Page 238 - 应用声学2019年第4期
P. 238

698                                                                                  2019 年 7 月


             0 引言                                              1 理论基础

                                                                   超椭圆曲线拟合目标阴影算法主要通过控制
                 近年来,水下小目标自动识别技术成为水下
             研究的一个热点,高分辨率水下声成像设备技术                             超椭圆函数的几个参数变化对声呐获取的小目标
             的进步使得对小目标图像进行分析成为可能。由                             阴影轮廓进行拟合,对于不同的阴影轮廓使用不同
             于描述小目标本身特性的像素数目原本就少,而                             的曲线拟合,拟合过程可以分成两个部分:一是定义
                                                               目标函数,二是寻找优化算法使目标函数收敛到极
             且易受水下噪声及海底混响等环境因素的影响,
             在图像中呈现有关小目标的像素数目更少,很难                             值,下面主要从这两个方面进行介绍。
             直接通过分析目标区域达到准确识别目标的目                              1.1  超椭圆函数
             的,通过研究发现目标投影产生的阴影区域无论                                 超椭圆函数的标准方程为             [5]
             是在形状和尺寸方面均比亮区更为显著且描述                                            ( ) 2   ( ) 2
                                                                              x  ε     y  ε
             阴影区域特性的像素数目也比较多,能够提供良                                            a    +   b    = 1,          (1)
             好的识别线索,因此目标阴影区域的识别结果成                             其中,a、b和ε 分别表示长轴、短轴和方形程度参数。
             为目标分类中非常重要的信息,引起广泛的关注                             标准位置经过平移和旋转操作得到
             和重视。                                                 (                           ) 2
                                                                    (x − x c ) cos θ − (y − y c ) sin θ  ε
                 阴影识别方法主要利用阴影的形状特征识别
                                                                                a
             目标,使用描述子而不是全部像素点描述阴影信                                  (                           ) 2
                                                                      (x − x c ) sin θ − (y − y c ) cos θ  ε
             息。Kim 等    [1]  提出基于边界链码法识别目标阴影,                     +                                 = 1,  (2)
                                                                                   b
             该方法对于形状简单的阴影具有良好的识别效果。
                                                               其中,x c 、y c 和 θ 分别表示水平平移量、垂直平移量
             Boulinguez 等  [2]  提出基于傅里叶描述子识别目标
                                                               和旋转角度。根据超椭圆方程可知,超椭圆曲线由
             阴影,虽然将二维图像的傅里叶变换转换为一维变
                                                               一簇形状不同的封闭曲线构成,通过控制超椭圆函
             换问题,用部分傅里叶变换系数重建阴影边界,减少
                                                               数中方形程度参数          [6]  的简单变化,可以形成矩形、
             了复杂度,但是保留多少个变换系数难以确定。本
                                                               椭圆、菱形等不同的形状,对目标阴影边界提供高
             文提出超椭圆曲线拟合算法拟合目标阴影边界,通
                                                               效而简洁的表示,如图2所示。
             过控制超椭圆函数的参数变化形成形状、尺寸和位
             置不同的超椭圆曲线,进而拟合不同的阴影区域。                                                                 0.2 0.1
                                                                                                 1.0
             该方法使用特定几个参数表示一簇超椭圆曲线,达                                                    ε=5.0  2.0
             到不同的目标阴影识别的目的,易于实现且计算
             简单。
                 在实际的应用中,关注的目标通常是人工小目
             标,阴影可以近似为规则的区域,其形状和尺寸依                                图 2  不同方形程度参数对应不同的超椭圆曲线
             赖于声呐获取图像的角度和方位。例如,在大多数                               Fig. 2 Different square degree parameters corre-
                                                                  spond to different superellipse
             情况下,球体目标的阴影区域是椭圆,圆柱体目标
             的阴影区域是平行四边形。由于水下小目标阴影                             1.2  目标函数
             轮廓几乎为特定几种类型的形状,则可以利用超                                 Rosin [7]  提出将边界坐标点到超椭圆模型的代
             椭圆拟合算法实现目标的识别目的,如图 1 所示,                          数距离作为目标函数,该方法具有计算量小和易实
             目前广泛地应用于计算机图形学、计算机视觉等                             现等优点,但是不同位置的代数距离依赖于曲线的
             领域  [3−4] 。                                       曲率,存在曲率有偏性。Ahn 等             [8]  提出一种近似的

                    ᫻ॖ     ᄬಖ     ͖ӑ    ᡔ೹ړ      ᄬಖ            几何距离,该方法通过多次迭代直至边界坐标点到
                    ᣸ႍ     Ѧ஝     ካข     લՌ      Ѭዝ
                                                               曲线的距离收敛到最小,不足之处是计算量大且耗
                        图 1  超椭圆拟合分析流程图                        时。Voss 等   [9]  采用矩估计的方法计算除方形程度
                Fig. 1 Flow chart of superellipse fitting analysis  参数以外的所有参数,再进行迭代计算方形程度参
   233   234   235   236   237   238   239   240   241   242   243