【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种基于侧扫声呐图像的水下目标检测方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、海洋面积广阔，蕴藏着丰富的资源。随着世界经济和科技的发展、军事实力的不断增强，世界各国纷纷将研究重心转向海洋。侧扫声呐是水下遥感中不可或缺的传感器设备，可以提供有关观测区域的丰富视觉信息。
3、侧扫声呐发出短声脉冲，声波以球面波的形式向外传播。声波撞击物体时发生散射，后向散射波将按原来的传播路线被换能器接收并转换成一系列的电脉冲。每个发射周期的回波数据根据其返回换能器时间的先后进行顺序排列，形成侧扫声呐图像中的一行像素，随测量船走航实现线扫描成像。
4、由于水下环境复杂，海底混响严重，声呐图像受到高斯噪声、脉冲噪声、散斑噪声等多种噪声的影响。噪声会导致图像细节丢失、对比度降低和边缘模糊，使侧扫声呐目标检测更加困难。
5、目前，侧扫声呐图像目标检测方法主要有传统方法和深度学习方法。
6、传统的侧扫声呐图像目标检测方法一般处理流程如下：第一步是对声呐图像进行改正、修复、去噪等预处理；第二步是从图像中检测目标的兴趣区域即可能存在目标的区域；第三步，在目标兴趣区域的基础上，对高光和阴影区域进行分割和特征提取；第四步，基于提取的特征，将目标分给特定的类别(如背景、目标、阴影)。此类方法在特定条件下具有较好的检测效果，但存在以下两个问题：一般只能得到粗粒度分类，如前景与背景、目标与阴影，无法得到目标的具体类别
7、近年来，由于具有高精度、强鲁棒性和易于并行化实现等优点，基于深度学习的侧扫声呐图像目标检测和识别得到了广泛研究。基于深度学习的侧扫声呐图像目标检测方法将目标的定位和分类联合建模为一个端到端任务，其输入为侧扫声呐图像，输出为目标的边界框和类别，基于样本训练，网络可自动学习最优特征，无需人工设计特征提取器和分类器，且能实现细粒度分类。在训练数据充足的情况下，深度学习方法优于传统方法(k-最近邻、支持向量机、马尔可夫随机场等)，是目前侧扫声呐图像目标检测的主要方法。但考虑到侧扫声呐系统获得的条带图像尺寸远大于训练网络使用的样本，若直接将条带图输入网络进行检测，将会出现严重的漏检和误检。针对该问题，通常采用条带图切片的预处理方法，但将导致两个问题：(1)侧扫声呐图像有较明显的目标稀疏性特点，对大尺寸图像切片后检测会存在大量无目标的背景切片，影响检测效率；(2)局部图像中部分缺失全局图像的上下文信息，将降低检测性能。
技术实现思路
1、为了解决上述
技术介绍
中存在的技术问题，本专利技术提供一种基于侧扫声呐图像的水下目标检测方法及系统，采用了全图推理和切片推理两个分支进行检测，不仅实现大尺寸侧扫声呐图像目标快速检测，而且提高了检测精度。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术的第一个方面提供一种基于侧扫声呐图像的水下目标检测方法。
4、一种基于侧扫声呐图像的水下目标检测方法，包括：
5、获取侧扫声呐图像，并对所述侧扫声呐图像进行图像切片，得到若干切片图像；
6、对每个切片图像，通过图像分类模型进行分类后，剔除类别为背景且置信度高于阈值的切片图像；
7、对于保留的切片图像和缩放后的所述侧扫声呐图像，分别通过目标检测模型，得到目标类别和位置后，将所述目标类别和位置反算至所述侧扫声呐图像，并进行融合，得到所述侧扫声呐图像上的目标类别和位置。
8、进一步地，所述图像分类模型的训练步骤包括：对侧扫声呐图像并进行标注，形成分类数据集；将在光学图像数据集上训练得到的图像分类模型，在分类数据集上进行微调。
9、进一步地，所述目标检测模型的训练步骤包括：对侧扫声呐图像并进行标注，形成检测数据集；将在光学图像数据集上训练得到的目标检测模型，在检测数据集上进行微调。
10、进一步地，所述融合使用非极大值抑制方法。
11、进一步地，所述图像分类模型为二分类模型，类别包括有目标和背景。
12、进一步地，所述目标检测模型得到的目标类别的数量为所需检测水下目标的类别数。
13、进一步地，所述切片图像的尺寸若小于规定值，则进行0值填充。
14、本专利技术的第二个方面提供一种基于侧扫声呐图像的水下目标检测系统。
15、一种基于侧扫声呐图像的水下目标检测系统，包括：
16、切片模块，其被配置为：获取侧扫声呐图像，并对所述侧扫声呐图像进行图像切片，得到若干切片图像；
17、筛选模块，其被配置为：对每个切片图像，通过图像分类模型进行分类后，剔除类别为背景且置信度高于阈值的切片图像；
18、检测模块，其被配置为：对于保留的切片图像和缩放后的所述侧扫声呐图像，分别通过目标检测模型，得到目标类别和位置后，将所述目标类别和位置反算至所述侧扫声呐图像，并进行融合，得到所述侧扫声呐图像上的目标类别和位置。
19、本专利技术的第三个方面提供一种计算机可读存储介质。
20、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的一种基于侧扫声呐图像的水下目标检测方法中的步骤。
21、本专利技术的第四个方面提供一种计算机设备。
22、一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的一种基于侧扫声呐图像的水下目标检测方法中的步骤。
23、与现有技术相比，本专利技术的有益效果是：
24、本专利技术采用了全图推理和切片推理两个分支进行检测，不仅实现大尺寸侧扫声呐图像目标快速检测，而且提高了检测精度。
本文档来自技高网...【技术保护点】
1.一种基于侧扫声呐图像的水下目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述图像分类模型的训练步骤包括：对侧扫声呐图像并进行标注，形成分类数据集；将在光学图像数据集上训练得到的图像分类模型，在分类数据集上进行微调。
3.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述目标检测模型的训练步骤包括：对侧扫声呐图像并进行标注，形成检测数据集；将在光学图像数据集上训练得到的目标检测模型，在检测数据集上进行微调。
4.根据权利要求1述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述融合使用非极大值抑制方法。
5.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述图像分类模型为二分类模型，类别包括有目标和背景。
6.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述目标检测模型得到的目标类别的数量为所需检测水下目标的类别数。
7.根据权利要求1所述的一种基于侧扫声呐
8.一种基于侧扫声呐图像的水下目标检测系统，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于侧扫声呐图像的水下目标检测方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于侧扫声呐图像的水下目标检测方法中的步骤。
...【技术特征摘要】
1.一种基于侧扫声呐图像的水下目标检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述图像分类模型的训练步骤包括：对侧扫声呐图像并进行标注，形成分类数据集；将在光学图像数据集上训练得到的图像分类模型，在分类数据集上进行微调。
3.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述目标检测模型的训练步骤包括：对侧扫声呐图像并进行标注，形成检测数据集；将在光学图像数据集上训练得到的目标检测模型，在检测数据集上进行微调。
4.根据权利要求1述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述融合使用非极大值抑制方法。
5.根据权利要求1所述的一种基于侧扫声呐图像的水下目标检测方法，其特征在于，所述图像分类模型为二分类模型，类别包括有目...
【专利技术属性】
技术研发人员：高兴国，江峻毅，常增亮，曲萌，马超，尤超帅，
申请(专利权)人：山东电力工程咨询院有限公司，
类型：发明
国别省市：
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。