高分辨率成像聲納圖像識別技術(shù)研究.pdf

1、本論文是在“十五”預(yù)研項目——智能水下機器人“水下目標聲探測與識別技術(shù)”的基礎(chǔ)上進行的。論文以工程中的實際問題為著眼點，深入研究了機器人聲視覺系統(tǒng)的構(gòu)建與設(shè)計、側(cè)掃聲納和前視聲納的圖像預(yù)處理、特征提取與識別等技術(shù)。主要內(nèi)容包括： (1)綜述了國內(nèi)外水下智能機器人、水下目標識別技術(shù)的研究現(xiàn)狀與基于聲納圖像的水下目標識別的主要設(shè)備和方法；詳細的介紹了當(dāng)前圖像識別系統(tǒng)的組成和主要技術(shù)手段。 (2)綜述了目前國際上先進的高分辨率

2、成像聲納——高分辨?zhèn)葤呗暭{、聲透鏡聲納和三維成像聲納的技術(shù)特點與性能；以軍用智能水下機器人中“水下目標聲探測與識別技術(shù)”課題中聲視覺系統(tǒng)的主要任務(wù)為基礎(chǔ)，設(shè)計了一種新的聲視覺系統(tǒng)構(gòu)建方式和工作過程，使水下智能機器人能夠同時探測前方和下方海域，并具備了在遠距離上粗略的目標分類能力和近距離的精確目標識別能力，能夠更有效的完成水下目標探測和識別的任務(wù)。 (3)分析了聲納圖像在成圖過程中所受到的噪聲干擾。深入研究了脈沖耦合神經(jīng)網(wǎng)絡(luò)(PC

3、NN)的相關(guān)理論，設(shè)計了一種在PCNN簡化模型基礎(chǔ)上，結(jié)合形態(tài)學(xué)與中值濾波的噪聲抑制算法。該方法在不損失圖像邊緣信息的前提下，能夠同時有效的去除圖像中的高斯和脈沖噪聲，并且由于PCNN內(nèi)在的并行實現(xiàn)性，更加適合實時的圖像處理。 (4)介紹了水下智能機器人攜帶的側(cè)掃聲納圖像的主要應(yīng)用范圍。綜述了利用側(cè)掃聲納圖像的海底底質(zhì)分類研究領(lǐng)域的最新進展，提出了將包含圖像結(jié)構(gòu)細節(jié)信息的相位譜與狄度共生矩陣相結(jié)合的海底底質(zhì)紋理表示方法，并應(yīng)用主

4、分量分解提取了特征向量。由于將統(tǒng)計和結(jié)構(gòu)信息有機的融合起來，從而提高了識別精度。 (5)根據(jù)不同圖像其相同灰度值的空間分布不同的特點，利用PCNN簡化模型得到對應(yīng)于不同灰度值的二值序列圖像，作為原圖像的紋理表示。計算每幅圖像的方差，將序列圖像轉(zhuǎn)化為一維特征矢量，用于側(cè)掃聲納圖像和自然紋理圖像的識別中，可以獲得很高的圖像識別率。 (6)在海底目標檢測中，針對側(cè)掃聲納圖像受海底混響干擾嚴重的缺點，提出了將高階譜中雙譜的譜峰值

5、大小作為圖像中目標是否存在判斷方法。利用高階譜可以抑制了圖像背景中不相關(guān)噪聲，使目標高階相關(guān)性增強的性質(zhì)，可以有效的檢測出具有不同參數(shù)的側(cè)掃聲納系統(tǒng)圖像中的目標存在，更具有普遍適用性。 (7)在海底目標提取中，提出了將自適應(yīng)狄度規(guī)整與Otsu’s閾值分割方法結(jié)合的海底目標區(qū)域分割方法。該方法能夠進行自動閾值選擇，得到的分割結(jié)果有更好的區(qū)域均勻性和對比度。 (8)分析了高分辨率前視聲納圖像的特點，針對其所受干擾大和回波不均

6、勻造成的內(nèi)部孤立點問題，提出了一種形態(tài)學(xué)邊緣檢測算法。該方法對噪聲不敏感，并且較好的消除了聲納圖像中目標內(nèi)部由于回波信號的強弱變化導(dǎo)致的灰度突變，使其中的孤立點得到抑制，所以提取出的邊緣輪廓較完整。 (9)針對水下機器人在作業(yè)過程中的運動會造成圖像中目標的旋轉(zhuǎn)、平移和比例變化問題，深入研究了圖像識別中的視覺不變量理論。提出了一種基于圖像邊緣Radon變換的聲納圖像不變性特征提取方法。在圖像目標尺度歸一化的基礎(chǔ)上，利用Radon變

7、換將二維邊緣信息投影到一維空問，構(gòu)造了此空間中的旋轉(zhuǎn)、平移和比例不變矩。根據(jù)不同階數(shù)的不變矩組合矩陣，利用奇異值分解(SVD)方法提取目標不變特征。該特征表示方法只利用了目標的邊緣信息，計算量小，運算速度快，魯棒性強并具有較好的圖像分類效果。 (10)綜述了三維目標識別技術(shù)，重點介紹了三維目標的表達和目標識別方法。分析了三維聲納成像的原理，并以此為依據(jù)，借鑒工業(yè)和醫(yī)學(xué)上斷層成像系統(tǒng)的三維重建和處理方法，闡述了三維成像聲納目標識別