深度学习和图像处理结合的侧扫声呐海底高程探测方法技术

本发明专利技术属于海洋测绘技术领域，公开了深度学习和图像处理结合的侧扫声呐海底高程探测方法。本发明专利技术首先利用Unet深度学习网络对侧扫声呐源条带图像进行海底和非海底的分类，然后在分割的基础上，应用滤波、梯度模板匹配、对称性校核等图像处理方法，将难以在Unet深度学习网络中表达出来的海底边界的梯度特征、对称性等先验信息在后续的图像处理方法中加以利用，从而结合深度学习和图像处理的优点，实现准确、可靠地识别海底线，进而测量海底高程。进而测量海底高程。进而测量海底高程。

【技术实现步骤摘要】
深度学习和图像处理结合的侧扫声呐海底高程探测方法


[0001]本专利技术属于海洋测绘
，更具体地，涉及一种深度学习和图像处理结合的侧扫声呐海底高程探测方法。

技术介绍

[0002]侧扫声呐是水下探测和海洋调查的主要设备之一，在高分辨率、高测绘效率、低成本方面有不可替代的综合优势，并被广泛使用。常规侧扫声呐只按时间顺序记录发射声波的后向散射声波强度，然后依据目标斜距和测量高程计算平距，从而获取水底地貌图像。可见侧扫声呐的每个测量位置下方水底高程的测量精度，直接决定了地貌图像每个断面各点的位置精度，从而决定了地貌图像的准确性。侧扫声呐发射的声波通常会经过一段距离的水体，到达海底后反射回波，回波强度反映水底特征，记录回波强度序列即可得到当前断面的水底特征；声呐平台在行进过程中不断记录回波后向散射强度，即可由线及面的得到水底地貌条带图像，且图像特征为：由中心点开始向两侧后向散射强度在海底处存在较为明显的、由弱到强的梯度变化。
[0003]现有的侧扫声呐海底高程的测量方法利用梯度变化或手动方式标记海底线，或通过设置回波强度阈值的方式，从侧扫声呐图像中提取海底线，进而计算海底高程。但手动标记方法耗时耗力，测量效率和成本都不满足大范围海洋调查的应用需求。阈值或梯度变化检测等方法容易受海面回波或水体杂散目标回波影响，难以实现准确可靠的自动化探测结果。

技术实现思路

[0004]本专利技术通过提供一种深度学习和图像处理结合的侧扫声呐海底高程探测方法，解决现有技术中侧扫声呐海底高程的测量效率较低、准确性较低的问题。
[0005]本专利技术提供一种深度学习和图像处理结合的侧扫声呐海底高程探测方法，包括以下步骤：
[0006]步骤1、获得侧扫声呐源条带图像；
[0007]步骤2、将所述侧扫声呐源条带图像输入至训练好的Unet深度学习网络，所述训练好的Unet深度学习网络输出分割图像，所述分割图像将所述侧扫声呐源条带图像中的像素分类标记为海底区域和非海底区域；
[0008]步骤3、对所述分割图像进行滤波，滤除干扰团；
[0009]步骤4、利用海底线跟踪的ping数据匹配模板与滤波后的分割图像的右舷区域、左舷区域分别逐ping作相关处理，得到右舷海底位置和左舷海底位置；
[0010]步骤5、对所述右舷海底位置、所述左舷海底位置进行对称性校验和海底重定位，得到右舷海底线、左舷海底线；
[0011]步骤6、基于所述右舷海底线和所述左舷海底线，计算得到海底高程。
[0012]优选的，所述步骤1中，所述侧扫声呐源条带图像由利用二维侧扫声呐测量平台获
取的左舷条带图像和右舷条带图像拼接而成，所述侧扫声呐源条带图像的中线表示侧扫声呐探测声源的发射起点。
[0013]优选的，所述步骤2中，包括构建Unet深度学习网络和数据集；所述数据集基于实测的若干侧扫声呐源条带图像，结合图像处理和手动复核校正形成，所述数据集包括训练集和验证集；基于所述训练集、所述验证集对构建的所述Unet深度学习网络进行训练、验证，得到所述训练好的Unet深度学习网络。
[0014]优选的，所述数据集还包括测试集，基于所述测试集的海底线位置真值结果对得到的所述右舷海底线和所述左舷海底线的检测结果进行评价。
[0015]优选的，所述Unet深度学习网络首先进行两次3
×
3的卷积操作，激活函数为ReLU函数，然后进行一次最大池化的下采样操作，使图像尺寸减半，并增加特征维数；将上述操作重复4次，图像尺寸减半4次，特征维数增加4次，构成特征提取网络，将高分辨率图像编码成为高维低分辨率图像特征；
[0016]将所述高维低分辨率图像特征通过一次上采样，再经过两次3
×
3的卷积操作，使图像尺寸翻倍，特征降维；将上述特征与对应的编码层输出特征进行拼接，将浅层特征和深层特征进行融合；将上述的上采样、卷积、拼接操作过程重复4次，得到一个与输入图像尺寸相同的分类预测结果。
[0017]优选的，所述步骤3中，利用检测连通域的像素个数计算所述分割图像中封闭团和簇状区域面积，将小区域的干扰团去除。
[0018]优选的，所述步骤4中，所述海底线跟踪的ping数据匹配模板包括第一匹配模板和第二匹配模板，所述第一匹配模板记为Tr＝[0,0,1,1,1,1]，所述第二匹配模板记为Tl＝[1,1,1,1,0,0]；
[0019]所述第一匹配模板与滤波后的分割图像的右舷区域逐ping作相关处理，得到右舷相关值序列Rr
i
，i为ping序号；从所述右舷相关值序列Rr
i
中找出第i个ping中的最大相关值，该最大值所在的位置为第i个ping的右舷海底分界点位置，将第i个ping的右舷海底分界点位置与侧扫声呐源条带图像中线的像素距离作为第i个ping的右舷海底像素距离并记作Br
i
，所有ping的右舷海底位置像素距离序列记作Br；
[0020]所述第二匹配模板与滤波后的分割图像的左舷区域逐ping作相关处理，得到左舷相关值序列Rl
i
，i为ping序号；从所述左舷相关值序列Rl
i
中找出第i个ping中的最大相关值，该最大值所在的位置为第i个ping的左舷海底分界点位置，将第i个ping的左舷海底分界点位置与侧扫声呐源条带图像中线的像素距离作为第i个ping的左舷海底像素距离并记作Bl
i
，所有ping的左舷海底位置像素距离序列记作Bl。
[0021]优选的，所述步骤5中，所述对称性校验的具体实现方式如下：对所有ping进行左右舷的对称性校验，针对第i个ping，判断是否满足|Bl
i
–
Br
i
|>T0，其中T0为对称性阈值；满足该式的ping被认为不满足对称性假设，需要进行海底重定位。
[0022]优选的，所述海底重定位的具体实现方式如下：
[0023]对不满足对称性假设的每ping数据，以声源的发射起点为中心，以该ping左舷海底像素距离Bl
i
为基准，找到其右舷对称点P(i,j)，使其海底像素距离j＝Bl
i
；在P(i,j)点的长度为L+1的子区域[Ps(i,j
‑
L/2):Pe(i,j+L/2)]中，找出所述右舷相关值序列Rr
i
最大的点，将该点的海底像素距离记作Br
i
’
，以|Bl
i
–
Br
i
’
|表征以左舷为基准时两者的对称性偏差
程度；
[0024]以声源的发射起点为中心，以该ping右舷的海底像素距离Br
i
为基准，找到其左舷对称点，并在其长度为L+1的子区域中找出所述左舷相关值序列Rl
i
最大的点，将该点的海底像素距离记作Bl
i
’
，以|B本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，包括以下步骤：步骤1、获得侧扫声呐源条带图像；步骤2、将所述侧扫声呐源条带图像输入至训练好的Unet深度学习网络，所述训练好的Unet深度学习网络输出分割图像，所述分割图像将所述侧扫声呐源条带图像中的像素分类标记为海底区域和非海底区域；步骤3、对所述分割图像进行滤波，滤除干扰团；步骤4、利用海底线跟踪的ping数据匹配模板与滤波后的分割图像的右舷区域、左舷区域分别逐ping作相关处理，得到右舷海底位置和左舷海底位置；步骤5、对所述右舷海底位置、所述左舷海底位置进行对称性校验和海底重定位，得到右舷海底线、左舷海底线；步骤6、基于所述右舷海底线和所述左舷海底线，计算得到海底高程。2.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述步骤1中，所述侧扫声呐源条带图像由利用二维侧扫声呐测量平台获取的左舷条带图像和右舷条带图像拼接而成，所述侧扫声呐源条带图像的中线表示侧扫声呐探测声源的发射起点。3.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述步骤2中，包括构建Unet深度学习网络和数据集；所述数据集基于实测的若干侧扫声呐源条带图像，结合图像处理和手动复核校正形成，所述数据集包括训练集和验证集；基于所述训练集、所述验证集对构建的所述Unet深度学习网络进行训练、验证，得到所述训练好的Unet深度学习网络。4.根据权利要求3所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述数据集还包括测试集，基于所述测试集的海底线位置真值结果对得到的所述右舷海底线和所述左舷海底线的检测结果进行评价。5.根据权利要求3所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述Unet深度学习网络首先进行两次3
×
3的卷积操作，激活函数为ReLU函数，然后进行一次最大池化的下采样操作，使图像尺寸减半，并增加特征维数；将上述操作重复4次，图像尺寸减半4次，特征维数增加4次，构成特征提取网络，将高分辨率图像编码成为高维低分辨率图像特征；将所述高维低分辨率图像特征通过一次上采样，再经过两次3
×
3的卷积操作，使图像尺寸翻倍，特征降维；将上述特征与对应的编码层输出特征进行拼接，将浅层特征和深层特征进行融合；将上述的上采样、卷积、拼接操作过程重复4次，得到一个与输入图像尺寸相同的分类预测结果。6.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述步骤3中，利用检测连通域的像素个数计算所述分割图像中封闭团和簇状区域面积，将小区域的干扰团去除。7.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法，其特征在于，所述步骤4中，所述海底线跟踪的ping数据匹配模板包括第一匹配模板和第二匹配模板，所述第一匹配模板记为Tr＝[0,0,1,1,1,1]，所述第二匹配模板记为Tl＝[1,1,1,
1,0,0]；所述第一匹配模板与滤波后的分割图像的右舷区域逐ping作相关处理，得到右舷相关值序列Rr
i
，i为ping序号；从所述右舷相关值序列Rr
i
中找出第i个ping中的最大相关值，该最大值所在的位置为第i个ping的右舷海底分界点位置，将第i个ping的右舷海底分界点位置与侧扫声呐源条带图像中线的像素距离作为第i个ping的右舷海底像素距离并记作Br
i
，所有ping的右舷海底位置像素距离序列记作Br；所述第二匹配模...

【专利技术属性】
技术研发人员：陶维亮，
申请(专利权)人：武汉大学，
类型：发明
国别省市：