本發(fā)明涉及聲納圖像處理技術(shù)領(lǐng)域，尤其涉及一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法。

背景技術(shù)：

聲納成像因其探測距離遠、穿透力強等特點，在海洋測繪和水下目標(biāo)探測及跟蹤而得到更廣泛的應(yīng)用。在水下目標(biāo)遠程探測中，利用聲納設(shè)備掃描成像，提取側(cè)掃聲納圖像中的目標(biāo)高亮區(qū)、陰影區(qū)，根據(jù)區(qū)域面積和大小、結(jié)合設(shè)備參數(shù)設(shè)置，即可實現(xiàn)對可疑目標(biāo)的識別及測量。然而，混響信號的干擾、海洋環(huán)境噪聲及艦船自噪聲的影響，導(dǎo)致成像得到的聲納圖像斑點噪聲突出、目標(biāo)邊緣模糊，給目標(biāo)分割與檢測帶來了極大的困難。此外，作為目標(biāo)識別及測量的關(guān)鍵，現(xiàn)有的分割算法在速度和準(zhǔn)確性上往往不能兼顧。基于閾值、數(shù)學(xué)形態(tài)學(xué)、聚類的分割速度快，但易噪聲干擾、誤差大；基于馬爾科夫隨機場、統(tǒng)計學(xué)的分割準(zhǔn)確性高，但需要具備先驗知識，即目標(biāo)的大小、形狀等特征；基于幾何活動輪廓模型的分割能準(zhǔn)確提取邊緣，但輪廓演化速度慢。

技術(shù)實現(xiàn)要素：

有鑒于現(xiàn)有技術(shù)的上述缺陷，本發(fā)明所要解決的技術(shù)問題是提供一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，本發(fā)明針對側(cè)掃聲納圖像的特點，結(jié)合圖像去噪與水平集模型求解方法，對聲納圖像進行去噪、分割，提取目標(biāo)及陰影區(qū)圖像，實現(xiàn)對水下目標(biāo)的快速提取。

為實現(xiàn)上述目的，本發(fā)明提供了一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述方法包括以下步驟：

步驟一、將聲納設(shè)備置于水下探測器前端，成像結(jié)果通過網(wǎng)絡(luò)直接傳至遠程處理端；

步驟二、遠程處理端獲取到實時聲納圖像，每0.5秒取1幀圖片，分別對每幀圖片進行后續(xù)操作；

步驟三、采用對乘性噪聲效果較好的非線性復(fù)擴散模型濾波方法對聲納圖像進行去噪降斑操作；

步驟四、采取k-means聚類方法對去噪聲納圖像進行預(yù)分割；

步驟五、自動確定聲納圖像的目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)，并對預(yù)分割得出的目標(biāo)區(qū)和陰影區(qū)輪廓進行重定義；

步驟六、根據(jù)重定義輪廓，采用變分水平集模型分別對目標(biāo)區(qū)和陰影區(qū)邊緣進行演化，達到分割目的；

步驟七、將分割結(jié)果進行二值化，完成水下目標(biāo)的提取。

上述的一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述步驟三中的降斑操作，將受噪聲影響的聲納圖像平滑后，圖像灰度值為：

其中i、j表示圖像像素點的位置，δ分別為一階、二階導(dǎo)數(shù)，δtⁿ表示圖像的第n次迭代的步長，表示圖像的第n次迭代結(jié)果，表示圖像的第n次迭代的擴散函數(shù)。

上述的一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述將受噪聲影響的聲納圖像平滑過程中，平滑函數(shù)其擴散函數(shù)為自適應(yīng)函數(shù)：

其中，ω>0的常數(shù)時θ→0+，圖像的復(fù)擴散的實部等價于圖像的高斯卷積，圖像的虛部可以視為高斯平滑后二階拉普拉斯邊緣檢測；

式(1)中第n次迭代步長，式(2)參數(shù)ω的定義為：

式(3)中，re(iⁿ)、分別為第n次迭代后圖像實部、圖像實部的一階導(dǎo)數(shù)，為圖像實部的梯度，mean()函數(shù)表示灰度中值，δtⁿ<δtmax最大迭代步長，ωmax、ωmin分別為擴散強度參數(shù)ω的最大閾值與最小閾值：ωmax＝25、ωmin＝5。

上述的一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述步驟五中自動確定聲納圖像三個區(qū)域的方法為：

將三個區(qū)域在分割前的區(qū)域灰度均值進行比較，灰度最大為目標(biāo)區(qū)，最小為陰影區(qū)，并將目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)分別標(biāo)記為jt、jb、js，分別計算k＝1,2,3時，三個區(qū)域各像素點j(i,j)對應(yīng)的灰度中值meanjk(i,j)，并對中值進行排序；

當(dāng)某一區(qū)域灰度中值為三個中值中的最小值minmeanjk(i,j)時，因陰影區(qū)具有最小的灰度均值，此時的第k個類為陰影區(qū)，js＝gk；

當(dāng)某一區(qū)域灰度中值為三個中值中的最大值maxmeanjk(i,j)時，目標(biāo)區(qū)具有最大的灰度均值，此時的第k個類為目標(biāo)區(qū)，jt＝gk；

第三個區(qū)域為為三個中值中的中間值，此時的第k個類為目標(biāo)區(qū)，jb＝gk。

上述的一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述步驟五中對預(yù)分割得出目標(biāo)區(qū)和陰影區(qū)輪廓進行重定義方法為：

先增強邊緣約束：

根據(jù)距離計算函數(shù)d(i,j)進行初始化：

當(dāng)j′(i,j)>0時，

當(dāng)j′(i,j)<0時，

分別為j′(i,j)一階向后差分和一階向前差分：

目標(biāo)區(qū)jt和陰影區(qū)js輪廓重新初始化后分別為dt和ds。

上述的一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，其特征在于，所述步驟六中對目標(biāo)區(qū)和陰影區(qū)邊緣進行演化的過程采用了變分水平集模型，該水平集函數(shù)定義為：

式(6)中大部分根據(jù)圖像信息由前述運算計算得出，可以實現(xiàn)自適應(yīng)水平集參數(shù)控制；

第一項為懲罰項，懲罰項的加權(quán)系數(shù)為μ＝0.2t/ζ，h(φ)、δt分別是為了建立變分水平集模型引入的heaviside函數(shù)和dirac函數(shù)；

第二項為平滑項，平滑項系數(shù)λ0＝0.1/ζ，g為待演化的目標(biāo)區(qū)dt和陰影區(qū)ds；

第三項為保真項，邊緣保持系數(shù)rg＝1-2d；

式(6)水平集函數(shù)中待分割區(qū)域的初始水平集為：

φ0(x,y)＝4t(a-0.5)(7)

式(7)中，a為目標(biāo)區(qū)和陰影區(qū)輪廓重新初始化后的聚類圖dt或ds，對目標(biāo)區(qū)進行水平集演化時，a＝dt≥d0；對陰影區(qū)進行水平集演化時，a＝ds≥d0；d0取0.2。

本發(fā)明的有益效果是：

1)本發(fā)明對針對乘性噪聲突出的側(cè)掃聲納圖像進行自適應(yīng)非線性復(fù)擴散模型濾波，改善側(cè)掃聲納圖像中噪聲問題；

2)本發(fā)明將預(yù)分割結(jié)果輪廓重定義，避免水平集模型演化過程中不斷重定義初始水平集所用時間；

3)本發(fā)明能自動確定聲納圖像的目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)，并選取目標(biāo)區(qū)和陰影區(qū)進行基于變分水平集模型的演化和分割。

以下將結(jié)合附圖對本發(fā)明的構(gòu)思、具體結(jié)構(gòu)及產(chǎn)生的技術(shù)效果作進一步說明，以充分地了解本發(fā)明的目的、特征和效果。

附圖說明

圖1為側(cè)掃聲納成像水下目標(biāo)的提取流程圖。

具體實施方式

本發(fā)明的側(cè)掃聲納成像的水下目標(biāo)快速提取方法及系統(tǒng)，包括裝載聲納成像設(shè)備的水下探測器、傳輸網(wǎng)絡(luò)和遠程處理端。聲納成像設(shè)備置于水下探測器前端，檢測時需要放置于水下；傳輸網(wǎng)絡(luò)可在有線/無線internet、衛(wèi)星通信間切換，視使用場所而定；遠程處理端可安裝于船舶、艦艇，也可以放置于遠程控制中心。

遠程處理模塊包括圖像預(yù)處理模塊、圖像分割模塊和目標(biāo)提取模塊，處理流程參見圖1。

圖像預(yù)處理用于對聲納成像視頻流進行取幀及單幀圖像的去噪。視頻流每0.5秒取1幀圖片；去噪采用可自動調(diào)整的迭代步長、擴散強度參數(shù)的非線性復(fù)擴散模型濾波方法。

所述圖像分割模塊先將聲納圖像進行基于聚類的預(yù)分割；參考聚類結(jié)果自適應(yīng)計算目標(biāo)區(qū)和陰影區(qū)各自水平集方程的演化參數(shù)；對預(yù)分割結(jié)果進行處理，實現(xiàn)兩個待分割區(qū)域：目標(biāo)區(qū)和陰影區(qū)的輪廓重定義，并將其作為水平集演化的初始輪廓；利用變分模型求解水平集方程，得到最終的區(qū)域邊緣。

目標(biāo)提取模塊將目標(biāo)和陰影分割結(jié)果的邊緣分別提取并二值化，實現(xiàn)目標(biāo)和目標(biāo)陰影提取。

一種側(cè)掃聲納成像的水下目標(biāo)快速提取方法，包括如下步驟：

1.圖像預(yù)處理

將獲取到的聲納成像視頻流進行取幀，視頻流每0.5秒取1幀圖片。將每幀圖像灰度化，將灰度化后的聲納圖像i(i,j)進行非線性擴散模型平滑，平滑后圖像灰度值為：

其中i、j表示圖像像素點的位置，δ分別為一階、二階導(dǎo)數(shù)，δtⁿ表示圖像的第n次迭代的步長，表示圖像的第n次迭代結(jié)果，表示圖像的第n次迭代的擴散函數(shù)。

將非線性擴散模型從實數(shù)域擴展到復(fù)數(shù)域，利用圖像的虛部控制擴散函數(shù)，即非線性復(fù)擴散模型，式(1)中的擴散函數(shù)，即非線性復(fù)擴散函數(shù)為

其中，ω>0的常數(shù)時θ→0+，圖像的復(fù)擴散的實部等價于圖像的高斯卷積，圖像的虛部可以視為高斯平滑后二階拉普拉斯邊緣檢測。

根據(jù)復(fù)擴散的穩(wěn)定條件，在迭代過程中，可以改變迭代步長δt可以改變復(fù)擴散的時間；根據(jù)圖像實部梯度值變化來改變擴散強度參數(shù)ω，可以實現(xiàn)在不同區(qū)域不同的擴散速度。

式(1)中第n次迭代步長，式(2)參數(shù)ω的定義為：

式(3)中，re(iⁿ)、分別為第n次迭代后圖像實部、圖像實部的一階導(dǎo)數(shù)，為圖像實部的梯度，δtⁿ<δtmax最大迭代步長。ωmax、ωmin分別為擴散強度參數(shù)ω的最大閾值與最小閾值：ωmax＝25、ωmin＝5。自適應(yīng)非線性復(fù)擴散濾波后的聲納圖像為j(i,j)。

2.基于聚類方法的聲納圖像預(yù)分割

聲納圖像只有目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)三個區(qū)域，因而預(yù)分割的分類數(shù)為3。k-means將j(i,j)的圖像像素坐標(biāo)作為聚類的數(shù)據(jù)點n，每個像素點的灰度值為數(shù)據(jù)xn，類數(shù)量k＝3，將圖像的所有像素點分為k個類的目標(biāo)函數(shù)為：

式(4)中rnk在數(shù)據(jù)點n被歸類到第k類為1，否則為0；中心bk將每個數(shù)據(jù)點歸類到離它最近的那個中心點所代表的類中。

用公式計算出每個cluster的新的中心點。

重復(fù)歸類步驟，一直到迭代了最大的步數(shù)或者前后的f的值相差小于一個閾值為止，即目標(biāo)函數(shù)達到最小。此時，每個像素點都歸屬于唯一一個聚類中心點，即分屬于第k類(k＝1,2,3)。用k-means聚類算法對降斑后的圖像進行粗分割后的分割結(jié)果為gk:{g(i,j)＝k,k＝1,2,3}。

3.聲納圖像的區(qū)域辨別

聲納圖像的灰度值從高到低分別為目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)，根據(jù)該特性，將三個區(qū)域在分割前的區(qū)域灰度均值進行比較，灰度最大為目標(biāo)區(qū)，最小為陰影區(qū)，并將目標(biāo)區(qū)、海底混響區(qū)、陰影區(qū)分別標(biāo)記為jt、jb、js。分別計算k＝1,2,3時，三個區(qū)域各像素點對應(yīng)的j(i,j)灰度中值meanjk(i,j)，并對中值進行排序。

當(dāng)某一區(qū)域灰度中值為三個中值中的最小值minmeanjk(i,j)時，因陰影區(qū)具有最小的灰度均值，此時的第k個類為陰影區(qū)，js＝gk；

當(dāng)某一區(qū)域灰度中值為三個中值中的最大值maxmeanjk(i,j)時，目標(biāo)區(qū)具有最大的灰度均值，此時的第k個類為目標(biāo)區(qū)，jt＝gk；

第三個區(qū)域為為三個中值中的中間值，此時的第k個類為目標(biāo)區(qū)，jb＝gk。

4.目標(biāo)區(qū)和陰影區(qū)輪廓重新初始化

水平集分割的演化過程中，每次迭代時都需要重新初始化零水平集以保證曲線演化的穩(wěn)定與演化結(jié)果的精確，耗時較長。若初始輪廓比較接近最終的演化輪廓，且輪廓內(nèi)外部像素點與該最終輪廓的距離，初始輪廓與水平集數(shù)值計算時更加精確，則重新初始化零水平的時間將大大減少。目標(biāo)區(qū)和陰影區(qū)輪廓重新初始化是對分割區(qū)域內(nèi)外部各點與區(qū)域邊緣的距離進行重新計算，計算方法如下：

先增強邊緣約束：

根據(jù)距離計算函數(shù)d(i,j)進行初始化：

當(dāng)j′(i,j)>0時，

當(dāng)j′(i,j)<0時，

分別為j′(i,j)一階向后差分和一階向前差分：

目標(biāo)區(qū)jt和陰影區(qū)js輪廓重新初始化后分別為dt和ds。

5.目標(biāo)區(qū)和陰影區(qū)邊緣輪廓提取

為獲取分割目標(biāo)的最佳輪廓，本發(fā)明對輪廓演化水平集函數(shù)進行如下定義：

該函數(shù)的第一項為懲罰項，第二項為平滑項，第三項為保真項，g為待演化的目標(biāo)區(qū)和陰影區(qū)(即dt和ds)，式(7)中的參數(shù)定義見表1，大部分根據(jù)圖像信息由前述運算計算得出，可以實現(xiàn)自適應(yīng)控制水平集參數(shù)。

表1水平集演化相關(guān)控制參數(shù)

根據(jù)重定義的聚類分割圖像，定義目標(biāo)區(qū)和陰影區(qū)的初始水平集為：

φ0(x,y)＝4t(a-0.5)(8)

式(8)中，a為目標(biāo)區(qū)和陰影區(qū)輪廓重新初始化后的聚類圖dt或ds。對目標(biāo)區(qū)進行水平集演化時，a＝dt≥d0；對陰影區(qū)進行水平集演化時，a＝ds≥d0；d0取0.2。

水平集演化速度直接影響圖像分割的執(zhí)行速度，因此式(7)中的懲罰項應(yīng)盡可能大，其影響比重為：

式(9)中的h(φ)、δt分別是為了建立變分水平集模型引入的heaviside函數(shù)和dirac函數(shù)，分別定義為

式(7)中懲罰項ζ(φ)的加權(quán)系數(shù)為

μ＝0.2t/ζ(12)

式(12)中的t為邊緣影響因子，根據(jù)聲納圖像受噪聲影響的程度而確定，在演化開始前給定，噪聲越強的聲納圖像，其取值越大。

由于初始輪廓是由預(yù)分割得出的，它與最終輪廓比較接近，因此式(7)中平滑項系數(shù)應(yīng)該盡量?。?/p>

λ0＝0.1/ζ(13)

水平集演化的時間步長與邊緣保持需要謹(jǐn)慎設(shè)置，過大的步長會導(dǎo)致邊緣減弱，過小的步長又會占用更多時間。本發(fā)明將時間步長與懲罰項系數(shù)相關(guān)聯(lián)，時間步長ts＝0.15/μ。

保真項中，較大的rg可以使演化速度加快?；诰垲惖拇址指钪?，已將每個像素點確定為某一個固定區(qū)域中，且重定義后的聚類圖像加強了區(qū)域邊緣，因此將d用作邊緣保持以自適應(yīng)時間步長：

rg＝1-2d(14)

本發(fā)明所構(gòu)建的水平集函數(shù)和設(shè)置的相關(guān)控制參數(shù)都由預(yù)分割結(jié)果得到，可以保持初始邊緣設(shè)置而不用每次迭代前都重新初始化符號距離函數(shù)和邊緣。

6.提取目標(biāo)區(qū)域

對目標(biāo)區(qū)域輪廓二值化即可得到待提取的目標(biāo)。由于聲納圖的三區(qū)域特性，本發(fā)明將目標(biāo)區(qū)設(shè)為白色，陰影區(qū)為黑色，海底混響區(qū)為灰色。即將聲納原圖中，目標(biāo)區(qū)域輪廓內(nèi)的像素點灰度值設(shè)為255，陰影區(qū)域輪廓內(nèi)的像素點灰度值設(shè)為0，其余灰度值為125。

為說明本發(fā)明的目標(biāo)分割和提取過程中的速度，表1給出了三幅真實聲納圖的分割時間，該執(zhí)行時間包括圖像平滑、預(yù)分割、區(qū)域辨別、輪廓重新初始化、輪廓提取及目標(biāo)區(qū)域二值化等步驟。表2同時對比了flicm方法和ersf方法分割執(zhí)行時間。

表2真實聲納圖的分割時間

本發(fā)明提出的側(cè)掃聲納成像的水下目標(biāo)快速提取方法及系統(tǒng)能夠?qū)崟r掃描得到的聲納視頻流進行去噪和分割，完整分割得出目標(biāo)區(qū)、陰影區(qū)邊緣及輪廓，并得到二值化的目標(biāo)，執(zhí)行速度快、準(zhǔn)確度高，為水下探測和目標(biāo)跟蹤提供了可靠保證。

以上詳細描述了本發(fā)明的較佳具體實施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無需創(chuàng)造性勞動就可以根據(jù)本發(fā)明的構(gòu)思做出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過邏輯分析、推理或者有限的實驗可以得到的技術(shù)方案，皆應(yīng)在由權(quán)利要求書所確定的保護范圍內(nèi)。