一种侧扫声纳目标检测方法技术

本发明专利技术公开了一种侧扫声纳目标检测方法。使用本发明专利技术能够有效地降低来自水面或水中的散射等造成的图像噪声以及细小噪声，处理效率高，检测正确率高。本发明专利技术首先采用基于3×3窗口的加权平均模板对侧扫声纳的图像进行低通滤波，有效地去除了图像中由水面或水中散射等原因造成的散射噪声，为后续的处理减小了处理压力和复杂度；然后采用K均值算法将声纳图像的像素分类为目标类和阴影类两类，产生两类不同的图像，便于分别对目标和阴影进行后续处理，提高了处理效率；并且采用金字塔增、减采样算法去除图像中的细小噪声；最后采用疑似目标的面积、对应的疑似阴影面积和它们的面积比率三种判据进一步去除伪目标，提高了检测正确率。

【技术实现步骤摘要】

本专利技术涉及数字图像处理
，具体涉及。
技术介绍
随着科学技术的发展和对自主式水下机器人的深入研究，声纳技术得到了突飞猛 进的发展。对于成像声纳的关注和研究也快速成熟，已经有了接近光学图像质量的声全息 成像试验系统、声速镜成像系统等，尽管这些成像系统得到的声图像质量较好，但是不适用 于现实环境。实际应用中的水下开放式环境对于传感器的要求较高，需要准确的感知周围 环境的真实信息。主动声纳(Active sonar)是自主式水下机器人使用最广泛的探测设备， 侧扫声纳是其中一种。 虽然侧扫声纳图像与光学图像一样，在本质上都是能量的平面或空间分布图，但 是因为水声信道具有复杂和多变的特性，以及声波本身具有的投射和散射特性，使得其图 像与光学图像有很大的不同。水下环境的侧扫声纳图像主要有以下特点：（1)分辨率低，声 纳探测装置发射的探测声波的波长一般较长，并且探测步进角度较大，相邻波束间不是连 续变化的，有一定的间隔，造成声纳图像的分辨率较低；（2)噪声干扰严重，水声信道和海洋 环境复杂多变，声波在传播过程中存在衰减、混响、散射的干扰，另外海洋环境中的其他声 响也是声纳图像噪声的主要来源，目标往往被淹没在这些干扰中，难以检测；（3)多径现象， 多径现象是声波在传播过程中的途径传播造成的，使得一个目标有多个返回值，从而在图 像中产生重影现象，难以确定目标的真实位置；（4)旁瓣，声纳波束在形成时，除了在较窄的 主瓣上形成极大值以外，其旁瓣会在较宽的范围内接受信号，因此，当某一回波较强时，其 附近波束的同一距离上会形成一条回波亮线，即旁瓣干扰；（5)多普勒效应，当目标运动或 者机器人运动时，发射和接收的声波会产生一定的偏移，同一目标在不同时刻的声纳图像 上会得到不同的外形轮廓，因而造成目标的变形和失真。 侧扫声纳是对水中目标进行检测的重要设备，如何利用侧扫声纳图像对沉底水雷 进行检测和识别是一项极具挑战的工作。
技术实现思路
有鉴于此，本专利技术提供了，能够有效地降低来自水面 或水中的散射等造成的图像噪声以及细小噪声，处理效率高，检测正确率高。 本专利技术的侧扫声纳目标检测方法，包括如下步骤： 步骤1，采用基于3X3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波，得 到声纳图像X2; 步骤2,采用K均值聚类算法，将步骤1获得的声纳图像X2中的像素点分为目标类和 阴影类，由目标类像素点生成目标图像，由阴影类像素点生成阴影图像； 步骤3,对步骤2生成的目标图像，采用高斯5X5处理核的金字塔减采样算法进行 运算，然后再使用高斯5X5处理核的金字塔增采样算法对减采样运算的结果图像进行运 算，得到目标图像Χ_τ; 对步骤2生成的阴影图像，采用高斯5X5处理核的金字塔减采样算法进行运算，然 后再使用高斯5 X 5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到阴 影图像X_S; 步骤4,采用两个固定的分割阈值分别对步骤3获得的目标图像X_T和阴影图像X_S 进行阈值分割，生成以〇、1表示的二值黑白目标图像和阴影图像，获得多个疑是目标，以及 与疑是目标相对应的疑是阴影； 步骤5,针对步骤4获得的每一个疑是目标及其对应的疑是阴影，分别采用Teh-Chin链逼近算法计算其轮廓，然后对疑是目标和疑是阴影进行矩形拟合，获得疑是目标的 拟合矩形的中心坐标点Tl_cen与拟合矩形的面积Tl_objArea，获得疑是目标对应的疑是阴 影的拟合矩形的中心坐标点Sl_cen与拟合矩形的面积Sl_objArea; 步骤6，对步骤4获得的所有疑是目标进行判决，判断其是否满足如下条件：（1)疑 是目标的拟合矩形的面积Tl_objArea大于或等于设定的阈值A，且(2)疑是目标对应的疑是 阴影的拟合矩形的面积Sl_objArea大于或等于设定的阈值B，且(3)rate = Tl_objArea/Sl_ ob jArea大于或等于0.7; 如同时满足上述3个条件，则该疑是目标为真实目标，该疑是目标拟合矩形的中心 坐标点Tl_cen为真实目标的坐标;否则，该疑是目标为虚假目标。 进一步地，所述步骤1中基于3 X 3窗口的加权平均模板为：进一步地，所述步骤4中，目标图像的分割阈值为90;阴影图像的分割阈值为200。 有益效果： 本专利技术首先采用基于3X3窗口的加权平均模板对侧扫声纳的图像进行低通滤波， 有效地去除了图像中由水面或水中散射等原因造成的散射噪声，为后续的处理减小了处理 压力和复杂度，提高声纳图像质量;然后采用K均值算法将声纳图像的像素分类为目标类和 阴影类两类，产生两类不同的图像，便于分别对目标和阴影进行后续处理，提高了处理效 率;并且采用金字塔增、减采样算法去除图像中的细小噪声;最后采用疑似目标的面积、对 应的疑似阴影面积和它们的面积比率三种判据进一步去除伪目标，提高了检测正确率。【附图说明】 图1为本专利技术的算法结构图。 图2为固定阈值分割后的左、右侧扫声纳效果图。 图3为左、右侧扫声纳的最终检测结果效果图。【具体实施方式】下面结合附图并举实施例，对本专利技术进行详细描述。 本专利技术提供了，包括如下步骤： 步骤1，对侧扫声纳原始图像XI进行低通滤波，得到低噪声声纳图像X2。侧扫声纳的原始图像XI噪声较大，图像噪声主要由水中颗粒的散射和水底泥沙等 漫反射等原因造成，这些噪声在侧扫声纳图像上表现为面积较大且较均匀分布的"小雪 花"，其在图像中的位置和强度呈随机概率分布。常用的低通滤波方法去除侧扫声纳噪声效 果并不好，本专利技术采用基于3 X 3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波， 能很好地去除图像中的散射噪声，提高声纳图像质量，为后续的处理减小了处理压力和复 杂度。基于3 X 3窗口的加权平均模板如下： 声纳图像XI经低通滤波后，得到低噪声声纳图像X2。 步骤2,采用K均值(k-mean)聚类算法，提取声纳图像X2中的目标图像。采用K均值(k-mean)聚类算法，将声纳图像X2的像素点分为目标类kmeansTarget 和阴影类kmeansShadow两类。属于目标类kmeansTarget的像素生成图像X_Target，属于阴 影类kmeans Shadow的像素生成图像X_Shadow。步骤3，对步骤2获得的图像去除噪声。声纳图像X2除了包含目标类像素点、阴影类像素点，还包括背景环境噪声像素点， 步骤2进行的K均值（k-mean )聚类算法只是将声纳图像X2的像素点分为目标类 kmeansTarget和阴影类kmeansShadow两类，还需要进一步去除K均值(k-mean)聚类算法结 果中的背景环境噪声像素点。本专利技术通过大量运算结果统计分析，发现采用以下方法能够 较好地去除噪声：使用高斯5X5处理核当前第1页1 2 本文档来自技高网...

【技术保护点】
一种侧扫声纳目标检测方法，其特征在于，包括如下步骤：步骤1，采用基于3×3窗口的加权平均模板对侧扫声纳原始图像进行低通滤波，得到声纳图像X2；步骤2，采用K均值聚类算法，将步骤1获得的声纳图像X2中的像素点分为目标类和阴影类，由目标类像素点生成目标图像，由阴影类像素点生成阴影图像；步骤3，对步骤2生成的目标图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到目标图像X_T；对步骤2生成的阴影图像，采用高斯5×5处理核的金字塔减采样算法进行运算，然后再使用高斯5×5处理核的金字塔增采样算法对减采样运算的结果图像进行运算，得到阴影图像X_S；步骤4，采用两个固定的分割阈值分别对步骤3获得的目标图像X_T和阴影图像X_S进行阈值分割，生成以0、1表示的二值黑白目标图像和阴影图像，获得多个疑是目标，以及与疑是目标相对应的疑是阴影；步骤5，针对步骤4获得的每一个疑是目标及其对应的疑是阴影，分别采用Teh‑Chin链逼近算法计算其轮廓，然后对疑是目标和疑是阴影进行矩形拟合，获得疑是目标的拟合矩形的中心坐标点T1_cen与拟合矩形的面积T1_objArea，获得疑是目标对应的疑是阴影的拟合矩形的中心坐标点S1_cen与拟合矩形的面积S1_objArea；步骤6，对步骤4获得的所有疑是目标进行判决，判断其是否满足如下条件：(1)疑是目标的拟合矩形的面积T1_objArea大于或等于设定的阈值A，且(2)疑是目标对应的疑是阴影的拟合矩形的面积S1_objArea大于或等于设定的阈值B，且(3)rate＝T1_objArea/S1_objArea大于或等于0.7；如同时满足上述3个条件，则该疑是目标为真实目标，该疑是目标拟合矩形的中心坐标点T1_cen为真实目标的坐标；否则，该疑是目标为虚假目标。...

【技术特征摘要】

【专利技术属性】
技术研发人员：林飞宇，石涛，陈尧，杨海鹏，刘春宇，
申请(专利权)人：中国船舶重工集团公司第七一〇研究所，
类型：发明
国别省市：湖北;42