侧扫声呐条带数据处理及其无缝成图

受测量机理的制约,侧扫声呐拖鱼位置及姿态难以准确获得,这也使得侧扫声呐图像长期用于定性分析,而忽略了其精处理工作。本文针对瀑布图像存在的各种畸变、使用不直观等问题,从侧扫声呐成图机理出发,对侧扫声呐条带数据处理方法开展了系统研究,形成了一套集海底追踪、斜距改正、拖鱼归位计算、地理编码、缝隙填补等技术为一体的综合方法,最终形成了一幅消除了各种畸变、灰度均衡、目标轮廓清晰、具有直观坐标信息的高质量无缝侧扫声呐地貌图像。     

侧扫声呐图像应用领域综述

侧扫声呐图像目前广泛应用于海洋工程、海洋科学、水下目标探测与识别等领域。仪器性价比的不断提高，给侧扫声呐图像的更深层应用带来了新的契机。本文综述了侧扫声呐图像的应用领域，为我国更深层次应用这一传统设备提供了实践指导；同时，概略给出了侧扫声呐图像后续精细处理的研究方向。     

多波束与侧扫声呐高质量测量信息获取与叠加

正多波束声呐和侧扫声呐分别是目前获取海底地形与地貌图像最为有效的设备。多波束声呐可以同时获得海底测深地形与分辨率较低的海底图像,侧扫声呐可以获取高分辨率但位置精度较低的海底图像。为了准确获取海底精细的地形地貌信息,本文分别从多波束测深数据处理、多波束声呐图像处理、侧扫声呐图像处理、测深地形与侧扫声呐图像的叠加4个方面开展研究,最终得到     

多波束与侧扫声呐图像的迭代自适应配准方法EI北大核心CSCD

针对目前多波束与侧扫声呐图像配准方法未顾及图像形变细节信息及二者尺度差异,存在局部纹理失真的问题,本文提出了结合小波变换、仿射变换和Demons配准算法的迭代自适应配准方法。利用小波变换提取侧扫声呐图像低频信息并重构图像,先后采用仿射变换和Demons算法将重构图像与多波束图像进行迭代自适应配准,获取配准变换模型,利用该模型对侧扫声呐原图像进行整体配准变换,获得多波束图像地理坐标约束的侧扫声呐图像。实例验证结果表明:该方法能有效实现多波束与侧扫声呐图像配准,获得位置准确且纹理丰富的融合声呐图像。     

侧扫声呐图像分割的中性集合与量子粒子群算法

针对现有的侧扫声呐图像分割方法存在分割准确率不高和效率偏低的问题,提出了一种基于中性集合和量子粒子群算法的侧扫声呐图像阈值分割方法。通过基于中性集合计算图像灰度共生矩阵,实现了侧扫声呐图像精细纹理的表达,提高了分割精度;基于二维最大熵理论,采用量子粒子群算法计算二维最优分割阈值向量,实现了分割阈值向量的快速准确获取,提高了分割效率和精度。最终实现了高噪声侧扫声呐图像目标的准确、高效分割。通过对含有不同目标的侧扫声呐图像的分割试验,验证了该算法的有效性。     

侧扫声呐图像精处理及目标识别方法研究

侧扫声呐(side scan sonar ,SSS)系统,作为水下地貌图像的获取设备,因价格低廉、分辨率高等优点在海洋工程、水下目标探测和识别等领域得到了广泛的应用.而目前SSS水下目标探测和识别均依靠人工判读,效率低下且精度难以保证.据此,论文开展了侧扫声呐数据精处理及目标识别方法研究.     

侧扫声呐识别沉船影像的迁移学习卷积神经网络法

侧扫声呐海底沉船图像识别是水下障碍物核查和失事船只搜救中的一项重要工作.针对传统侧扫声呐图像人工判读存在效率低、耗时长、资源消耗大及主观不确定性强和过分依赖经验等问题,本文尝试引入卷积神经网络的方法,同时考虑到侧扫声呐沉船图像属于小样本数据集,提出一种基于迁移学习的卷积神经网络侧扫声呐沉船图像自动识别方法.通过归一化处理、图像增强等方式扩充样本数据,并以4:1的比例划分训练集和测试集,同时参照经典VGG-16模型,根据侧扫声呐沉船数据集特点设计了改进的模型,然后将在Ima geNet图像数据集上训练好的改进模型在小样本侧扫声呐沉船数据集上采用冻结和训练、微调两种迁移学习方式进行学习和试验,并与全新学习进行比较分析,结果表明,3种方法对侧扫声呐沉船图像识别的准确率分别为93.71％、84.49％ 和90.58％,其中第1种迁移学习方法准确率最高,模型收敛速度最快,且AP值最高为92.45％,分别比第2种迁移学习方法和全新学习高了8.06％ 和3.06％,在提高模型的识别能力和训练效率方面效果更佳,验证了该方法的有效性与可行性,具有一定实际指导意义.     

侧扫声呐数据采集与地貌图像构建

针对水下航行器基于地形匹配实现自主导航时需要在线提取环境地形特征的需求,本文重点研究侧扫声呐实时数据采集与地貌图像构建方法。根据侧扫声呐的工作原理及其JSF文件格式,提取侧扫声呐扫描波束所对应的80数据帧,并完成数据解析;建立声呐扫描声强与灰度级转化模型,并构建环境地貌声学图像;通过海试试验结果与侧扫声呐专用软件所生成的地貌图像对比,验证本文方法的有效性和可行性。     

联合NSCT与多重分形的高噪声侧扫声呐图像分割

针对现有分割算法对高噪声侧扫声呐图像分割准确率低的问题,提出了一种综合利用NSCT(non-subsampled contourlet transform)分解图像、局部标准差和均值组合增强图像和多重分形判断图像奇异性的侧扫声呐图像分割方法。首先,借助NSCT分解图像,获得滤除高频噪声且保留轮廓信息的低频图像和一系列高频方向子带图像。然后,基于侧扫声呐图像中目标及其阴影伴随出现的特点,计算低频图像的局部标准差与均值的组合特征,获得分别突显目标及其阴影的特征图,使用多重分形分割方法分割特征图,获得低频图像分割结果;利用图像差分和非极大值抑制方法分割高频方向子带图像,获得高频分割结果;融合高低频分割结果获得目标及其阴影的精细边缘。最后通过试验验证了本文方法的有效性。     

侧扫声呐图像SFS微地形反演数值算法选择

侧扫声呐成图环境复杂,噪声突出,图像明暗强度与海床底质和地形相关,采用SFS方法开展2D侧扫声呐图像的3D微地形恢复工作,需解决海床声波反射模型和SFS数值算法优选两个问题。结合侧扫声呐成图机理和声能方程,构建了漫反射回波提取模型;在此基础上,采用相关性、信噪比、信息熵等参数构建了SFS数值算法反演性能的评价体系;最后采用实测声呐图像开展了4种典型SFS数值算法的微地形反演试验。试验结果表明,相较于其他数值算法,ZhengChellappa最小化算法不仅能有效地挖掘二维图像中的三维信息,而且具备较好的抗噪能力,更适合于侧扫声呐图像的三维微地形反演。