[发明专利]一种基于扩散映射的侧扫声呐图像目标非监督探测方法

说明书

技术领域

本发明涉及侧扫声呐技术领域，具体是一种基于扩散映射的侧扫声呐图像目标非监督探测方法。

背景技术

侧扫声呐(Side Scan Sonar,SSS)图像在似雷物体、海底冷泉等水下目标的探测和识别方面具有重要的应用价值。基于时域Ping断面数据可实现目标探测，但精度受复杂海洋噪声影响显著；基于空域图像数据的目标探测方法主要有两种：基于监督学习的方法，其通过提取已知图像库中参考图像目标的形状、纹理、灰度等特征，通过构建分类识别模型实现待检测图像中目标的探测。侧扫声呐作为一种水下声学设备，应用于复杂变化的海洋环境中，决定了没有足够的专家图像库可供选择，且将不同海况下得到的图像提取目标特征用于陌生海况进行目标探测时精度难以保证；基于非监督学习的方法，通常需借助一定的数学模型，这些模型应用于数据量大的侧扫声呐图像时，往往存在计算效率不高的缺陷，因此很多情况下，在保证目标与背景有足够分离度的基础上需要先对原始数据进行降维操作。扩散映射(Diffusion Map)作为流形(Manifolds)学习算法的一种，是一种非线性的数据降维方法，可以有效降低图像数据维数；而扩散映射下定义的扩散距离为寻找数据中有意义的几何结构提供了一种有效的方法，为侧扫声呐图像中异常区域(目标)的探测提供了一种新思路。

发明内容

本发明的目的在于提供一种基于扩散映射的侧扫声呐图像目标非监督探测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于扩散映射的侧扫声呐图像目标非监督探测方法，包括以下步骤：

第一步：计算SSS图像的灰度直方图，统计得到其第一个波峰的灰度g，将SSS图像中灰度小于g的像素的位置标记为阴影区域，并记录阴影的位置；

第二步：构建高斯金字塔图像(G_l)^L_l＝0，其中G₀为原始SSS图像；随机采样时，忽略阴影区域的像素；在低尺度的金字塔图像采用较高的采样率，而在高尺度的金字塔图像采用较低的采样率；

第三步：对采样数据进行扩散映射计算，得到采样数据的扩散坐标及其特征向量；

第四步：应用第三步的特征向量根据数据扩展方法将采样数据扩展至原始数据，得到原始数据的扩散坐标Y；

第五步：再计算扩散坐标Y的扩散距离D；

第六步：根据扩散距离D在SSS图像的像素邻域内计算目标得分，目标得分的公式如下：

式中，d_position为欧几里得距离，D为扩散距离，σ_k为D的k近邻个值的方差；根据目标得分c给定一个阈值τ_l，实现目标探测；当l>0时，τ_l取目标得分95％的置信区间；当l＝0时，取一硬阈值τ对探测结果进行平滑处理；

第七步：当l<L时，对每层SSS图像重复第二步-第六步；当l＝0时，输出目标探测结果。

作为本发明进一步的方案：第三步中，扩散映射计算中包括权矩阵的计算，权矩阵由高斯函数得到：

W(x_i,x_j)＝exp(-||x_i-x_j||²/δ₂)

式中δ为尺度参数，距离||x_i-x_j||采用欧几里得距离，x_i,x_j为数据集合X的行向量。

作为本发明进一步的方案：第四步中，数据扩展方法采用Nystrom扩展方法。

作为本发明进一步的方案：第五步中，扩散距离D的计算公式为：

式中：为当X为有限集的情况下对转移概率P进行特征分解，得到正交的右特征向量，λ_j为正特征值序列。

与现有技术相比，本发明的有益效果是：