Page 130 - 《应用声学》2021年第2期

298 2021 年 3 月

度为f(x, y)，那么其a + b阶矩为c ab ，a + b阶中心距
为µ ab ，其定义为
∑ ∑
a b
c ab = x y f(x, y), (12)
x y
∑ ∑ a b
µ ab = (x − ¯x) (y − ¯y) f(x, y), (13) (a) ˀՏॎ࿄ᄬಖᄊ͌ᄾڏϸ
x y
c 10 c 01
其中，¯x = ，¯y = ，(¯x, ¯y) 为目标轮廓的重心坐
c 00 c 00
标。归一化中心距为
γ
η ab = µ ab /µ , (14)
00
(b) ඵʾࠄ฾ڏϸ
其中，γ = (a + b)/2 + 1。利用式 (14) 可以得到 Hu
不变矩I 1 ∼ I 7 ，共7个不变矩 [21] 。 图 6 仿真及实测数据集
构建特征向量 F = [Q, R, P, I, Z]，其中，Q、R、 Fig. 6 Simulation and measured data set
P 分别为目标轮廓的最小矩形长宽比、矩形度、圆形 3.2 仿真数据合理性分析

度特征参数，I 为目标轮廓的Hu不变矩(共7 维)，Z 本文使用的仿真图像由三维建模软件建模得
为目标区域的 Zernike 不变矩 (共 36 维)。特征向量 到，形状较为规则。为了进一步衡量仿真图像与实
的构成及维度如图5所示。 测图像的相似性，说明使用仿真图像进行实验的科
学性和合理性，随机选取球状、柱状、线状的仿真
᫂ࠕඋ ᅾॎए ړॎए HuˀԫᅾI ZernikeˀԫᅾZ 图像和实测图像各 10 幅，分割出目标区域，提取目
Q R P
(1፥) (1፥) (1፥) (7፥) (36፥) 标的46维特征。使用主成分分析(Principal compo-
nent analysis, PCA)方法将目标的46维特征降为 2
ྲढ़Ք᧚౞ੇ(46፥)
维，并显示在坐标平面上，如图7所示。
图 5 特征向量构成示意图
20
Fig. 5 Schematic diagram of feature vector com- ͌ᄾု࿄ನవ˗ॷག ͌ᄾု࿄ನవ
ࠄ฾ု࿄ನవ˗ॷག ࠄ฾ု࿄ನవ
position 15 ͌ᄾಏ࿄ನవ˗ॷག ͌ᄾಏ࿄ನవ
ࠄ฾ಏ࿄ನవ
ࠄ฾ಏ࿄ನవ˗ॷག
͌ᄾጳ࿄ನవ˗ॷག ͌ᄾጳ࿄ನవ
ࠄ฾ጳ࿄ನవ˗ॷག ࠄ฾ጳ࿄ನవ
10
3 目标识别实验
ྲढ़2
5
3.1 数据集
使用水下实测图像和根据水下环境生成的仿 0
真图像进行目标识别实验，仿真及实测数据集如
-5
图 6 所示，图像中目标的形状可大致分为球状、柱 -10 -5 0 5 10 15
状、线状 3 类。实验使用样本总数为 940 个，其中实 ྲढ़1
测样本 70 个 (球状样本 20 个，柱状样本 18 个，线状 图 7 仿真图像与实测图像相似性分析
样本 32 个)，仿真样本 870 个 (球状样本 300 个，柱 Fig. 7 Similarity analysis between simulated im-
状样本 270 个，线状样本 300 个)。仿真样本的仿真 ages and measured images
参数如下：球状目标 (直径 53 cm)，柱状目标 (直 在图7中，球状、柱状、线状样本分别用红色、绿
径 53 cm，高 290 cm)，线状目标 (直径 10 cm，高 色、蓝色几何形状来表示，其中，仿真样本用空心正
450 cm)。实际样本的数据获取条件：合成孔径声呐 方形表示，实测样本用空心圆形表示。由图 7 可以
图像，试验地点为千岛湖。在进行图像处理之前统 看出，球状、柱状、线状的实测样本与其对应的仿真
一将图片像素大小调整为256 × 256，并将图像转化 样本能够较好地聚在一起，且不同类别的样本之间
为灰度图。 具有较好的区分。