[发明专利]基于经验模态分解的前视声呐图像分割方法

说明书

本发明公开了一种基于经验模态分解的前视声呐图像分割方法，属于数字图像处理、数字信号处理、计算机人工智能及模式识别领域，该方法包括以下步骤：对前视声呐图像进行去背景处理，得到去背景处理后的前视声呐图像；对背景处理后的前视声呐图像进行图像分解处理，得到图像分解处理后的前视声呐图像；对图像分解处理后的前视声呐图像进行去噪和增强处理，得到去噪和增强后的前视声呐图像；再对去噪和增强后的前视声呐图像进行重构，得到重构后的前视声呐图像；对重构后的前视声呐图像进行聚类分割，得到分割后的前视声呐图像；该方法既能达有效抑制噪声干扰，又能保护图像边缘细节信息来进行分割的目的。

技术领域

本发明涉及数字图像处理、数字信号处理、计算机人工智能及模式识别技术领域，尤其涉及基于经验模态分解的前视声呐图像分割方法，该方法利用计算机对前视声呐图像进行增强并有效分割的方法。

背景技术

近年来，随着水下技术的发展，声成像系统成为各种潜艇、智能水下机器人的眼睛，为其提供直观可靠的图像数据，用这些图像数据再进行图像处理和模式识别，可以快速准确的对目标进行判断，实现水下作业的自动化或智能化。多波束前视声呐是声信号经过发射、传输、接收、处理和可视化得到的。由于受到海洋环境多变性、声波传播特性及声呐自身设备的干扰等多方面的影响，对于前视声呐而言，使声呐图像受噪声影响严重，对比度低，分辨率不高，图像质量大大降低。并且目标的细节特征比较少，目标的边界具有较大的不规则性，基本不存在精确的边界和轮廓特征。这给进一步的数据处理和分析带来了更大的困难和挑战。

声呐图像分割是后期进行目标识别、跟踪、分类等问题的前提，是图像处理的重要组成部分。通过精确、准确的分割，可以将目标与背景进行分离，为目标分类和识别提供基础。因此，声呐图像的分割是继声纳图像增强之后又一需要重点研究的问题。由于声呐图像成像质量较低、受噪声污染严重，传统的基于边缘信息或统计信息的图像分割方法难以取得高精度、高鲁棒性的分割结果。并且，由于声呐图像的分割在声纳图像处理中处于承前启后的关键位置，对最终目标正确识别至关重要；而混响以及各种环境噪声的影响使分割技术难度增大，所以声呐图像分割作为声呐图像处理的难点和热点，得到了广泛的关注。

在声呐图像增强方面，采用经验模态分解的方法，和经常采用的小波变换方法类似，经验模态分解可以看做是一个滤波器组，而且其产生的各阶本征模态函数是从高频到低频逐渐展开的过程，即第一层本征模态函数包含图像中的高频信息，最后一层本征模态函数包含图像中的最低频率信息(或者说是趋势信息)。经验模态分解能够通过跨信道模式对齐来分解多变量信号，该方法是依据自身的时间尺度特征来进行信号分解，无需预先设定基函数。理论上可应用于任何类型的信号分解，因而在处理非线性、非平稳数据上，具有非常明显的优势，更加适用于声纳图像的增强。在声呐图像的分割中，由于声呐图像噪声严重，目标边界有较大不规则性，因此进行分割前还需要进行必要的去噪和增强细节信息。声呐图像的噪声主要分布在高频区域，由于目标灰度级较少，因此低频区域不适合进行去噪处理，但低频区域包含了大量的图像信息，可以进行相应的增强细节信息处理。