小波包节点分段阈值降噪在水声监听中的应用*

水声目标信号在发送、传播过程中,易受到环境噪声、系统自噪声等影响,因此水声监听过程中目标信号会掺杂大量噪声信息。为提高获取目标信号的准确性和可靠性,降低噪声,在已有小波分析基础上,提出小波包节点相对能量判断最优分解层,最优分解层节点系数分段阈值处理重构方法,实现水声监听信号分频段去噪。将0.1 kHz~8.4 k Hz实验数据按节点频率排序划分为5个强弱不同的频段信号实现消噪提取,结果表明该方法可将噪声信号与目标信号有效分离,与全局单一阈值相比,具有较好降噪能力。该方法打破了小波阈值去噪高频处理的局限性,提高了识别精度,改善了全局单一阈值去噪存在的短板,在鱼类分析识别、舰船监听、深海探测等方面具有一定的推广和应用价值。     

一种基于深度卷积神经网络的水下光电图像质量优化方法

由于水体对光的吸收和散射,水下光电图像具有低信噪比、低对比度等特点,导致目标难以识别,限制了水下光电成像装备的实际应用和发展。为提高目标的探测精度和识别率,提出包含一维并行卷积和子像素卷积的深度卷积神经网络,利用其从水下光电图像训练集中学习优化图像质量的参数,实现了去噪和对比度增强。实验结果表明,相比于经典去噪方法和对比度增强方法联合处理的结果,本文方法得到的峰值信噪比和均方根对比度分别平均提高了2.93 dB和14.41,能够有效地权衡去噪、对比度增强和亮度提升等,获得适合人眼视觉感受的图像,且处理单幅图像的平均速度是经典方法的9.46倍。利用测试集对网络进行测试,其在一定范围内较好地优化了图像质量,具有一定的泛化特性。     

石油岩芯CT图像裂缝分割算法研究

针对裂缝区域分割的需求和石油岩芯CT图像的特点, 改进了现有的水平集分割算法。首先对图像中值滤波去噪后运用C-V模型对图像进行初分割, 把背景区域和岩芯区域准确分开, 得到岩芯区域的轮廓;然后调整轮廓外区域的灰度值, 使之等于岩芯区域平均灰度值, 增强目标区域;最后再进行RSF模型细分割, 得到最终分割结果。对于高斯噪声污染严重的岩芯图像, 先采用了邻域加窗的非局部均值去噪方法, 再用改进水平集算法分割, 实验结果表明该分割方法是有效的。     

一种红外成像制导中的图像分割算法

红外成像制导导弹的图像分割是图像处理中的重点和难点之一。针对飞机目标红外图像的特点,提出了一种有利于目标特征点识别的图像分割算法。它首先采用区域填充的方法对图像进行分割,然后在此基础之上利用形态学原理对分割过程中产生的"洞"区域进行填充,最后得到比较精确的分割图像。对于实现红外成像制导导弹的稳定跟踪具有一定的应用价值。     

一种高噪声显微图像分割方法研究

传统的图像分割算法在处理高噪声显微图像时,由于背景复杂,很难得到目标完整的区域轮廓。通过对不同图像分割算法的性能进行对比,提出了一种改进的二维最大熵阈值遗传算法结合数学形态学除噪分割的方法。首先用改进的二维最大熵阈值算法结合遗传算法对高噪声显微图像进行粗分割,除去图像中大量的背景噪声,然后运用数学形态学进行细分割,滤除剩余少量杂质和孔洞,提取出目标轮廓。实验结果表明改进的方法较传统分割方法具有更强的抗噪声能力及更快的处理速度,有效地实现了高噪声显微图像的除噪分割。     

基于图像局部区域梯度特征描述的红外人体识别算法

提出了一种新的红外图像中人体目标识别方案并进行了算法实现。通过直方图聚类分析对红外图像进行分割,根据二值化图像团块的特点,确定图像中的候选目标图像区域。将候选目标图像按比例划分为多个区域,使用梯度位置朝向直方图(GLOH,Gradient location-orientation histogram)对候选目标图像进行描述。与其它红外图像中人体识别算法相比,不需要多种特征提取算法组合进行分步骤识别,仅使用单个SVM分类器即可达到满意的识别率,避免了分类器的级联,算法简单有效。     

一种机场目标检测与定位方法

针对机场目标检测定位时目标特征提取过于单一,识别结果不理想的问题,文章提出一种基于多源遥感图像的机场目标检测与定位方法;分别提取多光谱机场图像的跑道特征、纹理特征,以及相同区域SAR图像的后向散射特征,并将这些特征输入SVM分类器进行识别来判断候选区域是否包含机场,解决了目前特征单一、识别率较低等问题;实验结果表明该方法能更好地识别机场区域、提高识别率。     

基于统计学方法的目标识别技术研究

针奸典型海空目标的识别要求,介绍了一种基于统计学的目标识别方法。该方法通过对图片、视频或实时采集的图像进行预处理、目标分割、边界搜索、内部填充等处理后,提取目标的统计学特征,根据目标的特征值和数据库中的已有样本对未知目标进行识别。对5种舰船三维模型在不同方位角和俯仰角的平面投影图像进行了实验,识别概率能达到809／5以上。实验结果表明,在被测目标样本充足的情况下,该方法能达到较高的识别率。     

SUSAN算子在微小轴承表面缺陷图像分割中的应用

采用计算机视觉识别技术对微小轴承端盖上的缺陷进行了自动识别。运用现代控制理论、图像采集与处理技术、软件编程技术,针对缺陷的位置、面积和深度所具有的随机性,设计了一套适合于检测微小轴承表面缺陷的系统。该系统可以采集到高质量的图像信息。利用SUSAN算子实现了对图像的分割和微小轴承表面缺陷的快速检测。实验结果表明,该方法的识别率可达到96%,并具有方法简单、定位准确、抗噪能力强、计算速度快、实时性好等优点。     

基于灰色关联分析的医学图像分割

医学图像分割处理为临床诊断、病理分析、治疗提供可靠的依据。为了分割出图像中感兴趣的区域,提出了一种基于灰色理论区域生长分割算法。该方法利用灰色关联理论对图像进行关联性分析,根据像素间全局和局部的关联度,指导区域生长的分割和停止。该方法的最大不同之处在利用灰色理论进行关联性分析,不需要大量数据的统计,算法简单,高效。实验证明,该方法能够有效地分割出目标区域,并且具有一定的抗噪能力,是一种较为有效的图像分割新方法。     

水声被动目标识别技术挑战与展望

低频水声探测和船舶减振降噪技术发展,使得传统水声目标识别技术性能逐渐下降。该文分析了声呐工作带宽、探测频率、船舶减振降噪给识别技术带来的挑战。针对低频声呐广泛使用的低频线谱识别,研究了低频线谱的识别能力问题;针对智能识别技术发展,研究了深度学习技术在船舶辐射噪声识别中的应用问题,并给出了数据试验结果,文章最后指出了水声被动目标识别技术亟需开展的研究内容和方向。     

连续隐马尔科夫模型在多基地目标识别中的应用

多基地声纳组网探测系统是目前大范围水下安保领域的研究热点。综合利用多基地系统中各个声纳节点的信息进行水下目标识别是亟待解决的问题。利用传统的多传感器融合的方法进行多基地水下目标识别,往往忽略了各声纳节点之间的相关性,效果并不理想。针对这一问题,本文提出了利用连续隐马尔科夫模型(CHMM)进行多基地水下目标识别的方法。首先利用RELAX算法提取了目标在不同分置角上回波的强散射点特征,组成观测向量,利用Baum-Welch方法对CHMM参数进行训练,然后计算待识别目标的特征值观测序列在不同模型下的似然概率。对所有目标重复此过程,取概率最大值对应的目标类别为最后的识别结果。在消声水池开展多基地模拟实验,对四类目标进行了识别,利用CHMM方法得到的多基地水下目标融合识别率比多基地声纳下单声纳节点的最高识别率提高了30%。     

基于机器视觉的ROV水下管线自动跟踪方法

针对混浊水下管线检测过程中由于光学图像成像不清而难以实现自动跟踪的问题,提出一种基于机器视觉和声纳图像处理的水下管线自动跟踪方法。鉴于声纳图像噪声大的问题,该方法采用Gabor滤波器增强管线特征,然后通过二值化,以及Canny边缘提取管线轮廓,最后通过霍夫变换得到管线的几何特征。为了提高管线提取的效率,采用卡尔曼滤波对管线走向和位置进行预测。通过ROV实验,结果表明,该方法能够减少图像搜索的面积,减少处理时间,成功地提取出管线特征。该方法应用于混浊水下管线跟踪是可行的、有效的。     

一种合成孔径声纳图像线目标提取方法

本文研究了针对高分辨率合成孔径声纳图像中常见的管道、线缆等重要水下设施的线目标提取方法。基于图割理论的Grab Cut算法相比其他迭代算法具有较快的收敛速度,但需要人工辅助选定前/背景区域的初始化条件;为此,本文设计了基于尺度放缩后进行Radon变换的感兴趣区域提取环节,作为Grab Cut的初始化步骤解决方案,使之可以快速自动解译;此外,该优化方案还缩小了模型训练的样本容量,提升了直线目标的提取精度和效率。经实验验证,该方法可以快速准确地提取直线目标,且具有相对较强的鲁棒性。     

水下激光目标的统计对消分割法

水下激光目标的识别是一个崭新的研究领域,有许多问题需要解决,其中,目标分割是关键.水下激光图像中夹杂着严重的散斑噪声,受其影响,要识别水下激光目标,就要对图像进行有效的消噪,然后进行目标分割.本文依据具有相似统计特征的噪声可抵消图像中的相应噪声这一基理,结合小波变换和统计法,提出了一种水下激光目标的统计对消分割法,以去除噪声,提取目标.实验结果表明该方法是有效可行的.     

水下声目标的梅尔倒谱系数智能分类方法

传统水下声目标识别分类方法具有较强的人机交互特性,无法满足未来水下无人平台智能识别分类水声目标的需求。针对这一问题,提出了一种基于梅尔倒谱系数（MFCC）的水下声目标智能识别分类方法,该方法通过提取水下声目标梅尔倒谱系数特征,采用长短时记忆网络（LSTM）构建了智能识别分类模型。使用实际水声信号对该方法进行了验证,结果表明,基于梅尔倒谱系数的水下声目标智能识别分类方法能够在不依赖人工提取特征的情况下,对目标噪声进行识别分类,具备智能化识别分类能力。     

水中目标窄带噪声识别的听觉外周模型

为解决听觉外周模型特征在具有工程背景的水中目标声信号分类研究中识别率下降问题,提出了一种外周模型Gammatone滤波器组修正方法,获得的窄带噪声特征可明显提高水中目标识别性能。首先,分析了识别率下降原因,发现声学工程应用中多通道数据采集,导致信号频率范围变窄,而引起声信号的时频特征发生变化。其次,根据听觉模型用Gammatone滤波器组模拟人耳基底膜频率分解特性、低频信息包含水中目标噪声信号的重要类别特征,对原有的听觉模型特征进行插值,对滤波器组的通道数与中心频率进行适应性修正,得到目标噪声在较窄频带的27维特征,修正后的模型能够更精细地反映出目标时频特性。最后,采用神经网络分类器进行实验。结果表明,修正后的听觉模型保留了原较宽频带特征的主要信息,而且进一步提高了对实际目标的分类能力,识别率由原来的82.59%提高到88.80%。本文提出根据工程应用平台的有效接收频带优化听觉外周模型Gammatone滤波器组的设计,采用阵元级的多通道数据进行分析,侧重于工程应用,解决了多通道数据采集中,由于频带变窄,导致信号的特征信息量下降,进而引起声特征识别性能下降的问题,修正后的听觉模型特征,有效地提高水中目标辐射噪声的识别效果。本文对从事无源声呐目标识别、有源声呐目标识别、带宽受限的多通道声数据采集的时频特性分析研究人员具有一定的参考价值。      

水声JANUS信号的分数低阶时频谱迁移学习识别方法

非合作第三方水下标准协议信号识别在水声通信信号识别中具有重要研究意义。针对浅海水声JANUS信号的特征提取因易受脉冲噪声和多径效应等复杂水声环境影响而导致识别率低下的问题,提出一种分数低阶时频谱和ResNet18 （Residual Network 18）相结合的迁移学习识别方法。首先,选取JANUS固定前导作为识别对象,设计分数低阶傅里叶同步压缩变换（FLOFSST）,以分数低阶操作抑制脉冲噪声,以时频重排特性增强时频集中性。其次,将基于ImageNet的ResNet18预训练模型微调,迁移至JANUS信号和常见水声信号时频图集。仿真表明所提算法在信噪比为-10 dB时JANUS信号的识别率为96.15%,能够有效抑制脉冲噪声并减小多径效应影响,比传统算法识别性能好。海试中JANUS信号识别率达90.00%,证明算法识别准确率和网络的泛化性较高。      

基于Gabor小波纹理特征的目标识别新方法

给出了一种基于Gabor小波纹理特征的目标识别新方法．主要是利用Gabor小波设计了一种多通道小波滤波器。对图像目标直接进行小波变换，用Gabor小波变换系数的模的平均值和其标准方差来表示抽取的图像目标的特征，把获得的小波特征归一化后输入到改进的BP神经网络分类器进行分类识别．最后。进行了一系列的仿真实验，结果表明，这种特征提取方法能有效提取图像目标纹理特征，并且对噪音和形状的变化具有鲁棒性．在应用于目标识别时，神经网络的训练时间减少到lOmin，识别率达到94％．     

Automatic target recognition method for inverse synthetic aperture sonar imaging

To address the randomness of target aspect angle and the incompleteness of observed target in inverse synthetic aperture sonar(ISAS) imaging,a method for target recognition is proposed based on topology vector feature(TVF) of multiple highlights. Analysis of the projection relationship from 3 D space to 2 D imaging plane in ISAS indicates that the distance between two highlights in the cross-range scale calibrated image is determined by the distance between the corresponding physical scattering centers. Then, TVFs of different targets, which remain stable in various possibilities of target aspect angle, can be built. K-means clustering technique is used to effectively alleviate effect of the point missing due to incompleteness of the observed target. A nearest neighbor classifier is used to realize the target recognition. The ISAS experimental results using underwater scaled models are provided to demonstrate the effectiveness of the proposed method. A classification rate of 84.0% is reached.