水下目标识别调研报告

水声图像目标检测涉及的主要科学问题
4、分类器选择问题
分类的目的是从数据中提取所需的知识或语义/模式信息，即根据一定的分
类规则的设计，识别出未知数据属于某一具体语义/模式的概率。
机器学习及模式识别领域中已经提出的多种类型的分类器： 似然分类器(贝叶斯分类器、广义似然比测试分类器等)； 机器学习分类器（神经网络NN、支持向量机SVM、相关向量机RVM、多 核分类器、集成学习网络、深度学习网络等）； 其他相关技术（随机森林、决策树等）。 各种不同分类器的优缺点、参数设置及数据需求环境都不尽相同； 没有一种最优分类器适用于所有分类任务。
提出了一种声纳图像海底矿产回波检测的新方法； 具体方法: 均值-标准差空间特征分析 相关结论: SAS图像灰度分布模型: Rayleigh distribution, Weibull distribution, K-distribution SAS图像灰度分布的最优折衷拟合是Weibull分布（适用于局部图像块）
提出了一种SAS声纳图像海底矿产回波检测的新方法； 具体方法: 均值-标准差空间特征分析 局部图像块的均值-标准差空间表示:
相关问题的文献调研情况
3 、 F.Maussang, et al. Mean-Standard Deviation Representation of Sonar Images for Echo Detection: Application to SAS Images. IEEE Journal of Oceanic Engineering. 2007.
提出了一种SAS声纳图像海底矿产回波检测的新方法； 具体方法: 均值-标准差空间特征分析 SAS图像一般采用瑞利分布模型进行描述，但当局部像素数较少时，瑞利分布 的假设往往不成立，因此该论文采用Weibull 分布模型假设进行SAS声纳图像局部 统计特性分析。
威布尔分布下的均值和方差 满足如下恒定关系：
相关问题的文献调研情况
2、D.Bryner, et al. Elastic Shapes models for improving segmentation of object boundaries in SAS. Computer vision and Image Understanding, 2013.
水声图像目标检测涉及的主要科学问题
1、图像中噪声(Speckle Noise)的处理问题
斑点噪声的概率分布及统计特性问题 现有图像去噪方法中大多假设噪声服从正态分布（高斯分布），而水声 图像中斑点噪声分布是非高斯的。 海底回波统计分析表明海底声纳测量幅度分布一般可描述为瑞丽分布、 指数正态分布、威布尔分布、多变量拉普拉斯分布等； 图像去噪问题 斑点噪声为乘性噪声，传统的高斯白噪声图像去噪法不能有效去噪； 去噪过程尽可能去除噪声与尽可能保持边缘和细节信息有冲突。 图像质量评价问题 真实水声图像几乎无法获取无失真的参考图像 根据应用目的不同，图像质量的评价方法不同
提出了一种形状先验知识指导的主动轮廓跟踪方法提取SAS图像中目标轮廓； 具体方法：弹性形状模板(通过形状训练得到) + 贝叶斯主动轮廓模型 实验结果:
相关问题的文献调研情况
3 、 F.Maussang, et al. Mean-Standard Deviation Representation of Sonar Images for Echo Detection. IEEE Journal of Oceanic Engineering. 2007.
文章中提出的基于均值-标准差空间表示的矿产目标识别方法还不是很完美，
具有较明显的虚警率，但是非常可靠，几乎所有的感兴趣目标都可被检出； 文章所提方法对图像分辨率及海底结构具有较强的鲁棒性；
基于统计的目标检测方法都存在一个缺陷：缺少精确物理模型
（个人理解：目标形状等先验知识利用不充分）。
相关问题的文献调研情况
阴影区域长度直接与(高亮)目标高出海底的高度有关；
水声图像获取大多是通过搭载在运动拖体上的成像装置实现的，在运 动过程中，目标阴影的可靠性要比目标的可靠性大；
目标阴影往往会形成对阴影一侧目标轮廓的遮挡，造成目标轮廓的缺
失。
水声图像目标检测涉及的主要科学问题
3、分割/分类方法中最优特征选择问题
※评价方法: (1) Speckle Level : 多个同质区域方差系数的线性组合 (2) Edge Preservation性能: (Pratt提出的Figure of Merit)
1 FOM ˆ ,M max M ideal
C
1 W
E I
n 1 n
W
n

1 d
n 1
相关问题的文献调研情况
1、Fabien C., et al. Speckle Noise Reduction in SAS Imagery. Signal Processing, 2007. 提出了一种可同时处理乘性噪声和加性噪声的自适应去噪方法； 具体方法：二维(随机)匹配滤波+多分辨小波分析 研究思路: (1) 二维随机匹配滤波方法能够实现信噪比最大化, 但缺点是出现图像的平滑 效果(SAS图像中目标区域往往很小，这种平滑对目标的精确分析产生的影响不可 忽略); (2) 针对以上问题，采用能够实现均方误差最小的基函数以减小平滑效果，而 且，通过随机匹配滤波可得到信号和噪声的自相关函数信息估计； (3) 通过多分辨小波分析，可以得到四个自相关模型(空域中只能采用一个自相 关模型对信号进行分析)，以更好的描述信号的二阶统计特性，以提高随机匹配 滤波的精确性，降低平滑效果。
提出了一种声纳图像海底矿产回波检测的新方法； 具体方法: 均值-标准差空间特征分析 均值-标准差空间描述:
相关问题的文献调研情况
3 、 F.Maussang, et al. Mean-Standard Deviation Representation of Sonar Images for Echo Detection. IEEE Journal of Oceanic Engineering. 2007.
W
1
2 m
相关问题的文献调研情况
1、Fabien C., et al. Speckle Noise Reduction in SAS Imagery. Signal Processing, 2007.
相关问题的文献调研情况
2、D.Bryner, et al. Elastic Shapes models for improving segmentation of object boundaries in SAS. Computer vision and Image Understanding, 2013.
合成孔径声纳图像在水底目标分割、识别 及分类中的应用现状调研
吴 云
主要内容目录
1
水声目标检测研究背景及现状
2
3
水声目标检测存在的科学问题
相关问题的经典文献调研情况 后续研究计划以及存在的困难
4
水声目标检测技术研究背景
海底生物资源、矿产资源及能源监测及开发
界海资源管理
国防安全监控 航道安全排查 海难目标搜索 。。。。。。
提出了一种形状先验知识指导的主动轮廓跟踪方法提取SAS图像中目标轮廓； 具体方法：弹性形状模板(通过形状训练得到) + 贝叶斯主动轮廓模型 研究思路: (1) 传统轮廓提取方法大多只利用了一般的图像灰度信息，而轮廓提取往往是 提取某些具有特定形状的目标轮廓，这种特定形状的先验知识利用还不充分; 特 别是对图像质量较差(低对比度、多干扰)的图像中，如SAS图像； (2) 针对以上问题，在黎曼几何弹性形状分析和建模的框架下实现了SAS图像 中感兴趣目标形状先验知识的表示，进而在形状能量梯度知识的指导下利用主 动轮廓提取实现目标分割； 测试数据: (1) PC SWAT（Shallow Water Acoustics Toolkit）仿真数据； (2) NURC (NATO Undersea Research Center)数据集
可用特征 分割区域特征值特征； 归一化中心矩；不变矩特征，如Zerinike矩等； 2-D 傅立叶变换系数； 统计特征：阴影、高亮、背景区域威布尔分布拟合参数及似然度等； 高亮和阴影区域几何形状特征；高亮-阴影关系描述子特征。
特征选择问题
针对某一给定分类器，从所有特征集中选择一个最优子集，使得分类器的 分类性能最优。 从所有可能的特征组合中选择最优特征子集几乎是不可能的->次最优 具体选择策略或方法依赖于具体数据及分类性能评价指标； 现有最好方法：序贯浮动前向选择算法(Sequential floating forward selection, SFFS)
4、Raquel F, et al. Optimal Feature set for Automatic Detection and Classification of Underwater Objects in SAS images. IEEE Journal of Selected Topics in Signal Processing. 2011.
水声图像目标检测涉及的主要科学问题
5、分类器的设计问题 分类器设计问题
水声图像目标检测任务中，分类的目的是将水声图像分割出的不同区域分
类为目标、阴影、海床背景等类别。 存在以下问题：
各类别数据不均衡，相对背景区域，目标和阴影区域属于小样本数据；
海底目标种类变化较大，且相同目标在不同海床背景中的形态也可能 存在较大差异；
2 2 W W
D
N
N W N N D



相关问题的文献调研情况
3 、 F.Maussang, et al. Mean-Standard Deviation Representation of Sonar Images for Echo Detection. IEEE Journal of Oceanic Engineering. 2007.
水声图像目标检测涉及的主要科学问题
2、图像中阴影区域的识别
阴影区域 识别
声纳成像系统成像过程中，由于目标的遮挡，会在图像中出现不同程 度的阴影；
百度文库
阴影区域信息是目标自动分割、分类、识别中非常重要的辅助信息；
阴影区域信息\特征主要包括几何形状信息\特征和统计信息\特征。 阴影区域识别存在的优缺点
水声目标检测方法概述
主要用于水下地形地貌的测量及大尺 度生物种群和矿产资源的探测
主要用于水下目标高精度检测等，但 是成像质量受拖体高度和姿态影响大
主要用于水下目标高精度检测等，且 成像质量受拖体高度和姿态影响小
水声目标检测典型流程
图像预处理: 图像去噪 图像增强 全局统计特征提取
图像分割: 分割的目的: 为目标分类提供候选区域(直接面向像素的 分类精度和稳定性比较差); 分割的依据: (高亮)目标、阴影区域、海底背景三种区 域具有较明显的分离特性； 特征提取/选择：选择具有较强分类识别能力的特征或特征组合 分类：通过对所提取的区域特征进行分析，设计具有良好类别 区分能力的无监督或有监督分类器。
相关问题的文献调研情况
1、Fabien C., et al. Speckle Noise Reduction in SAS Imagery. Signal Processing, 2007. 提出了一种可同时处理乘性噪声和加性噪声的自适应去噪方法； 具体方法：二维(随机)匹配滤波+多分辨小波分析 去噪效果: (只给出了带噪图像和论文方法去噪结果)
提出了一种基于分类的SAS图像水底目标检测系统中最优特征集的设计方法； 具体方法: MRF+AC分割、形状+统计特征、统计分类器
研究思路:
水底SAS图像目标检测和分类的方法主要可以分为两种： 基于模板匹配的方法；基于特征描述的方法。
文章为基于特征描述的方法，需要进行感兴趣区域的分割，完成目标高