基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法技术

本发明专利技术提出了一种基于压缩感知的声纳图像超分辨率重建跟踪和检测方法，基于现有的水下声纳图像目标追踪的方法，改进了传统的聚类方法和字典训练方法，利用斑点检测和视觉显著性检测结合的方式进行目标的跟踪和检测。该方法在字典训练方面更加精准，提高图像的分辨率。分步进行目标的跟踪，找到目标相对位置后，再进行显著性的检测，确保跟踪检测的实时性和准确性。

【技术实现步骤摘要】
基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法
：本专利技术涉及水下声纳图像目标跟踪和检测领域，具体地说，是一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。
技术介绍
：声波在海洋中传输的衰减不明显，在较低频率传播距离远，有很好的通信功能。声纳图像就是利用声波在海洋中传播反馈获得的图像信息。声纳图像被广泛应用到水下目标探测、定位与跟踪，因此声纳图像的研究对海底探索、水下目标探测等领域的发展来说意义重大。然而，水声成像取决于声波辐射的大小，目标的成像受环境的噪声影响较大，会出现严重的图像退化现象，为水下目标的研究带来不便。退化的声纳图像给水下目标跟踪和检测带来困难，为此常采用压缩感知的方法超分辨率重构声纳图像以期获得更好的探测效果。压缩感知字典学习算法通常采用k-means聚类算法等进行过完备字典训练，这种聚类算法主要思想是给定K值和K个初始类簇中心点的情况下，把每个点分到离其最近的类簇中心点所代表的类簇中所有点分配完毕之后，根据一个类簇内的所有点重新计算该类簇的中心点(取平均值)，然后再迭代的进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数。这一算法中最终聚类效果受K值的选取和初始类簇中心点的选取影响较大，并且只能用于凸数据集，应用范围有限。针对以上问题，该专利技术提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法，能够更加准确的进行目标的跟踪和检测。
技术实现思路
：为了实现上述目的，本专利技术提出一种基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法。本专利技术采取的技术方案是：基于HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，并采用组合方法完成超分辨率声纳图像目标的跟踪与检测，该方法包括以下步骤：1.采用HAOC重合聚类算法完成过完备字典训练，实现声纳图像超分辨率重建，完成目标的跟踪和检测。聚类原理：将每个特征样本进行领域标注，即将每个样本都添加一个领域，然后计算两个样本点中重合面积>阈值(这里阈值通常选取为样本密度的2/3)，则归为一类；统计初始分类中样本的个数，将小于3个样本的类删除，删除的是噪声类；最后形成K种类别。然后在同一类的样本中利用距离均值算法确定聚类中心，选取其中的任一一个样本点，计算其他样本点到该点的距离，通过计算每两个样本点的距离的平均值，求出最小平均值的点作为类别的中心点，作为以后目标追踪检测的参考点。2.采用组合方法完成超分辨率声纳图像目标的跟踪与检测为了更加精准时效的跟踪检测目标，首先采用简单等级要求斑点检测的方式进行粗寻找，找出目标所在的相对位置和区域；然后利用显著性检测对粗寻找到的目标区域进行精准检测，确保目标跟踪和检测的准确性。附图说明：图1是本专利技术基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的HAOC重合聚类算法字典训练示意图图2是本专利技术基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像重建过程图图3是本专利技术基于压缩感知的声纳图像超分辨率重建目标跟踪和检测方法的超分辨率图像追踪检测过程图具体实施方式：步骤一：初始化原图像参数，将原始图像的光滑、边缘、纹理成分分别αs、αe、αt，对应的利用离散光滑小波变换、非规则轮廓小波变换和小波光滑模型变换进行相应的处理，生成初始过完备字典；其中基于HAOC聚类算法的结构化字典训练的过程：(一)光滑成分的处理：(1)输入光滑成分经离散光滑小波变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半径；(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(Xj,Xk)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{Xj}，直到所有的样本对比完为止；(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；(6)区分出类别后，利用距离均值算法，确定类别的核心对象；方法：选取其中一个样本点作为基础核心对象，计算它距离每一个同类样本点的距离和d1。选取下一个点，计算该点到同类样本的距离和d2，用此方法分别计算出d3，d4......dn，比较出其中距离和最小的min{dt}对应的点作为最终的聚类中心用于过完备字典训练目标的追踪检测；(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ0∈Rn×Z，J＝1；(8)将字典ψs中的原子dj分到与聚类中心最相似的Z个聚类集合中，并通过对矩阵的第z列更新，其中，聚类集合可表示为：(9)根据原子索引d计算权重矩阵Ws、对角矩阵Cs及拉普拉斯矩阵Ls，并根据GOMP算法求出稀疏表示系数βs，最后更新字典ψs，其过程为：(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；(11)输出光滑成分对应的过完备字典ψs；(二)边缘成分处理：(1)输入边缘成分经非规则轮廓小波变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半径；(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(Xj,Xk)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{Xj}，直到所有的样本对比完为止；(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；(6)区分出类别后，利用距离均值算法，确定类别的核心对象；方法：选取其中一个样本点作为基础核心对象，计算它距离每一个同类样本点的距离和d1。选取下一个点，计算该点到同类样本的距离和d2，用此方法分别计算出d3，d4......dn，比较出其中距离和最小的min{dt}对应的点作为最终的聚类中心用于过完备字典训练目标的追踪检测；(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ0∈Rn×Z，J＝1；(8)将字典ψe中的原子dj分到与聚类中心最相似的Z个聚类集合中，并通过对矩阵的第z列更新，其中，聚类集合可表示为：(9)根据原子索引d计算权重矩阵We、对角矩阵Ce及拉普拉斯矩阵Le，并根据GOMP算法求出稀疏表示系数βe，最后更新字典ψs，其过程为：(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；(11)输出边缘成分对应的过完备字典ψe；(三)纹理成分处理：(1)输入纹理成分经小波纹理模型变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半本文档来自技高网...

【技术保护点】
1.一种基于压缩感知的声纳图像超分辨率追踪和检测方法，其特征在于包括以下步骤：步骤一：初始化原图像参数，进行字典训练，将原始图像的光滑、边缘、纹理成分αs、αe、αt，分别对应的利用离散光滑小波变换、非规则轮廓小波变换和小波纹理模型变换进行相应的处理，生成相应的初始过完备字典；(一)光滑成分的处理：(1)输入光滑成分经离散光滑小波变换生成的初始过完备字典

【技术特征摘要】
1.一种基于压缩感知的声纳图像超分辨率追踪和检测方法，其特征在于包括以下步骤：步骤一：初始化原图像参数，进行字典训练，将原始图像的光滑、边缘、纹理成分αs、αe、αt，分别对应的利用离散光滑小波变换、非规则轮廓小波变换和小波纹理模型变换进行相应的处理，生成相应的初始过完备字典；(一)光滑成分的处理：(1)输入光滑成分经离散光滑小波变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半径；(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(Xj,Xk)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{Xj}，直到所有的样本对比完为止；(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心用于过完备字典训练目标的追踪检测；(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ0∈Rn×Z，J＝1；(8)将字典ψs中的原子dj分到与聚类中心最相似的Z个聚类集合中，并通过对矩阵的第z列更新，其中，聚类集合可表示为：(9)根据原子索引d计算权重矩阵Ws、对角矩阵Cs及拉普拉斯矩阵Ls，并根据GOMP算法求出稀疏表示系数βs，最后更新字典ψs，其过程为：(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；(11)输出光滑成分对应的过完备字典ψs；(二)边缘成分处理：(1)输入边缘成分经非规则轮廓小波变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半径；(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(Xj,Xk)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{Xj}，直到所有的样本对比完为止；(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心用于过完备字典训练目标的追踪检测；(7)对参数进行初始化设置：设初始迭代的次数值n＝1，聚类中心矩阵μ0∈Rn×Z，J＝1；(8)将字典ψe中的原子dj分到与聚类中心最相似的Z个聚类集合中，并通过对矩阵的第z列更新，其中，聚类集合可表示为：(9)根据原子索引d计算权重矩阵We、对角矩阵Ce及拉普拉斯矩阵Le，并根据GOMP算法求出稀疏表示系数βe，最后更新字典ψs，其过程为：(10)n＝n+1；循环步骤(8)-(9)至满足停止条件；(11)输出边缘成分对应的过完备字典ψe；(三)纹理成分处理：(1)输入纹理成分经小波纹理模型变换生成的初始过完备字典(2)输入样本集D＝{X1,X2,X3,....Xn}，邻域半径参数r，重合面积的阈值MinS；(3)初始化每一个样本点集合，初始化聚类簇数k＝0，初始化访问样本集合Γ＝D，簇划分(4)按照下列算法进行类别划分：(a)为样本点Xj添加邻域半径；(b)计算每个样本点邻域的交叉重合的面积大小，与阈值做比较，将满足重合面积S(Xj,Xk)>MinS的对应的两个点归为一个核心样本集合Ω＝Ω∪{Xj}，直到所有的样本对比完为止；(5)按照步骤(3)，依次比照两两样本的领域重合面积，将重合面积大于阈值MinS的样本归为一类，将没有与其他样本重合的样本剔除，即剔除其中的噪声样本；(6)区分出类别后，利用距离均值算法，确定类别的核心对象，即最终的聚类中心用于过完备...

【专利技术属性】
技术研发人员：张铁海，徐志京，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海,31