>
【发明内容】
[0006] 本发明的目的在于提供一种检测精度高，能实现水下声纳图像目标检测的量子衍 生混合蛙跳的基于量子衍生混合蛙跳的水下声纳图像目标检测方法。
[0007] 本发明的目的是这样实现的：
[0008] (1)输入声纳图像，并对声纳图像进行预处理；
[0009] (2)利用量子比特对青蛙种群进行编码，并结合类内和类间信息的适应度函数计 算青蛙种群中所有个体的适应度值，标记全局最优个体，准确地评价青蛙位置的好坏； [0010] (3)采用量子进化更新方式，利用相位角编码，更新子种群中最坏位置的青蛙，并 且子种群其他个体向全局最优个体学习进化，完成局部搜索；
[0011] (4)模糊隶属度矩阵结合空间信息去除孤立区：通过聚类中心计算出模糊隶属度 矩阵，最终得到融合邻域空间信息的模糊隶属度矩阵，去除水下声纳图像检测结果中的孤 立区；
[0012] (5)基于信息论的客观定量评价：在分割布局熵的基础上，加入噪声熵，从而得到 一个能更准确评价水下声纳图像检测结果的分割布局噪声熵，利用分割布局噪声熵对精确 的检测结果进行定量分析。
[0013] 本发明还可以包括：
[0014] 1、在步骤（1)中青蛙个体采用基于聚类中心的编码，青蛙种群的规模为M，整个量 子编码的青娃种群表示为Q= [qi，q2,q3,…，Qm]，每一个青娃个体I(i= 1，2,…M)，用m位 量子比特表示为
。结合类内信息和类间信息的 适应度函数来描述青蛙位置的好坏，
是第i个划分区域和周围区域 类内类间差异性最大的值，t为一个划分区域的类内差异度，Dis_cu是第i个聚类中心和 第j个聚类中心的欧式距离。
是所有划分区域类内类间差异性值的平均值，k 为聚类中心。
表示适应度值。
[0015]2、在步骤（2)中对最坏位置青蛙〇"进行更新后得到新的青蛙个体new_〇w， new_〇w= [new_σwlnew_σw2 ...new_σwm]，new_σwm是新的青娃个体的第m位，m艮口 为最后一位。对于最坏位置青蛙个体的每一位相位角，具体更新公式为new_〇wj =σWJ+rand〇X( 〇 bj-σwj)，〇 彡new_〇 wj彡 2Jr，j= 1，2,…m，rand()是随机数，〇 bj是局 部最好青蛙个体的第j位。另外，子种群中其他个体还需要向全局最优个体学习进化，其 中全局最优个体的二进制序列用Pg表示Pg= [PglPg2…全局最优个体的二进 制序的第m位，第i个青娃个体的二进制序列为Χ?=[χηxi2…xim]，其对应量子比特表 示为Qi= [Qii qi2…Qim]，对子种群中青娃个体的每一位量子比特进行更新的具体方法为
?d= 1，2, "·πι，t 表示进化更新的迭代次数，sign()是符号函数，用来确定量子旋转角的方向，^为0~2π的随机数，用来确定量子旋转角的大小，c是预设定的变异概率常数，^是0到1的随机数， NXqld是对量子比特进行非门逻辑操作，Ν是非门，将量子比特的α和β的值互换，U()为 量子旋转门。
[0016] 3、在步骤（3)中，对于声纳图像上每一个数据块Vl，在它的周围取一个八邻域记为 NB(Vl)，假设Vl所属类的聚类中心为c,，那么它周围八个数据块相对于聚类中心C]的隶属
I,是八邻域中的某个数据块相对于聚类中心c,的隶属度。对
于整幅声纳图像，新的模糊隶属度矩阵为U' = (u'du,， 数，q值相对P值越大，空间信息对检测结果影响越大，本发明设定P= 2,q= 1。
[0017] 4、步骤（4)中分割熵（SegmentationEntropy，SE)为
Q为一个给定的声纳图像，0^表 示区域j中所有可能的像素值。对于图像中的区域j，行1表示区域L中某一个像素点的 像素值，A(fXl)是区域j中像素值为fXl的像素点的个数，B彦示区域j中所有的像素点 个数和，B表示声纳图像中所包含像素点的总个数。布局熵（DistributionEntropy，DE)
，.分割布局熵（SegmentationandDistributionEntropy，SDE)为 SDE= ，由于声纳图像一般具有很多的噪声，这些噪声会在一定程度上影响图像检测 结果的定量分析。评价函数SDE并没有考虑到噪声的这一特性，所以仍然不能客观评价声
纳图像的检测结果。声纳图像中的任意一个像素点的八邻域区域熵 表示每一个像素点的八邻域中属于目标区，阴影区和背景区的像素点的个 数，整幅声纳图像的噪声熵（Noiseentropy，NE)为
，:Μ为图像像素点的 总个数。在SDE的基础上，加入ΝΕ，从而得到一个更准确的评价方法，即分割布局噪声 熵（Segmentation,DistributionandNoiseEntropy，SDNE)，具体为SDNE=HN+SDE= hn+hl+hq〇
[0018] 本发明与现有技术相比的优点在于：a.采用基于聚类中心的量子比特对青蛙种 群进行编码，并结合类内和类间信息的适应度函数能更准确地评价青蛙位置的好坏。b.利 用相位角编码，更新子种群中最坏位置青蛙，并且子种群其他个体向全局最优个体学习进 化。此量子进化更新方式能够提高混合蛙跳的全局搜索能力。c.对得到的声纳图像检测结 果，根据模糊隶属度矩阵结合空间信息去除孤立区的方法获得更精确的检测结果。此方法 能够提高声纳图像检测精度，找到正确的检测目标。d.提出分割布局噪声熵对最终检测结 果进行定量分析，能更进一步证明提出的水下声纳图像目标检测方法的有效性。
【附图说明】
[0019] 图1是本发明方法的流程图；
[0020] 图2是原始水下声纳图像（尺寸为239X205);
[0021] 图3是平滑去噪后图像；
[0022] 图4是本专利提出的基于量子衍生混合蛙跳的检测结果；
[0023] 图5是没有结合空间信息的量子衍生混合蛙跳算法检测结果；
[0024] 图6是八邻域示意图；
[0025] 图7是原始人造模拟图像（尺寸为150X200);
[0026] 图8(a)-图8(f)是人造图像的检测结果。图8(a)是si理想检测结果，图8(b) 是s2检测结果在背景区域中含有噪声，图8 (c)是s3阴影区域内部方形错误检测，图8 (d) 是s4包含阴影区域方形错误检测，图8 (e)是s5阴影区域内部圆形错误检测，图8 (f)是s6 包含阴影区域圆形错误检测；
[0027] 图9是定量分析坐标图；
[0028] 图10(a)-图10(f)是原始水下声纳图像对比检测结果.，图10(a)是尺寸为 93X132的原始水下声纳图像检测结果，图10(b)是尺寸为173X167的原始水下声纳图像 检测结果，图10(c)是尺寸为259X368的原始水下声纳图像检测结果，图10(d)是尺寸为 158X153的原始水下声纳图像检测结果，图10 (e)是尺寸为393X218的原始水下声纳图像 检测结果，图10(f)是尺寸为108X200的原始水下声纳图像检测结果；
[0029] 图11是原始水下声纳图像对比结果的定量分析坐标图；
[0030] 图12是三种智能优化算法的适应度值变化图；
[0031] 图13是三种智能优化算法对比结果的定量分析坐标图。
【具体实施方式】
[0032] 下面结合附图举例对本发明做更详细地描述。
[0033] 结合图1，本发明的具体步骤如下：
[0034] (1)声纳图像数据空间的缩小
[0035] 量子衍生混合蛙跳的水下声纳图像目标检测算法相关参数设置为：水下声纳图像 窗口块大小2*2;聚类中心数3;模糊系数2;模糊隶属度矩阵影响系数2;八邻域模糊隶属 度矩阵影响系数1;全局迭代次数10;局部搜索次数2;青蛙种群规模为10;子种群数5;变 异概率〇. 014。
[0036] 由于声纳图像形成过程中水下环境复杂，不确定噪声因素很多，如：海洋生物噪 声、船舶人为噪声等，使声纳图像受到严重的噪声污染，所以在进行声纳图像检测之前，利 用各向异性二阶邻域马尔可夫模型估计声纳图像的纹理特征参数，实现原始图像的平滑去 噪。图2是一幅原始水下声纳图像，图3是平滑去噪后的图像。
[0037] 在此基础上，由于声纳图像数据样本点较多，一般的数据样本点都会达到几千到 一万的数量级，为了缩小数据样本空间，加快检测速度，对声纳图像进行分块处理，选择 aXb的窗口，将原始声纳图像分成N个互不重叠的aXb窗口，每一个窗口求其灰度值的均 值，作为该窗口的特征值。因此，数据空间的规模缩小为N。
[0038] (2)种群的初始化
[0039] 由于提出的检测算法是基于聚类模型的，需要通过聚类中心，检测声纳图像中的 目标高亮区，阴影区和背景区，所以青蛙种群需要采用基于聚类中心的编码方式，假设聚类 数为k，那么每只青蛙个体由k个聚类中心组成，由于灰度值的范围是0~255,所以可以用 8位二进制序列表示一个聚类中心，因此量子编码的青蛙个体长度m为kX8,设青蛙种群的 规模为M，则整个量子编码的青蛙种群可以表示为：
[0040]Q=[q1;q2,q3, ···,qM]
[0041]每一个青娃个体q;(i= 1, 2,…Μ)，可以用m位量子比特表示：
[0042]
[0043] (3)适应度函数
[0044] 适应度函数用来描述青蛙位置的好坏，而青蛙个体采用基于聚类中心的编码，它 将数据空间中的点划分到不同的类中，要求特征相近的点划分在一起，特征差别大的划分 到不同的类中，本专利采用结合类内信息与类间信息的适