側(cè)掃聲納圖像分割算法研究.pdf

1、側(cè)掃聲納自誕生以來在民用和軍事領(lǐng)域均得到了廣泛應(yīng)用。隨著計算機技術(shù)的迅猛發(fā)展及數(shù)字化的側(cè)掃聲納出現(xiàn),側(cè)掃聲納圖像目標的自動分割和自主識別技術(shù)促進了水下智能設(shè)備的發(fā)展。由于水下復(fù)雜環(huán)境和其他因素影響,側(cè)掃聲納圖像具有噪聲污染嚴重,對比度差等特點。研究人員利用各種預(yù)處理方法對側(cè)掃聲納圖像進行處理,并研究各種分割算法對側(cè)掃聲納圖像進行分割,取得了一定的成果,但依然沒有一種成熟的方法。在實際的側(cè)掃聲納圖像分割應(yīng)用中,對算法的穩(wěn)定性、分割精度和分

2、割速度有著不同的要求。本文深入研究模糊聚類算法和水平集算法改進方法,提高分割精度和算法的穩(wěn)定性。同時提出改進的分層馬爾科夫模型分割算法和利用輔助信息的特定目標分割算法,實現(xiàn)對側(cè)掃聲納圖像快速準確分割。通過閱讀大量文獻,對國內(nèi)外現(xiàn)狀的分析,確定了本文的主要工作:
　　(1)對側(cè)掃聲納圖像預(yù)處理方法進行研究。通過對側(cè)掃聲納數(shù)據(jù)進行解碼,在原始數(shù)據(jù)的基礎(chǔ)上,提出航向角優(yōu)化模型和航向角校正算法。對圖像進行幾何校正,并建立了圖像坐標和地球坐

3、標的轉(zhuǎn)換規(guī)則。對灰度校正方法進行了研究,進一步提高圖像質(zhì)量。對側(cè)掃聲納圖像的紋理描述方法進行了介紹,并提取了側(cè)掃聲納圖像的GMRF紋理和Gabor紋理。對側(cè)掃聲納圖像濾波算法進行研究,提出一種改進的BEMD的圖像濾波算法。為后續(xù)的分割工作開展打下基礎(chǔ)。
　　(2)對基于聚類的側(cè)掃聲納圖像分割算法進行研究。利用常用的幾種分割算法對側(cè)掃聲納圖像進行處理,找出了其不足之處。利用紋理特征對算法進行改進,分析了初始聚類中心選定的規(guī)則,重寫了

4、隸屬度函數(shù),獲得了一定的成果。然后進一步結(jié)合改進的BEMD濾波方法,對算法進行融合。通過大量側(cè)掃聲納圖片分割實驗證明,該算法具有穩(wěn)定的分割性能,對不同圖片均由很強的適應(yīng)能力。
　　(3)對基于水平集的側(cè)掃聲納圖像分割算法進行研究。對CV模型、四相水平集模型和分層水平集模型這些基本模型進行了介紹,并利用這些模型進行了分割實驗。在此基礎(chǔ)上,結(jié)合圖像紋理信息,進一步研究了基于GMRF紋理能量驅(qū)動的水平集模型和Gabor紋理驅(qū)動的模型。通

5、過對這些模型缺點的分析,提出了改進的四相水平集分割模型和快速分層的水平集模型。能夠獲得更好的分割結(jié)果,并一定程度提高算法的分割速度。
　　(4)提出基于分層MRF的側(cè)掃聲納圖像快速分割算法。介紹了平面MRF模型和分層MRF模型。針對分層MRF,通過將傳統(tǒng)的側(cè)掃聲納圖像的目標區(qū)和陰影區(qū)歸為一類,減少了MRF模型參數(shù)。利用灰度統(tǒng)計的方法描述圖像灰度分布,減少了利用灰度分布模型描述時的參數(shù)估算的計算量。通過分割實驗驗證了算法的快速性和有

6、效性。為了進一步提高分割速度和分割精度,提出了專家數(shù)據(jù)庫輔助的分割算法。獲得了良好的效果。
　　(5)對全文提出的算法應(yīng)用進行了說明,提出了特定目標的分割算法。利用區(qū)域檢驗法對側(cè)掃聲納圖像中孤立目標進行分割,通過對特定形狀目標的幾何空間特征進行分析,提出了區(qū)域判斷法,結(jié)合前文內(nèi)容,對特定尺寸的目標分割方法進行了說明。最后對前幾章中提到的各種分割算法的特點和應(yīng)用環(huán)境進行了說明。
　　本文最后對全文的創(chuàng)新點和研究成果進行了總結(jié),