基于分形理论的孤立森林水下人工目标检测方法技术

本发明专利技术公开的基于分形理论的孤立森林水下人工目标检测方法，首先获取声呐图像数据；其次，将原始声呐图像数据首先进行归一化，然后进行缺失值的填补，得到消除缺陷的图像数据；然后将预处理后的图像数据分成多个小区域，计算每个区域的分形维数；最后通过建立分离树和孤立森林得到图像数据中的异常数据和正常数据点。本发明专利技术与传统的检测方法相比，减少了数据的计算量，提高了检测精度，降低了误检率。

Detection Method of Artificial Target in Isolated Forest Underwater Based on Fractal Theory

【技术实现步骤摘要】
基于分形理论的孤立森林水下人工目标检测方法
本专利技术属于计算机数字图像处理
，具体涉及一种基于分形理论的孤立森林水下人工目标检测方法。
技术介绍
三维扫描仪用来扫描现实生活中的物体或者环境的外部形状，获取海量的外观点云数据，从而得到现实物体或环境的数字模型。这些模型常应用在目标检测与分割，三维重建等方向。三维扫描仪分为两种，一种是接触式，扫描仪通过接触实际物体来获得物体实际的深度信息，但相较于其他类型的扫描仪，接触式的扫描仪扫描时间相对较长；另一种是非接触式，该类型的扫描仪又分为主动扫描和被动扫描两种。主动扫描是扫描仪主动发出激光，超声波等照射物体，通过物体表面反射回来的激光或声波计算得出物体的深度信息。被动扫描的仪器自身不会发射任何辐射，而是由待测物体通过反射外界可见光，扫描仪器接收到之后进行测量。水下人工目标检测主要目的是从声呐图像中将具有人工特性的目标点检测出来。声呐图像是通过水下机器人主动发射声波扫描得到的，声波是目前惟一可以进行远程信息传输的载体，相比于光视觉、雷达、红外等其他探测手段，水声探测是目前水下探测最有效的方式，声呐可以对水下环境进行感知并实时处理，判断周围物体的位置、类型等信息。声呐图像中不仅包含了传统二维图像中的信息，而且还包含有探测点的实际深度值以及物体反射声波的强度值。但由于不同的水域水声条件有所不同，水下环境复杂多变，使得水下环境中的人工目标检测变得困难，一般测量得到的真实数据中，包含了大量的缺失值和大量的噪音，也可能因为人工录入错误导致有异常点存在，非常不利于算法模型的训练。另外水下环境复杂，水下机器人向周围发射声波后，有些地方不会发射声波，也会导致声呐图像上部分数据点是丢失的。目标检测一直以来都是图像领域中的热门，目标检测就是将感兴趣的部分找出来，并确定该部分的位置和大小。声呐图像与传统图像不同点在于，声呐图像是由高维的数据点组成的，人工目标在声呐图像中由多个数据点表示，因此声呐图像中的目标检测也可以看作是图像中的数据点检测。在声呐图像中，人工目标点与周围数据点在实际深度Z维度值与反射声波强度I维度值有着明显的差异，在做目标检测时，可以利用人工目标点在这两个维度上的明显差异性对目标点进行检测。传统的检测方法有K近邻算法，局部利群因子算法以及基于角度的Angle-BasedOutlierDetection(ABOD)算法等。声呐图像与传统图像相比，包含着更多的数据信息，传统的检测方法无法充分利用这些数据信息对数据点进行分析，导致检测结果并不理想。
技术实现思路
本专利技术的目的是提供一种基于分形理论的孤立森林水下人工目标检测方法，解决传统单一检测方法的精度低，误差率高的问题。本专利技术所采用的技术方案是，基于分形理论的孤立森林水下人工目标检测方法，具体过程包括以下步骤：步骤1，获取声呐图像数据：读取水下机器人采集的原始声呐图像文件，将原始文件信息通过matlab软件合并为包含有X,Y,Z,I四个维度的信息，并且在matlab结果输出时，通过代码将文件转换为第三方数据库能够识别的.pcd格式；步骤2，图像数据预处理：将原始声呐图像数据首先进行归一化，然后进行缺失值的填补，得到消除缺陷的图像数据；步骤3，差分盒计算：将预处理后的图像数据分成多个小区域，计算每个区域的分形维数，将得到的分形维数作为建立分离树的标准之一；步骤4，通过建立分离树和孤立森林，计算得到图像数据中的异常数据点和正常数据点：首先建立分离树和孤立森林，然后计算从分离树的根节点到每个数据点所在的叶子节点经过的边的数目，即数据点的路径长度l，根据数据点的路径长度l计算得到每个数据点的异常值s，若s趋向于1，则该数据点属于异常点，若s趋向于0，则该数据点属于正常点。本专利技术的其他特点还在于，步骤2中图像预处理的过程如下：步骤2.1，采用线性函数归一化原始声呐图像数据，将原始声呐图像数通过公式(1)的线性化的方法转换到[0,1]的范围；其中，Xnorm为归一化后的数据，X为原始数据，Xmax和Xmin分别为原始数据集的最大值和最小值；步骤2.2，将归一化后的数据进行缺失值的填补，选取整幅图像的实际深度Z维度值和发射声波I维度值，分别计算两个维度值的平均值作为填补的值，由于图像在X,Y方向是均匀分布的，然后，将待补点的X,Y值按图像分布进行填补。步骤3中计算分形维数的过程如下：步骤3.1，采用3×3的滑动窗口，将预处理后的图像数据分为多个小区域，每次移动一个数据点的距离计算每个小区域的分形维数；步骤3.2，采用差分盒计算每个区域的分形维数，具体过程如下：(a)对于一幅M×M的图像，将其看做三维空间的一个曲面，定义长为M，宽为M，高为L，其中，L为图像的像素级数，一般取L＝256；(b)将其所在的M×M的平面分为R×R大小的网格，在高度L这个坐标方向进行相同的划分，划分的单位为R*L/M，从而得到长宽方向和高度方向的划分“次数”相同；(c)在被划分成的每个R×R个网格内，找出最大像素值u和最小像素值b，计算该区域所包含三维空间的盒子数，盒子个数记为n(i,j)，则有n(i,j)＝[(u-b+R-1)/R]，其中，(i,j)记为当前的第(i,j)个网格，[]为取整符号；(d)对每个R×R的盒子数求和，记为N，即N＝sum(n(i,j))；(e)则分形维数D＝-logN/logR，由于R是有限值，通过改变R的值，求出一组N，采用最小二乘法进行线性拟合，通过拟合得到的线性方程，对方程求导计算得到直线的斜率，直线斜率即就是分形维数D。步骤4的具体过程如下：步骤4.1，随机抽取部分子样本，设置子样本大小和异常阈值，将数据格式中的X,Y,Z,I四个维度看成一个点的四个属性，随机选取一个属性并在该属性的最值范围内通过随机函数随机选取一个值，作为左右子树的标准值；如果子样本中，样本点的该属性值小于标准值则被划分到左子树中，反之，将被划分到右子树中；步骤4.2，将所有被划分到左子树和右子树的节点当作左右子树的根节点，进行下一层的左右子树的划分，依次循环，直到达到所设定的树的高度，或者输入数据是相同的多个数据点，或者输入数据中只包含一个数据点时结束；步骤4.3，重复步骤4.1和步骤4.2，得到多颗分离树的集合就构成孤立森林；步骤4.4，计算每个样本在孤立森林中每颗树上的数据点的路径长度l，即，从树的根节点到该数据点所在的叶子节点所经过边的数目，返回数据点在每棵树中的路径长度时，如果该数据点所在的叶子节点有且仅有一个点，则返回该点的当前路径长度l；如果所在的叶子节点包含了多个数据点，则利用如下公式(2)：c(n)＝2H(n-1)-(2(n-1)/n)(2)其中，H(n-1)是修正值，通过log2(n-1)+0.5772156649计算得到，其中0.5772156649是欧拉常数，c(n)为构建n个数据点的随机二叉树的平均路径长度，此时，返回值由l变成了l+c(n)；步骤4.5，异常值的计算：数据点x的异常值s(x,n)由如下公式(3)得到：其中，l+c(m)表示数据点的路径长度，E(l+c(m))表示数据点x在所有树中的路径长度的平均值，m表示数据点x所在的叶子节点包含点的个数，当m＝1时c(m)等于0；如果s值越大，则数据点的异常程度本文档来自技高网...

【技术保护点】
1.基于分形理论的孤立森林水下人工目标检测方法，其特征在于，具体过程包括以下步骤：步骤1，获取声呐图像数据：读取水下机器人采集的原始声呐图像文件，将原始文件信息通过matlab软件合并为包含有X,Y,Z,I四个维度的信息，并且在matlab结果输出时，通过代码将文件转换为第三方数据库能够识别的.pcd格式；步骤2，图像数据预处理：将原始声呐图像数据首先进行归一化，然后进行缺失值的填补，得到消除缺陷的图像数据；步骤3，差分盒计算：将预处理后的图像数据分成多个小区域，计算每个区域的分形维数，将得到的分形维数作为建立分离树的标准；步骤4，通过建立分离树和孤立森林，计算得到图像数据中的异常数据点和正常数据点：首先建立分离树和孤立森林，然后计算从分离树的根节点到每个数据点所在的叶子节点经过的边的数目，即数据点的路径长度l，根据数据点的路径长度l计算得到每个数据点的异常值s，若s趋向于1，则该数据点属于异常点，若s趋向于0，则该数据点属于正常点。

【技术特征摘要】
1.基于分形理论的孤立森林水下人工目标检测方法，其特征在于，具体过程包括以下步骤：步骤1，获取声呐图像数据：读取水下机器人采集的原始声呐图像文件，将原始文件信息通过matlab软件合并为包含有X,Y,Z,I四个维度的信息，并且在matlab结果输出时，通过代码将文件转换为第三方数据库能够识别的.pcd格式；步骤2，图像数据预处理：将原始声呐图像数据首先进行归一化，然后进行缺失值的填补，得到消除缺陷的图像数据；步骤3，差分盒计算：将预处理后的图像数据分成多个小区域，计算每个区域的分形维数，将得到的分形维数作为建立分离树的标准；步骤4，通过建立分离树和孤立森林，计算得到图像数据中的异常数据点和正常数据点：首先建立分离树和孤立森林，然后计算从分离树的根节点到每个数据点所在的叶子节点经过的边的数目，即数据点的路径长度l，根据数据点的路径长度l计算得到每个数据点的异常值s，若s趋向于1，则该数据点属于异常点，若s趋向于0，则该数据点属于正常点。2.如权利要求1所述的基于分形理论的孤立森林水下人工目标检测方法，其特征在于，所述步骤2中图像预处理的过程如下：步骤2.1，采用线性函数归一化原始声呐图像数据，将原始声呐图像数通过公式(1)的线性化的方法转换到[0,1]的范围；其中，Xnorm为归一化后的数据，X为原始数据，Xmax和Xmin分别为原始数据集的最大值和最小值；步骤2.2，将归一化后的数据进行缺失值的填补，选取整幅图像的实际深度Z维度值和发射声波I维度值，分别计算两个维度值的平均值作为填补的值，由于图像在X,Y方向是均匀分布的，然后，将待补点的X,Y值按图像分布进行填补。3.如权利要求1所述的基于分形理论的孤立森林水下人工目标检测方法，其特征在于，所述步骤3中计算分形维数的过程如下：步骤3.1，采用3×3的滑动窗口，将预处理后的图像数据分为多个小区域，每次移动一个数据点的距离计算每个小区域的分形维数；步骤3.2，采用差分盒计算每个区域的分形维数，具体过程如下：(a)对于一幅M×M的图像，将其看做三维空间的一个曲面，定义长为M，宽为M，高为L，其中，L为图像的像素级数，一般取L＝256；(b)将其所在的M×M的平面分为R×R大小的网格，在高度L这个坐标方向进行相同的划分，划分的单位为R*L/M，从而得到长宽方向和高度方向的划分“次数”相同；(c)在被划分成的每个R×R个网格内，找出最大像素...

【专利技术属性】
技术研发人员：金海燕，田玉泉，肖照林，蔡磊，李秀秀，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西,61