本發(fā)明涉及多波束水柱處理領(lǐng)域，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法。

背景技術(shù)：

水體中的目標(biāo)識(shí)別與跟蹤是多波束測(cè)深儀的一個(gè)重要應(yīng)用領(lǐng)域，通過(guò)水柱分析可以獲取水體中的魚(yú)群，潛艇，橋墩等目標(biāo)信息。但是，由于水下聲環(huán)境復(fù)雜多變，噪聲較多，而且水柱信息容易受到多波束隧道效應(yīng)的干擾，因此，進(jìn)行多波束水柱分析存在一定的困難。

有鑒于此，亟待研發(fā)出一種能夠解決上述問(wèn)題的多波束水柱分析處理方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的旨在解決弊端，從而提供一種基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法。該方法包括以下步驟:

a、將多波束原始回波信號(hào)轉(zhuǎn)化為聲納圖；

b、搜索所述聲納圖，確定存在目標(biāo)的可疑區(qū)域并從所述聲納圖中分離；

c、對(duì)存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割，以分割出帶有目標(biāo)和旁瓣的聲納圖像；

d、將部分帶有目標(biāo)和旁瓣的聲納圖像作為訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，所述部分帶有目標(biāo)和旁瓣的聲納圖像為可直接區(qū)分出目標(biāo)和旁瓣的圖像；

e、通過(guò)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)剩余部分帶有目標(biāo)和旁瓣的聲納圖像進(jìn)行圖像處理，以將目標(biāo)從聲納圖像中分割出，所述剩余部分帶有目標(biāo)和旁瓣的聲納圖像為不可直接區(qū)分出目標(biāo)和旁瓣的圖像。

優(yōu)選地，在所述步驟d和步驟e之間還包括：

f、判斷BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練是否完成，當(dāng)識(shí)別正確率超過(guò)設(shè)定值時(shí)，判斷完成；反之，判斷未完成，繼續(xù)訓(xùn)練。

優(yōu)選地，所述步驟a中的多波束原始回波信號(hào)是通過(guò)鄰域插值法實(shí)現(xiàn)聲納圖的轉(zhuǎn)化。

優(yōu)選地，所述步驟b具體包括：將聲納圖中像素值與設(shè)定閾值進(jìn)行比對(duì)，將高于設(shè)定閾值區(qū)域分割出，低于設(shè)定閾值的區(qū)域?yàn)V去。

優(yōu)選地，所述步驟c具體包括：

g、對(duì)分離出的存在目標(biāo)的可疑區(qū)域進(jìn)行直方圖均衡處理，以壓低背景噪聲的像素值，抬高高亮區(qū)的像素值；

h、通過(guò)閾值分割法將像素值高于設(shè)定值的點(diǎn)和區(qū)域分割出；

i、通過(guò)區(qū)域標(biāo)記法將分割出的像素值高于設(shè)定值的點(diǎn)和區(qū)域中的高亮孤立噪點(diǎn)去除。

優(yōu)選地，所述步驟d具體包括：

j、提取部分帶有目標(biāo)和旁瓣的聲納圖像中的特征量，所述特征量包括：部分聲納圖像中每幅中各個(gè)子區(qū)域的長(zhǎng)軸與短軸的比值、部分聲納圖像中每幅中各個(gè)子區(qū)域的中心到每幅圖像中心的橫縱坐標(biāo)差值和部分聲納圖像中每幅中各個(gè)子區(qū)域的Hu矩的前二階矩；所述BP神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)包括：選取層數(shù)目3、輸入層數(shù)目為5、輸出層數(shù)目2、中間層數(shù)目8；

k、將提取出的各個(gè)子區(qū)域的特征量作為訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法可以有效消除目標(biāo)區(qū)域所在聲納圖中的孤立噪點(diǎn)和旁瓣干擾，較為準(zhǔn)確的將目標(biāo)提取出，有利于對(duì)水柱內(nèi)的目標(biāo)進(jìn)行識(shí)別和追蹤。

附圖說(shuō)明

圖1為本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的一個(gè)實(shí)施例的流程圖；

圖2為本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的另一個(gè)實(shí)施例的流程圖；

圖3為本發(fā)明確定存在目標(biāo)的可疑區(qū)域的方法流程圖；

圖4為本發(fā)明對(duì)存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割的方法流程圖；

圖5為本發(fā)明訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)的方法流程圖；

圖6為本發(fā)明的多波束回波信號(hào)轉(zhuǎn)化為聲納圖后的圖像示意圖；

圖7為本發(fā)明的經(jīng)直方圖均衡后的目標(biāo)區(qū)域圖像與直方圖分布示意圖；

圖8為本發(fā)明的粗分割后的目標(biāo)與旁瓣圖像示意圖；

圖9為本發(fā)明的經(jīng)BP神經(jīng)網(wǎng)絡(luò)分割出的目標(biāo)圖像示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，下面將結(jié)合發(fā)明實(shí)施例中的附圖，對(duì)發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，下面所描述的實(shí)施例僅僅是發(fā)明一部分實(shí)施例，而非全部的實(shí)施例。基于發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其它實(shí)施例，都屬于發(fā)明保護(hù)的范圍。

請(qǐng)參閱圖1，本發(fā)明提供了基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的一個(gè)實(shí)施例，包括以下步驟：

在步驟101中，將多波束原始回波信號(hào)轉(zhuǎn)化為聲納圖，轉(zhuǎn)化的方法是鄰域插值法，具體做法是對(duì)每個(gè)圖像位置分別求解4個(gè)最靠近的波束點(diǎn)，利用4個(gè)點(diǎn)與圖像位置之間的位置關(guān)系估計(jì)出該圖像點(diǎn)的像素值，對(duì)每個(gè)像素位置進(jìn)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(biāo)的可疑區(qū)域并從聲納圖中分離，目標(biāo)為水體中的魚(yú)群，潛艇或橋墩等信息。分離出的示意圖可參見(jiàn)圖7。

在步驟103中，對(duì)步驟102中存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割，以分割出帶有目標(biāo)和旁瓣的聲納圖像，效果可參見(jiàn)圖8所示。

在步驟104中，將步驟103中部分帶有目標(biāo)和旁瓣的聲納圖像作為訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中部分帶有目標(biāo)和旁瓣的聲納圖像為可以明確區(qū)分目標(biāo)和旁瓣的聲納圖像。比如圖8所示的聲納圖像可由經(jīng)驗(yàn)和常識(shí)判斷為可以明確區(qū)分目標(biāo)和旁瓣的聲納圖像。

在步驟105中，通過(guò)步驟104中訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)剩余部分帶有目標(biāo)和旁瓣的聲納圖像進(jìn)行圖像處理，以將目標(biāo)從聲納圖像中分割出，效果可參見(jiàn)圖9所示。其中，剩余部分帶有目標(biāo)和旁瓣的聲納圖像為不可直接區(qū)分出目標(biāo)和旁瓣的圖像。

以上是對(duì)本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖2，本發(fā)明提供了基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的另一個(gè)實(shí)施例，包括以下步驟：

在步驟201中，將多波束原始回波信號(hào)轉(zhuǎn)化為聲納圖，轉(zhuǎn)化的方法是鄰域插值法，具體做法是對(duì)每個(gè)圖像位置分別求解4個(gè)最靠近的波束點(diǎn)，利用4個(gè)點(diǎn)與圖像位置之間的位置關(guān)系估計(jì)出該圖像點(diǎn)的像素值，對(duì)每個(gè)像素位置進(jìn)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(biāo)的可疑區(qū)域并從聲納圖中分離，目標(biāo)為水體中的魚(yú)群，潛艇或橋墩等信息。分離出的示意圖可參見(jiàn)圖7。

在步驟203中，對(duì)步驟202中存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割，以分割出帶有目標(biāo)和旁瓣的聲納圖像，效果可參見(jiàn)圖8所示。

在步驟204中，將步驟203中部分帶有目標(biāo)和旁瓣的聲納圖像作為訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中部分帶有目標(biāo)和旁瓣的聲納圖像為可以明確區(qū)分目標(biāo)和旁瓣的聲納圖像，比如圖8所示的聲納圖像可由經(jīng)驗(yàn)和常識(shí)判斷左上角，右上角和右下角的三個(gè)長(zhǎng)條狀子區(qū)域?yàn)榕园旮蓴_，中間的子區(qū)域?yàn)槟繕?biāo)。

在步驟205中，判斷步驟204中送入樣本訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練是否完成，當(dāng)識(shí)別正確率超過(guò)設(shè)定值時(shí)，判斷完成；反之，判斷未完成，繼續(xù)訓(xùn)練。其中設(shè)定值可設(shè)置為97%。如果把圖8的這樣聲納圖像作為樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練的結(jié)果是判斷出是3個(gè)目標(biāo)和1個(gè)旁瓣，那么這樣的判定結(jié)果的正確率是很低的，明顯低于預(yù)設(shè)值，那么BP神經(jīng)網(wǎng)絡(luò)就需要自行調(diào)整參數(shù)，繼續(xù)訓(xùn)練，直到正確率達(dá)到預(yù)設(shè)值，才判定BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。

在步驟206中，通過(guò)步驟205中訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)對(duì)剩余部分帶有目標(biāo)和旁瓣的聲納圖像進(jìn)行圖像處理，以將目標(biāo)從聲納圖像中分割出，效果可參見(jiàn)圖9所示。圖9中的白色區(qū)域即為目標(biāo)。其中剩余部分帶有目標(biāo)和旁瓣的聲納圖像為不可以明確區(qū)分目標(biāo)和旁瓣的聲納圖像。

以上是對(duì)本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法的另一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明提供的確定存在目標(biāo)的可疑區(qū)域方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖3，本發(fā)明提供了確定存在目標(biāo)的可疑區(qū)域方法的一個(gè)實(shí)施例，該實(shí)施例主要對(duì)圖1中步驟102和圖2中步驟202進(jìn)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(shè)定閾值進(jìn)行比對(duì)，判斷聲納圖像素值是否高于設(shè)定閾值。

在步驟302中，將步驟301中像素值高于設(shè)定閾值的區(qū)域分割出，將像素值低于設(shè)定閾值的區(qū)域?yàn)V去。

采用上述步驟是由于目標(biāo)區(qū)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(shè)定一個(gè)像素值門(mén)限，將高于該門(mén)限的區(qū)域分割出來(lái)，低于該門(mén)限的區(qū)域?yàn)V去。上述步驟主要考慮的是濾去背景噪聲并且不要遺漏目標(biāo)區(qū)域，因此在實(shí)際設(shè)定門(mén)限時(shí)，該值不可過(guò)高，以免漏掉部分像素值不是很高的目標(biāo)區(qū)域。

以上是對(duì)本發(fā)明提供的確定存在目標(biāo)的可疑區(qū)域方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明提供的對(duì)存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖4，本發(fā)明提供了對(duì)存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割方法的一個(gè)實(shí)施例，該實(shí)施例主要對(duì)圖1中步驟103和圖2中步驟203進(jìn)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(biāo)的可疑區(qū)域進(jìn)行直方圖均衡處理，以壓低背景噪聲的像素值，抬高高亮區(qū)的像素值。

在步驟402中，通過(guò)閾值分割法將步驟401中像素值高于設(shè)定值的點(diǎn)和區(qū)域分割出。

在步驟403中，通過(guò)區(qū)域標(biāo)記法將步驟402中分割出的像素值高于設(shè)定值的點(diǎn)和區(qū)域中的高亮孤立噪點(diǎn)去除。

以上是對(duì)本發(fā)明提供的對(duì)存在目標(biāo)的可疑區(qū)域進(jìn)行粗分割方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述，以下將對(duì)本發(fā)明提供的訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)方法的一個(gè)實(shí)施例進(jìn)行詳細(xì)的描述。

請(qǐng)參閱圖5，本發(fā)明提供了訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)方法的一個(gè)實(shí)施例，該實(shí)施例主要對(duì)圖1中步驟104和圖2中步驟204進(jìn)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(biāo)和旁瓣的聲納圖像中的特征量，該特征量包括：部分聲納圖像中每幅中各個(gè)子區(qū)域的長(zhǎng)軸與短軸的比值、部分聲納圖像中每幅中各個(gè)子區(qū)域的中心到每幅圖像中心的橫縱坐標(biāo)差值和部分聲納圖像中每幅中各個(gè)子區(qū)域的Hu矩的前二階矩； BP神經(jīng)網(wǎng)絡(luò)的設(shè)置參數(shù)包括：選取層數(shù)目3、輸入層數(shù)目為5、輸出層數(shù)目為2、中間層數(shù)目為8。

其中，長(zhǎng)短軸之比：長(zhǎng)軸是與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長(zhǎng)軸長(zhǎng)度。短軸是與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的短軸長(zhǎng)度。各子區(qū)域到圖像中心的橫縱坐標(biāo)差值：各個(gè)子區(qū)域的中心到整幅圖的圖像中心的橫坐標(biāo)、縱坐標(biāo)之差。比如圖8中左上角的長(zhǎng)條區(qū)域到整幅圖中心的橫縱坐標(biāo)之差都是大于目標(biāo)到圖像中心的橫縱坐標(biāo)之差的。Hu矩是常用來(lái)計(jì)算圖像特征量的一組不變矩，它們?cè)趫D像發(fā)生平移，縮放和旋轉(zhuǎn)時(shí)，值保持不變，故稱為不變矩，此處使用其前二階矩表征子區(qū)域特征。BP神經(jīng)網(wǎng)絡(luò)的選取層數(shù)目3為：輸入層、中間層和輸出層。輸入層數(shù)目為5為：一個(gè)長(zhǎng)短軸之比、兩個(gè)坐標(biāo)差值和兩個(gè)前二階矩。輸出層數(shù)目2為：結(jié)果的兩種形式，是或否。中間層數(shù)目為8，或者為用中間層數(shù)目求取的經(jīng)驗(yàn)公式求出的其他合適的自然數(shù)。

在步驟502中，將步驟501中提取出的各個(gè)子區(qū)域的特征量作為訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

綜上，本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的多波束水柱目標(biāo)自動(dòng)分割方法可以有效消除目標(biāo)區(qū)域所在聲納圖中的孤立噪點(diǎn)和旁瓣干擾，較為準(zhǔn)確的將目標(biāo)提取出，有利于對(duì)水柱內(nèi)的目標(biāo)進(jìn)行識(shí)別和追蹤。

以上所述的具體實(shí)施方式，對(duì)本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說(shuō)明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實(shí)施方式而已，并不用于限定本發(fā)明的保護(hù)范圍，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。