CN110675410B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110675410B CN110675410B CN201910909683.5A CN201910909683A CN110675410B CN 110675410 B CN110675410 B CN 110675410B CN 201910909683 A CN201910909683 A CN 201910909683A CN 110675410 B CN110675410 B CN 110675410B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- scan sonar
- sunken ship
- water column
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000010845 search algorithm Methods 0.000 title claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 42
- 238000011524 similarity measure Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 18
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 241000251468 Actinopterygii Species 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 241000894007 species Species 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/48—Analysis of texture based on statistical description of texture using fractals
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种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,包括:对侧扫声呐条带瀑布图像进行预处理;根据侧扫声呐基本特征,基于先验知识将条带瀑布图像分为水柱区,目标区(阴影区)和纯海底背景区,并基于选择性搜索策略分割侧扫声呐瀑布图像为上述区域;定义若干相似性测度,计算各区域的相似性测度并取加权值作为最终测度值;输出沉船目标检测结果。本发明有效实现了大数据量侧扫声呐条带瀑布图像中沉船目标的非监督探测,无需样本图像,无需构建沉船识别模型,大大简化了水下沉船目标的检测流程和效率。
Description
技术领域
本发明涉及侧扫声呐技术领域,具体是一种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。
背景技术
侧扫声呐(Side Scan Sonar,SSS)图像在似雷物体、海底冷泉、水下沉船等水下目标的探测和识别方面具有重要的应用价值。基于时域Ping断面数据可实现目标探测,但Ping回波强度受复杂海洋噪声影响显著,基于实验室构建的目标Ping断面模型难以有效、精准的应用于实际。
现在技术中,基于空域图像数据的目标探测方法主要有两种:
一种是基于监督学习的方法,其通过提取已知图像库中参考目标图像的形状、纹理、灰度、形态等特征,通过构建分类识别模型实现待检测图像中目标的准确探测。侧扫声呐作为一种水下声学设备,应用于复杂变化的海洋环境中,决定了没有足够的专家图像库可供选择,且将不同海况下得到的图像提取目标特征用于陌生海况进行目标探测时精度难以保证。
另一种是基于非监督学习的方法,通常需借助一定的数学模型,这些模型应用于数据量大的侧扫声呐瀑布图像时,往往存在计算效率不高的缺陷。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于选择性搜索策略的侧扫声呐沉船目标非监督探测方法,该方法借助图像分割的思路,基于选择性搜索算法实现侧扫声呐瀑布图像分割,进而定义若干相似性测度,实现分割区域的合并,进而实现沉船目标的准确探测。
为实现上述目的,本发明提供如下技术方案:本发明是种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,其特点是:其步骤如下:
第一步:联合最后峰值法、海底线对称原则和海底地形渐进性变化原则实施准确的海底跟踪;
第二步:对水柱区、海底区分别实施滤波去噪;顾及沉船为沉底目标,水柱区为无效区域,简单将左舷、右舷水柱区图像像素值标记为0,形成一个整体区域;在海底区域基于高斯滤波实现滤波去噪;
第三步:基于选择性搜索策略实施侧扫声呐瀑布图像分割;具体流程如下:
1)基于简单的k均值聚类进行侧扫声呐瀑布图像预分割,形成预分割区域;参数k选择按分割聚类参数优选策略实施,也即3或4类;
2)定义相似性测度,实施分割区域的合并;使用纹理、形状相似度,且综合相似度为纹理、形状相似度的加权平均值;
第四步:输出沉船目标探测结果;将分割结果最小面积单元的外接矩形框定,即得到沉船识别结果。
本发明所述的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,其进一步优的技术方案是,第三步中,侧扫声呐图像预处理方法如下:
(1)进行准确的侧扫声呐瀑布图像海底跟踪;
(2)结合条带侧扫声呐瀑布图像基本特征对水柱区和海底区分别进行滤波去噪处理,具体实施方法是:
A、将整个左舷、右舷水柱图像标注为1个整体区域;且滤波去噪时将水柱区图像灰度值直接赋值为0;
B、对海底区域进行高斯滤波,即对海底图像进行加权平均处理,二维零均值离散高斯函数表达式为:
式中:i,j代表图像的行、列号;σ代表高斯平滑参数。
本发明所述的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,其进一步优的技术方案是,第三步中,当水柱区域水体中含有疑似目标或复杂悬浮物时,将左舷、右舷分开处理。
本发明所述的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,其进一步优的技术方案是,第三步中,在侧扫声呐瀑布图像未进行横向均衡化处理时,将整个海底左舷/右舷图像区分为2大类:托鱼正下方近端图像和远端图像。
本发明所述的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,其进一步优的技术方案是,第四步的具体步骤如下:
(1)对侧扫声呐条带瀑布图像进行预处理;根据侧扫声呐基本特征,基于先验知识将条带瀑布图像分为水柱区、目标区也即阴影区、纯海底背景区,并基于选择性搜索策略分割侧扫声呐瀑布图像为上述区域;
(2)定义若干相似性测度,计算各区域的相似性测度并取加权值作为最终测度值;输出沉船目标检测结果。
本发明所述的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,其进一步优的技术方案是,第三步中分割聚类参数的方法如下:
将分割类别参数定义为3种,也即水柱区、目标区和纯海底自然背景区,或者定义为4种,即水柱区、目标区、纯海底自然背景区和阴影区;当阴影区域明显则定义为4种,反之定义为3种。
本发明所述的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,其进一步优的技术方案是,相似性测度的采用纹理相似度中,将多重分形谱宽引入作为识别沉船的纹理相似度,纹理特征选取多重分形特征作为纹理特征。
与现有技术相比,本发明的有益效果是:
本发明结合侧扫声呐图像固有特征和沉船的沉底特性,将左舷、右舷水柱区标记为1个整体区域;实施选择性搜索策略时,根据先验知识首先将条带侧扫声呐瀑布图像分割区域固定为3-4个大区域,也即水柱区、目标区(阴影区)和纯海底背景区;在实施沉船目标探测时,引入局部区域的多重分形特征作为相似性测度值,提高了沉船(人造)目标的探测准确度。本发明通过试验验证了方法的有效性和准确度,为大数据量的侧扫声呐瀑布图像中沉船目标提供了一种新的非监督探测方法。本发明有效实现了大数据量侧扫声呐条带瀑布图像中沉船目标的非监督探测,无需样本图像,无需构建沉船识别模型,大大简化了水下沉船目标的检测流程和效率。
附图说明
图1为侧扫声呐条带瀑布图像示例;
图2为海底沉船和纯海底背景图像的多重分形谱宽数值比较;
图3为海底跟踪结果示例(图1局部区域放大显示);
图4为基于选择性搜索策略的含沉船目标的侧扫声呐条带瀑布图像分割结果;
图5为沉船识别结果。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1,一种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,其步骤如下:
第一步:联合最后峰值法、海底线对称原则和海底地形渐进性变化原则实施准确的海底跟踪;
第二步:对水柱区、海底区分别实施滤波去噪;顾及沉船为沉底目标,水柱区为无效区域,简单将左舷、右舷水柱区图像像素值标记为0,形成一个整体区域;在海底区域基于高斯滤波实现滤波去噪;
第三步:基于选择性搜索策略实施侧扫声呐瀑布图像分割;具体流程如下:
1)基于简单的k均值聚类进行侧扫声呐瀑布图像预分割,形成预分割区域;参数k选择按分割聚类参数优选策略实施,也即3或4类;
2)定义相似性测度,实施分割区域的合并;使用纹理、形状相似度,且综合相似度为纹理、形状相似度的加权平均值;
第四步:输出沉船目标探测结果;将分割结果最小面积单元的外接矩形框定,即得到沉船识别结果。
第三步中,侧扫声呐图像预处理方法如下:
(1)进行准确的侧扫声呐瀑布图像海底跟踪;
(2)结合条带侧扫声呐瀑布图像基本特征对水柱区和海底区分别进行滤波去噪处理,具体实施方法是:
A、将整个左舷、右舷水柱图像标注为1个整体区域;且滤波去噪时将水柱区图像灰度值直接赋值为0;
B、对海底区域进行高斯滤波,即对海底图像进行加权平均处理,二维零均值离散高斯函数表达式为:
式中:i,j代表图像的行、列号;σ代表高斯平滑参数。
第三步中,当水柱区域水体中含有疑似目标或复杂悬浮物时,将左舷、右舷分开处理。在侧扫声呐瀑布图像未进行横向均衡化处理时,将整个海底左舷/右舷图像区分为2大类:托鱼正下方近端图像和远端图像。
第四步的具体步骤如下:
(1)对侧扫声呐条带瀑布图像进行预处理;根据侧扫声呐基本特征,基于先验知识将条带瀑布图像分为水柱区、目标区也即阴影区、纯海底背景区,并基于选择性搜索策略分割侧扫声呐瀑布图像为上述区域;
(2)定义若干相似性测度,计算各区域的相似性测度并取加权值作为最终测度值;输出沉船目标检测结果。
第三步中分割聚类参数的方法如下:
将分割类别参数定义为3种,也即水柱区、目标区和纯海底自然背景区,或者定义为4种,即水柱区、目标区、纯海底自然背景区和阴影区;当阴影区域明显则定义为4种,反之定义为3种。
相似性测度的采用纹理相似度中,将多重分形谱宽引入作为识别沉船的纹理相似度,纹理特征选取多重分形特征作为纹理特征。
实施例2:一种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,其步骤如下:
1:选择性搜索策略:
1)对预处理后的条带侧扫声呐瀑布图像基于k均值分类实现图像预分割,形成初始分割区域R={r1,r2,…,rn};
2)计算两两相邻区域在纹理、形状之间的相似度s(ri,rj),获取相似度集合S={s(ri,rj),…};
3)将集合S中相似度最大的值对应的区域ri和rj合并为rt,并从S中移除s(ri,rj);继续计算rt与相邻区域的相似度,并将rt加入分割区域集合R;
2:纹理特征相似性测度
顾及侧扫声呐沉船目标为人造目标的特征,特引入多重分形谱宽作为纹理特征相似性测度。研究表明,分形特征可有效识别人造目标,而实际应用中许多不同纹理的图像计算所得分形维数值相似,然而这些图像在视觉上并不相同;其原因在于分形维只能描述具有理想自相似性的分形对象,但许多图像的纹理不满足这种条件。为了获得对分形对象的更详细描述,有必要添加可以表征不同分形子集的参数。因此,引入多重分形,其一种定义公式为:
其中q为一实数,c为一常数,τ(q)为分区函数。
多重分形结构可看作是均匀单分形结构的叠加。若认为E(h)为区间[h,h+Dh]内Holder指数h的集合。F(h)定义为集合E(h)的分形维数,其具有单分形结构。进而对(q,s(q))和(h,F(h))进行勒让德变换:
τ(q)=q·κ(q)-F(h)
其中α是Holder指数h的近似值。对于多重分形结构,维度Dq是q的递减函数,h→F(h)是凸函数,其最大值对应于Hausdorff维数Dh。本发明专利将α(q)min and α(q)max之间的宽度定义为多重分形谱宽度,并将其作为沉船识别的纹理特征相似性测度。
3:试验及分析
首先,为验证多重分形谱宽区分海底沉船目标和纯海底纹理背景图像的能力,收集侧扫声呐纯海底背景图像(图像不含任何目标)和海底沉船图像各15张,且将图像规整为128*128像素的灰度图。计算30张图像的多重分形谱宽如图2所示:由图2可见,沉船目标的多重分形谱宽均大于纯海底自然背景图像,表明多重分形谱宽纹理特征可用于识别条带侧扫声呐瀑布图像中的沉船人造目标。
然后,将本发明专利流程应用于含沉船目标的条带侧扫声呐瀑布图像中。首先,进行海底跟踪,图1示例图像的海底跟踪结果如图3所示,可见海底跟踪结果准确,该步骤主要为区分海底和水体图像,为分割提供初始化边界;图1示例图像分割结果如图4所示:图4最终分割结果为7类,而进行选择性搜索策略时,类别初始参数我们给定的为4(顾及沉船阴影),但分割最终结果顾及到水柱区域的复杂性和纯海底自然背景区的声波扩展、吸收损失带来的固有特征(中间亮、远端图像暗),形成水柱左舷、右舷2类,左舷纯海底图像近端、远端2类和右舷海底图像1类和1类疑似目标;上述实验结果验证了给出的方法在复杂图像中的适应性。基于分割结果,结合多重分形谱宽特征,最终沉船识别结果如图5所示,可见本发明流程实现了沉船目标的准确识别。本发明专利有效实现了大数据量侧扫声呐条带瀑布图像中沉船目标的准确识别,无需样本图像,无需构建沉船识别模型。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
Claims (2)
1.一种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,其特征在于:其步骤如下:
第一步:联合最后峰值法、海底线对称原则和海底地形渐进性变化原则实施准确的海底跟踪;
第二步:对水柱区、海底区分别实施滤波去噪;顾及沉船为沉底目标,水柱区为无效区域,简单将左舷、右舷水柱区图像像素值标记为0,形成一个整体区域;在海底区域基于高斯滤波实现滤波去噪;
第三步:基于选择性搜索策略实施侧扫声呐瀑布图像分割;具体流程如下:
1)基于简单的k均值聚类进行侧扫声呐瀑布图像预分割,形成预分割区域;参数k选择按分割聚类参数优选策略实施,也即3或4类;
2)定义相似性测度,实施分割区域的合并;使用纹理、形状相似度,且综合相似度为纹理、形状相似度的加权平均值;
第四步:输出沉船目标探测结果;将分割结果最小面积单元的外接矩形框定,即得到沉船识别结果;
第三步中,侧扫声呐图像预处理方法如下:
(1)进行准确的侧扫声呐瀑布图像海底跟踪;
(2)结合条带侧扫声呐瀑布图像基本特征对水柱区和海底区分别进行滤波去噪处理,具体实施方法是:
A、将整个左舷、右舷水柱图像标注为1个整体区域;且滤波去噪时将水柱区图像灰度值直接赋值为0;
B、对海底区域进行高斯滤波,即对海底图像进行加权平均处理,二维零均值离散高斯函数表达式为:
式中:i,j代表图像的行、列号;σ代表高斯平滑参数;
第三步中,当水柱区域水体中含有疑似目标或复杂悬浮物时,将左舷、右舷 分开处理;
在侧扫声呐瀑布图像未进行横向均衡化处理时,将整个海底左 舷/右舷图像区分为2大类:托鱼正下方近端图像和远端图像;
第三步中分割聚类参数的方法如下:
将分割类别参数定义为3种,也即水柱区、目标区和纯海底自然背景区,或者定义为4种,即水柱区、目标区、纯海底自然背景区和阴影区;当阴影区域明显则定义为4种,反之定义为3种;
第四步的具体步骤如下:
(1)对侧扫声呐条带瀑布图像进行预处理;根据侧扫声呐基本特征,基于先验知识将条带瀑布图像分为水柱区、目标区也即阴影区、纯海底背景区,并基于选择性搜索策略分割侧扫声呐瀑布图像为上述区域;
(2)定义若干相似性测度,计算各区域的相似性测度并取加权值作为最终测度值;输出沉船目标检测结果。
2.根据权利要求1所述的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,其特征在于,相似性测度的采用纹理相似度中,将多重分形谱宽引入作为识别沉船的纹理相似度,纹理特征选取多重分形特征作为纹理特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909683.5A CN110675410B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909683.5A CN110675410B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675410A CN110675410A (zh) | 2020-01-10 |
CN110675410B true CN110675410B (zh) | 2023-06-13 |
Family
ID=69079245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910909683.5A Active CN110675410B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675410B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443344B (zh) * | 2020-04-07 | 2022-06-03 | 中国人民解放军军事科学院国防科技创新研究院 | 一种侧扫声呐海底线自动提取方法及装置 |
CN112529841B (zh) * | 2020-11-16 | 2023-01-31 | 中国海洋大学 | 多波束水柱数据中海底气体羽状流处理方法、***及应用 |
CN112529779B (zh) * | 2020-12-04 | 2024-03-19 | 江苏科技大学 | 一种侧扫声呐图像高分辨率重建方法 |
CN114565157B (zh) * | 2022-02-28 | 2023-01-06 | 中国科学院地理科学与资源研究所 | 基于地理映射的城市结构多重分形特征识别方法及装置 |
CN114627367B (zh) * | 2022-05-17 | 2022-07-26 | 国家***北海海洋技术保障中心 | 一种侧扫声呐图像的海底线探测方法 |
CN114663434B (zh) * | 2022-05-25 | 2022-08-23 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529424A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及*** |
CN107167810A (zh) * | 2017-05-02 | 2017-09-15 | 河海大学常州校区 | 一种侧扫声纳成像的水下目标快速提取方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
-
2019
- 2019-09-25 CN CN201910909683.5A patent/CN110675410B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529424A (zh) * | 2016-10-20 | 2017-03-22 | 中山大学 | 一种基于选择性搜索算法的车标检测识别方法及*** |
CN107167810A (zh) * | 2017-05-02 | 2017-09-15 | 河海大学常州校区 | 一种侧扫声纳成像的水下目标快速提取方法 |
CN109559321A (zh) * | 2018-11-28 | 2019-04-02 | 清华大学 | 一种声呐图像分割方法和设备 |
Non-Patent Citations (1)
Title |
---|
基于聚类分析的声呐目标图像自动提取方法;卞红雨等;《声学与电子工程》;20110615(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110675410A (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675410B (zh) | 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 | |
CN107563303B (zh) | 一种基于深度学习的鲁棒性舰船目标检测方法 | |
CN109086824B (zh) | 一种基于卷积神经网络的海底底质声呐图像分类方法 | |
CN109740460B (zh) | 基于深度残差密集网络的光学遥感图像舰船检测方法 | |
Williams | Fast unsupervised seafloor characterization in sonar imagery using lacunarity | |
CN109427055B (zh) | 基于视觉注意机制和信息熵的遥感图像海面舰船检测方法 | |
CN107167810B (zh) | 一种侧扫声纳成像的水下目标快速提取方法 | |
CN109117802A (zh) | 面向大场景高分遥感影像的舰船检测方法 | |
CN111476120B (zh) | 一种无人机智能船舶水尺识别方法及装置 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN111626993A (zh) | 一种基于嵌入式FEFnet网络的图像自动检测计数方法及*** | |
CN104217422B (zh) | 一种自适应窄带水平集的声纳图像检测方法 | |
US10497128B2 (en) | Method and system for sea background modeling and suppression on high-resolution remote sensing sea images | |
CN104021553B (zh) | 一种基于像素点分层的声纳图像目标检测方法 | |
CN114764801A (zh) | 基于多视觉显著特征的弱小舰船目标融合检测方法及装置 | |
CN113516626B (zh) | 基于多尺度卷积与池化策略的侧扫声纳海底沙波检测方法 | |
CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及*** | |
Sun et al. | Probabilistic neural network based seabed sediment recognition method for side-scan sonar imagery | |
CN112907615B (zh) | 基于区域生长的海底地貌单元轮廓及细节识别方法 | |
CN111860534A (zh) | 一种基于图像显著性分析的sar图像溢油检测方法 | |
Yang et al. | A novel ship detection method based on sea state analysis from optical imagery | |
Quintana et al. | Towards automatic recognition of mining targets using an autonomous robot | |
CN115187855A (zh) | 一种海底底质声呐图像分类方法 | |
CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
TWI736446B (zh) | 可濾橫紋雜訊之海床邊線偵測方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |