论文部分内容阅读
随着海洋测探领域的不断发展,我国对声呐图像探测技术的需求不断提高,如何有效的获取及利用图像信息对后续图像的识别及分析有直接影响。针对声呐图像中目标的识别研究已经成为图像处理领域的重要研究内容。图像分割作为图像识别中的关键步骤,对目标的识别有重要影响。由于声呐图像是通过声呐探测系统在水中获得,因此,声呐图像通常会有严重的散斑噪声存在。声呐图像分割的目的就是从复杂的图像混响噪声中将目标亮区和阴影暗区进行有效提取,同时保留图像原始有效信息。目前,针对声呐图像的分割方法主要是在传统分割方法上的改进,图像分割准确度有待提高。通过分析,已有的声呐图像分割方法无法对各种类型的声呐图像都进行有效的分割,只能有效分割特定类别的声呐图像,而且对于噪声的抑制效果也不理想,最重要的是无法实现图像的自动分割。随着深度学习研究领域不断取得新的进展,人工神经网络越来越受到图像处理领域学者的青睐。卷积神经网络(CNN)在图像分类识别领域不断取得进步的同时,全卷积神经网络(Full convolution neural network,FCN)的出现为图像分割领域开辟了一个全新的发展方向。因此,本文利用全卷积神经网络对声呐图像分割进行了深度的研究,解决了上述传统声呐图像分割所具有的缺陷。文章首先对声呐图像的特性进行分析,得出声呐图像的噪声统计规律。采用双树复小波变换和自适应中值滤波相结合的图像滤波方法,这种滤波方式能够利用双树复小波变换的良好性能以及自适应中值滤波能够很好的去除脉冲噪声的特性,可以有效地去除声呐图像中散斑噪声;其次,声呐图像的散斑噪声统计规律服从瑞利分布,瑞利噪声的实现能够借由平均噪声来表示,以此特性为依据建立声呐图像训练及测试数据集。最后,利用全卷积神经网络完成声呐图像的分割。为了实现声呐图像精准分割,在全卷积神经网络结构基础上进而提出基于相对损失函数的全卷积神经网络模型(Full convolution neural network-Relative loss function)利用FCN在图像分割中具有接受任意尺寸图像输入并保留原始输入图像空间信息的优势,通过卷积神经网络自主学习,可以提高网络提取声呐图像特征的能力。改进基于均方差损失函数的(Full convolution neural network-Mean square error,FCN-MSE)学习规则,网络训练过程将目标区域及非目标区域像素均考虑在内,实现了对声呐图像进行像素级别的分割,从而解决模型训练过程误差过大,分割不够精确的缺陷。分割结果显示,改良后的算法使声呐图像的分割更加准确,而且该模型对声呐图像散斑噪声的抵制具有很好的鲁棒性。本文方法对海洋目标识别特种作业以及海底军事目标快速精准识别有着非常重要的作用。