一种基于三维声纳的网箱鱼群密度估计方法技术

本发明专利技术属于水声图像处理领域，公开了一种三维声纳的网箱鱼群密度估计方法，包含距离维滑动平均，背景估计，门限处理，初始化类中心，类中心合并，密度估计共八个步骤：首先，获取三维声纳数据；接着，进行距离维滑动平均，去除杂波点；然后，对声学图像进行背景估计；然后，进行门限处理，去除背景噪声；然后，门限处理后的每个数据点初始化为一个类；然后，使用层次聚类进行类的合并，直至距离最近的两个类的类中心距离大于设定的阈值；最后，根据声学图像覆盖的体积及类个数估计鱼的密度。本发明专利技术不管在清澈水域还是浑浊水域，在鱼群密度不是很大时，均可实现鱼群密度估计。均可实现鱼群密度估计。均可实现鱼群密度估计。

【技术实现步骤摘要】
一种基于三维声纳的网箱鱼群密度估计方法

：
[0001]本专利技术属于水声图像处理
，具体涉及一种基于三维声纳的网箱鱼群密度估计方法。

技术介绍
：
[0002]对于渔业养殖户来讲，掌握网箱中的鱼群数量，鱼的体长，重量非常重要，可以以此判断饵料的投喂量，以及鱼群是否从网箱中逃走，因此随时掌握网箱中的鱼群密度可有效降低养殖成本，降低养殖户风险。
[0003]养殖企业在湖泊或近海中放入网箱，网箱由骨架和网衣组成，以防止鱼群逃出网箱，又能使用流动的水资源，网箱养殖是一种经济，高效，环保的新型养殖方式。但是由于网箱位于水下，网箱中鱼的生长情况很难掌握。传统的方法可以在网箱内安装视频监控，监测网箱中的鱼群，但是对很多水域，例如我国的东海海域，水体浑浊，能见度低，光学视频无法达到目的。

技术实现思路
：
[0004]本专利技术所要解决的技术问题是，提供一种基于三维声纳的网箱鱼群密度估计方法，在网箱内部安装主动声纳，接收声纳回波，经过信号处理形成三维声学图像，针对声学图像进行鱼群密度估计。由于一台声纳只能覆盖一定的区域，所以密度估计的结果是声纳覆盖区域的密度，由此可估计整个网箱的鱼量。
[0005]本专利技术的技术解决方案是，提供一种基于三维声纳的网箱鱼群密度估计方法，其包含距离维滑动平均，背景估计，门限处理，初始化类中心，类中心合并，密度估计共八个步骤：首先，获取三维声纳数据；接着，进行距离维滑动平均，去除杂波点；然后，对声学图像进行背景估计；然后，进行门限处理，去除背景噪声；然后，门限处理后的每个数据点初始化为一个类；然后，使用层次聚类进行类的合并，直至距离最近的两个类的类中心距离大于设定的阈值；最后，根据声学图像覆盖的体积及类个数估计鱼的密度。
[0006]具体的，该方法包括以下步骤，
[0007]步骤一：获取三维声纳数据，三维声学数据存储于三维矩阵img(m,m,n)中，其中m为波束号，n为距离点数；
[0008]步骤二：在距离方向进行滑动平均处理，得到三维矩阵img_avg(m,m,n)，并去除噪点的影响；
[0009]步骤三：依据平滑后的三维矩阵img_avg(m,m,n)，进行三维声学图像背景估计，得到背景向量img_background(n)；
[0010]步骤四：使用背景向量img_background(n)和系数scalar的乘积作为门限，对三维矩阵img_avg(m,m,n)进行门限处理，得到门限处理后的三维矩阵img_gate(m,m,n)，其中系数scalar是一个经验值；
[0011]步骤五：初始化聚类需要的类中心，针对三维矩阵img_gate(m,m,n)中的每个大于
零的数据点，设为一个类C
n
，其中n为类的序号；
[0012]步骤六：计算任意两个类的类中心距离，找出距离最近的两个类，以及合并这两个类；
[0013]步骤七：重复步骤六，直至最近的两个类的距离大于设定的阈值dist_gate，算法终止，转向步骤八；
[0014]步骤八：根据声纳的覆盖体积和步骤七中的类别数量估计鱼群密度。
[0015]作为优选，步骤二中，在距离方向进行滑动平均处理，三维矩阵共m*m个波束，每个波束n个距离维数据点，针对n个数据点，采用N点滑动平均处理，其中N为滑窗的大小，每次滑动一个数据点，从而得到三维矩阵img_avg(m,m,n)。
[0016]作为优选，步骤五中，
[0017]初始化聚类需要的类中心，针对三维矩阵img_gate(m,m,n)中的每个大于零的数据点，设为一个类C
n
(i,j,k),其中n为类的序号，i,j,k为类中心的坐标。
[0018]作为优选，步骤六中，
[0019]计算任意两个类的类中心距离，距离的计算采用欧式距离，找出距离最近的两个类，合并这两个类，假定要合并的两个类为C
n1
(i1,j1,k1)和C
n2
(i2,j2,k2)，合并后新类的类中心为两个类中心的平均值，为C
n3
((i1+i2)/2,(j1+j2)/2,(k1+k2)/2)。
[0020]然后再步骤七中，重复步骤六，直至距离最近的两个类的距离大于设定的阈值dist_gate，此时类的数量为C_num，转向步骤八
[0021]进一步的，步骤八鱼群密度估计的具体操作如下，
[0022]三维声纳覆盖的区域为锥形区域，计算锥形区域的体积V，根据体积V和类别数量C_num估计鱼群密度＝C_num/V。
[0023]采用以上方案后与现有技术相比，本专利技术具有以下优点：
[0024]通过本专利技术的方法，不管在清澈水域还是浑浊水域，在鱼群密度不是很大时，均可实现鱼群密度估计。
附图说明：
[0025]图1为本专利技术鱼群密度估计的实施流程图。
具体实施方式：
[0026]下面结合附图就具体实施方式对本专利技术作进一步说明：
[0027]如图1所示，本专利技术提供的鱼群逃逸报警方法包括按顺序进行的下列步骤：
[0028]步骤一：获取三维声纳数据，三维声学数据存储于三维矩阵img(m,m,n)中，其中m为波束号，n距离点数。
[0029]步骤二：在距离方向进行滑动平均处理，三维矩阵共m*m个波束，每个波束n个距离维数据点，针对n个数据点，采用N点滑动平均处理，其中N为滑窗的大小，每次滑动一个数据点，得到三维矩阵img_avg(m,m,n)。
[0030]步骤三：三维声学图像背景估计。平滑后的三维矩阵img_avg(m,m,n)共有m*m*n个数据点，针对任意一个距离维，共有m*m个数据点，使用这m*m个数据点的中值作为背景值，得到背景向量img_background(n)。
[0031]img_background(n)＝median(img_avg(1:m,1:m,n))
ꢀꢀ
(1)
[0032]步骤四：使用背景向量img_background(n)和系数scalar的乘积作为门限，对三维矩阵img_avg(m,m,n)进行门限处理，得到门限处理后的三维矩阵img_gate(m,m,n)，其中系数scalar是一个经验值。
[0033][0034]步骤五：初始化聚类需要的类中心，针对三维矩阵img_gate(m,m,n)中的每个大于零的数据点，设为一个类C
n
(i,j,k),其中n为类的序号，i,j,k为类中心的坐标。
[0035]步骤六：计算任意两个类的类中心距离，距离的计算采用欧式距离，找出距离最近的两个类，合并这两个类，假定要合并的两个类为C
n1
(i1,j1,k1)和C
n2
(i2,j2,k2)，合并后新类的类中心为两个类中心的平均值，为C
n3
((i1+i2)/2,(j1+j2)/2,(k1+k2)/2)。
[0036]步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维声纳的网箱鱼群密度估计方法,其特征在于：该方法包括以下步骤，步骤一：获取三维声纳数据，三维声学数据存储于三维矩阵img(m,m,n)中，其中m为波束号，n为距离点数；步骤二：在距离方向进行滑动平均处理，得到三维矩阵img_avg(m,m,n)，并去除噪点的影响；步骤三：依据平滑后的三维矩阵img_avg(m,m,n)，进行三维声学图像背景估计，得到背景向量img_background(n)；步骤四：使用背景向量img_background(n)和系数scalar的乘积作为门限，对三维矩阵img_avg(m,m,n)进行门限处理，得到门限处理后的三维矩阵img_gate(m,m,n)，其中系数scalar是一个经验值；步骤五：初始化聚类需要的类中心，针对三维矩阵img_gate(m,m,n)中的每个大于零的数据点，设为一个类C
n
，其中n为类的序号；步骤六：计算任意两个类的类中心距离，找出距离最近的两个类，以及合并这两个类；步骤七：重复步骤六，直至最近的两个类的距离大于设定的阈值dist_gate，转向步骤八；步骤八：根据声纳的覆盖体积和步骤七中的类别数量估计鱼群密度。2.根据权利要求1所述的基于三维声纳的网箱鱼群密度估计方法，其特征在于：步骤二中，在距离方向进行滑动平均处理，三维矩阵共m*m个波束，每个波束n个距离维数据点，针对n个数据点，采用N点滑动平均处理，其中N为滑窗的大小，每次滑动一个数据点，从而得到三维矩阵img_avg(m,m,n)。3.根据权利要求1所述的基于三维声纳的网箱鱼群密度估计方法，其特征在于：步骤三中的三维声学数据背景估计具体操作如下，平滑后的三维矩阵img_avg(m,m,n)共有m*m*n个数据点，针对任意一个距离维，共有m*m个数据点，使用这m*m个数据点的中值作为背景值，得到背景向量i...

【专利技术属性】
技术研发人员：王慧文，许钢灿，
申请(专利权)人：中国船舶集团有限公司第七一五研究所，
类型：发明
国别省市：