一种基于纹理特征的合成孔径声纳目标检测方法与流程

本发明涉及目标检测领域，具体涉及一种基于纹理特征的合成孔径声纳目标检测方法及系统。

背景技术：
合成孔径声纳（SAS,SyntheticApertureSonar）是一种高分辨水下成像声纳，可以获得高质量的水下图像数据。合成孔径是一种不需要长接收阵就可以显著提高方位分辨率的技术，合成孔径声纳即通过该技术和复杂的成像算法得到方位向分辨率和距离向分辨率都很高的图像，因而在水下研究领域具有很高的价值。与普通声纳相比，合成孔径声纳通过基阵的线性运动来提高阵列孔径，从原理上来说，合成孔径声纳图像的分辨率与工作频率和作用距离均无关，因此可以用较小的声纳基阵和较低的工作频率同时满足近距离和远距离的探测需要。随着声纳成像技术的发展，声纳图像的检测和识别逐渐成为数字图像处理领域的一个重要研究课题。虽然声纳图像和普通光学图像一样，本质上都是能量的平面或者空间分布图，但是由于水声信道的复杂多变，以及声波本身的透射特性，使得声纳图像的特征在很多方面与光学图像有所不同。特别是对于合成孔径声纳来说，由于采用合成孔径技术以提高分辨率，所以不能像普通光学图像一样通过高斯噪声模型来分析。合成孔径声纳图像的噪声不是加性噪声，而是乘性噪声，因此相对于普通光学图像，对合成孔径声纳图像处理更加复杂和困难。早起对于水声图像的解释和判别主要依靠人工进行，但是随着数字图像等现代信号处理技术的发展，水声图像处理的研究也进入了新的阶段。纹理是所有物体表面所具有的内在特征，目前还没有适当的模型可以对其进行完整描述，但是作为人类视觉的一种重要组成部分，图像纹理特征受到广泛的关注和研究。一般认为纹理就是纹理元素有规律的排列组合，而把图像中具有重复性、形状简单、强度一直的区域看做纹理元素，通过对这些局部模式以及它们之间排列规则的描述来进行纹理分析。研究发现，不同的底质呈现在声纳图像中的纹理图像各不相同，而纹理是海底表面结构粗糙程度的直接反应，故可以利用其进行目标检测。对于岩石、沙和泥等纹理差别比较明显的声纳图像，用肉眼就可以明显地分辨出来；对于淤泥和粘土等纹理差别较小的声纳图像则无法通过肉眼直接分辨。

技术实现要素：
本发明的目的在于，为克服上述技术方案在进行SAS图像分割时存在的诸多缺陷，从而提供一种基于SVM分类器的SAS图像分割方法及系统。为了实现上述技术目的，本发明提供了一种基于纹理特征的合成孔径声纳目标检测方法，该方法通过分析合成孔径声纳图像的纹理特征，对合成孔径声纳图像中的目标进行检测，所述方法包含：步骤101）读入原始合成孔径声纳图像，并计算原始图像在距离向和方位向的灰度共生矩阵；步骤102）基于得到的灰度共生矩阵计算能够反应纹理特征的若干特征参量对应的特征值变化规律曲线；步骤103）将计算得到的特征值变化规律曲线与统计背景区域特征参量值或目标区域特征参量值变化规律曲线之一进行比较，如果与目标的特征参量变化规律一致或与背景特征参量值变化规律不同则可以判断存在目标；否则仅有背景没有目标；其中，所述统计背景特征参量值变换规律曲线为：对合成孔径声纳图像的灰度共生矩阵获取的背景区域纹理特征量进行分析统计得到的背景区域的变换曲线；所述统计目标区域特征参量值变换规律曲线为：对合成孔径声纳图像的灰度共生矩阵获取的目标区域的纹理特征量进行分析统计得到的目标区域的变换曲线。上述技术方案中，所述步骤103）之后还包含：利用各种智能算法改进目标检测的结果，获得更加精准的检测目标，所述智能算法包含：支持向量机、遗传算法、神经网络或模拟退火。上述技术方案中，所述步骤101）和102）之间还包含如下步骤：计算灰度共生矩阵的二次统计量。上述技术方案中，所述灰度共生矩阵具体采用如下算法获得：取图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）；令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种；对于整幅图像而言，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵；其中，当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征。其中，以上(x,y)表示图像中的像素点的坐标,而a和b表示坐标间隔；g1,g2表示像素点对的灰度值。上述技术方案中，所述特征参量包含：反应纹理粗细程度的角二阶矩/能量参数，当角二阶矩/能量值较大时，纹理粗，能量大；反之，当角二阶矩/能量值小时，纹理细，能量小；反应纹理沟纹的深浅程度的对比度参数，当对比度值较大时，纹理的沟纹较深；反之，如果纹理沟纹较浅，则对比度值较小；反应图像是否具有某个方向的纹理特征的相关性参数，如果图像具有某个方向的纹理，则该方向上的灰度共生矩阵的相关性值较大；和反应图像中纹理的非均匀程度或者复杂程度的熵参数，如果图像中没有任何纹理，则灰度共生矩阵几乎为零矩阵；如果图像中纹理复杂，则熵值较大。上述技术方案中，所述统计背景特征参量值变换规律曲线为：距离向：背景区域的能量几乎没有变化，而目标区域的能量则先下降后上升；背景区域的相关性随着距离向偏移的增大仅缓慢下降，并没有显著变化；背景区域的对比度在整个距离向偏移的范围内几乎没有变化；背景区域的熵值较为稳定，几乎不随距离向偏移的增大而变化，并且始终保持为1；方位向：背景区域的相关性则在开始迅速下降为0，接着几乎保持不变，并且目标区域的相关性始终大于背景区域的相关性；背景区域在方位向的熵值与其在距离向的情况几乎相同，表明其为完全随机的区域所述目标背景特征参量值变化规律曲线为：距离向：目标区域的能量则先下降后上升；目标区域的相关性在偏移量为前三分之一时的范围内快速下降，并始终大于背景区域的相关性，而在中间三分之一的范围内缓慢下降，接着在最后三分之一的范围内缓慢上升；目标区域的对比度则随着距离向偏移的增大显著上升，后缓慢下降，并且背景区域的对比度始终显著小于目标区域的对比度；目标区域的熵值在起始段的范围内始终为零，其后增大到0.5，并且波动剧烈；方位向：目标区域的相关性首先迅速下降，然后缓慢下降接近0；目标区域的熵值除在少数值外，几乎全部为0.基于上述方法，本发明还提供了一种基于纹理特征的合成孔径声纳目标检测系统，该系统通过分析合成孔径声纳图像的纹理特征，对合成孔径声纳图像中的目标进行检测，所述系统包含：共生矩阵获取模块，用于读入原始合成孔径声纳图像，并计算原始图像在距离向和方位向的灰度共生矩阵；纹理特征参量变换规律获取模块，用于基于得到的灰度共生矩阵计算能够反应纹理特征的若干特征参量对应的特征值变化规律曲线；比较输出模块，用于将计算得到的特征值变化规律曲线与统计背景区域特征参量值或目标区域特征参量值变化规律曲线之一进行比较，如果与目标的特征参量变化规律一致或与背景特征参量值变化规律不同则可以判断存在目标；否则仅有背景没有目标；其中，所述统计背景特征参量值变换规律曲线存储在统计模块中，该模块：对若干幅的合成孔径图像的灰度共生矩阵获取的背景区域纹理特征量进行分析统计得到背景区域的变换曲线规律并存储；并从若干幅合成孔径图像的灰度共生矩阵获取的目标区域的纹理特征量进行分析统计得到的目标区域的变换曲线规律并存储。上述技术方案中，所述共生矩阵获取模块进一步包含：输入模块和处理模块；所述处理模块又进一步包含：起始点设置子模块，用于取图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）；移动设置子模块，用于令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种；灰度共生矩阵输出子模块，用于对于整幅图像，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵；其中，当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征。与现有技术相比，本发明的技术优势在于：本发明的技术方案由于引入了基于纹理特征的SAS图像目标检测使得目标检测步骤更加简单，同时减少计算量。附图说明图1本发明基于纹理特征的SAS图像目标检测流程图；图2本发明实施例采用的原始SAS图像；图3-a本发明实施例基于上述图像获取的其灰度共生矩阵的能量特征（距离向）；图3-b本发明实施例基于上述图像获取的其灰度共生矩阵的相关性特征（距离向）；图3-c本发明实施例基于上述图像获取的其灰度共生矩阵的对比度特征（距离向）；图3-d本发明实施例基于上述图像获取的其灰度共生矩阵的熵特征（距离向）；图4-a本发明实施例基于上述图像获取的其灰度共生矩阵的能量特征（方位向）；图4-b本发明实施例基于上述图像获取的其灰度共生矩阵的相关性特征（方位向）；图4-c本发明实施例基于上述图像获取的其灰度共生矩阵的对比度特征（方位向）；图4-d本发明实施例基于上述图像获取的其灰度共生矩阵的熵特征（方位向）；图5本发明实施例获取的目标检测结果。具体实施方式下面结合附图和具体实施例对本发明进行详细的说明。本发明的目的在于，在分析合成孔径声纳图像纹理特征的基础上，对合成孔径声纳图像中的目标进行检测。为了解决上述问题，本发明的目的在于提供一种合成孔径声纳图像目标检测的新方法。我们利用灰度共生矩阵的特征值解决目标检测问题，所述的合成孔径声纳目标检测方法具体步骤包括：步骤1：读入原始合成孔径声纳图像步骤2：计算原始图像的灰度共生矩阵步骤3：计算灰度共生矩阵的特征值步骤4：分析灰度共生矩阵的特征值，即通过SAS图像的目标区域和背景区域在纹理特征上的差别进行目标检测。比如目标和背景的灰度共生矩阵的能量、对比度、相关性和熵值都存在明显区别，其中所述背景的灰度共生矩阵的能量、对比度、相关性和熵值能够统计现有SAS图像的常见背景分析获取；所述目标的灰度共生矩阵的能量、对比度、相关性和熵值能够统计现有SAS图像的常见目标分析获取。步骤5：利用灰度共生矩阵的特征值进行目标检测步骤6：输出目标检测结果采用灰度共生矩阵可以描述SAS图像纹理方面的特征，通过计算灰度共生矩阵在方位向和距离向的能量、相关性、对比度和熵值，并构造特征向量，可以对SAS图像中的目标进行准确检测。从实验结果可以看出，SAS图像具有丰富的纹理信息，可以基于纹理信息实现SAS图像的目标检测。同时，可以利用各种智能算法改进目标检测的结果，获得更加精准的检测目标。如图1所示，该图为：本发明基于纹理特征的SAS图像目标检测流程图，从图中可以看出本发明目标检测流程图包含：读入原始图像，计算原始图像的灰度共生矩阵，计算灰度共生矩阵的特征，基于得到的特征组成向量进行目标检测并输出目标检测结果。基于上述方法，本发明的具体实施过程为：A.1、SAS图像纹理分析纹理特征的表示和分析通常有统计法、结构法和模型法，而基于灰度共生矩阵（GLCM）提取纹理特征的方法是一种典型的统计分析方法，本文即采用灰度共生矩阵进行合成孔径声纳图像的表示和分析。GLCM纹理提取方法具有较强的适应能力和稳健性，近年来已越来越多地用于图像的检测和分类研究。Haralick于1973年首次提出灰度共生矩阵，表面其优于灰度游程长度法和光谱方法，是一种广泛应用的纹理统计方法和纹理测量技术。1992年P.P.Ohanian给出对几种纹理测量技术的比较结果，并且根据实验证明：在四种用于实现纹理分类的特征中，基于灰度共生矩阵的统计特征要优于分形维、马尔科夫模型和Gabor滤波器模型。B.1.1、灰度共生矩阵的生成灰度直方图是对图像中单个像素具有某个灰度进行统计的结果，而灰度共生矩阵则是推图像中保持某距离的两个像素分别具有某灰度的状况进行统计得到的。取图像（N×N）中任意一点（x,y）及偏离它的另一点（x+a,y+b），设该点对的灰度值为（g1,g2）。令（x,y）在整幅图像中移动，则可以得到各种（g1,g2）值，设灰度的级数为k，则（g1,g2）的组合方式共有k2种。对于整幅图像而言，统计出每一种（g1,g2）值出现的次数，然后排列成一个方阵，再用（g1,g2）出现的总次数将它们归一化为出现的概率P(g1,g2)，这样就得到图像的灰度共生矩阵。距离差分值(a,b)取不同的数值组合，可以得到不同情况的灰度共生矩阵。当a=1,b=0时，像素对是水平的，即对应SAS图像距离向的纹理特征；当a=0,b=1时，像素对是垂直的，即对应SAS图像方位向的纹理特征；当a=1,b=1时，像素对是沿右对角的，即对应SAS图像右对角方向的纹理特征；当a=1,b=-1时，像素对是左对角的，即对应SAS图像左对角方向的纹理特征；C.1.2、灰度共生矩阵的特征灰度共生矩阵反应的是图像灰度关于方向、相邻间隔、变化幅度的综合信息。通过灰度共生矩阵可以分析图像的局部模式和排列规则等，为了能够更加直观地用灰度共生矩阵描述纹理信息，一般不直接使用灰度共生矩阵，而是在其基础上计算二次统计量。Haralick等人定义了14个用于纹理分析的灰度共生矩阵特征参数，Ulaby等人研究发现，在基于GLCM的14个纹理特征中，仅有4个特征量是不相关的，这四个特征量既便于计算，又能给出较高的分类精度，一般采用下面四个特征参量以提取图像的纹理特征。一、角二阶矩/能量（ASM）角二阶矩是灰度共生矩阵各个元素的平方和，亦称能量，反映图像灰度分布均匀程度和纹理粗细程度。如果灰度共生矩阵的所有值均相等，则ASM值较小；如果其中一些值较大，另一些值较小，则ASM值较大。当ASM值较大时，纹理粗，能量大；反之，当ASM值小时，纹理细，能量小。二、对比度（CON）对比度是灰度共生矩阵主对角线附近的惯性矩，度量矩阵中值的分布情况和图像的局部变化情况，反映图像的清晰程度和纹理沟纹的深浅程度。如果纹理的沟纹较深，则CON较大，效果清晰；反之，如果纹理沟纹较浅，则CON较小，效果模糊。灰度差即对比度大的像素对越多，则CON越大，即灰度共生矩阵中远离对角线的元素值越大，CON越大。三、相关性（COR）其中，相关性度量的是灰度相关矩阵元素在行或者列方向上的相似程度，其大小可以反映图像的局部相关性。当灰度共生矩阵元素值均匀相等时，COR较大；相反，当灰度共生矩阵像素值相差较大时，COR较小。如果图像具有某个方向的纹理，则该方向上的灰度共生矩阵的COR值较大。四、熵（ENT）熵值可以作为度量图像信息量的特征值，而纹理信息也属于图像信息，是一种随机性的度量。当灰度共生矩阵中所有元素具有最大的随机性，灰度共生矩阵中所有值几乎相等时，灰度共生矩阵中元素分散分布时，熵值较大。熵值表示图像中纹理的非均匀程度或者复杂程度，如果图像中没有任何纹理，则灰度共生矩阵几乎为零矩阵；如果图像中纹理复杂，则熵值较大。D.2、SAS图像处理结果及分析SAS图像含有丰富的纹理特征，而灰度共生矩阵具有丰富的特征参数，可以从不同的角度对纹理进行细致刻画。图2为一幅原始SAS图像，在图像中部可以清晰地看到一个目标。下面利用灰度共生矩阵的特征量，分别对目标区域和背景区域的纹理特性进行比较分析。SAS图像在距离向采用脉冲压缩原理成像，而在方位向则采用合成孔径原理成像，因此，SAS图像的灰度共生矩阵在距离向和方位向具有不同的特性，即SAS图像的纹理在方位向和距离向具有不同的特征。本文截取的背景区域和目标区域的大小均为128×128像素，灰度共生矩阵的偏移取值范围是[164]，分别计算在各种偏移情况下的能量（ASM）、相关性（COR）、对比度（CON）和熵（ENT）。首先，分析距离向的情况，图3-a、3-b、3-c和3-d即为灰度共生矩阵的特征量随距离向偏移而变化的情况。目标区域的能量要显著小于背景区域的能量，而且随着距离向偏移的增大，背景区域的能量几乎没有变化，而目标区域的能量则先下降后上升。由于相关斑噪声的影响，背景区域的像素灰度值变化较为剧烈；而目标区域则由于目标亮区和阴影暗区的影响，其像素灰度范围变化较小。因此，背景区域的纹理较粗，能量大；目标区域的纹理较细，能量小。背景区域的相关性随着距离向偏移的增大仅缓慢下降，并没有显著变化。而目标区域的相关性在偏移为[120]的范围内快速下降，并始终大于背景区域的相关性，而在[2040]的范围内缓慢下降，接着在[4064]的范围内缓慢上升。相关性度量的是灰度共生矩阵元素行或列的相似程度，可以反映图像的局部相似性。背景区域的对比度在整个距离向偏移的范围内几乎没有变化，而目标区域的对比度则随着距离向偏移的增大在[140]范围内显著上升，在[4064]范围内缓慢下降，并且背景区域的对比度始终显著小于目标区域的对比度。这说明目标区域的纹理沟纹较深，效果清晰；而背景区域的纹理沟纹较浅，效果模糊。对于熵值的情况，背景区域的熵值较为稳定，几乎不随距离向偏移的增大而变化，并且始终保持为1；目标区域的熵值在[124]的范围内始终为零，其后增大到0.5，并且波动剧烈。这表明背景区域的随机性非常大，几乎可以认为是完全随机性的区域。熵值可以表示图像中纹理的非均匀程度或者复杂程度，这说明目标区域几乎没有任何纹理特征，背景区域则具有显著地统计纹理特征。其次，作为和距离向偏移的比较，我们分析方位向偏移灰度共生矩阵的各个特征量，图4-a、4-b、4-c和4-d即为灰度共生矩阵的特征量随方位向偏移而变化的情况。对于灰度共生矩阵的能量，目标区域和背景区域在距离向偏移和方位向偏移两种情况下几乎没有差别，这也说明SAS图像的距离向和方位向的灰度共生矩阵能量上没有区别，在选择区分不同区域的特征量时，仅取一个方向即可。随着方位向偏移的增加，目标区域的相关性首先迅速下降，然后缓慢下降接近0，而背景区域的相关性则在开始迅速下降为0，接着几乎保持不变，并且目标区域的相关性始终大于背景区域的相关性。在灰度共生矩阵的相关性方面，方位向偏移和距离向偏移的情况存在显著差别。这是由于SAS图像在方位向采用合成孔径技术成像，而在距离向采用脉冲压缩技术成像，合成孔径技术导致方位向像素之间的相关性增大，从而造成方位向相关性大于距离向相关性。同时，由于在距离向存在目标及其阴影的关系，相关性出现负值，而方位向则不存在这种情况，故相关性以下降到0为止。方位向的对比度和距离向的情况类似，只是由于合成孔径成像机制的原因，方位向对比度在开始的时候有一个突然上升的阶段。同时目标及其阴影的影响，目标区域在距离向的对比度要大于在方位向的对比度。背景区域在方位向的熵值与其在距离向的情况几乎相同，表明其为完全随机的区域，而目标区域的熵值除在少数值外，几乎全部为0，这说明目标区域在方位向上结构复杂，几乎没有任何纹理。根据以上分析，为描述SAS图像目标特征，充分利用灰度共生矩阵中的能量、相关性、对比度和熵值等特征，构造特征向量v={ASM1,COR1,CON1,ENT1,COR2,ENT2}。其中ASM1,COR1,CON1,ENT1分别为距离向灰度共生矩阵的能量、相关性、对比度和熵值，COR2,ENT2分别为方位向灰度共生矩阵的相关性和熵值。由于方位向的能量和对比度与距离向情况类似，故只取一种方向的情况即可。利用目标区域和背景区域特征向量v的差别可以进行目标检测，图5即为SAS图像目标检测的结果。我们可以看到白色方框区域即为目标及其阴影，这说明基于特征向量v准确的对目标完成了检测。总之，本发明提供了一种基于纹理特征的合成孔径声纳目标检测方法，我们提出了一种应用于合成孔径声纳图像的目标检测方法。随着声纳成像技术的发展，声纳图像的检测和识别逐渐成为数字图像处理领域的一个重要研究课题。合成孔径声纳图像含有丰富的纹理特征，而灰度共生矩阵具有丰富的特征参数，可以从不同的角度对纹理进行细致刻画。研究发现，不同的底质呈现在声纳图像中的纹理图像各不相同，而纹理是海底表面结构粗糙程度的直接反应，故可以利用其进行目标检测。采用灰度共生矩阵可以描述合成孔径声纳图像纹理方面的特征，通过计算灰度共生矩阵在方位向和距离向的能量、相关性、对比度和熵值，并构造特征向量，可以对合成孔径声纳图像中的目标进行准确检测。从实验结果可以看出，基于纹理信息可以准确实现合成孔径声纳图像的目标检测。最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。