复杂背景下声纳图像的水下小目标检测方法及系统技术方案

本发明专利技术公开了复杂背景下声纳图像的水下小目标检测方法及系统，该方法包括：采取多级中值滤波方法对采集的声纳图像进行去噪处理；对去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；对去噪后的声纳图像进行高阶矩图像分割，并结合复杂地貌掩膜处理结果，进行背景抑制；采用三种不同尺寸的检测窗对处理后的连通域进行聚类，实现对分裂目标的关联和山脊地貌的抑制；提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。该方法不受海底地貌限制，根据要求的虚警率和实际的声图强度自适应调整阈值，具有准确率高、虚警率低、适应性强的特点。应性强的特点。应性强的特点。

【技术实现步骤摘要】
复杂背景下声纳图像的水下小目标检测方法及系统


[0001]本专利技术涉及水下目标检测领域，特别是涉及复杂背景下声纳图像的水下小目标检测方法及系统。

技术介绍

[0002]水下目标检测技术的研究是水声领域的难点问题，对于水下目标探测、沉船沉物打捞等应用尤为关键。与其他水下探测设备相比，高分辨率成像声纳具有效率高、分辨率高和探测距离远等显著优点，是水下静止小目标检测和识别的主要手段。
[0003]然而，当前成像声纳的水下目标检测存在虚警高、准确率低问题。存在该问题的主要原因：1)复杂的地貌。海底除了平坦泥沙外，还存在山脊、斜坡、垄沟、裂缝等地貌，而且同一区域可能存在多种地貌形式；2)声图分辨率低、噪声大。由于声波波长和目标尺度较接近，使得声纳图像分辨率较低，且纹理信息少；受到多途、混响等现象以及介质本身的随机性、反射和散射等参数变化影响，造成声纳图像含有比光学图像更多的噪声；由于运动误差影响，高亮区域变长，与真实尺寸有较大差异，且声图中阴影较弱或消失；3)有标签的目标样本少。由于采集成本高、军事保密性及水下环境复杂，使得原始声图目标样本获得不容易，甚至有些目标没有样本。同时，目标标注困难，即使是合作目标准确标注也不容易，这就使得目标样本少，且目标类间分布不均衡。
[0004]通常，经典的声图水下目标检测算法使用精心设计的滑动窗实现大范围目标搜索，再借助高亮和阴影的形状轮廓统计特征进行检测。然而当声纳图像模糊，声图中目标尺寸与实际尺寸相差较大时，易发生漏检；近些年来，深度学习依靠其优秀的自动特征提取能力大幅提升了目标检测的准确率，已有学者将深度学习技术引入到声纳图像的水下目标检测。但是，深度学习的优异性能是建立在复杂网络结构和大规模的标注数据集之上的。当有标签的声纳图像样本少时，实际场景与训练样本的差异造成误匹配而带来准确率下降和虚警率上升。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺陷，提出了复杂背景下声纳图像的水下小目标检测方法及系统。
[0006]为了实现上述目的，本专利技术提出了一种复杂背景下声纳图像的水下小目标检测方法，所述方法包括：
[0007]步骤1)采取多级中值滤波方法对采集的声纳图像进行去噪处理；
[0008]步骤2)对步骤1)去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；
[0009]步骤3)对步骤1)去噪后的声纳图像进行高阶矩图像分割，并结合步骤2)的复杂地貌掩膜处理结果，进行背景抑制；
[0010]步骤4)采用三种不同尺寸的检测窗对步骤3)处理后的连通域进行聚类，实现对分
裂目标的关联和山脊地貌的抑制；
[0011]步骤5)提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。
[0012]作为上述方法的一种改进，所述步骤1)包括：
[0013]对声纳图像进行去噪处理，遍历图像的每个像素，分别计算每个像素I(i,j)所在方位向和距离向的中值v，再计算I(i,j)所在角点的像素中值u，最后将I(i,j)、v和u三者的中值作为该像素的值，通过多级中值处理，以抑制噪声，并保留目标的边缘轮廓。
[0014]作为上述方法的一种改进，所述步骤2)包括：
[0015]步骤2
‑
1)利用积分图方法对步骤1)去噪后的声纳图像进行背景累积，得到累积图B(i,j)；
[0016]步骤2
‑
2)利用声图海底地貌服从瑞利分布的统计特性，根据要求的虚警率P
fa
计算阈值V
T
：
[0017][0018]其中，σ为瑞利分布的标准差，由下式得到阈值系数ρ：
[0019][0020]步骤2
‑
3)利用步骤2
‑
1)的累积图，进行大尺寸的滑窗处理，计算第k个滑窗内的声图平均值M(k)；当累积图B(i,j)＞M(k)
·
ρ，该像素属于高亮纹理图H
B
；当B(i,j)＞M(k)/ρ时，该像素属于阴影纹理图S
B
；
[0021]步骤2
‑
4)利用形态学算子，分别对高亮纹理图和阴影纹理图中的连通域进行“补洞”；再去除面积小于面积预设值S
max
，长或宽小于长度预设值L
max
的小目标连通域，并对连通域进行边缘平滑。
[0022]作为上述方法的一种改进，所述步骤3)包括：
[0023]步骤3
‑
1)对步骤1)去噪后的声纳图像进行幂指数变换；
[0024]步骤3
‑
2)确定幂指数变换后的图像G中任意像素(i,j)的邻域窗口Ω
i,j
，根据邻域窗口内均值计算该像素的峰度值HOG(i,j)：
[0025][0026]式中，S
i,j
表示邻域窗口内像素数目，(p,q)为邻域窗口Ω
i,j
内的像素坐标；
[0027]步骤3
‑
3)根据虚警率计算阈值系数ρ，通过对HOG(i,j)的判断，实现高亮和阴影的分割：
[0028]当峰度值HOG(i,j)小于ρ
·
η(p,q)时，该像素属于高亮区域图H
T
；
[0029]当峰度值HOG(i,j)大于η(p,q)/ρ时，该像素属于阴影区域图S
T
；
[0030]步骤3
‑
4)采用形态学算子，去除面积大于S
max
以及面积小于S
min
的区域，并进行边缘平滑处理；
[0031]步骤3
‑
5)通过高亮区域图H
T
，与步骤2)得到的高亮纹理图H
B
和阴影纹理图S
B
分别进行差分处理，实现背景抑制。
[0032]作为上述方法的一种改进，所述步骤4)包括：
[0033]步骤4
‑
1)统计高亮区域图H
T
中的各个连通域，并计算连通域的面积、中心位置及连通域外接矩形框；
[0034]步骤4
‑
2)联合统计高亮和阴影的像素密度，利用小检测窗判断相邻连通域是否关联；
[0035]步骤4
‑
3)利用中检测窗判断高密度区内连通域是否关联；
[0036]步骤4
‑
4)通过判断大检测窗内高密度区连通域的强度和方向角，对包括山脊和线缆距离较远、连通域不集中的区域进行关联。
[0037]作为上述方法的一种改进，所述步骤4
‑
2)包括：
[0038]按照连通域的中心位置进行排序，再扩充各个连通域外接矩形的上下左右各若干个像素，通过边框位置关系判断是否与相邻的连通域相交，从而判定是否关联。
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂背景下声纳图像的水下小目标检测方法，所述方法包括：步骤1)采取多级中值滤波方法对采集的声纳图像进行去噪处理；步骤2)对步骤1)去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；步骤3)对步骤1)去噪后的声纳图像进行高阶矩图像分割，并结合步骤2)的复杂地貌掩膜处理结果，进行背景抑制；步骤4)采用三种不同尺寸的检测窗对步骤3)处理后的连通域进行聚类，实现对分裂目标的关联和山脊地貌的抑制；步骤5)提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。2.根据权利要求1所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤1)包括：对声纳图像进行去噪处理，遍历图像的每个像素，分别计算每个像素I(i,j)所在方位向和距离向的中值v，再计算I(i,j)所在角点的像素中值u，最后将I(i,j)、v和u三者的中值作为该像素的值，通过多级中值处理，以抑制噪声，并保留目标的边缘轮廓。3.根据权利要求1所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤2)包括：步骤2
‑
1)利用积分图方法对步骤1)去噪后的声纳图像进行背景累积，得到累积图B(i,j)；步骤2
‑
2)利用声图海底地貌服从瑞利分布的统计特性，根据要求的虚警率P
fa
计算阈值V
T
：其中，σ为瑞利分布的标准差，由下式得到阈值系数ρ：步骤2
‑
3)利用步骤2
‑
1)的累积图，进行大尺寸的滑窗处理，计算第k个滑窗内的声图平均值M(k)；当累积图B(i,j)＞M(k)
·
ρ，该像素属于高亮纹理图H
B
；当B(i,j)＞M(k)/ρ时，该像素属于阴影纹理图S
B
；步骤2
‑
4)利用形态学算子，分别对高亮纹理图和阴影纹理图中的连通域进行“补洞”；再去除面积小于面积预设值S
max
，长或宽小于长度预设值L
max
的小目标连通域，并对连通域进行边缘平滑。4.根据权利要求3所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤3)包括：步骤3
‑
1)对步骤1)去噪后的声纳图像进行幂指数变换；步骤3
‑
2)确定幂指数变换后的图像G中任意像素(i,j)的邻域窗口Ω
i,j
，根据邻域窗口内均值计算该像素的峰度值HOG(i,j)：
式中，S
i,j
表示邻域窗口内像素数目，(p,q)为邻域窗口Ω
i,j
内的像素坐标；步骤3
‑
3)根据虚警率计算阈值系数ρ，通过对HOG(i,j)的判断，实现高亮和阴影的分割：当峰度值HOG(i,j)小于ρ
·
η(p,q)时，该像素属于高亮区域图H
T
；当峰度值HOG(i,j)大于η(p,q)/ρ时，该像素属于阴影区域图S
T
；步骤3
‑
4)采用形态学算子，去除面积大于S
max
以及面积小于S
min
的区域，并进行边缘平滑处理；步骤3
‑
5)通过高亮区域图H
T
，与步骤2)得到的高亮纹理图H
B
和阴影纹理图S
B
分别进行差分处理，实现背景抑制。5.根据权利要求4所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤4)包括：步骤4
‑
1)统计高亮区域图H
T
中的各个连通域，并计算连通域的面积、中心位置及连通域外接矩形框；步骤4
‑
2)联合统计高亮和阴影的像素密度，利用小检测窗判断相邻连通域是否关联；步骤4
‑
3)利用中检测窗判断高密度区内连通域是否关联；步骤4
‑
4)通过判断大检测窗内高密度区连通域的强度和方向角，对包括山脊和线缆距离较远、连通域不集中的区域进行关联。6.根据权利要求5所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤4
‑
2)包括：按照连通域的中心位置进行排序，再扩充各个连通域外接矩形的上下左右各若干个像素，通过边框位置关系判断是否与相邻的连通域相交，从而判定是否关联。7.根据权利要求6所述的复杂背景下声纳图像的水下小目标检测方法，其特征在于，所述步骤4
‑
3)包括：步骤4
‑3‑
1)将高亮区域图H
T
中的每个连通域看作一个点P
m
，点的位置是连通域的中心，...

【专利技术属性】
技术研发人员：刘正君，黄海宁，刘纪元，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：