更为困难。文章将模糊聚类应用于声呐图像的多区域分割,实验证明这种方法简便而有效。