基于特征描述的水下声纳图像序列联合校正方法研究

Underwater information processing based on sonar image sequence is one of the core technologies for Autonomous Underwater Vehicles (AUV). Complicated underwater environment and hardware limits bring about low-quality sonar images with high noise. Meanwhile, the sonar image processing remains unstandardized, and thus processing results on different images vary awfully, which cause the increase in intra-difference of the objects. These lead to the difficulties in the consequent information probing applications. Therefore, we propose a joint normalization framework with respect to the spatial, textural and noise correction in the underwater sonar image sequence. The proposed methodology includes three points: 1) constructing the general scheme, which needs to verify the pre-processing step, build Stack Image, and establish an spatial and textural transform assembly by analyzing the texture bias and noise model; 2) using Multifractal Analysis to describe the features of image sequence in different ways within the normalization scheme, which effectively attenuate the noise and represent the textural structure; 3) utilizing Sum of Squared Difference as the cost function and formulating fast gradient-based optimization methods with Inverse Compositional Update technique exploited. What’s more, we will finish the performance verification using specified benchmarks of image processing and joint normalization on real underwater sonar image data. In all, such a novel framework can provide the powerful technology, methodology and tool for the subsequent underwater information processing and other related applications.

基于声纳图像序列的水下信息处理是自治水下机器人(AUV)核心技术之一。水下复杂环境及硬件限制使声纳图像低质高噪，对其处理方法尚未统一，不同图像处理结果差异较大，导致目标类内差异增加，为后续信息探测应用带来困难。因此，课题拟构建针对目标空间、纹理偏移及噪声的水下声纳图像序列联合校正体系，包括：1）构建联合校正框架，验证预处理，建立图像栈，分析纹理偏移及噪声模型形成综合变换集合，实现空间和纹理双重校正；2）在校正体系中，用多分形分析方法以不同形式对图像序列进行特征描述，有效摒除图像噪声并表征图像纹理结构信息；3）用平方差求和作为代价函数，制定基于梯度的快速优化方案，使用逆向合成修正等加速收敛，保障联合校正的高效。同时，课题拟在各类真实水下声纳图像序列上，对联合校正效果作多重验证和评估。总之，课题拟研究图像序列联合校正方法及其完整的实现和验证,进而为后续信息处理及其他相关应用提供保障和工具支持。

水下声纳图像处理为后续水下信息分析等提供保障。现在尚未有针对低质高噪水下图像统一的处理方法。研究针对图像亮度分布不均导致的图像目标特征模糊、图像低质等问题及水下声纳图像亮度联合校正做探讨研究， 1）图像亮度校正方面，具体研究了基于直方图一次分割、直方图递归分割、图像子区域的方法，探索其自适应的图像增强方案和细节特征保留技术应用在不同纹理图像上，在不同类图像上得到适用性分析结论2）充分利用非局部均值滤波对图像的不同局部领域间的相似度度量思想建立滤波模式，取得较好水下图像去噪效果。将SIFT特征应用于水下图像特征描述，研究其在图像对间的匹配效果。研究基于水平基的水下图像分割，有效将水下图像目标、投影与背景混响分割开3）光照处理方面提出两种光照估计方法。一种是基于分形的人脸光照估计，将局部的邻域信息相似度在图像全局范围中进行计算;另一种方法利用非局部滤波，也将图像的全局和局部信息进行关联。两种方法符合光照特性，得到大尺度特征包含一定光照小尺度特征的人脸表达，得到较好人脸识别效果4）在分类识别算法研究中，提出快速PCA提取人脸特征用于SVM和Adaboost人脸识别系统，验证其有效性。针对传统多视角分类器无法充分最小化结构风险的问题，进行基于Universum的多视角全局和局部结构风险最小化模型，增加分类器性能。针对传统多视角学习模型需要存储大量数据集进行学习而无法适用于实时性要求高且数据规模大的场景，提出基于一过性数据处理多视角学习框架的半监督学习模型5）在图像联合校正方面，寻求图像间的关联性，研究在gallery图像和probe图像间成对优化光照校正，最大化类内关联度。研究利用Congealing框架完成不规整图像集空间联合校正，应用于水下声纳图像亮度联合校正，实现基于熵和的代价函数，将其与最大似然值类比分析，利用梯度下降法优化参数，在亮度不均情况下减少了图像集类内差异，实现较优的图像亮度处理结果，在不同图像库上验证了其有效性。