一种基于扩散映射的侧扫声呐图像目标非监督探测方法技术

本发明专利技术公开了一种基于扩散映射的侧扫声呐(Side Scan Sonar,SSS)图像目标非监督探测方法，包括：计算SSS图像的灰度直方图，统计得到其第一个波峰的灰度g，将SSS图像中灰度小于g的像素的位置标记为阴影区域，并记录阴影的位置；构建高斯金字塔图像(Gl)

An unsupervised detection method for side scan sonar image target based on diffusion mapping

The invention discloses a diffusion map based on the side scan sonar (Side Scan Sonar, SSS) unsupervised image target detection method, including: SSS image histogram calculation, statistics obtained its first peak intensity g, SSS image intensity less than g pixel position marker for shadow region, and record the position of the shadow; construction of Pyramid Gauss image (Gl)

【技术实现步骤摘要】
一种基于扩散映射的侧扫声呐图像目标非监督探测方法
本专利技术涉及侧扫声呐
，具体是一种基于扩散映射的侧扫声呐图像目标非监督探测方法。
技术介绍
侧扫声呐(SideScanSonar,SSS)图像在似雷物体、海底冷泉等水下目标的探测和识别方面具有重要的应用价值。基于时域Ping断面数据可实现目标探测，但精度受复杂海洋噪声影响显著；基于空域图像数据的目标探测方法主要有两种：基于监督学习的方法，其通过提取已知图像库中参考图像目标的形状、纹理、灰度等特征，通过构建分类识别模型实现待检测图像中目标的探测。侧扫声呐作为一种水下声学设备，应用于复杂变化的海洋环境中，决定了没有足够的专家图像库可供选择，且将不同海况下得到的图像提取目标特征用于陌生海况进行目标探测时精度难以保证；基于非监督学习的方法，通常需借助一定的数学模型，这些模型应用于数据量大的侧扫声呐图像时，往往存在计算效率不高的缺陷，因此很多情况下，在保证目标与背景有足够分离度的基础上需要先对原始数据进行降维操作。扩散映射(DiffusionMap)作为流形(Manifolds)学习算法的一种，是一种非线性的数据降维方法，可以有效降低图像数据维数；而扩散映射下定义的扩散距离为寻找数据中有意义的几何结构提供了一种有效的方法，为侧扫声呐图像中异常区域(目标)的探测提供了一种新思路。
技术实现思路
本专利技术的目的在于提供一种基于扩散映射的侧扫声呐图像目标非监督探测方法，以解决上述
技术介绍
中提出的问题。为实现上述目的，本专利技术提供如下技术方案：一种基于扩散映射的侧扫声呐图像目标非监督探测方法，包括以下步骤：第一步：计算SSS图像的灰度直方图，统计得到其第一个波峰的灰度g，将SSS图像中灰度小于g的像素的位置标记为阴影区域，并记录阴影的位置；第二步：构建高斯金字塔图像(Gl)Ll＝0，其中G0为原始SSS图像；随机采样时，忽略阴影区域的像素；在低尺度的金字塔图像采用较高的采样率，而在高尺度的金字塔图像采用较低的采样率；第三步：对采样数据进行扩散映射计算，得到采样数据的扩散坐标及其特征向量；第四步：应用第三步的特征向量根据数据扩展方法将采样数据扩展至原始数据，得到原始数据的扩散坐标Y；第五步：再计算扩散坐标Y的扩散距离D；第六步：根据扩散距离D在SSS图像的像素邻域内计算目标得分，目标得分的公式如下：式中，dposition为欧几里得距离，D为扩散距离，σk为D的k近邻个值的方差；根据目标得分c给定一个阈值τl，实现目标探测；当l>0时，τl取目标得分95％的置信区间；当l＝0时，取一硬阈值τ对探测结果进行平滑处理；第七步：当l<L时，对每层SSS图像重复第二步-第六步；当l＝0时，输出目标探测结果。作为本专利技术进一步的方案：第三步中，扩散映射计算中包括权矩阵的计算，权矩阵由高斯函数得到：W(xi,xj)＝exp(-||xi-xj||2/δ2)式中δ为尺度参数，距离||xi-xj||采用欧几里得距离，xi,xj为数据集合X的行向量。作为本专利技术进一步的方案：第四步中，数据扩展方法采用Nystrom扩展方法。作为本专利技术进一步的方案：第五步中，扩散距离D的计算公式为：式中：为当X为有限集的情况下对转移概率P进行特征分解，得到正交的右特征向量，λj为正特征值序列。与现有技术相比，本专利技术的有益效果是：本专利技术提出了一种基于扩散映射的侧扫声呐图像目标非监督探测方法。顾及扩散映射计算效率低的缺陷，通过构建高斯金字塔图像，对每层SSS图像随机采样进行扩散映射计算，提高了计算效率；通过扩散距离定义邻域内目标得分，有效实现了侧扫声呐图像中目标的探测。考虑到侧扫声呐图像存在阴影的特点，首先对阴影进行单阈值简单探测，随机采样时不考虑阴影位置，提高了目标探测的精度；且通过多层SSS图像的探测弥补了随机采样可能造成目标探测失败的缺陷。试验验证了方法的有效性，为侧扫声呐图像提供了一种新的非监督探测方法。附图说明图1是基于扩散映射的侧扫声呐图像目标探测流程图；图2：(A)单目标声呐图像，(B)扩散坐标前三维数据图像显示；图3是扩散坐标前三维数据成图；图4是平滑前后的目标得分情况图；图5是目标及其阴影的最终探测结果图；图6是顾及阴影位置的目标得分及探测结果图；图7是不顾及阴影的目标得分及目标探测结果图；图8是顾及阴影的目标得分及多目标探测结果图；图9是沙坡纹理中声呐图像目标探测结果图。具体实施方式下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例11：扩散映射基本原理扩散映射的框架来源于动力系统。在数据图上定义一个Markov随机游走，通过若干时间步长的随机游走，得到数据点之间接近度的一种度量关系，有了这种度量，可定义扩散距离，且在数据的低维表示中，扩散距离也能得到保留。如果令X＝(x1,x2,...,xn)为n组高维的数据集合，可构建权重矩阵来度量相邻两个数据结点之间的相似性，标准的扩散映射算法中，权矩阵由高斯函数得到：W(xi,xj)＝exp(-||xi-xj||2/δ2)式(1)式(1)中δ为尺度参数，距离||xi-xj||可采用欧几里得距离，xi,xj为数据集合X的行向量。对X构建一个核映射K：X×X→R，该映射满足Kij＝Kji，且Kij≧0，如果基于W构造K＝WTW，可知核映射K满足前述两个条件。若将(X，K)视为一个图，那么根据核映射K的性质，可以构造出数据集合X上的一个马尔科夫(Markov)链，如此引入几个概念和符号。(1)数据点x的度它呈现了数据点x的“局部信息”。(2)转移概率P(x,y)＝K(x,y)/d(x)式(3)此时转移概率P(x,y)为一个正矩阵，但不满足对称的性质。但其满足：如此构建得到了数据集合X上的一个Markov链，其包含了原始数据集的局部几何信息，转移概率P(x,y)反映了数据从一个点运动到另一个点的概率，可定义Pt(x,y)为第t次转移概率。该Markov链有一个重要的性质，即其为可逆矩阵，这个性质决定了，当X为有限集的情况下对P进行特征分解，可得到正交的左、右特征向量ψj、同时可得到正特征值序列：λ0≥λ1≥λ2≥...，则第t次获得的Markov链可表示为:l为特征值个数；由于λ0为一常数，根据Mishne等(2014)的研究可将扩散映射表示为，(3)扩散距离针对扩散映射可以定义扩散距离：式(6)中pt(x,y)是Pt中的元素，z为数据集合X中的数据；Dt(x,y)为在给定时刻t、数据(x,y)之间的扩散距离。它反映了数据(x,y)间的局部结构，更为重要的是它从宏观上给出了数据(x,y)之间的联系，如果数据(x,y)与很多短边相连接，那么，直观上它们之间的距离也应该很小；这个距离包括了衔接数据(x,y)的所有路径，所以其抗干扰能力很强，一个点的微小扰动对距离的改变不大。根据扩散映射后得到的扩散坐标，Dt(x,y)可以按下式计算：根据前述基本原理，可以将图像数据降维得到扩散坐标，解决侧扫声呐图像数据量大而导致目标探测效率低的缺陷；将扩散距离本文档来自技高网...

【技术保护点】
一种基于扩散映射的侧扫声呐图像目标非监督探测方法，其特征在于，包括以下步骤：第一步：计算SSS图像的灰度直方图，统计得到其第一个波峰的灰度g，将SSS图像中灰度小于g的像素的位置标记为阴影区域，并记录阴影的位置；第二步：构建高斯金字塔图像(Gl)

【技术特征摘要】
1.一种基于扩散映射的侧扫声呐图像目标非监督探测方法，其特征在于，包括以下步骤：第一步：计算SSS图像的灰度直方图，统计得到其第一个波峰的灰度g，将SSS图像中灰度小于g的像素的位置标记为阴影区域，并记录阴影的位置；第二步：构建高斯金字塔图像(Gl)Ll＝0，其中G0为原始SSS图像；随机采样时，忽略阴影区域的像素；在低尺度的金字塔图像采用较高的采样率，而在高尺度的金字塔图像采用较低的采样率；第三步：对采样数据进行扩散映射计算，得到采样数据的扩散坐标及其特征向量；第四步：应用第三步的特征向量根据数据扩展方法将采样数据扩展至原始数据，得到原始数据的扩散坐标Y；第五步：再计算扩散坐标Y的扩散距离D；第六步：根据扩散距离D在SSS图像的像素邻域内计算目标得分，目标得分的公式如下：式中，dposition为欧几里得距离，D为扩散距离...

【专利技术属性】
技术研发人员：王晓，蒋廷臣，石娟，杨毅，
申请(专利权)人：淮海工学院，
类型：发明
国别省市：江苏,32