一种2D前视声呐图像去噪方法技术

一种2D前视声呐图像去噪方法，包括图像获取(1)、图像预处理(2)、阈值分割(3)、噪声分割(4)、目标增强(5)、感兴趣区域提取(6)。所述方法将传统图像处理方法与自适应阈值分割、霍夫变换和聚类统计方法进行了融合，有效解决前视声呐在成像过程中因载荷本体噪声、扇区间干扰以及目标回波特性不均导致图像噪声过大的问题，实现了在保留障碍和目标有效区域的同时，较好的去除背景噪声，获得优质的感兴趣区域，为后续进一步的目标识别和高精度定位工作奠定了基础。定了基础。定了基础。

【技术实现步骤摘要】
一种2D前视声呐图像去噪方法


[0001]本专利技术涉及一种2D前视声呐图像去噪方法，特别是一种针对2D前视声呐载荷图像的图像噪声去除方法。

技术介绍

[0002]前视声呐是水下装备搭载的重要载荷，利用前视声呐可以探测较大范围的水下障碍和动、静目标，是实现自主避障和目标识别跟踪的基础。然而，水体噪声、载荷扇区间干扰以及目标回波强度不均等因素为声呐图像引入较强的噪声。截止目前，噪声干扰依然是声呐图像目标检测面临的重要挑战。当前尚没有专门为声呐图像设计的目标检测方法，相关研究方法大多在光学图像处理方法的基础上，针对声学图像的成像特点进行优化，从而达到滤除噪声，获取目标区域的目的。复杂海洋环境下不同载荷设备所成的图像是多样化的，受样本不足的影响，现有研究尚不能满足水下装备对目标检测的需求。

技术实现思路

[0003]本专利技术解决的技术问题是：克服现有技术的不足，提供了一种2D前视声呐图像去噪方法，能够对水体噪声、载荷扇区间干扰以及目标回波强度不均等问题带来的一些典型噪声进行滤除，通过测试，满足任务系统需求。
[0004]本专利技术的技术解决方案是：一种2D前视声呐图像去噪方法，包括如下步骤：
[0005]从前视声呐中实时获得声呐图像，采用阈值方法进行初步分割，然后根据噪声特点分割噪声，获得噪声图，再根据目标特征，增强目标显示，最终将初始分割、噪声分割、目标增强图进行融合，得到最终的感兴趣区域。
[0006]进一步地，所述阈值方法采用的是基于直方图统计特征的全局自适应阈值分割算法。<br/>[0007]进一步地，所述基于直方图统计特征的全局自适应阈值分割算法包括如下步骤：
[0008]首先对图像0～255共256个灰度进行统计，建立灰度直方图；
[0009]然后，开始计算阈值；
[0010]最后，以该阈值进行图像遍历，高于阈值的像素设定为255，否则设定为0。
[0011]进一步地，所述计算阈值包括如下步骤：
[0012]计算阈值时，从高亮度255开始向低亮度0进行像素数统计，像素数记为α，并不断记录此时的灰度值δ；
[0013]从255向0的原因是因为在声呐图像中，目标往往具有强反射特性，对应图像中的高亮点，灰度值高，为前景；水体具有弱反射特性，对应图像中的低亮点，灰度值低，为背景；
[0014]然后，当统计的像素数α大于500时，找到此时的灰度值δ，即为分割阈值。
[0015]进一步地，所述根据噪声特点分割噪声的方法为基于改进霍夫变换的圆弧提取方法；所述基于改进霍夫变换的圆弧提取方法中提取圆弧时，对图像的扫描采用横向扫描法。
[0016]进一步地，所述对图像的扫描采用横向扫描法中，角度分辨率的获取方法为
其中，deg为角度分辨率，r为点到声呐头的像素距离，value为角度分辨率deg的值。
[0017]进一步地，所述增强目标显示的方法为融合的径向补偿法和聚类法的方法；其中
[0018]所述径向补偿法为利用目标成像中的“拖尾”和“阴影”特点，沿着扇区径向从左到右依次扫描，对满足宽度的像素点保留；
[0019]所述聚类法即分析图像的感兴趣区域块，将距离作为相似性的评价指标。
[0020]进一步地，所述径向补偿法中，扫描时，分辨率取0.001弧度。
[0021]一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现所述一种2D前视声呐图像去噪方法的步骤。
[0022]一种2D前视声呐图像去噪设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现所述一种2D前视声呐图像去噪方法的步骤。
[0023]本专利技术与现有技术相比的优点在于：
[0024](1)本专利技术将传统图像处理方法、自适应阈值分割、霍夫变换和聚类统计方法进行了融合，有效解决前视声呐在成像过程中因载荷本体噪声、扇区间干扰以及目标回波特性导致图像噪声过大的问题，实现了在保留障碍和目标有效区域的同时，较好的去除背景噪声，获得优质的感兴趣区域。
[0025](2)本专利技术能够与后续障碍及目标检测技术进行无缝对接，并在水下移动平台上进行了测试，算法实时性良好，满足AUV、ROV等无人平台的需求。
附图说明
[0026]图1为本专利技术的方法流程图；
[0027]图2为以某图像为例的处理过程示意图；
[0028]图3为典型声呐图像感兴趣区域提取对比图。
具体实施方式
[0029]为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
[0030]以下结合说明书附图对本申请实施例所提供的一种2D前视声呐图像去噪方法做进一步详细的说明，具体实现方式可以包括(如图1～3所示)：图像获取(1)、图像预处理(2)、初始分割(3)、噪声分割(4)、目标增强(5)、感兴趣区域提取(6)。
[0031]所述步骤(2)中所述的图像预处理包括图像中值滤波、双边滤波和形态学开运算中的一种或任意几种。
[0032]所述步骤(3)中所述的初始分割采用的是基于直方图统计特征的全局自适应阈值分割算法。
[0033]所述步骤(4)中所述的处理采用了基于改进霍夫变换的圆弧提取方法。
[0034]所述步骤(5)中所述的处理先采用一种融合的径向补偿法和聚类法进行目标增强，减少回波不均匀导致的目标断裂，再采用形态学滤波方法实现目标区域进一步优化。
[0035]在本申请实施例所提供的方案中，如图1所示，本专利技术的步骤包括图像获取(1)、图像预处理(2)、初始分割(3)、噪声分割(4)、目标增强(5)、感兴趣区域提取(6)。即：
[0036]首先，从前视声呐中实时获得声呐图像，采用阈值方法进行初步分割，然后根据噪声特点分割噪声，获得噪声图，再根据目标特征，增强目标显示，最终将初始分割、噪声分割、目标增强图进行融合，得到最终的感兴趣区域。
[0037]需要说明的是，这里的阈值方法采用的是基于直方图统计特征的全局自适应阈值分割算法。
[0038]首先对图像0～255共256个灰度进行统计，建立灰度直方图。
[0039]然后，开始计算阈值。
[0040]计算阈值时，从高亮度255开始向低亮度0进行像素数统计，像素数记为α，并不断记录此时的灰度值δ。
[0041]从255向0的原因是因为在声呐图像中，目标往往具有强反射特性，对应图像中的高亮点，灰度值高，为前景；水体具有弱反射特性，对应图像中的低亮点，灰度值低，为背景。
[0042]然后，当统计的像素数α大于500时，找到此时的灰度值δ，即为分割阈值。
[0043]需要说明的是，在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种2D前视声呐图像去噪方法，其特征在于，包括如下步骤：从前视声呐中实时获得声呐图像，采用阈值方法进行初步分割，然后根据噪声特点分割噪声，获得噪声图，再根据目标特征，增强目标显示，最终将初始分割、噪声分割、目标增强图进行融合，得到最终的感兴趣区域。2.根据权利要求1所述的一种2D前视声呐图像去噪方法，其特征在于：所述阈值方法采用的是基于直方图统计特征的全局自适应阈值分割算法。3.根据权利要求2所述的一种2D前视声呐图像去噪方法，其特征在于：所述基于直方图统计特征的全局自适应阈值分割算法包括如下步骤：首先对图像0～255共256个灰度进行统计，建立灰度直方图；然后，开始计算阈值；最后，以该阈值进行图像遍历，高于阈值的像素设定为255，否则设定为0。4.根据权利要求3所述的一种2D前视声呐图像去噪方法，其特征在于：所述计算阈值包括如下步骤：计算阈值时，从高亮度255开始向低亮度0进行像素数统计，像素数记为α，并不断记录此时的灰度值δ；从255向0的原因是因为在声呐图像中，目标往往具有强反射特性，对应图像中的高亮点，灰度值高，为前景；水体具有弱反射特性，对应图像中的低亮点，灰度值低，为背景；然后，当统计的像素数α大于500时，找到此时的灰度值δ，即为分割阈值。5.根据权利要求1所述的一种2D前视声呐图像去噪方法，其特征在于：所...

【专利技术属性】
技术研发人员：王亭亭，胡宁，吕雪，张南南，赵俊波，
申请(专利权)人：中国航天空气动力技术研究院，
类型：发明
国别省市：