【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。