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。     

改进可变区域拟合模型的合成孔径声呐图像分割方法

为了自动且高精度地分割合成孔径声呐图像中的目标和阴影区域,提出一种核函数尺度自适应可变区域拟合(RSF)模型的分割方法。使用一种基于K-均值聚类的自动初始化方法对水平集进行初始化,减少了人为干预;提出改进的核函数尺度自适应RSF模型,其利用声呐成像中目标与阴影在沿扫测方向具有近似宽度的一般规律,自适应选择核函数尺度参数,使得对应目标和阴影的水平集函数能够同步演化,提高最终分割精度。通过对真实声呐图像的实验结果分析,验证了该方法能较为准确地实现目标和阴影区域的分割,具有一定的精确性和适应性。      

一种基于弱监督学习的声图小目标快速检测方法*

小目标检测是声呐图像理解中最引人瞩目,同时又极具挑战性的任务之一。该文基于离散余弦变换和K-近邻聚类,提出了一种快速检测方法。离散余弦变换用于生成图像的指纹,是原始图像在二维频域的一种稀疏表达;改进的K-近邻模型对于带有标签数据的需求量相对较低,提升了算法的处理效率和对弱监督场景的适应性。经试验验证,该方法可在准确率和召回率之间达到一个恰当的平衡点,同时在实时成像的合成孔径声呐图像小目标检测中,获得了较为可靠的结果。