复杂背景特征下侧扫声呐图像目标自动探测方法研究

Side-scan sonar (SSS) images are widely used in underwater object detection and recognition. However, the automatic and accurate detection of the object image is difficult to achieve due to the influence of complex marine environment noise and the feature of natural sea bottom background, and high resolution of the SSS image. So, it is necessary to study SSS image automatic object detection methods under complex background features. First of all, based on the problems of SSS images are easily affected by multiple marine noise and complex natural sea bottom background features, and all of these background features are difficult to be parameterize modeled. A SSS image de-noising and object enhancement method without modeling is given to achieve the image de-noising and highlighting the object image. Secondly, a fast object detection algorithm is proposed to achieve high-efficiency for obtaining the rough frame of the object image. Then, based on the characteristics of small sample size of acoustic object image, high image resolution, diverse texture features of sea bottom background images and the target has shadow areas, an unsupervised (no sample image required) object detection method based on dimension reduction and object scoring equation (solving high resolution and complex background features) and taken into account the shadow area is proposed, and the method can achieve the object's accurate detection. The research on the automatic object detection theory and method will provide theoretical and methodological support for improving the intelligent application level of SSS images and developing the SSS image data processing software with independent intellectual property rights.

侧扫声呐图像目前广泛应用于水下目标探测和识别，但受复杂海洋环境噪声和海底自然背景特征及图像分辨率高的影响，目标图像的自动准确探测水平还不够。为此，拟开展复杂背景特征下侧扫声呐图像目标自动探测理论和方法研究。首先，根据图像易受多路噪声叠加和复杂海底自然背景特征影响，而这两个背景特征均难以参数化模型表达，给出一种无需建模的噪声去除和目标图像增强方法，实现图像去噪和目标图像凸显；其次，给出一种目标图像快速探测算法，实现目标图像的高效粗框定；然后，结合声学图像样本量少、图像分辨率高、背景图像纹理特征多样和目标存在阴影区域的特点，提出一种顾及阴影区域的基于数据降维和目标得分方程（解决高分辨率和复杂背景纹理特征影响）的目标非监督（无需样本图像）探测理论方法体系，实现目标精准探测。研究形成的目标探测理论方法，将为提高侧扫声呐图像智能化应用水平和研制具备自主知识产权的图像数据处理软件提供理论和方法支撑。

项目针对影响侧扫声呐图像目标自动、高效、准确探测存在的问题，通过先研究一种目标快速粗探测方法，实现条带侧扫声呐图像目标区域快速粗框定（允许存在误探测）；进而研究顾及侧扫声呐图像复杂背景特征，联合噪声滤除（中性集合）和数据降维（扩散映射）实现侧扫声呐图像中目标的非监督（无需样本、无需提供轮廓参数）准确探测。综合两个步骤，实现侧扫声呐图像目标的高效、准确自动探测。主要研究了目标快速框定、扩散映射快速计算等方法。除此之外，针对小样本问题，结合现在研究火热的卷积神经网络模型，初步探索了有监督的目标探测识别方法。.项目研究初步形成以下两个结果：1，联合中性集合和扩散映射可实现无需样本图像的复杂水下环境影响下的小目标非监督探测；2，小样本条件下，基于改进的卷积神经网络模型，可实现水下目标的有监督探测识别，但正确识别率有很大提升空间。.项目研究对水下目标探测识别领域具有重要价值。无论从实验条件、数据条件及背景环境等多因素影响，水下目标探测属于典型小样本领域。本项目立项时主要针对无需样本图像的非监督方法，基于既有的大量声呐条带图像，因疫情影响，本项目非监督目标探测实验未进行海上试验，实现了既定的研究内容。同时，结合主流研究思路和方法，探索了小样本下，基于卷积神经网络及其改进方法的有监督学习研究，基于水下沉船进行了有益探索；同时，“绿水青山就是金山”生态战略下，联合相关单位进行了水下排口探测的相关试验，但受限于样本问题，未能实现自动探测识别，是后续研究的重点内容。