CN109559321A - 一种声呐图像分割方法和设备 - Google Patents
一种声呐图像分割方法和设备 Download PDFInfo
- Publication number
- CN109559321A CN109559321A CN201811435393.3A CN201811435393A CN109559321A CN 109559321 A CN109559321 A CN 109559321A CN 201811435393 A CN201811435393 A CN 201811435393A CN 109559321 A CN109559321 A CN 109559321A
- Authority
- CN
- China
- Prior art keywords
- tree
- spanning tree
- directed graph
- sonar
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声呐图像分割方法和设备,所述方法包括:使用声呐原始数据建立无向图;在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。本发明实施例在分割过程中使用声呐原始数据,最大化地不损失目标的信息,减小噪声对于分割过程的影响;本发明实施例的提出在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,兼顾了声呐数据目标区梯度波动大、背景区梯度波动不明显的特点,得到了用于目标检测的准确分割效果。
Description
技术领域
本发明涉及图像处理领域,尤指一种声呐图像分割方法和设备。
背景技术
随着人类的技术的发展和对自然的不断探索,对于海洋的认识越来越深刻,各种海洋资源成为日益重要的储备资源。频繁的各类水下作业需要良好的探测工具。声学信号在水下的衰减低,具有较远的可视距离,在水下的表现远远优于其他成像方式,因而成为水下探测的主要工具。在水下目标检测领域,由于水下通信的带宽有限,功率有限,通过侧扫声呐***将数据实时传输给计算机并进行人工检测不仅耗时耗能,而且由于声呐成像时形成的形变和噪声使得图像与光学图像具有较大不同,不易直观理解,对声呐目标的人工检测,需要检测操作人员具有非常丰富的经验,但实际检测效果也不佳。因此,对实时声呐数据进行目标自动分割检测与判断,将会减小水下数据传输压力,加快目标检测识别的效率及准确率。
声呐扫描水下海底,含有目标的声呐图像通常分为三个部分:(1)目标高亮区域;(2)阴影区域;(3)海底混响区域。目标高亮区域与阴影区域分别对应的是声波在物体上的反射形成的强回波区域以及物体遮挡使得后方无法接受声波并反射形成的声学阴影区域。剩下的区域是所谓的海底混响区域,它是由粗糙的海底的声波散射引起的。通常高亮区域以及阴影区域的形状和大小可以用于目标对象的分类和分析。但由于海底混响区域具有很强的斑点噪声,给声呐图像的分割造成了很大的困难。
针对声呐图像水下目标的分割方法,早期是通过阈值分割的方法,依据图像中目标、阴影与背景的灰度值差异将目标区、阴影区从海底背景区中提取出来。这种方法在图像的目标与背景灰度值相差较大且目标灰度级非常集中时效果较好,反之则效果变差。由于声呐成像特点,目标灰度级会随着目标距离声呐的距离增大而减小,单纯地依据阈值来进行分割往往会使得分割结果出错。近几年提出了几种新的水声图像分割方法,主要包括模糊聚类分割法、基于活动轮廓的分割法、马尔科夫随机场分割法和基于分形理论的分割法等。
基于模糊聚类的分割算法,在确定初始聚类中心后,计算每一点对聚类中心的隶属程度,后按照隶属程度更新聚类中心,直到各个样本的隶属度值稳定。该算法引入了模糊数学的概念,具有较好的抗噪性,分割精度高,但是每次更新聚类中心时都需重新计算每一个点到原聚类中心的隶属度,用时长,分割效率低,不适用于实时水声的图像分割。基于活动轮廓的分割法,其关键思想是选取初始零水平集函数,利用区域能量最小化的思想,将零水平集函数驱动到目标区域的边缘,实现分割。其中零水平集函数的选取十分重要,若选择不当,会因陷入局部能量最小值而造成错误分割。因此这类方法通常作为精细分割,在粗略得到目标形状后使用,使得能够精准的提取目标边界。基于马尔科夫随机场的方法可以结合上下文信息,不断对分割结果进行改进。将各个像素值看成是具有一定概率分布的随机过程,利用这一概率密度函数以及马尔科夫随机场模型,建立表示分割结果的标记场,并找到以最大概率得到图像的物体组合。这种方法能够准确描述图像中每个像素所属类别,以及其与周围像素之间的依赖关系,但若想实现准确分割,需要明确像素在各个区域中的分布特征。基于分形理论的分割法是利用图像的分形维数特征进行分割。自然纹理具有分形特征,而人造物体不具有分形特征,因此通过人造物体与自然景区的分形维数不同,可将目标分割出来。
另外,现有方法是针对声呐图像进行处理,而在声呐数据转化为图像时,需要经过一系列变换,这些变换会使得图像损失了部分目标的强反射信号,同时也会增强噪声对目标的干扰,导致在声呐图像上分割的准确度降低,容易造成小目标丢失;如果直接使用现有方法对声呐原始数据进行处理,由于声呐数据与声呐图像的不同特点,往往会造成目标的错误分割。
发明内容
为了解决上述技术问题,本发明提供了一种声呐图像分割方法和设备,充分利用声呐回波数据特点,对均一的背景噪声有很好的容忍度,且能够得到准确的分割结果。
为了达到本发明目的,本发明提供了一种声呐图像分割方法,包括:
使用声呐原始数据建立无向图;
在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。
可选地,所述使用声呐原始数据建立无向图,包括:
将所述声呐原始数据中所有的点构成点集V,将所述声呐原始数据中所有连接相邻两点的边构成边集E,相邻两点的数据值之差为边的权重,点集V和边集E构成无向图G(E,V)。
可选地,通过所述最小生成树对所述无向图进行分割,包括:
将所述无向图中边的权重从小到大排序,依次对所述无向图中的边进行合并判断,在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最小生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
可选地,所述两棵树符合最小生成树相似性条件包括:
Dmin(C1,C2)<min(Dmin(C1)+d1,Dmin(C2)+d2)
其中,
Dmin(C1,C2)为所述当前要进行生长的边的权重最小值,min(Dmin(C1)+d1,Dmin(C2)+d2)表示取Dmin(C1)+d1和Dmin(C2)+d2中的最小值,Dmin(C1)为树C1中边的权重最大值,Dmin(C2)为树C2中边的权重最大值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数,ε为所述无向图中所有边权重的均值。
可选地,通过所述最大生成树对所述无向图进行分割,包括:
将所述无向图中边的权重从大到小排序;
在最大生成树起始生长时,确定当前要进行生长的边属于目标区域;
在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最大生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
可选地,所述在最大生成树起始生长时,确定当前要进行生长的边属于目标区域,包括:
在所述最大生成树起始生长时,确定当前要进行生长的边中两个顶点的最大值大于预设的阈值。
可选地,所述两棵树符合最大生成树相似性条件包括:
Dmax(C1,C2)>max(Dmax(C1)-k1,Dmax(C2)-k2)
其中,
Dmax(C1,C2)为所述当前要进行生长的边的权重最大值,max(Dmax(C1)-k1,Dmax(C2)-k2)表示取Dmax(C1)-k1和Dmax(C2)-k2中的最大值,Dmax(C1)为树C1中边的权重最小值,Dmax(C2)为树C2中边的权重最小值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数,表示树C1中边的最大权重和最小权重之差,表示树C2中边的最大权重和最小权重之差。
可选地,所述最小生成树和最大生成树同时生长,所述方法还包括:在所述最小生成树和最大生成树生长过程中,对每棵树的信息实时更新,更新的内容包括如下至少之一:
树中包含的点的数量;
树的边界位置信息;
树的中心点位置信息;
树的类别标签信息。
可选地,所述在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割之后,还包括:
合并过分割区域。
可选地,所述合并过分割区域,包括:
获取每个目标区域的中心位置,根据所述中心位置对检测到的线形区域进行合并。
可选地,所述合并过分割区域之后,所述方法还包括:对目标区域进行尺寸检测和/或显著性检测,将检测通过的目标区域作为真实目标,将检测未通过的目标区域作为虚假目标。
本发明还提供一种声呐图像分割设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述声呐图像分割方法。
本发明实施例包括:使用声呐原始数据建立无向图;在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。本发明实施例在分割过程中使用声呐原始数据,最大化地不损失目标的信息,减小噪声对于分割过程的影响;本发明实施例的提出在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割(两极生成森林算法),兼顾了声呐数据目标区梯度波动大、背景区梯度波动不明显的特点,得到了用于目标检测的准确分割效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为声呐原始数据与图像数据对比图;
图2为声呐原始数据与其梯度图相关性对比图;
图3为本发明实施例的声呐图像分割方法的流程图;
图4为本发明实施例的声呐数据直方图及威布尔拟合曲线图;
图5为本发明实施例的声呐数据背景及亮区概率密度曲线图;
图6为本发明实施例的两极生成森林算法的生成示意图;
图7为本发明另一实施例的声呐图像分割方法的流程图;
图8为本发明实施例的声呐图像与其初始分割结果示例图;
图9为本发明实施例的对有轻微曲率的曲线的识别方法;
图10为本发明实施例的声呐图像与其最终分割结果示例图;
图11为本发明实施例的检测方法的结构框图;
图12为声呐图像形变示意图;
图13为本发明实施例的显著性检测中目标区域与背景区域;
图14为本发明实施例的声呐图像分割装置的示意图;
图15为本发明实施例的声呐图像分割设备的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
声呐原始数据的分辨率高,数据量大,在显示时,需要经过一系列变换。首先数据进行降采样,将横向分辨率从1万多降低到适应屏幕显示的2000左右,同时将长度为2字节的数据通过窗宽窗位的调整压缩到适合灰度图像显示的1字节长度,最后进行gamma变换对图像进行增强,优化灰度图像的视觉效果。图1是原始数据与经过变换后的图像数据的对比。由图1可见,在原始数据经过上述处理后,图像损失了目标的强反射信号,增强了噪声对真实目标的干扰,使得在灰度图像上分割的准确度降低,尤其是容易遗失针对小目标的分割。
对原始数据进行梯度分析,定义梯度为相邻像素值的强度差。由于数据不在0-255之间,无法直接用图像表示,因此对所有数据进行伪彩色染色,数据取值范围为0-5000,值越高越偏暖。如图2所示,左侧一列为原始数据的染色图,右边一列为对应的梯度图的染色图,对此可发现声呐原始数据与其梯度图有很强的相关性,且每个区域内部梯度与区域的反射回波强度呈现正相关性,区域内部的回波信号越强,区域内部波动越显著。这样的数据若直接用图像处理的方法进行处理,由于声呐目标区域亮度值较大,其内部波动性显著,当采用图像处理的方法时,这一显著的波动性可被理解为极强的噪声,使得分割效果变差,严重情况下则会造成错误分割。
本发明实施例中,根据上述声呐原始数据特点,以及目标区域强反射的特征,提出了两级生成森林的算法。
两极生成森林算法是在最小生成树的基础上,在分割过程中引入最大生成树,使得原始数据中弱反射背景区域通过最小生成树被分割为一个或多个整体,而强反射目标区域通过最大生成树被分割为一个或多个整体。最小生成树和最大生成树同时生长,直到所有的点都被遍历,生长结束。因此被称为两极生成森林算法。
本发明实施例中,对图像进行基本的分割后,还对过分割的部分进行后处理:在数据中比较普遍的线形区域在分割过程中容易被过分割为多个独立的子区域,为了降低虚警率还对线型区域进行检测与合并。
如图3所示,本发明实施例的声呐图像分割方法,包括:
步骤101,使用声呐原始数据建立无向图。
设声呐原始数据每一个点定义为v,连接相邻两点的边定义为e,相邻两点vi和vj的边e的权重w定义为这两点数据值之差,即:
将所述声呐原始数据中所有的点构成点集V,将所述声呐原始数据中所有连接相邻两点的边构成边集E,点集V和边集E构成无向图G(E,V)。
步骤102,在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。
本步骤中,对所有边按照权重值进行排序,执行最小生成树和最大生成树之间的生长合并,其中,最小生成树和最大生成树之间的生长合并是相互独立的。
对于最小生成树,将所述无向图中边的权重从小到大排序,依次对所述无向图中的边进行合并判断,在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树相似性一致(即满足最小生成树相似性条件)时,将这条边合并,即将所述当前要进行生长的边连接的两棵树合并。否则按照排好的顺序选择下一条边继续进行合并判断。
同理,对于最大生成树,其生长规则与最小生成树相似,其权重值是按照由大到小的顺序排序,再依次选择边进行合并判断。
在最小生成树生长过程中,若要对两棵树的相似性进行判断,首先要分别确定这两棵树的内部均一性:定义最小生成树C内部均一性Dmin(C),为树C中所有边权重值的最大值:
其次要确定这两棵树的均一性Dmin(C1,C2),为分别属于两棵树C1、C2的相邻边(即当前要进行生长的边)的权重最小值:
一般情况下,若两棵树均一性满足如下条件时,两棵树可以合并:
Dmin(C1,C2)<min(Dmin(C1),Dmin(C2))
但在最小生成树的合并过程中,经常会遇到树的生长停滞问题:树中所有边的权重值都小于与其相邻的未连接边,最小生成树无法生长。为了解决这一问题,定义了内部均一性度量d:
其中size()指树中节点个数,ε为正常量。ε的选择很大程度上影响了分割结果的精细程度。当ε过小时,大部分背景区域无法开始生长,造成过分割,当ε过大时,整张图大部分被连接成一个区域,造成漏分割。在声呐数据中,背景区域所占比例巨大,亮区比例很小,为确保背景区域可以进行生长,ε取无向图中所有边权重的均值,即
其中E为无向图中所有的边权重构成的边集,N为边集E中边的个数。起始生长时,均一性度量d在生长过程中占据主导地位,随着一棵树的尺寸增大,d的值迅速减小,区域间的相似性判断会逐渐占据主导因素。
当两棵树均一性满足如下最小生成树相似性条件时,两棵最小生成树可以合并:
Dmin(C1,C2)<min(Dmin(C1)+d1,Dmin(C2)+d2)
其中,min(Dmin(C1)+d1,Dmin(C2)+d2)表示取Dmin(C1)+d1和Dmin(C2)+d2中的最小值,Dmin(C1)为树C1中边的权重最大值,Dmin(C2)为树C2中边的权重最大值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数。
而在最大生成树生长过程中,为了使得通过最大树生长合并得到的区域为目标亮区,在生长之前,需要确定最大树的生长条件,即在最大树起始生长时进行一个初步判断,判断所要生长的边是否属于目标亮区(确定当前要进行生长的边属于目标区域)。根据声呐统计分布特点,选取阈值T,在最大生成树起始生长时,确定当前要进行生长的边中两个顶点的最大值大于预设的阈值T。
也就是说,在最大树起始生长即size(C)<3时,若最大树开始生长。
阈值T的判断原理如下:
声呐平坦海底数据直方图服从威布尔分布,其概率密度函数表达式为:
式中x为随机变量,a>0是形状参数,c>0是尺寸参数。
但实际上,海底大部分区域并不能算作是平坦区域,其中常常还包含着目标亮区及阴影区域。在声呐数据中,海底背景区域亮度值较低,且占据数据的绝大部分,高亮区亮度值较高,所占比例很少,而阴影区亮度值在100以下,且所占比例不到1%。对包含亮区及阴影区域的声呐数据直方图进行威布尔函数拟合,如图4所示,声纳数据直方图曲线成单峰分布,峰值出现在海底背景区域,亮区在直方图后方的长尾区域出现。而拟合得到的威布尔曲线在峰值处拟合情况较好,在峰值末尾处出现偏差,造成偏差的原因是由于亮区的出现,亮度值过高的像素点数增多,造成了直方图中曲线峰值末尾处下降的趋势变缓。此时,由直方图拟合得到的曲线可以确定数据中背景点的个数,即可以确定背景区域所占比例。
依据之前得到的统计结果,背景区的亮度值低,所占比例大,目标区的亮度值高,所占比例小,可以认为在声呐数据直方图中峰值处的直方图曲线符合海底背景区域分布特点。由之前所说,海底背景区域服从威布尔分布,因此,通过声呐数据的直方图分布特点可以确定亮区直方图特性。
设原始数据直方图概率曲线为F(x),由峰值附近拟合得到的背景区域概率密度曲线为fb(x),背景区域所占比例为α,目标与阴影区域所占比例为β,亮区的直方图曲线为fo(x),则上述曲线符合如下规律:
F(x)=αfb(x)+βfo(x)
亮区的直方图曲线为fo(x)可以表示为:
综上,可以分别确定声呐数据中背景与亮区的概率密度曲线。如图5所示,由贝叶斯原理,可以计算出在未确定是背景还是亮区的情况下,各种亮度值的后验概率,之后通过计算最小错误率,可以将背景及亮区区分出来。其最小错误率P(C)计算公式如下:
其中P(c1),P(c2)分别表示背景及亮区在总体中所占的比例;P(x|c1),P(x|c2)表示分别在背景及亮区中亮度值为x的点所占比例,即之前所求得的背景及亮区的概率密度。在P(C)最小的情况下,求得的xi赋值给阈值T,作为最大树的起始生长条件。
当size(C)>3时,最大树若要继续生长,则同样需要对两棵树的相似性进行判断(即判断是否符合最大生成树相似性条件)。首先要分别确定这两棵树的内部均一性:定义最大生成树C内部均一性Dmax(C),为树C中所有边权重值的最小值:
其次要确定这两棵树的均一性Dmax(C1,C2),为分别属于两棵树C1、C2的相邻边(即当前要进行生长的边)的权重最大值:
分析目标数据可知,目标区域中心位置的边的权重值大于目标区域边界位置的边的权重值,且由中心位置到边界位置边的权重值下降速率要接近或者快于线性下降,定义其内部均一性度量也就是下降速率为k:
当两棵树属于同一强反射目标区时,会出现两种情况:一、如果相连边处于目标中心,则该边的权重应高于目标边界的边权重值;二、如果相连边位于目标的边界时,其权重值应满足目标区强度下降规律。由于边的位置始终是未知的,则全部作为情况二处理,使之满足下降规律,此时判定两棵最大生成树可以生长合并应当满足最大生成树相似性条件:
Dmax(C1,C2)>max(Dmax(C1)-k1,Dmax(C2)-k2)
其中,
Dmax(C1,C2)为分别属于两棵树C1和C2中边的权重最大值,max(Dmax(C1)-k1,Dmax(C2)-k2)表示取Dmax(C1)-k1和Dmax(C2)-k2中的最大值,Dmax(C1)为树C1中边的权重最小值,Dmax(C2)为树C2中边的权重最小值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数,表示树C1中边的最大权重和最小权重之差,表示树C2中边的最大权重和最小权重之差。
图6简单表述了两极生成森林算法分割图像的分割过程。
在最大生成树和最小生成树同时生长完一条边后,需要对每棵树的实时信息进行更新,包括:
(1)尺寸信息:用于记录一棵树内所包含的点的数量。
(2)边界位置信息:该树所有坐标中的上、下、左、右四个方向的极值。
(3)中心点位置信息:根据边界位置信息,取上下和左右的中心点坐标,作为该树区域的中心点位置。
(4)类别标签信息:每棵树会被标记由最大或最小生成树生长而成,作为对其可能是阴影还是目标的判断。
为了防止不相同的区域被误合并在一起,加上声图自身的大噪声,上述设计的分割算法的结果可能存在过分割。如图7所示,本发明实施例中,步骤102之后,还可包括:
步骤103,合并过分割区域。
其中,获取每个目标区域的中心位置,根据所述中心位置对检测到的线形区域进行合并。
上述分割获得的每棵树的信息既除了被用于控制生长条件外,还将用于接下来的过分割的定向合并。
在海底中大量存在的梯田、山脊、沟壑、缆线等地貌,在声图上会呈现出规律的线形结构。观察声呐的原始数据可以发现,原始声呐数据中回波强反射区域是不连续的。这些线性结构由于其较大的尺度,呈现由一段一段强反射回波区域间隔构成。前述最大生成树生长过程中,会将每一部分独立的小段强信号分割出来,容易造成很高的虚警率,如图8所示,其中a,b,c指向的区域代表被分割为不同物体的区域。为了解决这个问题,需要对线形分割区域进行检测与合并。
在之前分割的过程中,已经对每一个区域的中心位置进行了记录,之后通过这些中心位置对线形区域进行检测合并。所有能连成直线的中心点,其对应的区域均合并为同一区域。
将每棵树中心点位置作为笛卡尔坐标系中的点(xi,yi),用极坐标表示为:
xi=ρcosθ
yi=ρsinθ
将这些点映射到霍夫空间,得到每个点对应的正弦曲线方程:
ρ=xicosθ+yisinθ
如图9所示,找到多点聚集的中心(a,b),以(a,b)为圆心,一定圆面积内的所有正弦曲线都被识别为笛卡尔坐标系中属于同一直线的点。由于自然中少有笔直的线条,上述方法可以将有轻微曲率的线形区域合并,如图10所示,完整展示了海底梯田的形态,同时两个疑似目标区域也得到了正确分割。
由于海底的一些梯田、礁石等高亮区域,由于回波值较高,同样会通过最大生成树生成,所以通过步骤102和103得到的目标区域可能包括真实目标和虚假目标。为了证明上述分割方法的有效性及准确性,针对该分割方法处理后的数据,进行了目标检测,其中,对目标区域进行尺寸检测和/或显著性检测,将检测通过的目标区域作为真实目标,将检测未通过的目标区域作为虚假目标。
如图11所示,检测方法可以基于两点特征:目标尺寸以及目标显著性。目标在尺度上具有较高的相似性,通过对目标实际尺寸与声呐图像中目标尺寸的换算关系,可以得到一个近似的尺度范围,通过尺寸检测,可以将区域大小明显与目标不吻合的疑似区域迅速排除。目标显著性则是指该目标与紧邻背景的显著性差异。由于声呐多途径传播等原因产生的噪音和畸变,以及由于海底复杂环境产生的复杂水底纹理,会使得该区域的分割区域数量增加,从而更容易被检测出虚假目标。然而这些区域的原始数据通常有大范围、不稳定的强反射回波,如果将每一个疑似目标的分割区域与其周围的环境做比较,则可以将复杂环境中错误分割的物体排除。检测方法如下:
对于目标的尺寸检测,是根据目标区域与实际目标的吻合程度来判断该区域是否为真实目标。通过声图中亮区的长度、宽度,可以推算出水下物体的真实长度宽度。
而声呐数据受到航船姿态的干扰,会使声呐图像产生很大的形变,如图12所示,这一部分形变包括三个方面:(1)由于声呐距离水底的高度而产生的斜矩形变;(2)由声呐沿着Y轴旋转导致的俯仰角3形变以及由于航行转向,声呐沿着X轴转向产生的航向角α形变;(3)由于采集数据收到航行速度v的制约而产生的形变。因此,无法依据原始声图来准确判断水下物体尺寸大小。但航船姿态所造成的物体形变可以通过逆变换进行消除,从而获得接近线性光学图像的结果。
在检测过程中,首先对目标区域进行上述三个方面的航船姿态矫正,根据矫正之后的目标亮区来计算水下目标的长度宽度。若二者满足真实目标尺寸要求,则判定所检测的目标区域为真实区域。
对于目标的显著性检测,通过检测目标与背景之间的显著性差异来判断疑似区域是否为真实目标。
在两极生成森林算法分割图像过程中,一个区域会因为与周围区域存在强度差异而被分割出来。同时,由于声呐的多途径效应以及海底复杂环境,使得背景的原始数据常常也会出现大范围、不稳定的强反射回波,由于其亮度值与梯度值差异的不连续性,在分割过程中,这一部分经常会被分割成几块不同区域,产生虚假目标。对分割得到的这些强回波区域的原始数据进行显著性检测,发现其与周围背景区域的显著性差异并不明显,因此,可以通过显著性检测将部分虚假目标剔除。
分割结果会给出目标区域的边界位置信息,利用这一信息,可以找到计算显著性的区域尺寸,如图13所示,A1为目标区域,其大小由分割得到的尺寸信息确定,长和宽分别记为w1,h1;在目标边界外距离边界分别为w2,h2的区域为A2。w2,h2的大小经验性的规定为:
h1=h2,w1=w2
利用Z检测算法来进行目标显著性检测,检测公式写作:
其中A1,A2分别表示目标区域与背景区域,μ1、μ2、σ1、σ2分别为目标区域与背景区域的均值与方差。当目标背景显著性差异大时,Z检测函数值增加,反之检测函数最低可达0,两区域无差别。
经过对目标尺寸以及显著性特征的提取,能够对之前分割得到的结果进行疑似目标判断。对已经分割的区域进行尺寸与显著性判断,若符合要求,则为真实目标,输出目标区域,反之作为虚假目标,与背景合并。
最后,通过统计所有输出结果中真实目标与虚假目标的数量,计算召回率R与虚警率F。设TP为检测到的真实目标数量,FN为未检测到的真实目标的数量,FP为被误检为真实目标的虚假目标。则R与F可表达为:
根据上式,以及根据对多个样本进行分析检测,在通过两级生成森林算法分割,并检测之后,目标的召回率达到100%,虚警率为48%。
如图14所示,本发明实施例还提出一种声呐图像分割装置,包括:
建立模块21,用于使用声呐原始数据建立无向图;
分割模块22,用于在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。
本发明实施例在分割过程中使用声呐原始数据,最大化地不损失目标的信息,减小噪声对于分割过程的影响;本发明实施例的提出在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割(两极生成森林算法),兼顾了声呐数据目标区梯度波动大、背景区梯度波动不明显的特点,得到了用于目标检测的准确分割效果。
在一实施例中,所述建立模块21,用于:
将所述声呐原始数据中所有的点构成点集V,将所述声呐原始数据中所有连接相邻两点的边构成边集E,相邻两点的数据值之差为边的权重,点集V和边集E构成无向图G(E,V)。
在一实施例中,分割模块22,用于:
将所述无向图中边的权重从小到大排序,依次对所述无向图中的边进行合并判断,在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最小生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
在一实施例中,分割模块22,用于:
将所述无向图中边的权重从大到小排序;
在最大生成树起始生长时,确定当前要进行生长的边属于目标区域;
在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最大生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
在一实施例中,分割模块22,还用于:在所述最小生成树和最大生成树生长过程中,对每棵树的信息实时更新,更新的内容包括如下至少之一:
树中包含的点的数量;
树的边界位置信息;
树的中心点位置信息;
树的类别标签信息。
在一实施例中,所述装置还包括:
合并模块23,用于合并过分割区域。
在一实施例中,所述合并模块23,用于:
获取每个区域的中心位置,根据所述中心位置对检测到的线形区域进行合并。
在一实施例中,所述装置还包括:
检测模块24,用于对目标区域进行尺寸检测和/或显著性检测,将检测通过的目标区域作为真实目标,将检测未通过的目标区域作为虚假目标。
如图15所示,本发明实施例还提供一种声呐图像分割设备,包括:存储器31、处理器32及存储在存储器31上并可在处理器32上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现所述声呐图像分割方法。
本发明实施例还提出一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令被处理器执行时实现上述声呐图像分割方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (12)
1.一种声呐图像分割方法,包括:
使用声呐原始数据建立无向图;
在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割,其中,通过所述最小生成树在所述无向图中划分出背景区域,通过所述最大生成树在所述无向图中划分出目标区域。
2.根据权利要求1所述的方法,其特征在于,所述使用声呐原始数据建立无向图,包括:
将所述声呐原始数据中所有的点构成点集V,将所述声呐原始数据中所有连接相邻两点的边构成边集E,相邻两点的数据值之差为边的权重,点集V和边集E构成无向图G(E,V)。
3.根据权利要求1所述的方法,其特征在于,通过所述最小生成树对所述无向图进行分割,包括:
将所述无向图中边的权重从小到大排序,依次对所述无向图中的边进行合并判断,在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最小生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
4.根据权利要求3所述的方法,其特征在于,所述两棵树符合最小生成树相似性条件包括:
Dmin(C1,C2)<min(Dmin(C1)+d1,Dmin(C2)+d2)
其中,
Dmin(C1,C2)为所述当前要进行生长的边的权重最小值,min(Dmin(C1)+d1,Dmin(C2)+d2)表示取Dmin(C1)+d1和Dmin(C2)+d2中的最小值,Dmin(C1)为树C1中边的权重最大值,Dmin(C2)为树C2中边的权重最大值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数,ε为所述无向图中所有边权重的均值。
5.根据权利要求1所述的方法,其特征在于,通过所述最大生成树对所述无向图进行分割,包括:
将所述无向图中边的权重从大到小排序;
在最大生成树起始生长时,确定当前要进行生长的边属于目标区域;
在当前要进行生长的边的两个顶点不属于同一颗树且所述两个顶点分属的两棵树符合最大生成树相似性条件时,将所述当前要进行生长的边连接的两棵树合并。
6.根据权利要求5所述的方法,其特征在于,所述在最大生成树起始生长时,确定当前要进行生长的边属于目标区域,包括:
在所述最大生成树起始生长时,确定当前要进行生长的边中两个顶点的最大值大于预设的阈值。
7.根据权利要求5所述的方法,其特征在于,所述两棵树符合最大生成树相似性条件包括:
Dmax(C1,C2)>max(Dmax(C1)-k1,Dmax(C2)-k2)
其中,
Dmax(C1,C2)为所述当前要进行生长的边的权重最大值,max(Dmax(C1)-k1,Dmax(C2)-k2)表示取Dmax(C1)-k1和Dmax(C2)-k2中的最大值,Dmax(C1)为树C1中边的权重最小值,Dmax(C2)为树C2中边的权重最小值,size(C1)为树C1中的节点数,size(C2)为树C2中的节点数,表示树C1中边的最大权重和最小权重之差,表示树C2中边的最大权重和最小权重之差。
8.根据权利要求1所述的方法,其特征在于,所述最小生成树和最大生成树同时生长,所述方法还包括:在所述最小生成树和最大生成树生长过程中,对每棵树的信息实时更新,更新的内容包括如下至少之一:
树中包含的点的数量;
树的边界位置信息;
树的中心点位置信息;
树的类别标签信息。
9.根据权利要求1~8中任意一项所述的方法,其特征在于,所述在所述无向图中同时通过最小生成树和最大生成树对所述无向图进行分割之后,还包括:
合并过分割区域。
10.根据权利要求9所述的方法,其特征在于,所述合并过分割区域,包括:
获取每个目标区域的中心位置,根据所述中心位置对检测到的线形区域进行合并。
11.根据权利要求9所述的方法,其特征在于,所述合并过分割区域之后,所述方法还包括:对目标区域进行尺寸检测和/或显著性检测,将检测通过的目标区域作为真实目标,将检测未通过的目标区域作为虚假目标。
12.一种声呐图像分割设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1~11中任意一项所述声呐图像分割方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811435393.3A CN109559321A (zh) | 2018-11-28 | 2018-11-28 | 一种声呐图像分割方法和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811435393.3A CN109559321A (zh) | 2018-11-28 | 2018-11-28 | 一种声呐图像分割方法和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109559321A true CN109559321A (zh) | 2019-04-02 |
Family
ID=65867725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811435393.3A Pending CN109559321A (zh) | 2018-11-28 | 2018-11-28 | 一种声呐图像分割方法和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559321A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
CN111784698A (zh) * | 2020-07-02 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种图像的自适应分割方法、装置,电子设备及存储介质 |
CN113379710A (zh) * | 2021-06-18 | 2021-09-10 | 上海大学 | 一种水下目标声呐精准测量***和方法 |
CN114663434A (zh) * | 2022-05-25 | 2022-06-24 | 国家***北海海洋技术保障中心 | 一种侧扫声呐影像的阴影判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286229A (zh) * | 2008-05-05 | 2008-10-15 | 哈尔滨工程大学 | 基于分层mrf的声呐图像自适应分割方法 |
CN105427342A (zh) * | 2015-11-17 | 2016-03-23 | 中国电子科技集团公司第三研究所 | 一种水下小目标声呐图像目标检测跟踪方法和*** |
CN105809672A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于超像素和结构化约束的图像多目标协同分割方法 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及*** |
CN108305258A (zh) * | 2018-01-31 | 2018-07-20 | 成都快眼科技有限公司 | 一种基于最小生成树的超像素分割方法、***及存储设备 |
-
2018
- 2018-11-28 CN CN201811435393.3A patent/CN109559321A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286229A (zh) * | 2008-05-05 | 2008-10-15 | 哈尔滨工程大学 | 基于分层mrf的声呐图像自适应分割方法 |
CN105427342A (zh) * | 2015-11-17 | 2016-03-23 | 中国电子科技集团公司第三研究所 | 一种水下小目标声呐图像目标检测跟踪方法和*** |
CN105809672A (zh) * | 2016-03-03 | 2016-07-27 | 浙江大学 | 一种基于超像素和结构化约束的图像多目标协同分割方法 |
CN106127782A (zh) * | 2016-06-30 | 2016-11-16 | 北京奇艺世纪科技有限公司 | 一种图像分割方法及*** |
CN108305258A (zh) * | 2018-01-31 | 2018-07-20 | 成都快眼科技有限公司 | 一种基于最小生成树的超像素分割方法、***及存储设备 |
Non-Patent Citations (3)
Title |
---|
YUBING BAI 等: "A fast graph based method for object segmentation in sidescan sonar image", 《2018 7TH INTERNATIONAL SYMPOSIUM ON NEXT GENERATION ELECTRONICS (ISNE)》 * |
朱秀昌,刘峰,胡栋编著: "《数字图像处理与图像信息》", 31 August 2016, 北京邮电大学出版社 * |
王兴梅,时胜国著: "《基于水平集的水下声呐图像目标检测》", 30 June 2017, 哈尔滨工程大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675410A (zh) * | 2019-09-25 | 2020-01-10 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
CN110675410B (zh) * | 2019-09-25 | 2023-06-13 | 江苏海洋大学 | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 |
CN111784698A (zh) * | 2020-07-02 | 2020-10-16 | 广州信瑞医疗技术有限公司 | 一种图像的自适应分割方法、装置,电子设备及存储介质 |
CN113379710A (zh) * | 2021-06-18 | 2021-09-10 | 上海大学 | 一种水下目标声呐精准测量***和方法 |
CN113379710B (zh) * | 2021-06-18 | 2024-02-02 | 上海大学 | 一种水下目标声呐精准测量***和方法 |
CN114663434A (zh) * | 2022-05-25 | 2022-06-24 | 国家***北海海洋技术保障中心 | 一种侧扫声呐影像的阴影判别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
CN109559321A (zh) | 一种声呐图像分割方法和设备 | |
CN111681197B (zh) | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 | |
CN105654501B (zh) | 基于模糊阈值的自适应图像分割方法 | |
CN107346545A (zh) | 用于视杯图像分割的改进区域生长方法 | |
CN110517193A (zh) | 一种海底声呐点云数据处理方法 | |
US20100265267A1 (en) | Analyzing pixel data by imprinting objects of a computer-implemented network structure into other objects | |
CN111985376A (zh) | 一种基于深度学习的遥感影像舰船轮廓提取方法 | |
CN110853011B (zh) | 用于肺结节检测的卷积神经网络模型的构建方法 | |
CN109685768A (zh) | 基于肺部ct序列的肺结节自动检测方法及*** | |
CN104217422B (zh) | 一种自适应窄带水平集的声纳图像检测方法 | |
CN105405119B (zh) | 基于深度置信网络和三维模型的胎儿正中矢状面自动检测方法 | |
CN115097442B (zh) | 基于毫米波雷达的水面环境地图构建方法 | |
Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
Bartesaghi et al. | An energy-based three-dimensional segmentation approach for the quantitative interpretation of electron tomograms | |
CN109039503A (zh) | 一种频谱感知方法、装置、设备及计算机可读存储介质 | |
CN108491786A (zh) | 一种基于分级网络和聚类合并的人脸检测方法 | |
CN112819958B (zh) | 一种基于三维激光扫描的工程地质测绘方法与*** | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
CN109003275A (zh) | 焊缝缺陷图像的分割方法 | |
CN112215842A (zh) | 基于良性甲状腺模板的恶性结节边缘检测图像处理方法 | |
CN109493333A (zh) | 基于卷积神经网络的超声甲状腺结节钙化点提取算法 | |
CN115393734A (zh) | 基于Faster R-CNN与CV模型联合方法的SAR图像舰船轮廓提取方法 | |
CN108647693A (zh) | 一种基于二元显著性特征的海面红外目标检测方法 | |
CN108670301A (zh) | 一种基于超声影像的脊柱横突定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |
|
RJ01 | Rejection of invention patent application after publication |