一种基于相位信息和深度学习的水下声呐图像匹配算法制造技术

本发明专利技术公开了一种基于相位信息和深度学习的水下声呐图像匹配算法，包括：导入声呐数据，解析为视觉图像格式并存储辅助信息，利用辅助信息进行图片分割，构建待匹配的图像对；将图像对中的图像进行去噪与增强预处理；根据相位一致性原理提取所述图像的相位信息，并可视化相位极值图层，提取相关的特征点信息；搭建双通道卷积神经网络，存储训练权重，进行特征点局部区域相似度度量；依据相似性度量进行特征匹配并剔除错误匹配，存储正确匹配对信息。本发明专利技术将相位信息和深度特征结合应用于水下侧扫声呐图像上的，结合二者进行匹配，能够检测出丰富的特征点并且提供高精度的匹配结果；解决水下声呐图像普遍存在的复杂的非线性差异问题。差异问题。差异问题。

【技术实现步骤摘要】
一种基于相位信息和深度学习的水下声呐图像匹配算法


[0001]本专利技术涉及水下图像处理
，尤其涉及一种基于相位信息和深度学习的水下声呐图像匹配算法。

技术介绍

[0002]在利用水下传感设备成像的过程中，由于海洋介质及海底环境的复杂性，导致光学成像受阻，远距离探测任务通常只能采用声学成像，即借助声呐设备进行探测。但由于海底环境的未知性和复杂性，声波传输过程中易受到干扰，加之声学成像自身的局限性，导致探测目标的声呐图像存在高噪声，低对比度，灰度畸变以及边缘弱化等特点，当探测时间、探测地点、声呐类型以及探测视角发生变化的时候，声呐图像往往存在很强的非线性差异现象，即同一个探测目标，但是成像效果却差别很大，由于水下环境的未知性，探测目标是小样本的且特征不规则的，背景内容是单调且特征难以提取的，在进行水下声呐图像预处理和特征匹配时，往往只能依靠研究人员的专业经验知识，尚没有成熟的处理方案，更没有专一的算法来针对性地匹配水下声呐图像。
[0003]目前常见的水下声呐图像匹配思路是照搬光学图像匹配的方法，这些方法是针对于光学图像开发的，由于光学成像特点与声学成像特点的巨大差异，这些方法应用到水下声呐图像匹配任务中效率低下，特征点难以检测且错误匹配较多，水下声呐图像特征匹配是海底地图构建及水下机器人自主导航等任务的基础性研究，保证其匹配的丰富度和准确度是非常必要的。同时对于小样本的，陌生的水下声呐数据，图像特征匹配的操作目前只能尝试性地选择，验证性也不足，严重影响了匹配任务的完成效率，浪费了大量的人力资源和时间资源。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。本专利技术提供了一种基于相位信息和深度学习的水下声呐图像匹配算法，解决水下声呐图像普遍存在的复杂的非线性差异问题，水下声呐图像自身具有的高噪声、低对比度、畸变明显以及弱边缘等局限性，以及上述局限性导致的传统光学图像匹配算法失效，没有成熟的声学图像匹配算法可参考这个技术痛点，同时检测效率低下，特征点难以检测，精度低且错误匹配较多的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：包括：
[0007]导入声呐数据，解析为视觉图像格式并存储辅助信息，利用辅助信息进行图片分割，构建待匹配的图像对；
[0008]将图像对中的图像进行去噪与增强预处理；
[0009]根据相位一致性原理提取所述图像的相位信息，并可视化相位极值图层，提取相
关的特征点信息；
[0010]搭建双通道卷积神经网络，存储训练权重，进行特征点局部区域相似度度量；
[0011]依据相似性度量进行特征匹配并剔除错误匹配，存储正确匹配对信息。
[0012]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述辅助信息包括，GPS信息、惯导信息、Ping信息和深度信息。
[0013]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述预处理包括，经典滤波器和深度学习去噪；局部增强和全局增强。
[0014]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述根据相位一致性原理提取特征点，包括，
[0015]提取图像的频率域信息和空间域信息；
[0016]相位一致性解算；
[0017]可视化输出水下声呐图像的相位极值图。
[0018]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述搭建双通道卷积神经网络中，设定输入参数为图像的输入数目和图像尺寸，输出参数为匹配度量的形式和维度。
[0019]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：还包括，搭建双通道卷积神经网络后依据图像属性，进行自定义模型训练，所述训练的学习模式包括，全新训练和迁移学习；训练框架包括 TensorFlow框架和Pytorch框架。
[0020]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述特征点局部区域相似度度量采用高层特征与低层特征组合后的交叉熵计算。
[0021]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述依据相似性度量进行特征匹配，包括依据图像匹配数量设定匹配相似度阈值后，再进行匹配。
[0022]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：所述剔除错误匹配包括，采用RANSAC、GMS、LPM、FSC 算法进行错误匹配剔除。
[0023]作为本专利技术所述的基于相位信息和深度学习的水下声呐图像匹配算法的一种优选方案，其中：还包括，存储正确匹配对的信息后进行评价，所述评价包括匹配丰富度、匹配准确度、运行时间、特征点分布均匀度。
[0024]与现有技术相比，本专利技术的有益效果：本专利技术将相位信息和深度特征结合应用于水下侧扫声呐图像上的，结合二者进行匹配，能够检测出丰富的特征点并且提供高精度的匹配结果；解决水下声呐图像普遍存在的复杂的非线性差异问题；采用双通道深度卷积神经网络，无需大量的数据支撑，构建简单，易于训练，能够自动学习水下声呐图像间的匹配模式，可以部署在多个开发平台，易于推广。
附图说明
[0025]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本
领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0026]图1为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的整体流程示意图；
[0027]图2为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中双通道卷积神经网络结构图；
[0028]图3为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中非线性差异示意图；
[0029]图4为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中传统SIFT算法匹配效果图；
[0030]图5为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中双通道卷积神经网络模型训练示意图；
[0031]图6为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中相位方法特征检测效果图；
[0032]图7为本专利技术一个实施例所述的基于相位信息和深度学习的水下声呐图像匹配算法的中最终匹配效果示意图。
具体实施方式
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相位信息和深度学习的水下声呐图像匹配算法，其特征在于，包括：导入声呐数据，解析为视觉图像格式并存储辅助信息，利用辅助信息进行图片分割，构建待匹配的图像对；将图像对中的图像进行去噪与增强预处理；根据相位一致性原理提取所述图像的相位信息，并可视化相位极值图层，提取相关的特征点信息；搭建双通道卷积神经网络，存储训练权重，进行特征点局部区域相似度度量；依据相似性度量进行特征匹配并剔除错误匹配，存储正确匹配对信息。2.如权利要求1所述的基于相位信息和深度学习的水下声呐图像匹配算法，其特征在于，所述辅助信息包括，GPS信息、惯导信息、Ping信息和深度信息。3.如权利要求2所述的基于相位信息和深度学习的水下声呐图像匹配算法，其特征在于，所述预处理包括，经典滤波器和深度学习去噪；局部增强和全局增强。4.如权利要求2或3所述的基于相位信息和深度学习的水下声呐图像匹配算法，其特征在于，所述根据相位一致性原理提取特征点，包括，提取图像的频率域信息和空间域信息；相位一致性解算；可视化输出水下声呐图像的相位极值图。5.如权利要求4所述的基于相位信息和深度学习的水下声呐图像匹配算法，其特征在于，所述搭建双通道卷积...

【专利技术属性】
技术研发人员：于昌利，周晓滕，袁鑫，
申请(专利权)人：山东船舶技术研究院，
类型：发明
国别省市：