基于SLIC和自适应滤波的声呐图像均衡化方法与流程

本发明涉及声呐图像增强技术领域，尤其涉及基于slic和自适应滤波的声呐图像均衡化方法。

背景技术：

声呐图像分类是海底目标识别的重要手段，可用于海底地形地貌探测、海底考察、海底管道跟踪与状态检测等领域。目前，声呐图像中的灰度不均衡问题严重影响了声呐图像分类的效果，所以，解决声呐图像灰度不均衡对提高声呐图像分类正确率有直接影响。

受海底复杂环境、声学噪声和拖体运动状态的影响，声呐图像中往往存在灰度畸变。现有的声呐图像灰度均衡化方法主要基于拖体运动状态，这些状态由拖体中的姿态传感器和高度传感器提供。目前声呐图像校正的方法为capus等人在2008年的论文datacorrectionforvisualisationandclassificationofsidescansonarimagery中介绍的方法。受海浪运动和海底复杂地形的影响，传感器给出的拖体运动状态一直处于变化状态，同时，传感器自身的灵敏度和准确度都有误差，借助这些传感器数据校正声呐图像，会使校正过程有较大的计算量和计算误差。声呐图像的分割和分类中，灰度不均衡是影响声呐图像分割正确率的一个主要问题。目前关于声呐图像分割和分类的研究中，灰度不均衡问题不被单独考虑，人们将重点主要放在分类或者分割的方法上，这样虽然也能得到较好的分类或者分割效果，但是算法设计较复杂，过程也极为耗时。

简单线性迭代聚类(slic)：simplelineariterativeclustering.

技术实现要素：

本发明的目的在于针对上述技术问题，得到没有灰度畸变的声呐图像，提供一种基于slic和自适应滤波的声呐图像均衡化方法，实现多种声呐图像的灰度均衡化，为海底目标探测和分类提供校正的声呐图像，对声呐图像进行超像素聚类，基于自适应滤波对聚类划分的声呐图像块进行滤波，通过多次重复上述步骤，实现声呐图像的灰度均衡化。具体步骤如下：

步骤1，滤除声呐图像中的斑点噪声；

步骤2，使用简单线性迭代聚类方法将声呐图像划分为不规则的图像块；

步骤3，对每个图像块分别进行像素值唯一化，排序像素值，获取像素中值；

对图像块p0以及其所有相邻图像块{p1,p2,k,pk}，唯一化它们的像素值，得到像素族{a0,a1,a2,...,ak}，ai(i＝0,1,...,k)表示图像块pi(i＝0,1,...,k)的像素值唯一化的结果，去除pi中的重复像素值；对ai(i＝0,1,...,k)中的像素值按照从小到大的顺序进行排序；取ai的中值ai(i＝0,1,...,k)。

步骤4，更新图像块灰度值，按照步骤3遍历所有图像块；

具体方法为：若ai(i＝1,2,...,k)等于0或255，则图像块pi(i＝1,2,...,k)中的像素值都重置为0或255；若ai(i＝1,2,...,k)不等于0，也不等于255，且|ai-a0|(i＝1,2,...,k)小于设定阈值，则使用pi'＝a0±rand(x)更新图像块pi(i＝1,2,...,k)的灰度值，rand(x)表示在[1,x]范围内随机生成一个数字，更新后的图像块为pi'。

步骤5，多次将声呐图像划分为不同数量的图像块，分别重复进行步骤3和步骤4；

步骤6，对多次取得的步骤5的均衡化图像取平均，得到最终的灰度均衡化图像。

进一步地：x＝5。

进一步地：图像块个数为3000。

进一步地：步骤5中的图像块个数为2500和/或2000和/或1500和/或1000。

本技术方案基于简单线性迭代聚类方法将声呐图像划分为不规则的超像素图像块，对每个超像素图像块都使用自适应滤波方法进行滤波，充分考虑了相邻超像素图像块的灰度相似性和每一个超像素图像块的灰度均衡性，通过局部均衡化实现图像整体的均衡化，在实现灰度均衡化后，使用简单的图像分割方法(如k均值聚类算法)就可以得到理想的分割结果；该方法不使用声呐所搭载的拖体的姿态数据，避免计算过程中存在的固有数据误差。使用该方法获取的声呐图像，能解决声呐图像中的灰度不均衡问题，灰度均衡化效果好，对提高声呐图像分类正确率有明显效果。

附图说明

图1：声纳图像；

图2：简单线性迭代聚类对图1的聚类结果；

图3：图1的灰度均衡化结果；

图4：k均值聚类算法对图1的分割结果；

图5：k均值聚类算法对图3的分割结果。

其中，图2中的白色网格线为每个聚类块的边界。

具体实施方式

根据附图1-5，对本发明的实施方式做具体描述。

步骤1，对声呐图像进行中值滤波，滤波器的大小为3乘3，这一步的目的是滤除声呐图像中的斑点噪声。中值滤波为图像滤波中的常用方法。

步骤2，使用简单线性迭代聚类方法(achanta2012年提出)，将声呐图像划分为不规则的图像块。图1中声呐图像的大小为419×317，kl＝3000，kl表示slic划分的图像块的数量。图2为slic聚类结果，图中的白色网格线为每个聚类块的边界。

步骤3-步骤5，对slic得到的每个图像块，使用自适应滤波，这一步为本发明的关键步骤。具体过程为：

a.对每个图像块和它的相邻图像块分别进行像素值唯一化。对图像块p0以及其所有相邻图像块{p1,p2,k,pk}，唯一化它们的像素值，得到像素族{a0,a1,a2,...,ak}，ai(i＝0,1,...,k)表示图像块pi(i＝0,1,...,k)的像素值唯一化的结果。若pi的像素值为{4,7,0,0,0,1,2,3,3,4,}，像素值唯一化的结果ai为{4,7,0,1,2,3}。

b.对ai(i＝0,1,...,k)中的像素值按照从小到大的顺序进行排序。若ai为{4,7,0,1,2,3}，排序的结果为{0,1,2,3,4,7}。

c.排序后，找到像素值的中值ai(i＝0,1,...,k)。ai的中值ai为2.5。

a-c步的处理能够减小灰度值不均衡对中值的影响。如果图像块是灰度值分布均衡的，则其灰度值的最大值和最小值与中值差别不大。而如果图像块灰度值分布不均衡，其最大值与最小值可能差距较大。当灰度值偏小的数较多时，中值偏向较小的灰度值；当灰度值偏大的数较多时，中值会偏向较大的灰度值。a步骤中的唯一化处理可以减小这种偏向。

d.若ai(i＝1,2,...,k)等于0或255，则图像块pi(i＝1,2,...,k)中的像素值都重置为0或255。

若ai(i＝1,2,...,k)不等于0，也不等于255，且|ai-a0|(i＝1,2,...,k)小于设定阈值，说明图像块pi与图像块p0的灰度值相似，根据式(1)更新图像块pi(i＝1,2,...,k)的灰度值，rand(5)表示在[1,5]范围内随机生成一个数字。更新后的图像块为pi'。更新后，图像块pi'的灰度值与p0近似，实现了p0的邻域灰度值均衡化。

pi'＝a0±rand(5)(1)

e.按照步骤a-d遍历所有的图像块。

步骤6，使用更小的kl值(例如kl＝2500，kl＝2000，kl＝1500，kl＝1000)，重复步骤3-步骤5，对不同kl值得到的均衡化图像取平均，得到最终的灰度均衡化图像。图1的灰度均衡化结果如图3所示。

经过灰度均衡化，声呐图像中目标(图3的白色高亮部分)的对比度更明显，图1中的灰度不均衡问题被有效解决；灰度均衡化后，使用简单的分割方法就能实现声呐图像的有效分割。图4和图5使用简单的k均值聚类算法将声呐图像(图1和图3)分割为目标区域(白色)、背景区域(灰色)和阴影区域(黑色)。由结果可知，经过灰度均衡化，分割效果更好。

实施例仅说明本发明的技术方案，而非对其进行任何限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。