合成孔径声纳图像感兴趣小目标回波数据聚类分析方法技术

本发明专利技术提供了合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，所述方法包括：对接收到的合成孔径声纳的回波数据进行处理，得到实时合成孔径声纳图像，采用目标检测方法得到感兴趣小目标的位置信息；将感兴趣小目标的位置信息与回波数据进行关联，得到感兴趣小目标的回波数据；将感兴趣小目标的回波数据输入预先建立和训练好的聚类分析模型，实现合成孔径声纳图像感兴趣小目标的实时在线属性分析；所述聚类分析模型采用改进的AutoEncoder网络。该方法在回波域对水下感兴趣小目标进行分析，提高了水下感兴趣小目标的可解释性，为基于SAS图像的水下目标精细化识别任务提供了一种有效解决的手段。

【技术实现步骤摘要】

本专利技术涉及水声信号处理领域，尤其涉及合成孔径声纳图像感兴趣小目标回波数据聚类分析方法。

技术介绍

1、合成孔径声纳(synthetic aperture sonar,sas)是一种高分辨率水下成像声纳，其基本原理是利用小孔径基阵的移动形成虚拟大孔径，从而获得方位向的高分辨率。与普通侧扫声纳相比，sas最为显著的优点是方位向分辨率较高，且理论分辨率与目标距离以及采用的声波频段无关。合成孔径声纳图像目标检测任务在水下无人平台自主导航和搜索发挥着重要作用。合成孔径声纳图像水下小目标存在类内差异，类间相似的问题，在缺少先验知识的条件下，很难仅从图像域对其确认。阵元回波数据中包含目标丰富的特征信息，借助回波数据有望实现感兴趣小目标的进一步分析。

2、autoencoder是深度学习中的一种非常重要的无监督学习方法，能够从大量无标签的数据中自动学习，得到蕴含在数据中的有效特征。从本质上讲它是深度信念网络(deepbelief nets,dbn)的无监督形式，由多个限制玻尔兹曼机(restricted boltzmannmachines,rbm)逐层迭代本文档来自技高网...

【技术保护点】

1.一种合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，所述方法包括：

2.根据权利要求1所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，其特征在于，所述改进的AutoEncoder网络包括编码器和解码器，其中，

3.根据权利要求2所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，其特征在于，所述编码器输出h1满足下式：

4.根据权利要求1所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，其特征在于，所述方法还包括聚类分析模型的训练步骤，具体包括：

5.根据权利要求4所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方...

【技术特征摘要】

1.一种合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，所述方法包括：

2.根据权利要求1所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，其特征在于，所述改进的autoencoder网络包括编码器和解码器，其中，

3.根据权利要求2所述的合成孔径声纳图像感兴趣小目标回波数据聚类分析方法，其特征在于，所述编码器输出h1满足下式：

4.根据权利要求1所述的合成孔径声纳图像感兴趣小目标回波数...

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