Page 131 - 《应用声学》2021年第2期

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 299

此外，实心正方形和实心圆形分别表示仿真样
本和实测样本的中心点，由式(15)计算得到：
( n n )
1 ∑ 1 ∑
(x, y) = x r , y r , (15)
n n
r=1 r=1
其中，(x 1 , y 1 ), (x 2 , y 2 ), …, (x n , y n )为同一类样本中
的n个样本点。 (a) Ԕڏ (b) d=1T1, D=3T3
ԝ٪ڏ
为了进一步衡量仿真样本对于实测样本的泛
化性，将仿真球状样本、实测球状样本、仿真柱状样
本、实测柱状样本、仿真线状样本、实测线状样本的

中心点的坐标分别记为 E 1 、E 2 、E 3 、E 4 、E 5 、E 6 ，计
算各中心点之间的欧式距离，计算结果如表1所示。

(c) d=3T3, D=7T7 (d) d=3T3, D=9T9
表 1 仿真图像与实测图像样本中心点间的欧氏距离 ԝ٪ڏ ԝ٪ڏ
Table 1 Euclidean distance between the cen-
图 8 不同窗口去噪效果图
ter point of the simulated images and the
measured images Fig. 8 Denoising effect of different windows

第二步，对目标进行形态分割处理。采用OTSU
E 1 E 2 E 3 E 4 E 5 E 6
0 3.51 17.93 17.18 12.14 11.57 算法将去噪后的图像进行二值化处理，由于分割后
E 1
E 2 0 14.42 13.67 10.61 10.49 的图像中除了含有比较完整的目标形态外，仍然含
有噪声等部分杂点，因此紧接着对分割后的图像做
E 3 0 1.57 15.62 16.92
形态学处理，利用面积开运算将二值图像中少于 20
E 4 0 14.13 15.46
个像素的 8 连通分量删除，在此基础上对二值图像
E 5 0 1.57
不断进行去除毛刺处理，直到图像不再发生变化，从
0
E 6
而得到精确的目标形态。
由表 1 可以看出，对于仿真球状样本中心点来 对几类不同目标进行形态分割处理，效果如
说，其与实测球状样本中心点之间的距离小于与其 图 9所示。
他任何样本中心点的距离。同理，仿真柱状样本中 第三步，提取分割后的目标图像的形状特征。
心点与实测柱状样本中心点、仿真线状样本中心点 根据 2.1 节中所述寻找目标的最小外接矩形之后，
与实测线状样本中心点之间的距离最小，由此可见 得到最小外接矩形的长宽比特征 Q。通过计算目标
对于同类别的样本来说，仿真样本与实测样本具有 的轮廓周长、目标面积及其最小外接矩形面积，提
较好的相似性。 取目标的矩形度特征R 和圆形度特征P。图10为部
3.3 实验过程及结果 分实测目标及其轮廓和最小外接矩形，表 2 为几种

第一步，对目标图像进行去噪。以其中一个柱 目标的部分样本及特征参数。
状目标图像为例，选用大小分别为 1×1、3×3、5×5 由于几类目标在形状上有所差异，形状参
和 3×3、7×7、9×9 的邻域窗口 d 和搜索窗口 D 对其 数有较大区别，因此基于形状参数可以对目标
进行非局部均值去噪处理，不同窗口的去噪效果如 进行较好的区分。接下来提取目标的 Hu 不变矩
图8所示。 (共7个不变矩)和10阶Zernike矩(共36个不变矩)，
考虑到实际的去噪效果和运算成本，本文对图 将目标的多个形状参数构建特征向量。目标图
像做非局部均值去噪时，选择的邻域窗口大小为 像集的样本容量为 T，第 t 个样本的特征向量为
3×3，搜索窗口大小为7×7。 F t = [Q t , R t , P t , I t , Z t ]，共46个维度。