本发明专利技术提供的是一种基于区域增长的侧扫声纳图像感兴趣区域提取方法。发明专利技术采用Ｌ－Ｇ算子获取侧扫声纳图像声影区的种子区域和利用邻域灰度均值获取侧扫声纳图像声反射区的种子区域，然后考虑像素点相对种子区域的相似度作为生长条件，通过区域生长分别获取声影区和声反射区的提取结果，从而获得侧扫声纳图像的感兴趣区域的提取。从处理结果看，该方法对侧扫声纳图像的感兴趣区域提取有较好的效果。
【技术实现步骤摘要】
本专利技术涉及的是一种数字图像处理方法。具体地说是一种侧扫声纳图像感兴趣区 域提取方法。
技术介绍
基于区域的侧扫声纳图像感兴趣区域提取是数字图像处理应用技术的重要内容 之一。在数字图像处理的应用领域中，提取侧扫声纳图像的感兴趣区域是后续目标识别与 分类处理、信息提取的前提。由于侧扫声纳图像自身特性，其感兴趣区域提取是数字图像处 理技术的难题之一。文献 均是有关侧扫声纳图像分割的算法，其中文献利用可变邻域 的局部方差来提取目标亮区，利用分形维数来提取目标阴影区，最后将目标亮区和目标阴 影区的提取结果融合，得到最终的分割结果；文献侧重讨论侧扫声纳图像中目标阴影 区的提取，利用模糊C均值聚类的方法实现了目标阴影区分割；文献运用动态轮廓和水 平集的方法实现侧扫声纳图像的分割。以上所查到的文献中均没有从区域增长的角度考虑侧扫声纳图像的分割，而该方 法在光学图像、红外图像和医学图像分割中有较多的应用。文献中的区域增长算法假设区域是具有相同群体均值和方差的连通像素的 集合。在进行增长时，不需要种子区域，因此需要从图像的第一个像素开始扫描，用新增像 素动态更新种子区域的均值和方差，根据设定的统计量门限自动的划分区域。文献中 提出的区域增长算法运用Harris corner detect theory自动检测生长种子，以提高分割 速度；其次针对图像和区域特征提取的不确定性，采用不确定理论中的云模型自动实现自 适应分割门限的选取。仿真证实了该方法能有效的提取目标和平滑的边界。文献中利 用相对统计特征来提取用于区域生长的种子，采用了基于模糊隶属度的区域生长方法，对 石块图像的分割有较好的效果。文献针对图像中目标的特点，选取图像中最大的像素 值作为相应的种子点，然后依据灰度相似性判决生长出目标区域，对红外图像由较好的效 果。文献中以子区域作为种子，采用区域像素平均距离作为区域一致性标准，实施区域 增长，能够较好抑制噪声，取得较好的分割结果。文献中的分割算法首先交互选择多个 不同区域的种子点，利用种子点的邻域构造训练样本，然后用已知的训练样本训练支持向 量分类器，最后用所得到的支持向量模型建立增长规则，且采用并行竞争增长策略，得到了 较好的分割效果。本专利技术涉及到的参考文献包括 Xingmei Wang ；Huanran Wang ；Xiufen Ye ；Lin Zhao ；Kejun Wang. A novelsegmentation algorithm for side-scan sonar imagery with multi-object. 2007 IEEEInternational Conference on Robotics and Biomimetics,ρ 2110-14,2007 ； Stitt, J. P. ；Tutwi 1 er, R. L. ；Lewi s , Α. S. Fuzzy c-means image segmentation of side-scansonar images. Proceedings of the IASTED InternationalConference Signal and ImageProcessing，ρ 27-32,2001 ；Lianantonakis, Μ. ；Petillot，Y. R. Sidescan sonar segmentation using active contours andlevel set methods. Oceans 2005—Europe，ρ 719—24 Vol. 1,2005.Haralick，Robert M.，Shapiro, Linda G. Computer Vision, Graphics，and ImageProcessing, ν 29，η l，p 100—132，Jan 1985 ；Weihong Cui, Zequn Guan, Zhiyi Zhang. An improved region growing algorithm forimage segmentation. 2008International Conference on Computer Science and SoftwareEngineering(CSSE 2008)，93-6，2008 ;杨强，吴中福，余萍.一个基于区域生长的石块图像分割系统.计算机科学， Vol. 31，No. 9,2004 ；李久贤，夏良正.基于区域生长的红外图像分割.南京理工大学学报，Vol. 26， Dec. 2002 ；张铭钧，历妍，杨杰.基于子区域生长的移动机器人视觉图像分割.北京理工 大学学报，Vol. 29，No. 7，Jul. 2009 ；胡正平，吴燕，张晔.基于支持向量学习的多目标并行区域增长图像分割算法 研究.系统仿真学报，Vol. 17 No. 11，Nov，2005。
技术实现思路
本专利技术的目的在于提供一种对侧扫声纳图像的感兴趣区域提取有较好的效果的 。本专利技术的目的是这样实现的本专利技术的包括如下步骤1.对原始图像进行预处理，滤波去噪，得到图像A ；2. L-G算子处理预处理后的图像，滤出所有结果为零的点，得到图像B;3.选出图像B面积最大的连通区域，在图像A中找到相应位置处的像素点作为侧 扫声纳图像声影区的种子，并且计算种子区域内的均值X和散度S2 ；4.对图像B中面积最大的连通区域进行膨胀运算；5.计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结 果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；6.重复步骤5至没有像素满足条件为止，相应得到的连通区域作为声影区的提取结果；7.考虑图像A的每一个像素点3X3的邻域均值，滤出邻域均值大于图像A整体均 值一定倍数的点，得到图像C，选出图像C中面积不小于最大连通区域面积0. 1倍的所有连 通区域，对应图像A相应位置处的像素作为侧扫声纳图像声反射区的种子，并分别计算种 子区域内的均值X和散度S2;8.对图像C中选出的连通区域分别进行膨胀运算；9.计算图像A中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结 果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；10.重复步骤9至没有像素满足条件为止，相应得到的连通区域作为声反射区的提取结果；11.将声影区的提取结果和声反射区的提取结果融合，作为最终的侧扫声纳图像 感兴趣区域提取结果。专利技术采用L-G(拉普拉斯_高斯)算子获取侧扫声纳图像声影区的种子区域和利 用邻域灰度均值获取侧扫声纳图像声反射区的种子区域，然后考虑像素点相对种子区域的 相似度作为生长条件，通过区域生长分别获取声影区和声反射区的提取结果，从而获得侧 扫声纳图像的感兴趣区域的提取。本专利技术方法采取了与Haralick与Shapiro提出的区域 增长算法相同的相似准则，但不是直接从图像的第一个像素开始执行，直至将整幅图像划 分为各个不同类型的区域；而是结合侧扫声纳图像的特点，先利用本专利技术中论述的方法分 别提取目标亮区和目标阴影区的种子区域，然后让该算法从种子区域开始执行，提取到了 目标亮区和目标暗区。这样做使得该算法避免了从图像的第一个像素开始执行本文档来自技高网...
【技术保护点】
一种基于区域增长的侧扫声纳图像感兴趣区域提取方法，其特征是：（１）对原始图像进行预处理，滤波去噪，得到图像Ａ；（２）Ｌ－Ｇ算子处理预处理后的图像，滤出所有结果为零的点，得到图像Ｂ；（３）选出图像Ｂ面积最大的连通区域，在图像Ａ中找到相应位置处的像素点作为侧扫声纳图像声影区的种子，并且计算种子区域内的均值＊和散度Ｓ↑［２］；（４）对图像Ｂ中面积最大的连通区域进行膨胀运算；（５）计算图像Ａ中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；（６）重复步骤（５）至没有像素满足条件为止，相应得到的连通区域作为声影区的提取结果；（７）考虑图像Ａ的每一个像素点３×３的邻域均值，滤出邻域均值大于图像Ａ整体均值一定倍数的点，得到图像Ｃ，选出图像Ｃ中面积不小于最大连通区域面积０．１倍的所有连通区域，对应图像Ａ相应位置处的像素作为侧扫声纳图像声反射区的种子，并分别计算种子区域内的均值＊和散度Ｓ↑［２］；（８）对图像Ｃ中选出的连通区域分别进行膨胀运算；（９）计算图像Ａ中与膨胀结果对应位置处的像素与种子区域的相似度，剔除膨胀结果中不满足相似度要求的像素点，再以此时的连通区域进行膨胀；（１０）重复步骤（９）至没有像素满足条件为止，相应得到的连通区域作为声反射区的提取结果；（１１）将声影区的提取结果和声反射区的提取结果融合，作为最终的侧扫声纳图像感兴趣区域提取结果。...
【技术特征摘要】
【专利技术属性】
技术研发人员：卞红雨，罗明愿，张志刚，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93[中国|哈尔滨]
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。