一种低误差水下声呐图像分割模型及分割方法技术

本发明专利技术提供了一种低误差水下声呐图像分割模型及分割方法，属于计算机视觉中的图像处理技术领域。模型包括依次连接的图像预处理模块、图像分割模块和图像融合模块；本发明专利技术设计了两个灰度变量参数局部灰度密度和灰度偏量，将密度峰值聚类算法应用于声呐灰度图像得到突出的灰度中心决策值，该决策值即为马尔科夫随机场预分割算法中类标签的设定值。本发明专利技术提出了一种图像融合思想，将通过马尔科夫随机场图像分割算法获得的初始、平滑图像的理论最佳分割结果进行像素标签值的比对。通过投票法对争议像素重新判定其标签值，最终再进行融合得到误分率更低的声呐图像分割结果。本发明专利技术的模型及方法，参数获取便捷可靠且具有较高的分割准确性。

【技术实现步骤摘要】

本专利技术属于计算机视觉中的图像处理，尤其涉及一种低误差水下声呐图像分割模型及分割方法。

技术介绍

1、声呐图像一般用于海底目标物的探测和识别，声呐图像分割的主要目的是将图像中的不同区域或目标物进行分类和提取，从而更好地理解海底环境，在海洋勘测、海底地质调查、水下潜艇探测等领域具有重要应用。研究声呐图像分割不仅有助于推动海洋科研领域的发展，也可以提升海洋资源开发利用效率，加强海洋环境保护与管理，提高水下探测和水下作业的效率和安全性，具有重要的战略意义和应用前景。当前针对声呐图像的分割算法大致可以分为传统方法、深度学习方法及概率论方法。

2、传统图像分割方法：传统方法主要包括基于聚类、边缘和区域等的算法。这些方法简单易行，但对于复杂的声呐图像分割效果较差。声呐图像中的目标物体形状和尺寸常常不规则，存在旋转、变形等情况，这会影响传统分割方法的质量。传统方法在处理声呐图像时往往只考虑局部像素之间的关系，缺乏全局上下文信息的利用，导致分割结果不够准确。

3、基于深度学习的方法：利用深度学习方法可以有效地提高声呐图像分割的精度和鲁棒性，但需要本文档来自技高网...

【技术保护点】

1.一种低误差水下声呐图像分割模型，其特征在于：包括依次连接的图像预处理模块、图像分割模块和图像融合模块；

2.如权利要求1所述的一种低误差水下声呐图像分割模型，其特征在于，所述图像预处理模块的处理过程为：

3.如权利要求1所述的一种低误差水下声呐图像分割模型，其特征在于：所述图像分割模块的具体结构包括改进的马尔科夫随机场算法模型和灰度密度峰值聚类算法模型；所述灰度密度峰值聚类算法模型包含局部灰度密度和灰度偏量两个变量，当像素点的局部灰度密度最大时，它的灰度偏量将远大于其他样本点的灰度偏量，灰度偏量异常大的点认定为某一灰度中心，其样本点的局部灰度密度相对较大，以此...

【技术特征摘要】

1.一种低误差水下声呐图像分割模型，其特征在于：包括依次连接的图像预处理模块、图像分割模块和图像融合模块；

2.如权利要求1所述的一种低误差水下声呐图像分割模型，其特征在于，所述图像预处理模块的处理过程为：

3.如权利要求1所述的一种低误差水下声呐图像分割模型，其特征在于：所述图像分割模块的具体结构包括改进的马尔科夫随机场算法模型和灰度密度峰值聚类算法模型；所述灰度密度峰值聚类算法模型包含局部灰度密度和灰度偏量两个变量，当像素点的局部灰度密度最大时，它的灰度偏量将远大于其他样本点的灰度偏量，灰度偏量异常大的点认定为某一灰度中心，其样本点的局部灰度密度相对较大，以此获得定义灰度中心的决策值；

4.如权利要求3所述的一种低误差水下声呐图像分割模型，其特征在于：

5.如权利要求3所述的一种低误差水下声呐图像分割模型，其特征在于：所述局部灰度密度定义为在某划定范围内与某像素点的灰度差小于截断灰度差的像素点的个数；如下式所示：

6.如权利要求3所述的一种低误差水下声呐图像分割模型，其特征在...

【专利技术属性】
技术研发人员：付民，杜禹璇，孙梦楠，郑冰，俞智斌，
申请(专利权)人：中国海洋大学三亚海洋研究院，
类型：发明
国别省市：