Page 128 - 《应用声学》2021年第2期

296 2021 年 3 月

相似度估计值。但是，由于噪声的存在，仅靠单独的 L−1
∑
P 2 (k) = p i , (5)
一个像素容易产生较大误差，因此选取每个像素的
i=k+1
邻域作为相似度比较块，通过计算两个邻域窗口之
p i 是灰度值为 i 时的概率密度；v 1 (k) 和 v 2 (k) 为 C 1
间的欧氏距离来判断邻域相似度，进而衡量像素相
和C 2 的平均灰度；v G 是全局均值，
似度，具体执行过程如图 1 所示。其中，大窗口是以
L−1
∑
目标像素 x为中心的搜索窗口，窗口越大，越容易找 v G = ip i . (6)
到相似像素；两个小窗口是以 x、y 为中心的邻域窗 i=0
口。相似度计算分为 3 个步骤，首先计算两个邻域 基于以上理论，结合图像自身的灰度信息，能
窗口之间的欧氏距离，其次结合滤波系数计算所有 够自适应选取一个合适的阈值对图像进行处理，得
权重的归一化因子，最后得到两个邻域之间的相似 到二值化分割图像，针对图像中存在的非连通区域，
度 [11] 。 可以通过形态学原理进行处理，去除孤立杂点，得到
精确的目标区域，图 2 为一个圆柱体的二值化分割
效果图。
y

x

(a) ړಏʹ (b) Ѭҟڏ

图 2 圆柱体图像分割效果图
图 1 算法执行过程图
Fig. 2 Effect of segmentation of cylinder image
Fig. 1 Algorithm execution process diagram
2 形状特征提取
1.2 OTSU阈值分割

为了将目标从背景中区分开来，需要对图像进 特征提取就是在给定的目标集当中寻找其区
行分割。OTSU算法作为一种常用的阈值分割算法， 别于其他目标的属性，使得不同类别之间的属性具
具有自适应性，处理效率较高，在很多领域的图像分 有较大差异，根据目标差异性进行分类识别。形状
割和目标检测中具有重要应用 [12−14] 。 特征、纹理特征、灰度特征等都是声呐图像的一般
OTSU 算法使用聚类思想自动选取阈值，通 特征。通过观察大量样本目标发现，虽然声呐图像
过 计 算 方 差 寻 找 一 个 合 适 的 灰 度 级 把 图 像 灰 存在一定噪声污染，但是目标的形状特征较为明显，
度 分 成 两 个 部 分， 使 得 它 们 之 间 的 灰 度 值 差 因此可以提取形状特征来进行目标识别。
异最大 [15] 。若一幅图像有 L 个灰度级，C 1 是灰
2.1 最小外接矩形长宽比
度级为 [0, 1, 2, · · · , k] 的像素集，C 2 是灰度级为
目标轮廓的最小外接矩形 (Minimum bound-
[k + 1, · · · , L − 1] 的像素集，阈值为 k，则最大
ing rectangle, MBR) 分为最小面积外接矩形 (Min-
2
类间方差σ (k)可以定义为
B imum area bounding rectangle, MABR) 和最小周
2
σ (k) = P 1 (k)[v 1 (k) − v G ] 2 长外接矩形 (Minimum perimter bounding rectan-
B
2
+ P 2 (k)[v 2 (k) − v G ] , (3) gle, MPBR)，为了刻画目标形状特征及其对外接矩
形的充满程度，选用最小面积外接矩形。对于形状
规则的目标，可以直接计算目标所在坐标的最大、最
其中，P 1 (k)、P 2 (k) 分别是一个像素点属于集合 C 1
和C 2 的概率， 小值，得到外接矩形。然而对于任意朝向的目标，水
k
∑ 平和垂直方向不能准确刻画其尺寸和形状，为了得
P 1 (k) = p i , (4)
到最小外接矩形，通常需要在 90 范围内将目标图
◦
i=0