基于LOG算子的侧扫声呐海底线检测

针对侧扫声呐数据采集的特点,提出了一种基于图像边缘检测技术中LOG算子的海底线检测新方法,用于准确检测海底线从而对侧扫声呐资料进行斜距改正。通过实验数据处理,表明该方法较传统方法具有明显的优势。     

一种侧扫声呐检测力的评价方法

侧扫声呐是海洋调查常用的探测仪器,为保证测量数据的准确性,对其实际探测性能的评价就显得尤为迫切。文中从侧扫声呐的工作原理出发,梳理了检测力和分辨力在概念上的混淆,并提出了一种评价检测力的方法;通过在海底人工放置一些已知大小的目标物,精确测量各个目标物的位置信息,并使用EdgeTech 4200MP双频侧扫声呐系统对目标物进行扫测试验以检测其检测力。结果表明,目标物和航迹线方向平行时,能够清晰地分辨直径或边长为20 cm,30 cm的物体,不能分辨出直径为10 cm的圆形物体,但能较清晰的分辨出直径为0.9 cm的长绳;目标物在垂直航迹线方向时,能够清晰地分辨直径或边长为10 cm的目标物,但是不能分辨出直径为0.9 cm的长绳;综合评价得出其纵向检测力优于1 cm,横向检测力优于10 cm。对常用声呐探测仪器的标准化体系的建立有一定的帮助。     

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.     

珊瑚环礁区侧扫声呐图像中的目标物识别方法

为研究西沙宣德环礁海底地貌特征及珊瑚分布情况,采用舷挂侧扫拖鱼的方式对环礁区域海底进行地貌扫测,从采集的侧扫声呐图像上可以识别出环礁区域珊瑚分布情况及珊瑚礁区地貌特征,利用侧扫声呐图像识别方法结合实物样品比对可以圈定出珊瑚分布范围、暗礁区域及环礁区域底质类型分布,采用基本的数学处理方法定量分析了水下珊瑚礁体的海底高度及疑似沉船的大小,分析了侧扫声呐图像显示的调查船转向效应。     

基于SURF特征的侧扫声呐图像精确镶嵌

针对侧扫声呐条带拼接过程中容易出现错位、灰度不均衡等问题,本文研究了一种基于SURF算法的侧扫声呐图像精确镶嵌方法。该方法通过USM滤波对单幅条带图像进行特征增强,然后利用SURF算法对相邻条带图像进行镶嵌处理,SURF算法具有执行速度快、信息量小、匹配精度高、提取的特征不受光照变化、透视、仿射、旋转等影响等优点。针对条带之前存在的误匹配点,采用RANSAC算法进行自动剔除,最后采用小波融合法对图像进行精确镶嵌。实验研究证明,采用本方法能够有效解决匹配过程中目标错位等问题,实现了侧扫声呐图像的精确镶嵌。     

多波束声呐和侧扫声呐数据融合方法研究综述

多波束声呐系统与侧扫声呐系统均为海底面探测的重要工具,二者均采用声学方法,在工作原理上存在异同。本文简要介绍了二者的研究进展,分别对其数据处理进行了比对分析,认为多波束声呐处理方法侧重于数据的测量精度,而侧扫声呐则主要侧重于图像处理;归纳了当前二者主要的数据匹配融合方法,包括同名特征融合、基于SURF算法的匹配融合以及特征点融合,从数据采集原理上对数据融合方法进行了深入分析,发现在探头定位、单ping数据点分布以及ping之间的数据定位上存在一定的困难,即使经过一定的处理,二者采集的也非简单的平面图像,故二者的数据融合尚存在一定的难度。     

基于虚警函数的侧扫声纳水下目标实时检测方法

研究了侧扫声纳系统进行水下目标探测过程中目标信号的检测问题。通过分析海底回波信号的统计模型及其参数的估计,讨论了目标信号对统计模型拟合的影响规律,提出了侧扫声纳回波信号虚警函数和虚警率的概念,及其对Ping信号中目标信号的检测方法。算例结果表明,回波信号的三种分布模型中K分布拟合程度最优,在相同虚警率的条件下,基于K分布的虚警函数目标检测率最高。该法可为侧扫声纳回波信号中目标的实时报警提供技术支撑。     

基于侧扫声纳图像海底目标物提取方法

分析了侧扫声纳数据成像原理,利用凹凸目标成像与阴影的关系,依次采用二值化处理、中值滤波处理、开启与闭合操作、Canny边缘提取等多种图像处理的手段,实现了海底目标物的提取与定位,并通过实验验证了本方法的可行性。     

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。     

多波束和侧扫声纳系统在海底目标探测中的应用

介绍了多波束测深系统和侧扫声纳系统的工作原理,通过实例说明了多波束测深系统和侧扫声纳系统在海底目标探测的工作流程,总结出两种探测系统在探测海底目标上的优缺点,说明了多种探测手段的综合应用是海底目标探测技术的发展方向。     

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。     

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。     

高分辨率多波束声纳系统海底目标物检测技术

结合近几年出现的高分辨率多波束测深系统的性能特点,通过检测实例,介绍其在海底管道(尤其是裸露管道)检测中的相关技术及及检测成果。结果证实,高分辨率多波束测深系统可以准确检测海底小尺寸目标物,为其新特性的推广应用提供技术参考。     

侧扫声纳探测技术的研究现状及发展

侧扫声纳是海洋地形地貌测量的必备仪器之一。主要介绍了侧扫声纳探测技术的研究现状,重点阐述了其最新研究进展,给出了侧扫声纳技术未来的发展趋势。针对国内外实际应用需求,提出了几点建议,以期为我国侧扫声纳技术相关研究提供参考。     

基于恒虚警检测的图像声呐目标跟踪

无人化、智能化的目标探测与跟踪是未来水下探测的必然趋势。针对水下移动小目标,通过固定位置的声呐接收的角度与距离二维信息,提出了一套自动跟踪方法。首先,对图像声呐进行恒虚警处理,同时引入时域参量,通过在门限计算中增加之前时间的权重,抑制位置恒定的静态强背景干扰。之后,基于空间上目标的连续运动,提出了小目标的自动跟踪算法。湖试数据实验处理表明：该方法能有效抑制干扰,实现水下小目标的自动探测跟踪。     

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...     

水下图像目标检测研究综述

在海洋开发的环境下,水下物体探测技术得到广泛应用,随着水下机器人与计算机技术的发展,该技术越来越受到研究人员的重视。根据当前的水下图像目标检测研究进展,简要介绍水下图像目标检测流程（即图像采集、图像的预处理、以及图像检测的方法）,对总结发展现状、发现技术的不足及挖掘未来的研究方向有重要意义。针对基于光学图像的水下目标识别问题,论述了图像采集、图像的预处理、以及图像检测等方面的主要进展,阐述了基于深度学习实现水下图像目标识别的技术发展现状。通过对水下目标处理过程的讨论和分析,指出水下图像目标识别领域中需要解决的问题,并预测该领域技术发展趋势。