基于统计量的声呐图像目标检测算法
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
众所周知 , 由于水下声场环境的复杂性和声呐设 备成像的非线性 , 所采集到的水下声呐图像具有对比 度低 、成像质量差 、目标物与背景之间对比度低等特 点 。这些特点对后续的声呐图像目标检测与识别分
析等工作带来了很大的难度 。因此 , 声呐图像的预处 理就成为近年来广大研究人员普遍关注的问题之一 。 文献 [ 1] 中对声呐图像的滤波问题进行了详细的分 析 , 对目前常用的几种滤波方法在处理声呐图像时的 性能进行了定量的比较与分析 。在声呐图像的理解 与分析中 , 声呐图像的目标检测与分割是继图像滤波 之后又一需要重点研究的问题 , 文献 [ 2, 3] 采用马尔 可夫随机场模型 , 通过求解最大后验概率来得到图像 的最优分割 , 且在分割中采用分级分割计算的方法 , 提高了分割的效率和准确度 。文献 [ 4] 在马尔可夫 模型分割的基础上 , 进一步采用活动变形模板进行目 标边界的精确搜索 , 从而得到更为精确的目标边界 。
包含的像素点数越少 , 样本算术平均和统计平均之间
的偏差越大 , 则样本算术平均不能准确地描述样本的
均值统计量 ;滑动窗过大 , 受图像大小和目标区域面
积大小的限制 , 则会使得一些较小的目标区域漏掉 ,
降低了检测结果的准确度 。 本文中采用的滑动窗的
尺寸为人工经验选取的 , 如何自动准确地确定滑动窗
Ab stract: The targe t de tection of underw ate r sonar im age ry is a cruc ial task. The sta tistical va lue of pixe ls grey-level based on sliding-w indow sw as ca lcula ted, ce rta in en tropy criterion w as used to ga in the detec ting th reshold. M ean, standard dev iation, skewness and kurosis w ere respective ly adopted to valida te the
t
=
-
i
∑
=μm
in
pi
lgpi ;En
=- ∑ p μm ax i =μm in i
ቤተ መጻሕፍቲ ባይዱ
lgpi ;Pt
t
=∑ i =μm
pi
in
。
定义直方图的熵为 :E =E1 +E2 , 则最佳分割阈
值 thr应满足 :
thr =m axE 。
(7)
t
2 仿真与结果分析
2. 1 基于低阶统计量 (均值和标准差 )的检测结果 分析声呐图像特性可以知道 , 声呐图像具有成像
关键词 : 统计量 ;目标检测 ;声呐图像 中图分类号 : TP391. 41;U666. 7 文献标识码 : A
A lgorithm of target d etection in sonar mi agery based on statistical value
T IAN X iao-dong, L IU Zhong (N aval Un iversity of Eng ineering, W uhan 430033, Ch ina)
应的标准偏差也较大 。标准偏差的计算如下所示 :
N
1
∑ σ = 1
N - 1 i =1
xi - – x 2 2 。
(2)
样本偏态 (Skew ness)是样本数据围绕其均值的
对称情况的度量 。如果偏度为负 , 则数据分布偏向于
其均值的左边 ;反之 , 则偏向右边 。样本偏态的定义
为
s =E
xσ3
则两个区域 R1 和 R2 相伴的熵为
∑ E1 (t)
=-
t pi P i=μm in t
lg pi Pt
= lgPt
+Et , Pt
∑ E2 (t)
μm ax
=- i =t+1 1
pi lg - Pt
pi 1 - Pt
=
(5)
lg 1 - Pt
+En - E t 。 1 - Pt
(6)
式中 , E t
(海军工程大学 , 湖北 武汉 430033)
摘 要 : 水下声呐图像目标检测问题是一项重要而困难的工作 , 采用滑动窗计算图像中各像素点处邻域 像素
灰度的统计量 , 利用最大熵图像分割算法确定 检测阈 值 , 并 利用均 值 、标准差 、偏态 和峰度 等统计 量对算 法进行 了仿 真验证 , 对声呐图像中的目标回波区和阴影区域均可实现较好的 检测效果 。 结 果表明 , 该方法 具有原理简 单 、运 算效 率高 、实时性好等特点 , 具有较强 的工程应用价值 。
用较少 。文献 [ 5, 6]中在分析声呐图像统计特 性的 基础上提出了基于图像的局部统计量的目标检测方 法 。本文在此基础上给出了基于最大熵算法的阈值 确定方法 , 比较了不同统计量的检测结果和多门限检 测算法的结果 , 对各种检测准则的性能进行了仿真分 析。
1 检测算法模型
1. 1 统计量的定义 样本均值是描述样本分布中心的统计量 , 在声呐
K ey w ord s: statistical value;target de tec tion;sonar im age
0 引 言
近年来水下探测技术得到了极大地发展 , 其应用 范围也越来越广泛 , 包括军事探测 、海底测量 、沉船打 捞 、水下管道检测等 。 基于高频成像声呐的水下声成 像探测是其中的主要技术手段之一 。 尤其是 , 合成孔 径声呐的研制成功 , 使得水下成像的距离和分辨率均 得到了数量级上的提高和改善 , 而且成像声呐的工作 频率得以降低 , 从而使得水下声成像技术的应用领域 进一步得到扩展 。
在不同的检测阈值下计算熵函数值 , 得到的变化 曲线如图 4所示 。 图 4(a)为标准差的熵变化曲线 , 可见随着阈值的增大 , 熵函数逐渐变小 , 通过寻找熵
图 4 统计量的熵变化曲线 F ig. 4 Entropy curve o f statistics
函数的最大值可得到的最佳分割阈值为 52;同理可 由图 4(b)得到基于均值统计量 的最佳分割阈值为 125。 检测结果如图 5所示 , 图 5中 (a)为双门限检测 结果 ;(b)为基于均值门限的检测结果 ;(c)为基于标
图像中 , 由于目标回波信号表现 为灰度值较高的 区
域 ;目标阴影区域的灰度值较低 ;而混响背景区域内
的像素点灰度值则显得较为分散 。在均值统计量上
就表现为 , 目标回波区域的均值较大 , 而阴影区域均
值较小 。理论上 , 样本均值的计算需要大量的样本数
据 , 而在声呐图像目标检测中这是不可能实现的 。 由
大数定理可知 , 在样本个数较多的情况下 , 采用样本
算术平均取代样本统计平均 , 计算得到的统计量的偏
差较小 。在实际计算过程中 , 采用滑动窗算法 , 将滑
动窗内的像素点转换成一维向量 , 计算这个一维向量
的均值作为滑动窗内像素点灰度值的统计量 。 滑动
窗的取值大小对计算结果影响较大 , 滑动窗过小 , 其
质量差 、对比度低 、受噪声污染严重等特点 , 尤其是影 响声呐图像的噪声的统计特性较为复杂 , 大量试验表 明以乘性噪声为主 。 乘性噪声的滤波平滑技术是近年 来图像去噪处理中的研究热点和难点之一 。 尽管这 样 , 声呐图像中仍可大致划分为目标回波区 、目标阴影 区和混响背景区 3个不同的区域 。其中目标回波区一 般灰度值较高 , 阴影区域灰度值较低 。从统计量上来 看 , 回波区应具有较大的均值和较小标准差 , 阴影区和
的直方图 。在统计量直方图的基础上可利用图像分割
技术中的矩量保持法 、最大类间方差法以及最大熵算法
等计算最佳分割阈值 。利用一定大小的滑动窗计算图
像中各个像素点处的统计量 μ, 设统计量 μ的直方图为
hμ i , i∈ μm in , μmax , 表示统计量为 i的出现次数 。利 用最大熵算法计算直方图 hμ i 的最佳分割阈值 。令 归一化的直方图 pi =hμ (i) /∑μ μmmainxhμ i 。 设阈值为 t, 则图像可分为两个区域 , 即 R1 = μm in , μm in +1, …, t ; R2 = t +1, t +2, …, μmax 。
第 1期
田晓东 , 等 :基于统计量的声呐图像目标检测算法
121
背景区应具有较小的均值和较小的标准差 。 实际计算 中发现 , 由于滑动窗一般取为方形窗口 , 而目标回波区 域为窄条形状 , 故计算得到的回波区域的标准差一般 表现为较大的值 。而背景和阴影区域由于所占的面积 较大 , 故滑动窗的形状对其影响不大 , 计算得到的标准 差较小 。本文计算中滑动窗大小取为 5 ×5。
图 1为 1幅水下声呐图像 , 图 2为计算得到的标 准差 -均值统计图 , 横坐标为标准差 , 纵坐标为均值 。 图中直线为多项式拟合得到的标准差和均值的关系 。 从图 2中可以看出 , 各像素点的统计量分布大致可分 为 3个区域 , 图 2的左下角区域标准差和均值均为较
图 1 原 图 F ig. 1 O rig ina l im age
–x 3 。
(3)
样本峰度 (Kurtosis)为单峰分布曲线 “峰的平坦
程度 ”的度量 , 定义为
k =E
xσ4
x–4
-
3。
(4)
根据上式 , 正态分布的峰度值为 0, 曲线比正态 分布曲线平坦的分布 , 其峰度大于 3;反之 , 则小于 3。 1. 2 检测准则的定义 [ 7, 8]
通过计算各像素点处的统计量 , 可得到关于统计量
利用图像区域的统计量进行图像分割和目标检 测的方法也得到了一些研究应用 , 但在声呐图像中应
收稿日期 :2005 - 12 - 13 作者简介 :田晓东 (1979 - ), 男 , 博士研究生 , 主要研究方向为图像处理与模式识别 、最优化理论等 。
120
舰 船 科 学 技 术
第 29卷
图 3 统计量的归一化直方图 F ig. 3 N o rm al histog ram of sta tistics
图 2 标准差 -均值图
F ig. 2 S tandard va riance v sM ean
小的值 , 可判断为图像中的目标阴影区域 ;中间区域 面积较大 , 可判断为混响背景区域 ;右上角区域较为 分散的一些点处标准差和均值均较大 , 根据上面的分 析可判断为图像中的目标回波区 。 图 3(a)、(b)分 别为统计量均值和标准差的归一化直方图 。 从该直 方图中可以看出 , 阴影区域所占 的像素点处较多 一 些 , 在归一化直方图中表现为较小的峰 。 混响背景区 域的像素点数最多 , 表现为较高较宽的峰 , 而目标回 波区域由于所占像素点数较少 , 在直方图中不能明显 的分辨出来 。
的尺寸将是今后需要进一步研究的问题 。 计算公式
如下 :
N
∑ x–=N1 i =1 xi 。
(1)
同理 , 样本标准差可较好地反映样本分布的离散
程度 , 在图像的灰度一致区域 , 各像素点的灰度值较
为接近 , 计算得到的标准差相应较小 ;而在混响背景
区域或目标边缘区域 , 像素点的灰度值相差较大 , 相
perform ance of arithm etic. The target highlights reg ion and shadow region o f sonar im age can be de tec ted
precise ly. Sim u lation re sults indicate that th is m e thod presented in th is paper has cha racteristics of simp le princip le, high efficiency and rea l tim e, then it has certain value for eng ineering app lication.
第202097卷年第2 月1期
文章编号 :1672 - 7649(2007)01 -0119 - 04
舰 船 科 学 技 术 SH IP SC IENCE AND TECHNOLOGY
Vo.l 29, Feb. ,
No. 1 2 007
基于统计量的声呐图像目标检测算法
田晓东 , 刘 忠
析等工作带来了很大的难度 。因此 , 声呐图像的预处 理就成为近年来广大研究人员普遍关注的问题之一 。 文献 [ 1] 中对声呐图像的滤波问题进行了详细的分 析 , 对目前常用的几种滤波方法在处理声呐图像时的 性能进行了定量的比较与分析 。在声呐图像的理解 与分析中 , 声呐图像的目标检测与分割是继图像滤波 之后又一需要重点研究的问题 , 文献 [ 2, 3] 采用马尔 可夫随机场模型 , 通过求解最大后验概率来得到图像 的最优分割 , 且在分割中采用分级分割计算的方法 , 提高了分割的效率和准确度 。文献 [ 4] 在马尔可夫 模型分割的基础上 , 进一步采用活动变形模板进行目 标边界的精确搜索 , 从而得到更为精确的目标边界 。
包含的像素点数越少 , 样本算术平均和统计平均之间
的偏差越大 , 则样本算术平均不能准确地描述样本的
均值统计量 ;滑动窗过大 , 受图像大小和目标区域面
积大小的限制 , 则会使得一些较小的目标区域漏掉 ,
降低了检测结果的准确度 。 本文中采用的滑动窗的
尺寸为人工经验选取的 , 如何自动准确地确定滑动窗
Ab stract: The targe t de tection of underw ate r sonar im age ry is a cruc ial task. The sta tistical va lue of pixe ls grey-level based on sliding-w indow sw as ca lcula ted, ce rta in en tropy criterion w as used to ga in the detec ting th reshold. M ean, standard dev iation, skewness and kurosis w ere respective ly adopted to valida te the
t
=
-
i
∑
=μm
in
pi
lgpi ;En
=- ∑ p μm ax i =μm in i
ቤተ መጻሕፍቲ ባይዱ
lgpi ;Pt
t
=∑ i =μm
pi
in
。
定义直方图的熵为 :E =E1 +E2 , 则最佳分割阈
值 thr应满足 :
thr =m axE 。
(7)
t
2 仿真与结果分析
2. 1 基于低阶统计量 (均值和标准差 )的检测结果 分析声呐图像特性可以知道 , 声呐图像具有成像
关键词 : 统计量 ;目标检测 ;声呐图像 中图分类号 : TP391. 41;U666. 7 文献标识码 : A
A lgorithm of target d etection in sonar mi agery based on statistical value
T IAN X iao-dong, L IU Zhong (N aval Un iversity of Eng ineering, W uhan 430033, Ch ina)
应的标准偏差也较大 。标准偏差的计算如下所示 :
N
1
∑ σ = 1
N - 1 i =1
xi - – x 2 2 。
(2)
样本偏态 (Skew ness)是样本数据围绕其均值的
对称情况的度量 。如果偏度为负 , 则数据分布偏向于
其均值的左边 ;反之 , 则偏向右边 。样本偏态的定义
为
s =E
xσ3
则两个区域 R1 和 R2 相伴的熵为
∑ E1 (t)
=-
t pi P i=μm in t
lg pi Pt
= lgPt
+Et , Pt
∑ E2 (t)
μm ax
=- i =t+1 1
pi lg - Pt
pi 1 - Pt
=
(5)
lg 1 - Pt
+En - E t 。 1 - Pt
(6)
式中 , E t
(海军工程大学 , 湖北 武汉 430033)
摘 要 : 水下声呐图像目标检测问题是一项重要而困难的工作 , 采用滑动窗计算图像中各像素点处邻域 像素
灰度的统计量 , 利用最大熵图像分割算法确定 检测阈 值 , 并 利用均 值 、标准差 、偏态 和峰度 等统计 量对算 法进行 了仿 真验证 , 对声呐图像中的目标回波区和阴影区域均可实现较好的 检测效果 。 结 果表明 , 该方法 具有原理简 单 、运 算效 率高 、实时性好等特点 , 具有较强 的工程应用价值 。
用较少 。文献 [ 5, 6]中在分析声呐图像统计特 性的 基础上提出了基于图像的局部统计量的目标检测方 法 。本文在此基础上给出了基于最大熵算法的阈值 确定方法 , 比较了不同统计量的检测结果和多门限检 测算法的结果 , 对各种检测准则的性能进行了仿真分 析。
1 检测算法模型
1. 1 统计量的定义 样本均值是描述样本分布中心的统计量 , 在声呐
K ey w ord s: statistical value;target de tec tion;sonar im age
0 引 言
近年来水下探测技术得到了极大地发展 , 其应用 范围也越来越广泛 , 包括军事探测 、海底测量 、沉船打 捞 、水下管道检测等 。 基于高频成像声呐的水下声成 像探测是其中的主要技术手段之一 。 尤其是 , 合成孔 径声呐的研制成功 , 使得水下成像的距离和分辨率均 得到了数量级上的提高和改善 , 而且成像声呐的工作 频率得以降低 , 从而使得水下声成像技术的应用领域 进一步得到扩展 。
在不同的检测阈值下计算熵函数值 , 得到的变化 曲线如图 4所示 。 图 4(a)为标准差的熵变化曲线 , 可见随着阈值的增大 , 熵函数逐渐变小 , 通过寻找熵
图 4 统计量的熵变化曲线 F ig. 4 Entropy curve o f statistics
函数的最大值可得到的最佳分割阈值为 52;同理可 由图 4(b)得到基于均值统计量 的最佳分割阈值为 125。 检测结果如图 5所示 , 图 5中 (a)为双门限检测 结果 ;(b)为基于均值门限的检测结果 ;(c)为基于标
图像中 , 由于目标回波信号表现 为灰度值较高的 区
域 ;目标阴影区域的灰度值较低 ;而混响背景区域内
的像素点灰度值则显得较为分散 。在均值统计量上
就表现为 , 目标回波区域的均值较大 , 而阴影区域均
值较小 。理论上 , 样本均值的计算需要大量的样本数
据 , 而在声呐图像目标检测中这是不可能实现的 。 由
大数定理可知 , 在样本个数较多的情况下 , 采用样本
算术平均取代样本统计平均 , 计算得到的统计量的偏
差较小 。在实际计算过程中 , 采用滑动窗算法 , 将滑
动窗内的像素点转换成一维向量 , 计算这个一维向量
的均值作为滑动窗内像素点灰度值的统计量 。 滑动
窗的取值大小对计算结果影响较大 , 滑动窗过小 , 其
质量差 、对比度低 、受噪声污染严重等特点 , 尤其是影 响声呐图像的噪声的统计特性较为复杂 , 大量试验表 明以乘性噪声为主 。 乘性噪声的滤波平滑技术是近年 来图像去噪处理中的研究热点和难点之一 。 尽管这 样 , 声呐图像中仍可大致划分为目标回波区 、目标阴影 区和混响背景区 3个不同的区域 。其中目标回波区一 般灰度值较高 , 阴影区域灰度值较低 。从统计量上来 看 , 回波区应具有较大的均值和较小标准差 , 阴影区和
的直方图 。在统计量直方图的基础上可利用图像分割
技术中的矩量保持法 、最大类间方差法以及最大熵算法
等计算最佳分割阈值 。利用一定大小的滑动窗计算图
像中各个像素点处的统计量 μ, 设统计量 μ的直方图为
hμ i , i∈ μm in , μmax , 表示统计量为 i的出现次数 。利 用最大熵算法计算直方图 hμ i 的最佳分割阈值 。令 归一化的直方图 pi =hμ (i) /∑μ μmmainxhμ i 。 设阈值为 t, 则图像可分为两个区域 , 即 R1 = μm in , μm in +1, …, t ; R2 = t +1, t +2, …, μmax 。
第 1期
田晓东 , 等 :基于统计量的声呐图像目标检测算法
121
背景区应具有较小的均值和较小的标准差 。 实际计算 中发现 , 由于滑动窗一般取为方形窗口 , 而目标回波区 域为窄条形状 , 故计算得到的回波区域的标准差一般 表现为较大的值 。而背景和阴影区域由于所占的面积 较大 , 故滑动窗的形状对其影响不大 , 计算得到的标准 差较小 。本文计算中滑动窗大小取为 5 ×5。
图 1为 1幅水下声呐图像 , 图 2为计算得到的标 准差 -均值统计图 , 横坐标为标准差 , 纵坐标为均值 。 图中直线为多项式拟合得到的标准差和均值的关系 。 从图 2中可以看出 , 各像素点的统计量分布大致可分 为 3个区域 , 图 2的左下角区域标准差和均值均为较
图 1 原 图 F ig. 1 O rig ina l im age
–x 3 。
(3)
样本峰度 (Kurtosis)为单峰分布曲线 “峰的平坦
程度 ”的度量 , 定义为
k =E
xσ4
x–4
-
3。
(4)
根据上式 , 正态分布的峰度值为 0, 曲线比正态 分布曲线平坦的分布 , 其峰度大于 3;反之 , 则小于 3。 1. 2 检测准则的定义 [ 7, 8]
通过计算各像素点处的统计量 , 可得到关于统计量
利用图像区域的统计量进行图像分割和目标检 测的方法也得到了一些研究应用 , 但在声呐图像中应
收稿日期 :2005 - 12 - 13 作者简介 :田晓东 (1979 - ), 男 , 博士研究生 , 主要研究方向为图像处理与模式识别 、最优化理论等 。
120
舰 船 科 学 技 术
第 29卷
图 3 统计量的归一化直方图 F ig. 3 N o rm al histog ram of sta tistics
图 2 标准差 -均值图
F ig. 2 S tandard va riance v sM ean
小的值 , 可判断为图像中的目标阴影区域 ;中间区域 面积较大 , 可判断为混响背景区域 ;右上角区域较为 分散的一些点处标准差和均值均较大 , 根据上面的分 析可判断为图像中的目标回波区 。 图 3(a)、(b)分 别为统计量均值和标准差的归一化直方图 。 从该直 方图中可以看出 , 阴影区域所占 的像素点处较多 一 些 , 在归一化直方图中表现为较小的峰 。 混响背景区 域的像素点数最多 , 表现为较高较宽的峰 , 而目标回 波区域由于所占像素点数较少 , 在直方图中不能明显 的分辨出来 。
的尺寸将是今后需要进一步研究的问题 。 计算公式
如下 :
N
∑ x–=N1 i =1 xi 。
(1)
同理 , 样本标准差可较好地反映样本分布的离散
程度 , 在图像的灰度一致区域 , 各像素点的灰度值较
为接近 , 计算得到的标准差相应较小 ;而在混响背景
区域或目标边缘区域 , 像素点的灰度值相差较大 , 相
perform ance of arithm etic. The target highlights reg ion and shadow region o f sonar im age can be de tec ted
precise ly. Sim u lation re sults indicate that th is m e thod presented in th is paper has cha racteristics of simp le princip le, high efficiency and rea l tim e, then it has certain value for eng ineering app lication.
第202097卷年第2 月1期
文章编号 :1672 - 7649(2007)01 -0119 - 04
舰 船 科 学 技 术 SH IP SC IENCE AND TECHNOLOGY
Vo.l 29, Feb. ,
No. 1 2 007
基于统计量的声呐图像目标检测算法
田晓东 , 刘 忠