[发明专利]基于深度学习方法和非参数化采样的侧扫声呐图像合成方法

说明书

本发明属于图像处理技术领域，具体涉及一种基于深度学习方法和非参数化采样的侧扫声呐图像合成方法，包括，S1.合成初步侧扫声呐图像；S2.深度学习模型建立及训练；S21.训练样本的获取；S22.建立深度学习模型；S23.深度学习模型的训练；S3.测扫声呐图像的合成。本发明的方法，在此过程中，非参数化采样给出一幅初始的合成结果，但是由于非参数化采样只考虑填充图像中的其各自负责的部分，不考虑每个部分边缘过渡是否平滑，此时初步合成的结果与真实图像有差距。而深度学习可以学习初始合成的声呐图像与真实声呐图像之间的关系，因此，将初始合成的图像用训练好的深度学习模型进行处理后，可以得到与真实声呐图像更像的合成结果。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度学习方法和非参数化采样的侧扫声呐图像合成方法。

背景技术

作为海底目标探测的主要传感器之一，侧扫声呐能提供海底回波信号形成的高分辨率声呐图像。近年来，声呐探测技术的发展极大地拓展了人类对海洋的认知，其中高分辨率成像声呐在海底勘探、底质分类、水下人工结构物探测等方面具有重要应用。由于海洋探测难度大、成本高，目前侧扫声呐图像有限，且只有有限海域的部分声呐图像。为了得到物体在不同海底地质下的声呐图像，侧扫声呐图像合成方法十分关键，而目前这方面的研究还很少。

但是现有技术中，有关于照片的合成方法有很多种，例如，基于生成对抗网络(Generative Adversarial Networks，GAN)和基于卷积神经网络(Convolutional NeuralNetwork，CNN)的方法。但是照片的合成方法并不能直接用于合成测扫声呐图像。侧扫声呐图像不同于照片，照片中的物体分布清晰，容易分辨物体边界，且一般自然物体具有对称性和固定的形状；而侧扫声呐图像由于覆盖范围较宽(一般宽至数百米)，而海底目标大小差距较大，从几十米到几厘米大的物体都有可能出现，且物体边界过渡平滑，不是十分清晰，物体的形状和探测角度密切相关，物体呈现的图像随着搭载声呐的拖曳装置的角度变化而变化，因此照片的合成方法基本上都不能直接用于合成侧扫声呐图像。

目前基于GAN和CNN的图像合成方法中，输入通常是分割标签图像，输出是合成图像，合成图像中的物体往往具有形状相似性和对称性。而在侧扫声呐图像中，同一种目标的形状、尺寸往往有较大差异，这是因为采集图像的侧扫声呐分辨率、距离海底的高度、探测的角度在不同探测任务中会有变化，而且同一类的目标其形态可能有较大差异，如沙波、沉船等。因此，直接基于现有图像合成方法合成侧扫声呐图像，效果并不好。

发明内容

本发明针对上述技术问题，提出一种基于深度学习方法和非参数化采样的侧扫声呐图像合成方法，该方法主要是针对侧扫声呐图像合成，合成图像更加真实。

为了实现上述目的，本发明采用如下技术方案：基于深度学习方法和非参数化采样的侧扫声呐图像合成方法，包括，

S1.合成初步侧扫声呐图像；

S2.深度学习模型建立及训练；

S21.训练样本的获取；

将真实声呐图像作为目标图像，从真实声呐图像中分割出阴影区域、海底区域和目标区域，将分割后的图像作为合成模板；从滤波后的测扫声呐图像中随机截取阴影区域、海底区域和目标区域的图像作为样本纹理图像，使用样本纹理图像填充合成模板得到训练样本；

S22.建立深度学习模型；

S23.深度学习模型的训练；

将训练样本作为深度学习的输入，将与每个训练样本对应的目标图像与该训练样本的差值图像作为深度学习的目标输出，对深度模型进行训练；

S3.测扫声呐图像的合成；

将初步侧扫声呐图像输入到训练好的深度学习模型中得到输出结果，将初步侧扫声呐图像与输出结果相加得到合成测扫声呐图像。