一种基于像素点分层的声纳图像目标检测方法.pdf

本发明涉及一种基于像素点分层的声纳图像目标检测方法，声纳图像阈值分割后，形成面积大小不等的区域，标记各个8连通域；筛选被标记的区域；将筛选出的图像分层；找出各个区域的中心点；设目标外接矩形长边为a，以该中心点为中心，分割出a*a大小的图像，并将这些图像标号，标记为z1，z2，z3，…zn；求取可能性系数p，m，n：p由人工确定；m＝各层中每个类中像素点的个数；n＝亮点数/区域面积，其中，亮点数为各个层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；计算各区域最小外接矩形和椭圆的形态学特征，对各区域进行筛选；根据可能性系数和目标形态学特征检测并分割出目标区域。

权利要求书
1.  一种基于像素点分层的声纳图像目标检测方法，其特征在于:
步骤1：从声纳设备读取原始声纳图像；
步骤2：将声纳图像的灰度级线性映射到0-255范围内；
步骤3：根据目标灰度平均值om与背景灰度平均值gm的差异度确定阈值p，对声纳图像进行初始分割；
步骤4：声纳图像阈值分割后，形成面积大小不等的区域，标记各个8连通域；
步骤5：筛选被标记的区域；
步骤6：将筛选出的图像分层；
步骤7：找出各个区域的中心点；设目标外接矩形长边为a，以该中心点为中心，分割出a*a大小的图像，并将这些图像标号，标记为z1，z2，z3，…zn；
步骤8：求取可能性系数p，m，n：p由人工确定；m＝各层中每个类中像素点的个数；n＝亮点数/区域面积，其中，亮点数为各个层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；
步骤9：计算各区域最小外接矩形和椭圆的形态学特征，对各区域进行筛选；
步骤10：根据可能性系数和目标形态学特征检测并分割出目标区域；
步骤11：输出目标被标记的声纳图像。

2.  根据权利要求1所述的基于像素点分层的声纳图像目标检测方法，其特征在于：步骤6中，第一层c1为灰度值g大于om的像素点的集合；第二层c2为灰度值g为om-gm<g<om的像素点的集合；第三层c3为灰度值g在gm<g<om-gm之间的像素点的集合；分别处理各层的图像；灰度值在gm以下的像素点直接滤除，不做处理。

3.  根据权利要求2所述的基于像素点分层的声纳图像目标检测方法，其特征在于：步骤10中，设目标可能性为T，T∈{t1，t2，t3，…tn}，t1，t2，t3，…tn 为图像z1，z2，z3，…zn对应的目标可能性，计算公式如下，
tj=Σi=13ni×mi×pi×ci]]>
式中，j＝1,2,…,n，n为分割出的区域个数，ci表示图像的层数，pinimi为可能性系数，其中，ni＝亮点数/区域面积，所说的亮点数为ci层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；mi为ci层中每个类中像素点的个数；pi由人工设定；
若T>TTH，TTH为根据实际目标的特点确定的阈值,则为目标，反之则不是目标。

4.  根据权利要求3所述的基于像素点分层的声纳图像目标检测方法，其特征在于：步骤9中，计算各个区域的最小外接矩形的长宽比LW，如果LW>LWTH，则去掉这个区域；计算各个区域的最小外接椭圆的偏心率e，如果e>eTH，则去掉这个区域，其中LWTH和eTH是根据目标真实目标的尺寸确定的阈值。

5.  根据权利要求4所述的基于像素点分层的声纳图像目标检测方法，其特征在于：步骤5中，去掉面积过大的区域和面积过小的区域，去掉没有包含灰度值g大于目标灰度平均值om的点的区域。

说明书一种基于像素点分层的声纳图像目标检测方法
技术领域
本发明涉及一种基于像素点分层的声纳图像目标检测方法。
背景技术
声纳图像目标检测的目的是从复杂海底混响背景中提取出目标和阴影区域，并尽量保留图像原始边缘信息，它是图像分析的关键步骤。只有在声纳图像准确分割的基础上，才能对水下目标进行特征提取和参数测量，使得更高层次的声纳图像分析和识别成为可能。但是由于水下声场环境的复杂性和声纳设备成像的非线性，所采集到的水下声纳图像具有对比度低、成像质量差、受噪声污染严重等特点。传统的基于边缘信息或统计信息的目标检测方法难以取得高精度、鲁棒性强的检测结果。
图像分层一般用于大容量图像的处理以及对彩色图像的处理等。分层方法也是多种多样，如利用傅里叶变换进行频域图像分层，利用小波变换对图像不同方向的细节进行分层以及利用经验模式多尺度方法将图像分成不同细节层等。
与本发明最相关的现有技术是“基于图像频域方向模板目标检测的方法”专利(公开号CN101866488A)，其采用的是通过傅里叶变换将图像变换到频域，然后在水平方向、垂直方向、45°和135°方向上对侧扫声纳图像进行分解，然后根据投影结果判断是否有目标存在。其方法适用于具有较强纹理特征的侧扫声纳图像，对于包含小目标的声纳图像其方法完全失效。
发明内容
本发明目的在于提供一种基于像素点分层的声纳图像目标检测方法，能够检测出没有阴影、轮廓不清晰且无明显纹理特征的声纳图像小目标。
实现本发明目的技术方案：
一种基于像素点分层的声纳图像目标检测方法，其特征在于:
步骤1：从声纳设备读取原始声纳图像；
步骤2：将声纳图像的灰度级线性映射到0-255范围内；
步骤3：根据目标灰度平均值om与背景灰度平均值gm的差异度确定阈值p，对声纳图像进行初始分割；
步骤4：声纳图像阈值分割后，形成面积大小不等的区域，标记各个8连通域；
步骤5：筛选被标记的区域；
步骤6：将筛选出的图像分层；
步骤7：找出各个区域的中心点；设目标外接矩形长边为a，以该中心点为中心，分割出a*a大小的图像，并将这些图像标号，标记为z1，z2，z3，…zn；
步骤8：求取可能性系数p，m，n：p由人工确定；m＝各层中每个类中像素点的个数；n＝亮点数/区域面积，其中，亮点数为各个层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；
步骤9：计算各区域最小外接矩形和椭圆的形态学特征，对各区域进行筛选；
步骤10：根据可能性系数和目标形态学特征检测并分割出目标区域；
步骤11：输出目标被标记的声纳图像。
步骤6中，第一层c1为灰度值g大于om的像素点的集合；第二层c2为灰度值g为om-gm<g<om的像素点的集合；第三层c3为灰度值g在gm<g<om-gm之间的像素点的集合；分别处理各层的图像；灰度值在gm以下的像素点直接滤除，不做处理。
步骤10中，设目标可能性为T，T∈{t1，t2，t3，…tn}，t1，t2，t3，…tn为图像z1，z2，z3，…zn对应的目标可能性，计算公式如下，
tj=Σi=13ni×mi×pi×ci]]>
式中，j＝1,2，…,n，n为分割出的区域个数。ci表示图像的层数，pinimi为可能性系数，其中，ni＝亮点数/区域面积，所说的亮点数为ci层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；mi为ci层中每个类中像 素点的个数；pi由人工设定；
若T>TTH，TTH为根据实际目标的特点确定的阈值,则为目标，反之则不是目标。
步骤9中，计算各个区域的最小外接矩形的长宽比LW，如果LW>LWTH，则去掉这个区域；计算各个区域的最小外接椭圆的偏心率e，如果e>eTH，则去掉这个区域，其中LWTH和eTH是根据目标真实目标的尺寸确定的阈值。
步骤5中，去掉面积过大的区域和面积过小的区域，去掉没有包含灰度值g大于目标灰度平均值om的点的区域。
本发明具有的有益效果：
本发明根据声纳图像噪声多，分辨率低等特点提出的基于像素点的目标检测方法，即将声纳图像看作是一群像素点的集合，然后结合深度图像的特点，人为给声纳图像添加“深度”信息，即将图像分层，并为各层数据配以系数表征这个“深度”。本发明尤其适用于目标尺寸小，目标轮廓不清晰的声纳目标检测。本发明充分利用了声纳图像的特点，经实验证明，与现有高精度声纳图像目标检测方法相比，本发明在保证高精度声纳图像目标检测前提下，计算量小、对声纳图像目标的检测更加快速。
附图说明
图1是本发明方法流程框图；
图2是实例1原始声纳图像；
图3是实例1的初始分割声纳图；
图4是实例1的像素点分层图(g>om)；
图5是实例1的像素点分层图(om-gm<g<om)；
图6是实例1的像素点分层图(gm<g<om-gm)；
图7是实例1的像素点分层图(g<gm)；
图8是实例1的去掉面积不符合要求后的图像；
图9是实例1的中间处理图像；
图10是实例1的分割后的目标图像；
图11是实例1的检测出的目标标记图；
图12是实例2的原始声纳图像；
图13是实例2的初始分割声纳图；
图14是实例2的像素点分层图(g>om)；
图15是实例2的像素点分层图(om-gm<g<om)；
图16是实例2的像素点分层图(gm<g<om-gm)；
图17是实例2的像素点分层图(g<gm)；
图18是实例2的去掉面积不符合要求后的图像；
图19是实例2的中间处理图像；
图20是实例2的分割后的目标图像；
图21是实例2的检测出的目标标记图。
具体实施方式
如图1所示，本发明基于像素点分层的声纳图像目标检测方法包括如下步骤：
步骤1：从声纳设备读取原始声纳图像；
步骤2：将声纳图像的灰度级线性映射到0-255范围内；
步骤3：初始阈值分割：
选择5*5的模板对声纳图像进行中值滤波。考虑到声纳图像噪声比较大，若采用3*3的模板滤波效果并不明显，而采用7*7或更大邻域的模板会延长声纳图像处理的时间，并且使得本来就不清晰的目标更加模糊。因此采用5*5的模板对声纳图像进行滤波，得到的滤波后的图像效果比较理想。
根据目标灰度平均值om与背景灰度平均值gm的差异度确定阈值p，进行初始分割。
步骤4：标记区域：
声纳图像阈值分割后，转化成二值图像L，形成面积大小不等的区域。用数字标记L的各个8连通域，从1开始标记，其中，区域的像素值为区域本身的标号。
步骤5：筛选被标记的区域；
去掉面积过大的区域和面积过小的区域。去掉没有包含灰度值g大于目标灰度平均值om的点的区域。找出亮目标区g>om的像素个数n的最小值n0，即n0＝min{n}。如果当前区域包含的灰度值om以上的像素点少于n0个则去掉这个 区域。g表示图像F某一点(x,y)的灰度值，om为目标灰度平均值，gm为背景灰度平均值，om和gm均为经验值。具体方法为，选取大于某个阈值th的像素点，求取这些像素点的灰度平均值，作为目标的像素点平均值。由于目标区域灰度平均值比背景区域灰度平均值高，th用一个估计值表示。gm可以用类似的方法得到。
步骤6：将筛选出的图像分层；
第一层c1为灰度值g大于om的像素点的集合；第二层c2为灰度值g为om-gm<g<om(gm为背景灰度平均值)的像素点的集合；第三层c3为灰度值g在gm<g<om-gm之间的像素点的集合；分别处理各层的图像。灰度值在gm以下的像素点主要包含背景噪声，直接滤除，不做处理。
步骤7：找出各个区域的中心点；设目标外接矩形长边为a，以该中心点为中心，分割出a*a大小的图像，并将这些图像标号，标记为z1，z2，z3，…zn；
步骤8：求取可能性系数p，m，n：
定义一个系数p＝p1，p2，p3，表征各个层中的点是目标的可能性大小；定义一个系数m＝m1，m2，m3，…，表征亮点数越多，是目标的可能性越大；定义一个系数n＝n1，n2，n3，…，表征亮点越密集，是目标的可能性越大。其中，p，m，n均为大于0的实数。p由人工确定；m＝各层中每个类中像素点的个数；n＝亮点数/区域面积。其中，亮点数为各个层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积。
步骤9：计算各区域最小外接矩形和椭圆的形态学特征，对各区域进行筛选；
计算各个区域的最小外接矩形的长宽比LW。如果LW>LWTH，则去掉这个区域；计算各个区域的最小外接椭圆的偏心率e。如果e>eTH，则去掉这个区域。其中阈值LWTH和eTH是根据目标真实目标的尺寸确定的阈值。检测不同的目标需要设定不同的阈值。
步骤10：根据可能性系数和目标形态学特征检测并分割出目标区域；
设目标可能性为T，T∈{t1，t2，t3，…tn}，t1，t2，t3，…tn为图像z1，z2，z3，…zn对应的目标可能性，计算公式如下，
tj=Σi=13ni×mi×pi×ci]]>
式中，j＝1,2,…,n，n为分割出的区域个数。ci表示图像的层数，pinimi为可能性系数，其中，ni＝亮点数/区域面积，所说的亮点数为ci层中每个类中包含的亮点个数，区域面积为该类的最小外接圆的面积；mi为ci层中每个类中像素点的个数；pi由人工设定；
若T>TTH，TTH为根据实际目标的特点确定的阈值,则为目标，反之则不是目标。
步骤11：输出目标被标记的声纳图像。若原始声纳图像包含经纬度信息，还可输出目标的经纬度信息。