[发明专利]基于神经网络的声纳图像的超分辨率重建方法

说明书

技术领域

本发明属于图像信号处理技术领域，具体地说涉及一种基于神经网络的声纳图像的超分辨率重建方法。

背景技术

21世纪是人类探索与开发海洋的世纪，海洋勘测和海军国防建设的技术需求在不断地提高，使得水下声纳技术越来越受到重视。然而，由于海洋中声音种类多种多样，导致声纳仪器设备得到的声纳图像通常分辨率较低，目标边缘恶化，不易识别。有效提高声纳图像的分辨率，增强边缘细节将有利于海底勘测和后续的水下目标定位识别等处理。

图像空间分辨率是对图像细节分辨能力的一种度量，也是评价目标细微程度的关键性指标，所以图像的超分辨率重建一直是人们研究的热点课题。利用多幅具有互补信息的低分辨率声纳图像来重构一幅高分辨率声纳图像的超分辨重建，为有效提高声纳图像的分辨率提供了解决途径。目前，超分辨率重建技术主要分为频域法和空域法。频域法最早是由Tsai和Huang在1984年提出的，该方法缺乏灵活性，不能推广到一般的非平移运动模型。相比于频域法，空域法能够方便的融合各种先验信息，降质模型涉及范围广，具有更大的灵活性。其方法主要有非均匀插值法，迭代反投影（IBP）算法，凸集投影（POCS）算法，最大后验概率估计算法 (MAP)和最大似然估计方法（ML），混合ML/MAP/POSC，自适应滤波法，超分辨率盲重建法等。近年来，人们又提出基于学习的超分辨率方法（间接地最大后验概率估计和直接的最大后验概率估计）、图像类推方法和神经网络方法等。然而，对于分辨率低、边缘纹理模糊声纳图像，当前的各种超分辨方法大都存在边缘模糊、有用信息量少、纹理细节弱、信噪比低等问题。

发明内容

本发明的目的是要提供一种边缘纹理清晰、有用信息量较丰富、信噪比高的基于神经网络的声纳图像的超分辨率重建方法。

本发明实现上述目的的技术方案是，一种基于神经网络的声纳图像的超分辨率重建方法，其创新点在于：对待超分辨率重建的声纳图像r进行超分辨率重建，包括以下步骤：

（1）对一幅高分辨率声纳图像进行降质样本构建，先生成该高分辨率声纳图像的4幅副本图像，再分别对该4幅副本图像进行移位和降采样，从而生成4幅降质样本图像；

（2）对步骤（1）中的高分辨率声纳图像进行非下采样轮廓波分解，得到高分辨率声纳图像的K个带通方向子带系数和1个低通子带系数；再对4幅降质样本图像依次进行非下采样轮廓波分解，每一幅降质样本图像均得到K个带通方向子带系数和1个低通子带系数，K为正整数；

（3）创建三层的误差反向传播神经网络结构，输入层神经元为16个，隐含层神经元为                                                个，输出层神经元为16个；

（4）对步骤（2）中的高分辨率声纳图像的K个带通方向子带系数进行分块，得到高分辨率声纳图像的图像子块，该高分辨率声纳图像的图像子块的大小为4*4，其中d代表第d个带通方向子带系数，n代表第n块图像子块，n为正整数；接着对第m幅降质样本图像的K个带通方向子带系数进行分块，得到第m幅降质样本图像的图像子块，该第m幅降质样本图像的图像子块的大小为4*4，其中 m代表第m幅降质样本图像，d代表第d个带通方向子带系数，n代表第n块图像子块，n为正整数；

（5）将步骤（4）中的高分辨率声纳图像的图像子块进行标准化，即将高分辨率声纳图像的图像子块的大小由4*4转变成16*1，接着对高分辨率声纳图像的图像子块进行归一化，即使高分辨率声纳图像的图像子块的系数值分布在[-1,1]之间；再将高分辨率声纳图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵，其中d代表第d个带通方向子带系数；

（6）将步骤（4）中的第m幅降质样本图像的图像子块进行标准化，即将第m幅降质样本图像的图像子块的大小由4*4转变成16*1，接着对第m幅降质样本图像的图像子块进行归一化，即使第m幅降质样本图像的图像子块的系数值分布在[-1,1]之间；再将第m幅降质样本图像的图像子块按照1到n的顺序从右到左竖向排列成矩阵，其中m代表第m幅降质样本图像，d代表第d个带通方向子带系数；