一種基於神經網絡的多波束水柱目標自動分割方法與流程

2023-08-05 08:56:21 2

本發明涉及多波束水柱處理領域，尤其涉及一種基於神經網絡的多波束水柱目標自動分割方法。

背景技術：

水體中的目標識別與跟蹤是多波束測深儀的一個重要應用領域，通過水柱分析可以獲取水體中的魚群，潛艇，橋墩等目標信息。但是，由於水下聲環境複雜多變，噪聲較多，而且水柱信息容易受到多波束隧道效應的幹擾，因此，進行多波束水柱分析存在一定的困難。

有鑑於此，亟待研發出一種能夠解決上述問題的多波束水柱分析處理方法。

技術實現要素：

本發明的目的旨在解決弊端，從而提供一種基於神經網絡的多波束水柱目標自動分割方法。

為實現上述目的，本發明提供了一種基於神經網絡的多波束水柱目標自動分割方法。該方法包括以下步驟:

a、將多波束原始回波信號轉化為聲納圖；

b、搜索所述聲納圖，確定存在目標的可疑區域並從所述聲納圖中分離；

c、對存在目標的可疑區域進行粗分割，以分割出帶有目標和旁瓣的聲納圖像；

d、將部分帶有目標和旁瓣的聲納圖像作為訓練樣本送入BP神經網絡進行訓練，所述部分帶有目標和旁瓣的聲納圖像為可直接區分出目標和旁瓣的圖像；

e、通過訓練好的BP神經網絡對剩餘部分帶有目標和旁瓣的聲納圖像進行圖像處理，以將目標從聲納圖像中分割出，所述剩餘部分帶有目標和旁瓣的聲納圖像為不可直接區分出目標和旁瓣的圖像。

優選地，在所述步驟d和步驟e之間還包括：

f、判斷BP神經網絡訓練是否完成，當識別正確率超過設定值時，判斷完成；反之，判斷未完成，繼續訓練。

優選地，所述步驟a中的多波束原始回波信號是通過鄰域插值法實現聲納圖的轉化。

優選地，所述步驟b具體包括：將聲納圖中像素值與設定閾值進行比對，將高於設定閾值區域分割出，低於設定閾值的區域濾去。

優選地，所述步驟c具體包括：

g、對分離出的存在目標的可疑區域進行直方圖均衡處理，以壓低背景噪聲的像素值，抬高高亮區的像素值；

h、通過閾值分割法將像素值高於設定值的點和區域分割出；

i、通過區域標記法將分割出的像素值高於設定值的點和區域中的高亮孤立噪點去除。

優選地，所述步驟d具體包括：

j、提取部分帶有目標和旁瓣的聲納圖像中的特徵量，所述特徵量包括：部分聲納圖像中每幅中各個子區域的長軸與短軸的比值、部分聲納圖像中每幅中各個子區域的中心到每幅圖像中心的橫縱坐標差值和部分聲納圖像中每幅中各個子區域的Hu矩的前二階矩；所述BP神經網絡的設置參數包括：選取層數目3、輸入層數目為5、輸出層數目2、中間層數目8；

k、將提取出的各個子區域的特徵量作為訓練樣本送入BP神經網絡進行訓練。

本發明基於神經網絡的多波束水柱目標自動分割方法可以有效消除目標區域所在聲納圖中的孤立噪點和旁瓣幹擾，較為準確的將目標提取出，有利於對水柱內的目標進行識別和追蹤。

附圖說明

圖1為本發明基於神經網絡的多波束水柱目標自動分割方法的一個實施例的流程圖；

圖2為本發明基於神經網絡的多波束水柱目標自動分割方法的另一個實施例的流程圖；

圖3為本發明確定存在目標的可疑區域的方法流程圖；

圖4為本發明對存在目標的可疑區域進行粗分割的方法流程圖；

圖5為本發明訓練BP神經網絡的方法流程圖；

圖6為本發明的多波束回波信號轉化為聲納圖後的圖像示意圖；

圖7為本發明的經直方圖均衡後的目標區域圖像與直方圖分布示意圖；

圖8為本發明的粗分割後的目標與旁瓣圖像示意圖；

圖9為本發明的經BP神經網絡分割出的目標圖像示意圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，下面將結合發明實施例中的附圖，對發明實施例中的技術方案進行清楚、完整地描述，顯然，下面所描述的實施例僅僅是發明一部分實施例，而非全部的實施例。基於發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其它實施例，都屬於發明保護的範圍。

請參閱圖1，本發明提供了基於神經網絡的多波束水柱目標自動分割方法的一個實施例，包括以下步驟：

在步驟101中，將多波束原始回波信號轉化為聲納圖，轉化的方法是鄰域插值法，具體做法是對每個圖像位置分別求解4個最靠近的波束點，利用4個點與圖像位置之間的位置關係估計出該圖像點的像素值，對每個像素位置進行上述操作，最終得到圖6所示的聲納圖。

在步驟102中，搜索步驟101中的聲納圖，確定存在目標的可疑區域並從聲納圖中分離，目標為水體中的魚群，潛艇或橋墩等信息。分離出的示意圖可參見圖7。

在步驟103中，對步驟102中存在目標的可疑區域進行粗分割，以分割出帶有目標和旁瓣的聲納圖像，效果可參見圖8所示。

在步驟104中，將步驟103中部分帶有目標和旁瓣的聲納圖像作為訓練樣本送入BP神經網絡進行訓練，其中部分帶有目標和旁瓣的聲納圖像為可以明確區分目標和旁瓣的聲納圖像。比如圖8所示的聲納圖像可由經驗和常識判斷為可以明確區分目標和旁瓣的聲納圖像。

在步驟105中，通過步驟104中訓練好的BP神經網絡對剩餘部分帶有目標和旁瓣的聲納圖像進行圖像處理，以將目標從聲納圖像中分割出，效果可參見圖9所示。其中，剩餘部分帶有目標和旁瓣的聲納圖像為不可直接區分出目標和旁瓣的圖像。

以上是對本發明提供的基於神經網絡的多波束水柱目標自動分割方法的一個實施例進行詳細的描述，以下將對本發明提供的基於神經網絡的多波束水柱目標自動分割方法的另一個實施例進行詳細的描述。

請參閱圖2，本發明提供了基於神經網絡的多波束水柱目標自動分割方法的另一個實施例，包括以下步驟：

在步驟201中，將多波束原始回波信號轉化為聲納圖，轉化的方法是鄰域插值法，具體做法是對每個圖像位置分別求解4個最靠近的波束點，利用4個點與圖像位置之間的位置關係估計出該圖像點的像素值，對每個像素位置進行上述操作，最終得到圖6所示的聲納圖。

在步驟202中，搜索步驟201中的聲納圖，確定存在目標的可疑區域並從聲納圖中分離，目標為水體中的魚群，潛艇或橋墩等信息。分離出的示意圖可參見圖7。

在步驟203中，對步驟202中存在目標的可疑區域進行粗分割，以分割出帶有目標和旁瓣的聲納圖像，效果可參見圖8所示。

在步驟204中，將步驟203中部分帶有目標和旁瓣的聲納圖像作為訓練樣本送入BP神經網絡進行訓練，其中部分帶有目標和旁瓣的聲納圖像為可以明確區分目標和旁瓣的聲納圖像，比如圖8所示的聲納圖像可由經驗和常識判斷左上角，右上角和右下角的三個長條狀子區域為旁瓣幹擾，中間的子區域為目標。

在步驟205中，判斷步驟204中送入樣本訓練的BP神經網絡訓練是否完成，當識別正確率超過設定值時，判斷完成；反之，判斷未完成，繼續訓練。其中設定值可設置為97%。如果把圖8的這樣聲納圖像作為樣本送入BP神經網絡進行訓練，訓練的結果是判斷出是3個目標和1個旁瓣，那麼這樣的判定結果的正確率是很低的，明顯低於預設值，那麼BP神經網絡就需要自行調整參數，繼續訓練，直到正確率達到預設值，才判定BP神經網絡訓練完成。

在步驟206中，通過步驟205中訓練好的BP神經網絡對剩餘部分帶有目標和旁瓣的聲納圖像進行圖像處理，以將目標從聲納圖像中分割出，效果可參見圖9所示。圖9中的白色區域即為目標。其中剩餘部分帶有目標和旁瓣的聲納圖像為不可以明確區分目標和旁瓣的聲納圖像。

以上是對本發明提供的基於神經網絡的多波束水柱目標自動分割方法的另一個實施例進行詳細的描述，以下將對本發明提供的確定存在目標的可疑區域方法的一個實施例進行詳細的描述。

請參閱圖3，本發明提供了確定存在目標的可疑區域方法的一個實施例，該實施例主要對圖1中步驟102和圖2中步驟202進行具體描述。

在步驟301中，將圖1中步驟101或圖2中步驟201中的聲納圖的像素值與設定閾值進行比對，判斷聲納圖像素值是否高於設定閾值。

在步驟302中，將步驟301中像素值高於設定閾值的區域分割出，將像素值低於設定閾值的區域濾去。

採用上述步驟是由於目標區域的像素值一般較高，而背景噪聲的像素值很低，因此可以設定一個像素值門限，將高於該門限的區域分割出來，低於該門限的區域濾去。上述步驟主要考慮的是濾去背景噪聲並且不要遺漏目標區域，因此在實際設定門限時，該值不可過高，以免漏掉部分像素值不是很高的目標區域。

以上是對本發明提供的確定存在目標的可疑區域方法的一個實施例進行詳細的描述，以下將對本發明提供的對存在目標的可疑區域進行粗分割方法的一個實施例進行詳細的描述。

請參閱圖4，本發明提供了對存在目標的可疑區域進行粗分割方法的一個實施例，該實施例主要對圖1中步驟103和圖2中步驟203進行具體描述。

在步驟401中，將圖1中步驟102或圖2中步驟202中分離出的存在目標的可疑區域進行直方圖均衡處理，以壓低背景噪聲的像素值，抬高高亮區的像素值。

在步驟402中，通過閾值分割法將步驟401中像素值高於設定值的點和區域分割出。

在步驟403中，通過區域標記法將步驟402中分割出的像素值高於設定值的點和區域中的高亮孤立噪點去除。

以上是對本發明提供的對存在目標的可疑區域進行粗分割方法的一個實施例進行詳細的描述，以下將對本發明提供的訓練BP神經網絡方法的一個實施例進行詳細的描述。

請參閱圖5，本發明提供了訓練BP神經網絡方法的一個實施例，該實施例主要對圖1中步驟104和圖2中步驟204進行具體描述。

在步驟501中，提取圖1中步驟103或圖2中步驟203中部分帶有目標和旁瓣的聲納圖像中的特徵量，該特徵量包括：部分聲納圖像中每幅中各個子區域的長軸與短軸的比值、部分聲納圖像中每幅中各個子區域的中心到每幅圖像中心的橫縱坐標差值和部分聲納圖像中每幅中各個子區域的Hu矩的前二階矩； BP神經網絡的設置參數包括：選取層數目3、輸入層數目為5、輸出層數目為2、中間層數目為8。

其中，長短軸之比：長軸是與區域具有相同標準二階中心矩的橢圓的長軸長度。短軸是與區域具有相同標準二階中心矩的橢圓的短軸長度。各子區域到圖像中心的橫縱坐標差值：各個子區域的中心到整幅圖的圖像中心的橫坐標、縱坐標之差。比如圖8中左上角的長條區域到整幅圖中心的橫縱坐標之差都是大於目標到圖像中心的橫縱坐標之差的。Hu矩是常用來計算圖像特徵量的一組不變矩，它們在圖像發生平移，縮放和旋轉時，值保持不變，故稱為不變矩，此處使用其前二階矩表徵子區域特徵。BP神經網絡的選取層數目3為：輸入層、中間層和輸出層。輸入層數目為5為：一個長短軸之比、兩個坐標差值和兩個前二階矩。輸出層數目2為：結果的兩種形式，是或否。中間層數目為8，或者為用中間層數目求取的經驗公式求出的其他合適的自然數。

在步驟502中，將步驟501中提取出的各個子區域的特徵量作為訓練樣本送入BP神經網絡進行訓練。

綜上，本發明基於神經網絡的多波束水柱目標自動分割方法可以有效消除目標區域所在聲納圖中的孤立噪點和旁瓣幹擾，較為準確的將目標提取出，有利於對水柱內的目標進行識別和追蹤。

以上所述的具體實施方式，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施方式而已，並不用於限定本發明的保護範圍，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。