Page 127 - 《应用声学》2021年第2期
P. 127
第 40 卷 第 2 期 巩文静等： 基于形状特征的水声图像小目标识别方法 295
然后提取目标区域的圆形度、矩形度和不变矩等形
0 引言
状特征参数，根据提取的特征参数构建特征向量；最
近年来，水下成像技术的日渐成熟为高分辨率 后将特征向量输入随机森林分类器进行目标识别。
水声图像的获得提供了可能，人工静止小目标的定 该方法具有以下优势：首先，充分利用了 OTSU 算
位与识别技术得到了广泛研究 [1−2] 。由于目标成像 法进行图像分割时自适应的特点，降低了运算复杂
受水下复杂环境、水底地形以及水介质特性的影响 度；其次，提取目标的多项形状参数，可以实现对目
较大，所获得的水声图像存在噪声污染、边缘模糊 标信息的全面描述，相比提取单一特征的识别方法
等问题，因此目标识别过程存在一定阻碍 [3] 。尽管 具有更好的鲁棒性；再次，利用随机森林在目标分类
如此，在声呐设备获得的水声图像中，目标的形状特 中的包容性和在多维特征处理方面的优势，能够实
征仍然比较明显，形状特征作为描述目标的一个关 现对目标形状的较好识别。通过与其他方法进行对
键信息，在目标识别过程中发挥着重要作用，得到了 比，验证了本文所提方法的可行性。
国内外学者的广泛重视。
1 目标形态分割
形状特征识别主要是利用目标或者周边阴影
形状的几何特性。Dura 等 [4] 使用超椭圆曲线拟合
水下成像技术的不断发展为高分辨率水声图
算法，通过控制超椭圆函数的参数来拟合不同目
像的获得提供了有力支撑。然而，受海水介质对声
标的阴影形状，从阴影部分的超椭圆函数中提取参
波能量的吸收作用以及水下环境、噪声、混响的影
数特征，以此实现对目标的分类，能够得到较高的
响，所获取的声呐图像存在干扰性强、细节模糊等
准确率。Sinai 等 [5] 利用 C-V 轮廓算法对目标及阴
问题 [10] ，为了准确分析声呐图像中目标的基本信息
影区域分别进行分割，提取目标区域与阴影之间的
和具体特征，需要对图像进行一定的预处理，同时选
距离、角度等几何参数作为特征，对合成孔径声呐
择恰当的算法对图像中的目标进行分割。
(Synthetic aperture sonar, SAS) 图像中的目标具
有良好的识别效果。然而，随着声呐获取图像的角 1.1 图像去噪
度、方位发生变化，目标的阴影形状会存在较大差异 由于声呐设备等的制约，所获取的声呐图像
甚至不存在，通过阴影特征进行目标识别存在一定 存在混响，目标边界较为模糊。相比于现有的小波
局限性。对此，Zhai 等 [6] 通过使用瑞利混合模型结 理论、二维经验模态分解 (Bidimensional empirical
合马尔科夫随机场直接对目标区域进行了分割，以 mode decomposition, BEMD) 等去噪方法，使用非
此为基础得到目标轮廓，能够获取目标的形状特征。 局部均值(NL-means)方法对声呐图像进行去噪，充
王喜龙等 [7] 利用水平集方法获得声呐图像中目标 分利用图像中的冗余信息，在去除图像噪声的同时
的大概轮廓，在此基础上使用支持向量机对目标进 能够最大程度地保持图像的细节特征，抑制背景，突
行识别，最终得到的识别准确率较高，应用范围较 出目标。NL-Means去噪过程可以表示为
广，但是在相似物体的识别方面还存在一定的误差。 ∑
u(x) = ω(x, y)I(y), (1)
此外，深度神经网络在目标识别中也发挥了重要应
y∈Ω x
用，Williams [8] 采用卷积神经网络对水下小目标进
其中，ω(x, y) 是一个权重，表示在原始图像 I 中，像
行识别，根据有无目标分为两类，分类效果较好。朱
素x和像素y 的相似度。这个权重要大于0，同时，权
可卿等 [9] 使用深度神经网络的方法对高分辨率声
重的和为1，即
图小目标进行识别分类，能够获得较高的准确率。
∑
为了有效地抑制背景噪声，更好地提取目标的 ω(x, y) > 0 and ω(x, y) = 1,
y∈Ω x
形状特征，进一步提高目标识别率，本文提出一种基
∀ x ∈ Ω, y ∈ Ω x , (2)
于形状特征的水声图像小目标识别方法。该方法首
先对水声图像进行非局部均值去噪，使用 OTSU 算 其中，Ω x 是像素 x的邻域。对于每一个像素 x，去噪
法对去噪后的图像进行阈值分割处理，大致分割出 结果为它邻域中像素 y 的加权和，权重为 x 和 y 的
目标区域，再结合形态学处理获得精确的目标图像； 相似度，通常选取两个像素亮度值的差的平方作为
