一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及是一種檢測(cè)聲納圖像的自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法。本發(fā)明包括：采用各向異性的二階鄰域分布特性MRF模型的參數(shù)來(lái)描述聲納圖像的紋理特征，完成聲納圖像的平滑去噪處理；由塊方式的k-均值聚類(lèi)算法確定聲納圖像的初始分割：求出代表每個(gè)窗口的三元樣本，即均值、標(biāo)準(zhǔn)差、灰度最小值；初步判斷目標(biāo)局見(jiàn)區(qū)和陰影區(qū)的大致位置，并自適應(yīng)初始化零水平集函數(shù)：基于自適應(yīng)窄帶水平集進(jìn)行聲納圖像檢測(cè)。本發(fā)明根據(jù)聲納圖像海底混響噪聲嚴(yán)重的特點(diǎn)，提出設(shè)置窄帶區(qū)域，完成了局部尋優(yōu)，避免了已有水平集方法的全局搜索，使海底混響噪聲的影響降到最小，檢測(cè)結(jié)果周?chē)肼暩蓴_小，提高了檢測(cè)速度和精度。
【專(zhuān)利說(shuō)明】一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理【技術(shù)領(lǐng)域】，具體涉及是一種檢測(cè)聲納圖像（sonar image)的 自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法。

【背景技術(shù)】
[0002] 近年來(lái)基于聲納圖像的水下目標(biāo)識(shí)別技術(shù)得到了極大地發(fā)展，其應(yīng)用范圍也越來(lái) 越廣泛，包括軍事探測(cè)、海底測(cè)量、沉船打撈、水下管道檢測(cè)等。但在水下目標(biāo)識(shí)別之前，須 對(duì)聲納圖像進(jìn)行目標(biāo)檢測(cè)和特征提取，聲納圖像水下目標(biāo)檢測(cè)和特征提取在水下目標(biāo)識(shí)別 過(guò)程中具有重要的地位。其中□聲納圖像檢測(cè)的目的是要從復(fù)雜海底混響區(qū)域中提取出目 標(biāo)高亮區(qū)和陰影區(qū)域，并盡量保留圖像原始邊緣信息。
[0003] 水平集方法以一種隱含的方式來(lái)表達(dá)輪廓曲線(xiàn)的演化過(guò)程，并且提供了穩(wěn)定的 數(shù)值解法，算法簡(jiǎn)單、實(shí)現(xiàn)速度快，精度相對(duì)較高，因此，應(yīng)用水平集方法進(jìn)行聲納圖像中 目標(biāo)高亮區(qū)和陰影區(qū)的檢測(cè)具有很好的發(fā)展和應(yīng)用前景。所以，國(guó)內(nèi)外學(xué)者應(yīng)用水平集 方法進(jìn)行聲納圖像目標(biāo)檢測(cè)研究，取得了一定的成果。其中在已有的文獻(xiàn)中最著名和效 果最好的檢測(cè)方法主要包括：1·基于活動(dòng)輪廓和水平集的側(cè)掃聲納圖像分割：2005年 Maria Lianantonakis, Yvan R. Petillot. Sidescan sonar segmentation using active contours and level set methods· IEEE Oceans-Europe, 2005, 1:719-724·提出對(duì)含有海 底沙灘的海床聲納圖像進(jìn)行了檢測(cè)，找到了沙灘區(qū)域的邊界。2.基于紋理算子和活動(dòng)輪廓 的側(cè)掃聲納圖像分割：20〇 7 年 Maria Lianantonakis, Yvan R. Petillot. Sidescan sonar segmentation using texture descriptors and active contours. IEEE Journal of Oceanic Engineering, 2007, 32(3) :744-752提出應(yīng)用含有多個(gè)特征的水平集模型對(duì)含有 海底沙灘的海床聲納圖像進(jìn)行檢測(cè)，找到沙灘區(qū)域的邊界，取得了較好的檢測(cè)效果。3.基 于隱活動(dòng)輪廓的聲納圖像分割：2009年Enfang SANG, Zhengyan SHEN, Chang FAN, Yuanshou LI. Sonar Image Segmentation Based on Implicit Active Contours[C]//2009IEEE International Conference on Intelligent Computing and Intelligent Systems ，Shanghai, China, 2〇〇9:228-231提出通過(guò)改變初始化零水平集完成水下目標(biāo)的檢測(cè)。 4·基于GMRF和水平集模型的聲納圖像分割：2010年Xiu-FenYe, Zhe-HuiZhang, PeterX. Liu, Hong-LingGuan. Sonar image segmentation based on GMRF and level-set models. Ocean Engineering, 2〇10, 37(1) :891-901提出聯(lián)合原始聲納圖像和不同階鄰域的GMRF模 型的紋理特征圖像的局部均值作為主要驅(qū)動(dòng)能量，完成水下聲納圖像目標(biāo)的檢測(cè)。5.基 于水平集改進(jìn)的水下目標(biāo)輪廓提取方法：2010年王興梅，印桂生，門(mén)志國(guó)，葉秀芬·基 于水平集改進(jìn)的水下目標(biāo)輪廓提取方法.哈爾濱工業(yè)大學(xué)學(xué)報(bào).2010,42(4) :660-664 提出利用水下目標(biāo)檢測(cè)結(jié)果確定目標(biāo)演化子區(qū)域，縮小目標(biāo)區(qū)域范圍，同時(shí)在目標(biāo)檢測(cè) 結(jié)果中，根據(jù)目標(biāo)高亮區(qū)和陰影區(qū)的位置，確定各個(gè)目標(biāo)演化子區(qū)域初始閉合曲線(xiàn)的中 心坐標(biāo)，完成水下目標(biāo)檢測(cè)。6.基于改進(jìn)水平集的聲納圖像分割方法：2012年Guangyu Liu,Hongyu Bian,Hong Shi.Sonar Image Segmentation based on an Improved Level Set Method, International Conference on Medical Physics and Biomedical Engineering, 2012, 33:1168-1175提出通過(guò)結(jié)合高帽變換、低帽變換與水平集算法相結(jié)合 的檢測(cè)方法，得到了良好的聲納圖像水下目標(biāo)檢測(cè)效果。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種檢測(cè)精度高，能實(shí)現(xiàn)聲納圖像兩類(lèi)和三類(lèi)檢測(cè)的自適 應(yīng)窄帶水平集的聲納圖像檢測(cè)方法。
[0005] 本發(fā)明的目的是這樣實(shí)現(xiàn)的：
[0006] (1)采用各向異性的二階鄰域分布特性MRF模型的參數(shù)來(lái)描述聲納圖像的紋理特 征，完成聲納圖像的平滑去噪處理；
[0007] (2)由塊方式的k-均值聚類(lèi)算法確定聲納圖像的初始分割：選擇mXm的窗口，將 原始聲納圖像分成η個(gè)互不重疊的mXm窗口，求出代表每個(gè)窗口的三元樣本，即均值、標(biāo)準(zhǔn) 差、灰度最小值；
[0008] (3)初步判斷目標(biāo)高亮區(qū)和陰影區(qū)的大致位置，并自適應(yīng)初始化零水平集函數(shù)：
[0009] (3· 1)去除圖像中含有的孤立區(qū)；
[0010] (3· 2)自適應(yīng)初始化零水平集函數(shù)；
[0011] ⑷基于自適應(yīng)窄帶水平集進(jìn)行聲納圖像檢測(cè)：利用簡(jiǎn)化Mumford-Shah模型的 C-V兩相和Vese-Chan多相窄帶水平集方法進(jìn)行聲納圖像檢測(cè)'得到目標(biāo)咼殼區(qū)和陰影區(qū)。
[0012] 步驟（1)包括：
[0013] (1.1)聲參數(shù)估計(jì)： -二一
[0014] 聲納圖像海底混響區(qū)的分布為Gamma分布GY(y ; Υ，λ)，目標(biāo)高亮區(qū)的分布為正 比例分布ZY(y ;ζ)來(lái)，陰影區(qū)的分布為威布爾分布WY(y ;min，c，α );

【權(quán)利要求】
1. 一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法，其特征在于： (1) 采用各向異性的二階鄰域分布特性MRF模型的參數(shù)來(lái)描述聲納圖像的紋理特征， 完成聲納圖像的平滑去噪處理； (2) 由塊方式的k-均值聚類(lèi)算法確定聲納圖像的初始分割：選擇mXm的窗口，將原始 聲納圖像分成η個(gè)互不重疊的mx m窗口，求出代表每個(gè)窗口的三元樣本，即均值、標(biāo)準(zhǔn)差、 灰度最小值； (3) 初步判斷目標(biāo)高亮區(qū)和陰影區(qū)的大致位置，并自適應(yīng)初始化零水平集函數(shù)： (3. 1)去除圖像中含有的孤立區(qū)； (3.2)自適應(yīng)初始化零水平集函數(shù)； (4) 基于自適應(yīng)窄帶水平集進(jìn)行聲納圖像檢測(cè)：利用簡(jiǎn)化Mumford-Shah模型的C-V兩 相和Vese-Chan多相窄帶水平集方法進(jìn)行聲納圖像檢測(cè)，得到目標(biāo)高亮區(qū)和陰影區(qū)。
2. 根據(jù)權(quán)利要求1所述的一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法，其特征在于： 所述步驟（1)包括： (1. 1)聲參數(shù)估計(jì)： 聲納圖像海底混響區(qū)的分布為Gamma分布GY(y ; Y，λ )，目標(biāo)高亮區(qū)的分布為正比例 分布ZY(y ;ζ)來(lái)，陰影區(qū)的分布為威布爾分布WY(y ;min，C，α );
y為圖像各像素點(diǎn)的灰度值；Υ為形狀參數(shù)；λ為尺度參數(shù)；Γ ( ·)為Gamma函數(shù)； 形狀參數(shù)Y估計(jì)：
尺度參數(shù)λ估計(jì)：
對(duì)于圖像中所有的像素心f有
* q = 1，2 ;m為圖像所包含的像素總個(gè)數(shù)， 正比例分布的概率密度為：
y多155為圖像各像素點(diǎn)的灰度值； 參數(shù)z的估計(jì)值為：
y > I55為圖像各像素點(diǎn)的灰度值;Μ為圖像所包含的像素總個(gè)數(shù)； 威布爾分布的概率密度為：
y > min為圖像各像素點(diǎn)的灰度值；C > 0為形狀參數(shù)；α > 〇為尺度參數(shù)； 由最大似然估計(jì)，得到參數(shù)估計(jì)值：
i_為圖像灰度序列中的最小像素值；(._i: _min)，Yi為像素點(diǎn)的灰度值;M為圖像所 含像素的總個(gè)數(shù)； (1. 2)空間鄰域MRF模型參數(shù)估計(jì)： 聲納圖像f在平面Ω上具有與鄰域系統(tǒng)η相關(guān)的MRF性，f中的一個(gè)位置s，其二階 鄰域系統(tǒng)為'： ? .....1 )τ.、..[ (ι，ιχ⑴'-1)"、· s + + (-1，1)，'ν + (I, U)*.v +(0*1)} 建立的空間鄰域MRF模型參數(shù)β α，^ : [爲(wèi),Λ=Α'.. .. VJ,.·. 1 馬'"鳴.... Ts矩陣為：
is+(i,j)定戸納囹1豕1屮的一個(gè)位置s的二階鄰域內(nèi)像素點(diǎn)的像素值 β (ij用最小二乘法可求得參數(shù)的估計(jì)值為：
(1. 3)平滑去噪： 將平滑去噪聲納圖像f用一個(gè)與二階對(duì)稱(chēng)鄰域系統(tǒng)€相關(guān)的分布特性MRF模型來(lái)描 述：
對(duì)于聲納圖像中的每一個(gè)像素點(diǎn)，分別計(jì)算服從海底混響區(qū)、陰影和目標(biāo)高亮區(qū)的分 布，對(duì)于每一個(gè)像素點(diǎn)的計(jì)算結(jié)果，取最大的值作為FB的值。
3·根據(jù)權(quán)利要求1或2所述的一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法，其特征在 于，所述步驟（2)包括： '、 (2. 1)設(shè)聚類(lèi)數(shù)為q，選q個(gè)窗口的三元樣本作為初始聚類(lèi)中心，將其他窗口的三元樣 本歸類(lèi)到與它歐氏距離最小的聚類(lèi)中心所代表的類(lèi)上； (2.2)通過(guò)求每個(gè)類(lèi)所有窗口三元樣本的均值，更新聚類(lèi)中心，并重新聚類(lèi)； (2. 3)重復(fù)步驟（2. 2)，直到聚類(lèi)中心不變。
4.根據(jù)權(quán)利要求3所述的一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法，其特征在于， 所述步驟（3)包括： 在塊方式的卜均值聚類(lèi)算法確定聲納圖像的陰影區(qū)或者目標(biāo)高亮區(qū)和陰影區(qū)后，采 用數(shù)學(xué)形態(tài)學(xué)開(kāi)操作去除孤立區(qū)，得到二值圖像結(jié)果，對(duì)二值圖像上目標(biāo)的邊緣點(diǎn)用灰度 值255標(biāo)記，其它用灰度值0標(biāo)記，得到標(biāo)記結(jié)果圖，根據(jù)標(biāo)記結(jié)果重新掃描整幅圖像，當(dāng)遇 到白色的點(diǎn)時(shí)，將這個(gè)點(diǎn)周?chē)?2Xrange) Xrange矩陣區(qū)域的白色去除，記錄這個(gè)區(qū)域的 坐標(biāo)位置，通過(guò)坐標(biāo)位置和矩陣的長(zhǎng)寬確定圓的中心坐標(biāo)位置和圓的半徑，依次掃描直到 整幅圖像結(jié)束確定圓的個(gè)數(shù)，即自適應(yīng)確定初始水平集函數(shù)。
5·根據(jù)權(quán)利要求4所述的一種自適應(yīng)窄帶水平集的聲納圖像檢測(cè)方法，|特征在于， 所述步驟⑷包括： ~ 根據(jù)零水平集建立窄帶區(qū)域，然后根據(jù)迭代方程求水平集函數(shù)值，判斷是否收斂，如果 收斂結(jié)束迭代，得到檢測(cè)結(jié)果；否則重新建立窄帶區(qū)域，簡(jiǎn)化Mumf 〇r d_shah模型的c-v兩相 窄帶水平集方法的窄帶函數(shù)為
……IN-?-…廠，，"必小間豕空間上的二維連續(xù)坐標(biāo)，歐拉-拉格朗日方 fe為
Vese-Chan多相水平集的窄帶方法為
r為窄帶區(qū)域?qū)挾鹊囊话耄?為邏輯運(yùn)算或，歐拉-拉格朗日方程為
5
【文檔編號(hào)】G06T5/00GK104217422SQ201410239305
【公開(kāi)日】2014年12月17日 申請(qǐng)日期:2014年6月3日 優(yōu)先權(quán)日:2014年6月3日
【發(fā)明者】王興梅, 印桂生, 劉志鵬, 李林, 姜守軒, 孫建闖 申請(qǐng)人:哈爾濱工程大學(xué)