Page 70 - 《应用声学》2020年第3期
P. 70
390 2020 年 5 月
ᝠካK-ᤃ ಪ௭ᗃڏ
ૉጯ ᝠካᎶηएC↼x↽ ၹC(x)ᤉᛡᮕ ዝѿಖኤ
GMMѬ᧚ ξᮕፇ౧
图 4 采用 KN-GMM 和显著图指导的预测过程
Fig. 4 Procedure of predicting using KN-GMM and a guidance saliency map
1.3 ROI回归及决策 完成对 ROI的图像分割后，一些没有检测到前
如应用场景对准确度有更高的要求，可采用步 景或是前景中只有很少分散像素点的 ROI 将会被
骤 2 进一步处理。步骤 2 中首先对图割算法进行了 丢弃。接着计算高亮部分的最小外接矩形来估计目
改进，使之可以适用于图像中 3 种标签部分的分割； 标的尺寸，并通过对比高亮部分以及其形态学膨胀
对于每个边界框，采用这种改进算法将框内的图 邻域计算目标强度。经上述处理后，绝大多数虚警
像分割为背景、疑似目标的高亮和阴影部分。图割
将会被排除。ROI回归和决策过程示例如图5所示。
方法使用高斯混合模型对三者建模，算法将预先在
最后，步骤 2 将对经虚警滤除后仍然保留的边
ROI上进行 K-均值聚类以初始化背景、阴影和高亮
界框进行回归。通过计算高亮部分的中心像素，边
部分，再迭代执行高亮/背景和阴影/背景分割。在
界框将被重新定位，使目标位于边界框的中心，以获
高亮/背景分割中，阴影和真实的背景均被认为是
取更为精确的ROI，步骤 2处理流程如图6所示。图
背景，同理，在阴影/背景分割中，高亮和真实的背景
像分割的引入提升了算法对弱监督场景的适应能
被认为是背景。基于阴影部分总是比高亮部分稍暗
一些的先验知识，均值较高的阴影高斯分量和均值 力：首先，步骤1 中所有和标注区域相交的图像块都
较低的高亮高斯分量将进行标签交换。同时，参考 将被视作正样本，步骤 2 中图像分割提供了对目标
侧扫声呐成像几何关系，位于高亮部分近端的阴影 范围的精确描述，标注不够确切的边界框将被重新
将会被直接丢弃。 定位。
ႍࠫ˗ᄊڏϸᤉᛡڏҟ Ѭҟѣᄬಖᄊ
ᰴ̝֗ॖᦊѬ ࠫᄬಖᤉᛡྲढ़ଢԩ֗ᆸ
ᝣǍ˞ఞድᆸᄊѣᄬಖ ࠲ႍ˗ॷረ
үᒰᰴ̝ᦊѬ˗ॷǍ
ڏϸѬڱ֗KN-GMMᖍԩᄊϋᤥᄬಖႍ ᄬಖᆸᝣ ႍڀॆՑ᧘ழࠀͯ
图 5 ROI 回归和决策过程示例
Fig. 5 An example of ROI regression and determination process
ࡇࠪጞౌ ྲढ़ጞౌ ᘿхኖ
ஈᤉʼಖኤ
ROI Ѻݽӑ֗ᮕͥᝠ ᰴ̝&ॖ
ڏҟካข
ረү˗ॷ ႍ
图 6 步骤 2 处理流程
Fig. 6 Procedure of Phase 2
段中的小目标进行人工标注作为真实标记 (Ground
2 试验结果 truth, GT)。以在丹江口水库布放的两类仿制目标
为例，如图 7 所示，图中几个目标被放置在湖底，包
2.1 数据集 括 ϕ3 cm 电缆和 ϕ40 cm 圆柱体煤气罐。目标的图
对检测效果的评估主要基于专家标注的高频 像及其高亮 -阴影分割结果如图8 所示，第一行为目
SAS图像数据集。数据集由一系列200 m×400 m的 标实物照片，第二行为目标高频 SAS 图像，第三行
连续实时 SAS 条带图像片段组成，并对条带图像片 为目标高亮-阴影分割结果。
