水下目标识别与声信号处理技术

水下目标识别与声信号处理技术 水下目标识别与声信号处理技术 1、目的与意义 水下目标探测与识别技术对海洋资源的开发和利用以及军事方面有着极大的意义和作用。比如海底石油的开发和探测，下水潜艇的探测，以及海底残骸，海底底质的分类等等。目前水下目标探测的主要传感器有:微光TV、激光成像和声纳传感器。微光TV的图像清楚,但受海水能见度影响很大,总的来说可识别的距离太近,实际应用中难以满足;激光成像是在近几年发展起来的新方法,比较适合水下机器人使用,其体积、重量和所需功耗都较小,成像质量远高于声学成像并类似于微光TV,作用距离比TV远,同时可提供较准确的距离信息。然而要满足对水下目标识别的要求,仍然有不少技术难关需攻克;声学传感器(声纳)在水中作用距离远,又有一定的分辨率,所以是目前水下目标探测的主要传感器。但是,声纳传感器受海洋环境、背景目标等影响,成像的清晰度不够,给目标探测和识别增加了难度。 智能水下机器人的视觉系统主要依靠“声视觉”。与传统的声纳系统不同，声视觉系统不仅有声图像和声信息的获取能力，而且应该具备对图像和信息的处理、特征提取以及分类和识别的功能。安装在机器人主体上的成像探测声纳主要有两类:(1)侧扫声纳:对机器人下方和两侧进行扫描成像的声纳系统，主要用于远距离，大范围的目标探测与定位。(2)前视声纳:对机器人前方物体和景物声成像的声纳系统。 2、整个声视觉系统的框架为: (l)机器人前方:安装低分辨前视声纳、高分辨率前视声纳(采用声透镜技术)或三维成像声纳。低分辨前视声纳主要用来发现前方远距离目标，在探测到可疑目标后，接近目标启动高分辨率前视声纳或三维声纳，进行目标的精细探测和识别; (2)机器人侧面:安装高分辨侧扫声纳，主要用来进行远距离海底探测，发现目标后，引导机器人下潜进行近距离识别; (3)机器人下方:安装高分辨的近距离成像声纳或三维成像声纳。主要进行海底目标(水雷，沉船或管道等)高分辨率识别。 3、UTAR关键技术在以下三个方面: (1)声纳图像预处理技术:预处理属于图像识别的低级阶段，主要包括图像的去噪、增强等技术。它是特征提取和识别的基础，其根本的目的是最大限度的消除各类噪声和畸变对图像中目标区域的影响，有选择的突出图像中感兴趣的特征。预处理结果的好坏将直接影响特征提取的效果。 水下声视觉系统的图像预处理阶段主要进行两个步骤的处理:l)图像噪声抑制(de一n。ising);2)图像规整(Standardization，包括尺寸和灰度规整)。 图像去噪:是抑制噪声干扰，增大目标和背景的对比度，突出目标。图像规整:使待分类识别的图像大小一致，灰度变化范围一致。 如何进行抑噪以及噪声的原因,, 任何声纳系统的性能都受背景噪声的限制。背景干扰可以分为三类:环境噪声，混响及自噪声。环境噪声的主要来源是海洋噪声，(1) 海洋噪声:是大量无规的因素叠加的结果，根据中心极限定理，可以认为海洋噪声在一定范围内是一个遵从高斯分布的随机信号。(2)混响:是主动声纳工作中特有的干扰形式，是由海洋中大量无规则散射体对主动声纳的入射信号产生的散射波信号在接收点叠加而形成的。混响是主动声纳背景噪声的一部分，并且是限制主动声纳对近距离目标检测的主要因素。(3)自噪声:一般就是声纳系统在工作过程中随机的产生一些不可避免的噪声。因此，在声纳图像识别分类前，必须进行滤波去噪处理，最大程度的保留目标特征信息，去除图像中的干扰信息。 对图像进行去噪。针对于声纳图像中常见的高斯噪声、脉冲噪声，将简化PCNN模型与形态学、中值滤波相结合的算法用于声纳图像的噪声抑制。 算法主要过程如下: l)输入含噪图像，用PCNN进行预处理，根据同步与否找到高亮度区域，判断为目标区域T和一部分噪声亮点，形成一幅关于亮点位Nh 置的二值图像; 2)对此二值图像进行形态学处理，主要目的是填充T的缺口和空洞， ''处理后形成一幅包含和的二值图像: NTh 3)在原含噪图像中找到尹和风的对应像素，对这部分像素进行3*3的 局部中值滤波; 4)对于图像中的其他部分，认为是图像背景和较暗的噪声点，利用PCNN的状态相似神经元同步输出脉冲的性质，在PCNN逐次迭代过程 中找到那些提前或滞后于周围其他神经元点火的神经元，并对这些神经元对应像素的灰度值采用中值滤波进行修改。 3.1图像规整处理 由于声脉冲能量分布、距离、波束与海底作用的掠射角和海底的后向散射能力等，造成成像声纳采集到的各种声图像的灰度变化范围不一致，而且根据分辨率图像尺寸大小也不相同，这会对特征提取和分类识别造成不利的影响，因此要对图像的灰度与尺寸进行规整处理。 (1)图像尺寸规整:将采集到的图像规整为大小相同的图像(一般行列数为2的幂次方)，以便于图像的滤波处理和后续特征提取与识别。 (2)图像灰度规整:它可以用两种方法进行处理?:对于声透镜图像，为了减小图像灰度变化范围大对检测和识别带来的不便，对图像按距离方向做规整化处理，从而动态分布目标亮点和阴影的变化范围。通过对最近邻插值、双线性插值和双三次插值三种方法的时问与效果比较，选择了最近邻插值法作为图像尺寸规整的方法?:对于侧扫声纳图像的灰度变化范围小，亮度低，的情况，采用灰度拉伸的方法进行图像对比度增强，以突出日标，其中amma校正是图像处理中常用的图像增强技术。 4.1侧扫声纳图像特征提取与识别 (1)纹理特征提取:纹理特征是一种不依赖于颜色或亮度而反映图像中同质现象的视觉特征，它是物体表面共有的内在特性。纹理特征包含了物体表面结构组织排列的重要信息以及它们与周围坏境的联 系。高分辨侧扫声纳图像可以提供丰富的海底纹理信息，而且由于缺乏空间信息，因此纹理成为一种较好的底质特征——侧扫声纳。 (2) 纹理特征的提取方法，总体上可分为统计法、结构法和模型法。?:统计法是以图像中灰度值空间分布的统计属性作为纹理特征，比较常用的统计方法包括:灰度共生矩阵方法、纹理能量测量法、分形几何法、局部傅立叶变换法、高阶统计量法等。统计法的缺点是计算量大。?:结构法是将纹理图像看成纹理基元按照特定规律重复出现的结果，主要包括:拓扑纹理描述、形态学分解、紧致性分布、傅立叶谱分析等方法。结构法的困难在于能否有效地提取纹理基元和描述其重复规律。?:模型法通过某种概率分布或基函数的线性组合来表示纹理图像，模型的系数用来描述图像的纹理信息，主要包括:马尔可夫模型、二维自相关模型、Gabor滤波器模型等方法。模型法的难点在于纹理图像模型的选择与模型系数的最佳估计。 (3)对基于灰度共生矩阵的纹理表示方法进行了改进，结合图像相位谱中包含大量纹理特征的特点，提出了邻域灰度一相位共生矩阵的纹理表示方法，并将其主分量分解矢量作为特征矢量用于海底底质分类识别中。该方法保留了灰度共生矩阵的旋转不变性，又考虑了图像中细节的空间变化信息，从而大大提高了分类识别的准确性。 4.2图像的海底底质分类; (1)一幅灰度图像中的灰度变化和灰度值的空间位置代表了图像的纹理特征。不同的图像其相同灰度值的空间分布是不同的，具有唯一性，可以作为图像的纹理特征的表征。一般选用PCNN网络输出二 值图像序列的方差，得到二维图像的一维时间序列作为特征矢量进行海底底质的分类识别。 (2)对基于灰度共生矩阵的纹理表示方法进行了改进，结合图像相位谱中包含大量纹理特征的特点，提出了邻域灰度一相位共生矩阵的纹理表示方法，并将其主分量分解矢量作为特征矢量用于海底底质分类识别中。该方法保留了灰度共生矩阵的旋转不变性，又考虑了图像中细节的空间变化信息，从而大大提高了分类识别的准确性。 4.3 海底目标存在判断的高阶统计量方法; 采用高阶谱—双谱的谱峰值的大小作为目标是否存在的判断，高阶谱中的双谱，阶数最低，处理方法最简单，含有功率谱中所没有的相位信息，而且能有效的抑制高斯噪声，高阶谱去除了图像中低阶相关信息，保留了高阶相关性，使得目标对应的谱峰从图像背景的谱峰中凸显出来，更加有利于判断阀值的选取，是高阶谱研究中的热点。一般而言，声纳图像中如果没有目标，图像即为大范围的连续区域;如果有目标存在，则会出现小范围的连续区域和目标与背景之间的跃变，因此在图像的高阶谱中就会反映成幅度与相位的变化。并且使用高阶谱可以在判断目标有无的同时，避免了噪声的干扰。本文利用图像的双谱，对双谱的幅度大小设置阀值，来判断图像中目标的有无情况。 4.4 海底目标的提取; 目标提取即确定目标在图像中位置，并最大限度的突出目标的特 征信息，因此是识别的必要步骤。目标提取的方法主要分为边缘检测法和图像分割法，侧扫声纳图像经常受到海底混响的影响，大多数情况下不具备完整清晰的边缘信息，因此主要采用图像分割法来提取侧扫声纳图像中的目标区域或影区。 目前在图像分割领域己有很多成熟且有效的算法，其中阀值分割法因为计算量小，实现简单，性能稳定等优点，在实时图像处理系统中得到广泛的应用。根据分割区域内部均匀性和对比度评价准则可知，自动阀值选择的Otsu’S算法具有很好的目标提取效果。 5.前视声纳图像特征提取与识别; 水下机器人的前视声纳系统主要由低分辨率和高分辨率两种声纳设备组成，以适应远距离的探测和近距离的细微探测的要求。在这里主要研究了近距离高分辨前视声纳和三维成像声纳的图像特征提取与目标识别技术。?;首先前视声纳图像中的目标边界较清晰，因此形状是其显著特征，并且是描述目标的最好表达方式;?;其次特征选择和识别算法应具有抗噪性和旋转、平移、尺度不变性。 5.1 图像形状特征描述; 形状是描述图像的一个重要特征和目标识别的重要手段之一，形状描述是通过一些方法生成数值的描述子来描述形状，描述子应在尽可能区别不同目标的基础上对目标的平移、旋转和尺度变化不敏感。一些常用的形状描述子如下所示;(l)基于几何特征:紧密度、实心度、偏心率、不规则度等; (2)基于统计特征:粗糙度、均值、方差等; (3)变换域特征:矩、Fourier描述子、小波描述子、形态描述子等; (4)仿射不变量:简比等; (5)射影不变量:交比等。 5.2 形状表示方法; (l)链码,(2)样条,(3)多边形逼近,(4)基于尺度空间特征点提取技术. 5.3 边缘检测 图像边缘是指图像局部亮度变化最显著的部分，主要表现为图像局特征的不连续性，即图像中灰度变化比较剧烈的地方。根据灰度变化的剧程度，通常将边缘划分为阶跃状和屋顶状两种类型。阶跃边缘中两边的灰度值有明显的变化;而屋顶状边缘位于灰度增加与减少的交界处。在上可利用灰度的导数来描述边缘点的变化，对于一个阶跃边缘点，其灰度变化曲线的一阶导数在该点达到极大值，二阶导数在该点与零交叉;对于一个屋顶边缘点，其灰度变化曲线的一阶导数在该点与零交叉;二阶导数在该点达到极值。 图像的大部分主要信息都存在于图像的边缘中，因此边缘是图像的最基本的特征之一。边缘主要存在于目标与目标、目标与背景、区域与区域之间，能够提供图像轮廓的位置信息，是形状特征提取的重要基础,边缘检测通常是机器视觉系统处理图像的第一个阶段，是机器视觉领域内经典的研究课题之一，其结果的正确性和可靠性将直接 影响视觉系统的识别和理解。 5.4 边缘检测算法; 目前利用一种新的形态学边缘检测算子和细化算法提取目标的边缘特征。同经典的边缘检测算子如:Sobel边缘检测算子、Prewitt边缘检测算子等相比，该方法能够较好的保持边缘的完整性，并用形态学填充算法均匀目标内部区域来解决由干扰大和回波不均匀造成的内部孤立点问题，从而方便啦特征提取。 5.5 不变量特征提取; 从数学意义上讲，视觉不变量是目标几何结构在某些变换群条件下保持不变的函数形式，视觉目标最重要的几何结构是由一些不变量来确定的。在图像识别中，不变量是指目标的特性在经历了如下的一个或几个变换后仍然保持不变的特征量:(1)目标尺度的改变;(2)目标图像的平移;(3)目标图像的旋转:(4)仿射变换:(5)透视变换。 应用不变量理论进行目标特征提取一般包括两个阶段:(l)对图像进行分割，提取目标区域或边界，抽取目标的基本特征;(2)找出或构造目标作某种运动或无论目标作何种运动都不变化的目标图像特性。 5.6 三维声纳目标识别技术; 首先获取场景输入数据来得到场景的表达;然后将它与数据库中存储的目标表达相匹配。三维目标识别系统必须解决如下几个问题:(1)获取原始数据的图像设备类型:(2)三维物体模型构造方法;(3)描述原始数据和物体模型的数学工具;(4)从输入数据获得的物体描 述和物体模型描述之间的匹配方法。 一般来说，识别系统的性能可以由其目标物体的表达方式决定。目标表达方法必须满足下述条件:(l)明确性(使用同一表达方法的每个物必须只有一种描述):(2)唯一性(没有两个物体有相同的表达);(3)不敏感性(物体在部分被遮挡的情况下会缺少部分数据);(4)方便匹配和存储 下面根据选择特征的不同，介绍几类有代表性的三维目标表达方法; (l)基于基本表面特征的方法 (2)基于表面不连续性的表达法 (3)拟合表面参数表达方法 (4)八叉树(Oetree)法 (5)以观察者为中心的表达法 三维目标识别方法主要有以下几种:?基于模型的目标识别:所识别的目标是已知的，它利用计算机辅助(CAD)来建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述;另一方面，从图像采集设备得到的真实目标的三维信息，经处理后也可得到一种表面、边界及连接关系的描述。把来自模型和来自图像采集设备的这两种描述加以匹配，就可以识别三维目标。这方法的优点是:a可以唯一的描述三维目标;b精确的设计几何模型;c可以得到三维目标的所有视角图像。其缺点是:只能对已知形状的目标进行识别，系统不具备学习能力。?基于特征矢量表示的目标识别:将目标所有的信息 完整的描述，而是选择一部分与众不同的特征描述目标，这样可以使匹配的过程变得简单。?基于知识的识别方法是不去考虑精确的数学描述，在专家经验和认识的基础上，从所获得的大量数据和经验出发，利用模糊数学、人工智能及模糊神经网络等，来完成识别过程。采用这种方法识别目标，要具有丰富的经验和知识积累，目前该方法还没有得到较大的发展。 5.7 三维声纳图像目标识别关键技术; 根据三维成像声纳的成像机理和获取数据的表示，即距离切片图像，来进行目标的识别和分类。根据距离切片图像获取目标的三维描述，并以此得到目标的特征表示，来准确的表示不同目标。三维声纳目标识别系统的主要由以下部分组成: 1)目标三维图像获取; 2)三维重建; 3)目标提取; 4)特征选择: 5)匹配识别; 5.8 模型匹配; 在目标的识别过程中，识别的基本问题就是如何把目标的描述与模型库中的目标进行匹配,模型匹配中的一个要点在于多维向量的距离计算，可以使用下面的欧式距离公式进行: n2 D(X,Y),X,Y,(X,Y)iii 5.9 目前水下三维声纳目标识别面临的主要困难是:由于水下环 境的复杂性和声纳分辨率等问题，实际的图像获取和识别过程中会受到噪声的干扰。由于距离和方位的不同，图像中的噪声干扰也不尽相同，因此在进行图像去噪时应该将距离和方位信息考虑在内，以便于更好的保留目标的真实信息用于建模和识别. 问题是。目前我对一些具体的算法不是太懂。。不太了解。 (4) (5) (6) (7)