本发明专利技术涉及一种前扫声纳图像拼接方法。本方法包括：通过SURF算法实现参考声纳图像与其相邻帧的待匹配声纳图像之间的特征点匹配；通过变换模型估计计算出参考声纳图像与待匹配声纳图像之间的单应变换矩阵，将待匹配声纳图像的特征点一一映射到参考声纳图像的坐标系中，再经过图像插值实现参考图像与待匹配之间的配准；不断重复上述步骤实现声纳序列中所有声纳图像的配准，然后通过亮度调整、图像融合实现声纳图像的拼接。本发明专利技术的方法能够解决DIDSON在水下监测过程中，声纳图像分辨率低、探测范围视角小的问题；通过声纳图像拼接，将一系列声纳图像拼接成一个分辨率高、大范围的声纳图像，使DIDSON能够同时监测较大范围的水下环境。
【技术实现步骤摘要】
本专利技术涉及，可将视角较小的前扫声纳图像拼接为一个高分辨率、大范围的图像。
技术介绍
目前世界各国正致力于利用水下无人探测器对海洋、湖泊、江河等水资源进行水声环境的研究及目标检测工作。这种水下运动目标检测技术不仅在海洋开发，港口航道建设等民用方面有着潜在的巨大经济利益，而且在水下环境监控等安全检测方面也有着重要的意义。 由于水下机器人在商业与军事上的重大价值和技术上面临的众多挑战，其技术研究受到越来越多科学家和技术人员的重视，并进行了大量的工作。对于水下机器人来说，视觉系统就是它的眼睛和耳目。毋庸置疑地，视觉系统具有极其重要的地位和作用。通过视觉系统，机器人才能够快速获取水下周围环境信息，为其运动和进行水下作业提供引导。显然，水下机器人的技术水平和作业能力在相当大程度上取决于视觉系统的性能好坏。在特殊的水下环境下，声波是迄今为止唯一可以进行远程信息传输的载体。声波在水中传播的衰减就小得多，在深海声道中爆炸一个几公斤的炸弹，在两万公里外还可以收到信号，低频的声波还可以穿透海底几千米的地层，并且得到地层中的信息。在水中进行测量和观察，至今还没有发现比声波更有效的手段。因此，利用水中声波对水下目标进行探测、定位和通信的声纳，是水声学中应用最广泛、最重要的一种装置。当水下观测对象比较大而又要保证分辨率时，发射信号不能覆盖全部探测区域， 只能进行局部探测，这就需要用到图像拼接技术。同时在声纳图像处理方面，一次声成像返回的声探测区域视野较小，工程实践中经常无法通过一幅图像进行目标识别，同时对于大目标图像的数据测量也需要把不完整的图像拼接为一个整体。所以图像拼接技术在水下图像的后期处理中具有重要作用。现有的前扫声纳DIDS0N(Dual-Frequency Identification Sonar)。由于工作环境的复杂性，该高分辨率双频识别声纳在执行水下危险目标探测任务时，存在以下几个方面的难点问题1)声纳图像实时判读，目前还是依靠人眼来人工判读、识别水下可疑目标， 然而声学成像原理截然不同于光学成像原理，尤其是其分辨率远远小于光学成像，因而要探测、识别像水下可疑爆炸物这样的危险目标就很困难，而且判读人员很辛苦、极易疲劳； 2)高分辨率声纳自身视野很窄，需要进行图像拼接；3)声纳设备在水下工作时，会受到浪涌、水流的影响，产生纵摇、横摇，引起声纳图像的变形。在实际的应用中，DIDSON在同一时刻也只能观测到一个小视角范围内的图像。由于水下环境复杂，要判别一个物体的性质，需要有个连续的过程，最好能够显示大范围的水中的影像。实时将多幅分辨率低、视角小的声纳图像拼接为一个高分辨率、大范围的图像，可以同时监测较大范围的水下环境，在水下探测中具有重要的作用。
技术实现思路
本专利技术的目的在于针对已有技术存在的问题，提供， 能实时将多幅分辨率低、视角较小的声纳图像拼接为一个高分辨率、大范围的图像，从而可以监测较大范围的水下环境，提高了前扫声纳目标监测水平。为达到上述目的，本专利技术的构思是首先使用SURF算法检测并描述特征点；然后运用Hessian矩阵迹的正负性与最近邻比次近邻的方法相结合匹配特征点，寻找出相邻声纳图像之间的匹配点对；进而通过直接线性变换算法求取变换矩阵的最小二乘解；最后运用求解出的单应矩阵将待匹配图像的特征点一一映射到参考图像坐标系中，再进行图像插值处理，完成图像之间的配准。在实现配准的基础上，对声纳图像进行了图像融合处理，最终实现了声纳图像的拼接。根据上述专利技术构思，本专利技术采用下述技术方案，其基本实施步骤如下(1)声纳图像输入将前扫声纳DIDSON采集的数据信息以图像形式显示出来(DIDS0N软件自带)(2)特征点检测和描述SURF算法使用了近似的Hessian矩阵检测特征点，并使用积分图像大幅减少了运算量。SURF算法的特征点描述算子所描述依然是特征点某个小邻域内的灰度分布信息。SURF 使用一阶Haar小波在x、y两个方向的响应作为构建特征向量的分布信息。(3)特征点匹配利用特征向量间的欧式距离的方法来匹配特征点，完成参考图像与待匹配图像之间的特征点匹配。(4)变换模型估计在两幅图像相互对应的特征点之间完成匹配之后就可以通过变换模型估计对应关系估计它们之间的几何变换模型。在这里，几何变换模型指的就是单应矩阵。(5)坐标映射和图像插值在完成几何变换模型的估计之后，就要利用得到的单应矩阵H把待匹配图像中的每一点映射到参考图像的坐标系中去。待匹配图像在完成坐标映射之后，其像素点有可能落在非网格位置，这就需要图像插值，本方案中采用双线性插值法。(6)图像配准选择第一帧声纳图像作为参考图像，第二帧声纳图像作为待匹配图像，对第一帧和第二帧声纳图像进行步骤(2) (5)的配准处理。然后每次将前一次得到的配准图像作为参考图像，与下一帧声纳图像进行配准，直至完成整个声纳图像序列的配准工作，实现所有待匹配声纳图像之间的配准；(7)图像融合通过灰度拉伸调整配准后声纳图像的亮度，运用一种边界保持的加权平滑算法实现声纳图像的融合采用了图像灰度拉伸的方法来改善图像的对比度，将不同帧图像的亮度调整一致，增强图像的分辨率；然后运用一种边界保持的加权平滑算法来实现配准后图像的融合，通过上面一系列步骤，就完成了所有前扫声纳图像的拼接。所述步骤(2)中特征点检测和描述，具体步骤如下I.特征点检测 I)积分图像积分图像可以大幅提高框状卷积滤波器的计算效率。对于积分图像中某点 X , x = (U) ’ 可得Hk J^y/,W=E SJ(U)(I)1—0 j "0其中，Iz(X)表示原始图像中，原点和点I形成的矩形区域里面所有像素值之和； Uj)表示点X的坐标值；I, j表示坐标系中点的位置；IU)表示点(j’j)的像素值。一旦将一幅图像转换成积分图像的形式，在积分图像中计算一个矩形区域内的灰度之和就可以用3个加减运算来解决。如图2所示，S=』-5-C + D,与矩形的面积无关。其中，E 表示积分图像中一个矩形区域内的灰度值和；2表示原点和矩形区域右下点形成的矩形区域里面所有像素值之和；S表示原点和矩形区域右上点形成的矩形区域里面所有像素值之和；C表示原点和矩形区域左下点形成的矩形区域里面所有像素值之和；Z)表示原点和矩形区域左上形成的矩形区域里面所有像素值之和。 2) Hessian矩阵的近似(丑_講)计算SURF算法中，特征点检测是基于Hessian矩阵的,它依靠Hessian矩阵行列式的局部最大值定位特征点位置。对于图像I中某点Z = (U),在X点的Cr尺度上的Hessian矩阵定义为H(X9O)=⑵、』[^(Z.cr) ￡w(X cr)」其中，JT表示点I = (U) ;Cr表示尺度空间，通常取CT= 1.2 ; Aw(Xcr)图像I在点if处与二阶高斯偏导的卷积，具有相似的含义。为了提高计算效率，增加计算的简便性。Bay等人直接用框状滤波器去近似高斯的二阶偏导，如图3所示。 用这种近似后的卷积模板处理积分图像的好处显而易见，因为这种模板均由简单的矩形构成，运算量独立于模板的尺寸，大大的提高了运算效率。将近似模板与图像卷积的结果用D游、、Dw表示，用他们代替、Lw、L7ty得到近似Hessian矩阵爾,其行列式为械U =) 2(3)其本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：徐元玉，谢少荣，金文俊，段莉，张秋菊，叶周浩，罗均，
申请(专利权)人：上海大学，
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。