一种利用点聚集特性的侧扫声纳目标探测方法
【专利摘要】本发明涉及的是数字图像处理技术领域。具体涉及一种利用点聚集特性的侧扫声纳目标探测方法。本发明包括：对侧扫声纳图像进行预处理；设定第一图像灰度初始阈值T；对侧扫声纳图像进行以阈值T进行分割，得到有效点；判断有效点个数是否在理想计算范围N以内，如果有效点个数在理想计算范围N以内，执行步骤(5)，如果有效点个数不在理想计算范围N以内，以S为速度提高阈值T，替代原有阈值，重新执行步骤(3)；得到有效点后，计算每个点的累积量。本发明提供了一种高效的分割出侧扫声纳图像中的目标的方法，对于含有构成海底强反射点的点状噪声和海底混响产生的云状噪声的侧扫声纳图像有着更好的分割效果，能够更有效的分割出聚集点。
【专利说明】
-种利用点聚集特性的侧扫声纳目标探测方法
技术领域
[0001] 本发明设及的是数字图像处理技术领域。具体设及一种利用点聚集特性的侧扫声 纳目标探测方法。
【背景技术】
[0002] 目标探测是指确定单一图像或序列图像中是否有目标并将感兴趣的目标区域和 不感兴趣的背景区域分开的一种操作。它往往会利用已知的先验知识，计算相关的特征量， 并利用运些特征量区分目标与背景。目前水声目标探测技术被广泛应用于石油勘探、水下 地形观察、深海管线探查、水下物体打拱、海洋渔业等领域。军事方面，浅海地区水雷探测已 经成了各国海军的重大难题。而声纳系统可大范围探测水下区域，因此水声探测系统已经 成了各国研究热点。
[0003] 在浅海地区进行水雷探测是十分困难的。水雷目标小且常隐藏于一些人造障碍物 中。美国海面战研中屯、在水雷目标自动或半自动探测方面进行了进十年研究，利用非可交 换群谐波分析理论，研制出了能有效降低虚警概率的多算法融合水雷目标探测系统。该系 统可W快速处理声纳图像，提取可疑区域。
[0004] 目前国外学者已经对水下目标探测方法进行了大量研究，得到了一些高效的基于 声纳图像的目标探测系统。而国内的相应研究还处于起步阶段，还没有成型的相应产品。目 标探测并提取的结果将会直接影响目标识别的处理结果，因此对于目标探测方法的研究是 有重要意义的。在处理实际侧扫声纳图像中，会遇到如下问题：
[0005] 1、侧扫声纳图像信噪比较低
[0006] 2、侧扫声纳图像中的待测目标相对较小
[0007] 3、海底不规整或者有较多声波强反射的岩石等较小物体 [000引 4、海底混响
[0009] W上问题可W更加形象的转化为两种高噪声下的分割问题，一种是构成海底强反 射点的点状噪声（structural noi Se )，一种是海底混响，我们运里称作云状噪声 (contamination region noise)，运两种噪声，现有的图像增强算法仍然没办法完全有效 的去除运两种噪声，因此要把精力放在分割算法上。主流的分割算法分为两种，一种是传统 通过各种优化准则设定灰度阔值的分割方法，例如传统的阔值分割或者最大类间方差的分 割算法；另一种是通过设定平面闭合曲线，通过计算曲线内外的像素灰度差值来控制曲线 的缩放，例如水平集分割方法或者无边缘特性的动态轮廓分割算法。
[0010] 本发明主要提出的是一种利用点聚集特性的侧扫声纳目标探测方法。通过与文献
[1]、文献[2]所述方法进行对比，证实了此方法在有效提取目标的同时可W有效分割出待 测目标。
[0011] 与本发明相关的参考文献包括：
[0012] [1]刘卫刚，胡锡梅基于有效点聚集度的指纹图像分级分割算法.中北大学现代教 育技术与信息中屯、.2011
[0013] [2]吴一全改进的二维化SU法阔值分割快速迭代算法.南昌航空大学无损检测技 术教育部重点实验室.2011
【发明内容】
[0014] 本发明的目的在于提供一种分割出的目标更加完整的利用点聚集特性的侧扫声 纳目标探测方法。
[0015] 本发明的目的是运样实现的：
[0016] 利用点聚集特性的侧扫声纳目标探测方法，包括如下步骤：
[0017] (1)对侧扫声纳图像进行预处理；
[0018] (2)设定第一图像灰度初始阔值T;
[0019] (3)对侧扫声纳图像进行W阔值T进行分割，得到有效点；
[0020] (4)判断有效点个数是否在理想计算范围NW内，如果有效点个数在理想计算范围 NW内，执行步骤巧），如果有效点个数不在理想计算范围N W内，WS为速度提高阔值T，替代 原有阔值，重新执行步骤(3);
[0021] (5)得到有效点后，计算每个点的累积量；
[0022] (6)设定第二阔值来筛选出待测目标的像素点。
[0023] 所述步骤(5)中计算每个点的累积量所使用的公式如下：
[0024]
[0025] 其中Ci为有效点i的累积量，距离约束函数Wij作为权值，Dij表示第i个有效点和第j 个有效点之间的欧氏距离。
[0026] 所述的第二阔值为所有点累积量的均值。
[0027] 本发明的有益效果在于：
[0028] 本发明提供了一种高效的分割出侧扫声纳图像中的目标的方法，对于含有构成海 底强反射点的点状噪声和海底混响产生的云状噪声的侧扫声纳图像有着更好的分割效果， 能够更有效的分割出聚集点，优于传统分割意义下的阔值判定分割，解决了无法去除运两 种噪声的困扰，分割过程中利用了目标的点累积量作为判断依据有效地分割出待标记的目 标，使得分割出的目标更加完整，并且能够排除其他噪声亮点，使得本方法的输出结果更加 可观。
【附图说明】
[0029 ]图1为算法流程图；
[0030] 图2为待检测图像1;
[0031] 图3为待检测图像2;
[0032] 图4为本文方法的处理结果，处理图像为待检测图像1;
[0033] 图5为本文方法的处理结果，处理图像为待检测图像2;
[0034] 图6为文献1的处理结果，处理图像为待检测图像1;
[0035] 图7为文献1的处理结果，处理图像为待检测图像2;
[0036] 图8为文献2的处理结果，处理图像为待检测图像1;
[0037] 图9为文献2的处理结果，处理图像为待检测图像2。
【具体实施方式】
[0038] 下面结合附图对本发明做进一步描述。
[0039] 本发明提供了一种检测侧扫声纳中的目标的方法，运是一种利用点聚集特性对侧 扫声纳图像中可疑区域进行筛选的目标探测方法，是一种拓扑创新型分割算法。首先假设 待探测目标在侧扫声纳的声回波强度上一直保持最强（即至少有一部分像素的灰度值为 255)，在本发明中通过使用有效的N个点之间的距离，即聚集性，来给点赋W不同的值并累 计，当所有有效点的相互之间的累积量计算完成后，每个点都会有属于自己的累积量，聚集 在一起的点，即欧氏距离较近的点的累积量就会比那些孤立的点大，随后通过设定累计阔 值来分割出聚集特性强的，算法流程图如图1所示。
[0040] 利用点聚集特性的侧扫声纳目标探测方法，其步骤包括：
[0041] (1)对侧扫声纳图像进行预处理；
[0042] (2)设定第一图像灰度初始阔值T;
[0043] (3)对侧扫声纳图像进行W阔值T进行分割，先得到有效点；
[0044] (4)判断有效点个数是否在理想计算范围N'W内，满足，执行第五步，不满足，WS 为速度提高阔值T，替代原有阔值，回到第=步；
[0045] (5)得到有效点后，计算每个点的累积量；
[0046] (6)设定第二阔值(通常设定为所有点累积量的均值)来筛选出聚集性高的点，即 是待测目标的像素点。
[0047] (7)利用两幅侧扫声纳图像进行实验分别与一种基于有效点聚集度的图像分割算 法、改进的二维化SU法阔值分割快速迭代算法进行对比，证明了本方法在检测效果相似的 条件下具有效的分割出待标记的目标。
[004引进一步结合附图，
[0049] (1)对侧扫声纳图像进行预处理；
[0050] 待处理图像原图如图1所示，是由侧扫声纳获得的声纳图像。
[0051] 首先对图像进行预处理。首先把图像转换为灰度图像，然后将其二值化，之后运用 形态学开运算对其进行处理。
[0052] 开运算是先腐蚀后膨胀的过程，用来消除小物体、在纤细点处分离物体、平滑较大 物体的边界的同时并不明显改变其面积。其运用公式如下：
[0化3]
[0化4] Xb为开运算后的图像，X为原图像，B为开运算使用的结构元素，0为腐蚀运算符，思 为膨胀运算符。
[0055] (2)设定第一图像灰度初始阔值T;
[0056] W整幅图像的灰度均值作为初始阔值T。
[0057] T=2f(i,j)/mXn
[0058] f(i，j)表示图像的像素点的灰度值，m、n分别是图像的行数与列数，
[0059] 为整幅图像的像素点个数。
[0060] (3)对侧扫声纳图像W阔值T进行分割，先得到有效点；
[0061] 将整幅图像看成一个集合A,每个像素点的灰度值即为集合中的元素 a,表示为如 下公式：
[0062] A= {aii,ai2. . .amn}
[0063] B={bi,b2, . . . ,bk|b>T}
[0064] C=ki,C2, . . . ,ci|c<T}
[00 化]
[0066] m、n分别是图像的行数与列数，B表示A中大于灰度阔值T的像素点的集合，b为a中 大于灰度阔值T的元素，C表示A中小于灰度阔值T的像素点的集合，C为a中大于灰度阔值T的 兀素。
[0067] (4)判断有效点个数是否在理想计算范围N'W内，满足，执行第五步，不满足，WS 为速度提高阔值T，替代原有阔值，回到第=步；
[0068] 范围N'的值为300，S为常数，取值范围[1，5]。有效点个数若是满足N'，则执行下一 步，若不满足，根据本发明数据情况，WS = 2的速度进行累加，提高阔值T，返回第=步重新 进行阔值分割。累加公式为：
[0069] T = T+S
[0070] (5)得到有效点后，使用如下公式计算每个点的累积量
[0071]
[0072] 其中Cl为有效点i的累积量，距离约束函数Wu作为权值，Di康示第i个有效点和第j 个有效点之间的欧氏距离。首先假设待探测目标在侧扫声纳的声回波强度上一直保持最强 (即至少有一小部分像素的灰度是255)，在本发明中通过使用有效的N个点之间的距离，即 聚集性，来给点赋W不同的值并累计。对于距离约束函数，可W根据不同环境下寻找不同类 型目标来设定，如果希望分割出具有点聚集性的目标，那就多为单调递减函数，或者更严谨 的使用先增后减的函数，运里有两个个备选函数方案：
[0073] Wij = Q . Dij+^
[0074] Wij = Q . (Di广目）2+6
[0075] 其中a<〇，0与肚匀为偏移量。
[0076] (6)设定第二阔值(通常设定为所有点累积量的均值)来筛选出聚集性高的点，即 是待测目标的像素点。
[0077] 当所有有效点的相互之间的累积量计算完成后，每个点都会有属于自己的累积 量，W选择为例，权值相对距离属于单调递减函数(原点处除外），那么聚集在一起的点，即 欧氏距离较近的点的累积量C就会比那些孤立的点大，于是就可W通过设定合理的累积量 阔值来分割出聚集的点。
[0078] 文献[1]、文献[2]中分别描述的算法是一种基于有效点聚集度的图像分割算法和 改进的二维化SU法阔值分割快速迭代算法。将之实现后与本发明处理结果进行比较，发现 在均能将目标区域标出的条件下，本发明的算法具有更少的虚警。
【主权项】
1. 一种利用点聚集特性的侧扫声纳目标探测方法，其特征在于:包括如下步骤： (1) 对侧扫声纳图像进行预处理； (2) 设定第一图像灰度初始阈值T; (3) 对侧扫声纳图像进行以阈值T进行分割，得到有效点； (4) 判断有效点个数是否在理想计算范围N以内，如果有效点个数在理想计算范围N以 内，执行步骤(5)，如果有效点个数不在理想计算范围N以内，以S为速度提高阈值T，替代原 有阈值，重新执行步骤(3); (5) 得到有效点后，计算每个点的累积量； (6) 设定第二阈值来筛选出待测目标的像素点。2. 根据权利要求1所述的一种利用点聚集特性的侧扫声纳目标探测方法，其特征在于： 所述步骤(5)中计算每个点的累积量所使用的公式如下：其中Ci为有效点i的累积量，距离约束函数Wij作为权值，Dij表示第i个有效点和第j个有 效点之间的欧氏距离。3. 根据权利要求1所述的一种利用点聚集特性的侧扫声纳目标探测方法，其特征在于： 所述的第二阈值为所有点累积量的均值。
【文档编号】G06T7/00GK105957084SQ201610297911
【公开日】2016年9月21日
【申请日】2016年5月6日
【发明人】卞红雨, 陈奕名, 徐扬
【申请人】哈尔滨工程大学