CN105403890A - 一种基于行列特征向量相关的目标探测方法 - Google Patents

Abstract

本发明属于数字图像处理领域，具体涉及一种主要用于在声纳图像中探测水下目标的基于行列特征向量相关的目标探测方法。本发明包括：对图像通过自定义阈值的二值化方法进行二值化处理；对二值化后的图像进行形态学处理；对经过形态学处理后的图像通过Sobel边缘检测算法进行边缘提取；利用边缘信息通过基于Hough变换的圆弧检测算法进行圆弧检测；对可疑区域做归一化处理；将理想圆形图像作为模板，求其行特征向量、列特征向量。本发明提出了一种可以简单高效的表示圆形或近似圆形目标区域特征的特征向量，通过行列特征向量筛选可以有效去除非目标区域，因此可以有效减小目标探测的虚警概率。

Description

一种基于行列特征向量相关的目标探测方法

技术领域

本发明属于数字图像处理领域，具体涉及一种主要用于在声纳图像中探测水下目标的基于行列特征向量相关的目标探测方法。

背景技术

目标探测是指确定单一图像或序列图像中是否有目标并将感兴趣的目标区域和不感兴趣的背景区域分开的一种操作。它往往会利用已知的先验知识，计算相关的特征量，并利用这些特征量区分目标与背景。目前水声目标探测技术被广泛应用于石油勘探、水下地形观察、深海管线探查、水下物体打捞、海洋渔业等领域。军事方面，浅海地区水雷探测已经成了各国海军的重大难题。而成像声纳可大范围探测水下区域，因此利用成像声纳探测水雷目标已经成了各国研究热点。

在浅海地区进行水雷探测是十分困难的。水雷目标小且常隐藏于一些人造障碍物中。美国海面战研中心在水雷目标自动或半自动探测方面进行了进十年研究，利用非可交换群谐波分析理论，研制出了能有效降低虚警概率的多算法融合水雷目标探测方法。该方法可以快速处理声纳图像，提取可疑区域。

加拿大伯灵顿研究人员MartinG.Bello也对基于声纳图像的水雷目标探测进行了大量研究，采取了基于神经网络的目标探测识别方法。该算法可以分为四个部分，分别为：声纳图像的预处理、可疑区域提取、可疑区域特征提取、神经网络识别。从其工作特性曲线可以看出在检测概率一定的条件下，该***具有较低的虚警概率。

目前国外学者已经对水雷目标探测方法进行了大量研究，得到了一些高效的基于声纳图像的目标探测方法。而国内的相应研究还处于起步阶段，还没有成型的相应产品。目标探测并提取的结果将会直接影响目标识别的处理结果，因此对于目标探测方法的研究是有重要意义的。

本发明主要提出的是一种基于目标行列特征向量相关的目标探测方法。通过与文献[1]所述方法进行对比，证实了此方法在有效提取目标的同时可以有效降低虚警概率。

与本发明相关的参考文献包括：J.ChenandZ.Gong,ADetectionMethodBasedonSonarImageforUnderwaterPipelineTracker.MACE2011,pp.3766-3769.

发明内容

本发明的目的是提供一种基于行列特征向量相关的目标探测方法

本发明的目的是这样实现的：

(1)对图像通过自定义阈值的二值化方法进行二值化处理；

(2)对二值化后的图像进行形态学处理，以减少图像中点状噪声并填补目标区域中的漏洞；

(3)对经过形态学处理后的图像通过Sobel边缘检测算法进行边缘提取；

(4)利用边缘信息通过基于Hough变换的圆弧检测算法进行圆弧检测，并将超过检测阈值的圆弧所在区域视为可疑区域；

(5)对可疑区域做归一化处理，进行行求和和列求和计算其行特征向量和列特征向量；

(6)将理想圆形图像作为模板，求其行特征向量、列特征向量；计算模板特征向量与可疑区域特征向量的相关系数，并设置阈值，将相关系数超过阈值的区域视为目标区域：

与现有技术相比，本发明的有益效果是：

本发明提出了一种可以简单高效的表示圆形或近似圆形目标区域特征的特征向量，即行特征向量和列特征向量。这种特征向量通过计算可疑区域的行和、列和即可得到，计算量较小，且仅通过求取模板与可疑区域的相关系数即可对可疑区域进行筛选。由于这种特征向量可以有效的表达圆形目标区域的特征，通过行列特征向量筛选可以有效去除非目标区域，因此可以有效减小目标探测的虚警概率。

附图说明

图1为待检测图像，其中红色部分为目标区域；

图2为待检测图像的伪彩色图像；

图3为Hough变换提取可疑区域的处理结果；

图4为截取出的可疑区域；

图5(a)为模板图像；

图5(b)为模板图像的行特征向量；

图5(c)为模板图像的列特征向量；

图5(d)为可疑区域一；

图5(e)为可疑区域一的行特征向量；

图5(f)为可疑区域一的列特征向量；

图5(g)为可疑区域二；

图5(h)为可疑区域二的行特征向量；

图5(i)为可疑区域二的列特征向量；

图5(j)为可疑区域三；

图5(k)为可疑区域三的行特征向量；

图5(l)为可疑区域三的列特征向量；

图6为另一幅侧扫声纳图像原图，其中红色部分为目标区域；

图7为基于行列特征向量相关的目标探测结果一；

图8为基于Gabor小波的目标探测结果一；

图9为基于行列特征向量相关的目标探测结果二；

图10为基于Gabor小波的目标探测结果二。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明提供了一种在高带噪图像中检测圆形(或者近似圆形)目标的方法。这是一种利用目标行和列特征向量对带噪图像可疑区域进行筛选的目标探测方法。大部分情况下，人造水下物体都会有可用的圆弧存在。因此我们首先对带噪图像进行形态学处理，然后使用Hough变换来标记圆弧，找到可疑区域。对于每个可疑区域，我们计算其行和与列和，分别作为行特征向量(RowSumVector,RSV)与列特征向量(ColumnSumVector,CSV)。求所得特征向量与先验的特征向量的相关系数，大的相关系数意味着可疑区域与目标先验信息有着高的形状相似度。通过此原理，我们可以从可疑目标区域筛选出目标区域。本发明包括：

(1)对灰度图像进行二值化处理；

(2)对二值化后的图像进行形态学处理；

(3)利用Sobel算子进行边缘提取；

(4)利用Hough变换对圆弧进行检测，并将可识别的圆弧所在区域视为可疑区域；

(5)对可疑区域进行归一化处理，并分别进行行累加和列累加，得到可疑区域的行特征向量和列特征向量；

(6)求取圆形模板图像的行列特征向量和可疑区域的行列特征向量的相关系数，并设置阈值，将相关系数超过阈值的区域视为目标区域；

(7)利用两幅侧扫声纳图像进行实验并与一种基于Gabor变换的目标识别算法进行对比，证明了本方法在检测效果相似的条件下具有更低的虚警。

其中：

(1)对待处理图像进行二值化

待处理图像灰度图如图1所示，是由侧扫声纳获得的声纳图像，含有大量噪声，目标区域已经被涂红。为了更清楚的显示目标区域对其进行伪彩色处理，处理结果如图2所示。

首先对灰度图像进行二值化处理，这里采用的是一种自定义阈值的方法。

(2)对二值化后的图像进行形态学处理

形态学操作主要包括膨胀、腐蚀、开操作、闭操作等。形态学处理可以有效去除图像中的点状噪声，并填补目标区域内的孔洞。

(3)预处理后利用Sobel算子对其进行边缘提取

Sobel边缘检测算子是一种梯度的检测方法，其原理是通过在待检测点的邻域内进行加权求和，确定待检测点是否为极值点，进而确定中心像素是否为边缘点。

Sobel边缘检测算子的数学表达式为：

S(i,j)＝|f_x|+|f_y|

其中，f_x和f_y可用如下卷积模板表示：

(4)利用Hough变换进行圆检测

Hough变换是数字图像处理中常用的圆检测方法，其检测的基本参数为圆心坐标与圆半径。设点集{(x_i,y_i)|i＝1,2,…,n}是由检测空间中某一圆上的所有点组成的，圆心所标为(a,b)，半径为r，此圆在直角坐标系下的方程为：

(x_i-a)²+(y_i-b)²＝r²

则图像上一点(x,y)在参数坐标系中的方程可写为：

(a-x)²+(b-y)²＝r²

该方程为三位锥面，因此圆上每一点均与参数空间中一个三位锥面对应，而同一圆上的点将在参数空间中交于一点，此点的坐标将会显示直角坐标系中圆的位置和半径信息。具体步骤如下：

1)利用先验知识确定圆半径的检测范围，并根据此范围和图像实际大小建立参数空间，将每一点置零。

2)将图像上的每一点映射至参数空间并进行累加。

3)设置阈值，在参数空间中进行过阈值检测，则这些点在参数空间中的位置信息将会反映被检测圆的参数信息。

4)将检测出的圆在灰度图上标注出来。

Hough变换进行圆检测的结果如图3所示。

(5)利用行列特征向量相关法对可疑区域进行筛选

先将可疑区域截取出来，截取结果如图4所示。目标的模板图像如图5(a)所示，对其进行行累加和列累加可得到行特征向量和列特征向量。则行特征向量可表示为

列特征向量可表示为：

模板图像的行特征向量和列特征向量分别如图5(b)和图6所示。在灰度图中将可疑区域按正方形进行截取，分别求其行特征向量和列特征向量。

(6)对可疑区域进行归一化处理，并计算可疑区域特征向量与模板特征向量的相关系数，以进行目标区域筛选。

分别求取与模板图像的行特征向量和列特征向量的相关系数，相关系数可表示为：

其中x和y分别为模板图像的特征向量和可疑区域的特征向量进行阈值检测，相关系数超过一定值的可被视为目标区域。

图5(d)(g)(j)分别为三种典型的可疑区域，其中图5(d)为目标区域，图5(e)(f)分别为其行特征向量和列特征向量，可以发现其行、列特征向量均与模板图像的行、列特征向量较为相似，相关系数分别达到0.7625和0.9360。而图5(g)的行特征向量较为相似，列特征向量差别较大，相关系数分别为0.6167和0.0113，因此将其排除。而图5(j)的列特征向量较为相似，行特征向量相差较大，相关系数分别为0.0864和0.2724，因此也将之排除。

最终将检测结果标出，如图7所示。其中红色部分为目标区域。

(7)与一种基于Gabor变换的目标识别算法进行对比

文献[1]中所描述的算法是一种基于Gabor小波的目标检测算法。将之实现后与本发明处理结果进行比较，发现在均能将目标区域标出的条件下，本发明的算法具有更少的虚警。后又对另一幅含有圆形目标的声纳图像进行处理，其原图如图6，处理结果如图9所示。发现本发明同样具有较少的虚警。

Claims (1)

1.一种基于行列特征向量相关的目标探测方法，其特征在于，包括如下步骤：

(1)对图像通过自定义阈值的二值化方法进行二值化处理；

(2)对二值化后的图像进行形态学处理，以减少图像中点状噪声并填补目标区域中的漏洞；

(3)对经过形态学处理后的图像通过Sobel边缘检测算法进行边缘提取；

(4)利用边缘信息通过基于Hough变换的圆弧检测算法进行圆弧检测，并将超过检测阈值的圆弧所在区域视为可疑区域；

(5)对可疑区域做归一化处理，进行行求和和列求和计算其行特征向量和列特征向量；

$RSV=\underset{j}{\Σ}I(i,j);$

$CSV=\underset{i}{\Σ}I(i,j)$

(6)将理想圆形图像作为模板，求其行特征向量、列特征向量；计算模板特征向量与可疑区域特征向量的相关系数，并设置阈值，将相关系数超过阈值的区域视为目标区域：

$r=\frac{\underset{i=1}{\overset{n}{\Σ}}\left(x_i-\stackrel{\‾}{x}\right)\left(y_i-\stackrel{\‾}{y}\right)}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{\left(x_i-\stackrel{\‾}{x}\right)}^2\·\underset{i=1}{\overset{n}{\Σ}}{\left(y_i-\stackrel{\‾}{y}\right)}^2}}=\frac{n\underset{i=1}{\overset{n}{\Σ}}{x}_i{y}_i-\underset{i=1}{\overset{n}{\Σ}}{x}_i\·\underset{i=1}{\overset{n}{\Σ}}{y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\Σ}}{x}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{x}_i\right)}^2}\·\sqrt{n\underset{i=1}{\overset{n}{\Σ}}{y}_i^2-{\left(\underset{i=1}{\overset{n}{\Σ}}{y}_i\right)}^2}}.$