一种基于Radon变换和Snake模型的声呐图像目标分割方法

本发明属于声呐图像分割，具体涉及一种基于radon变换和snake模型的声呐图像目标分割方法。

背景技术：

1、声学目标分割是指从声学数据中自动识别和分割出目标区域的过程。随着声呐技术的发展和应用领域的拓展，声学目标分割在海洋、水声通信、水下机器人等领域中具有重要意义。由于光学图像处理技术目前已经处于相对成熟的状态，众多海内外研究者便通过学习和借鉴光学图像分割的方法，将其应用在声呐图像目标分割的领域中。他们利用这些技术来识别和提取声呐图像中的关键信息，如目标的形状、大小、位置等。基于此，研究人员提出了多种声呐图像目标的分割算法，为声呐图像目标分割技术的不断进步和完善提供了重要的思路和方向。

2、声呐图像的目标分割是声学图像处理中的关键环节，但是由于水下环境较为复杂，会导致声呐图像存在成像效果差、图像分辨率不高以及图像目标边缘不清晰等问题。传统的图像分割算法对噪声较为敏感，容易导致分割结果不稳定或者出现错误；基于机器学习的分割算法具有较高的复杂度，需要大量的计算资源和时间来训练和推断，在声呐图像分割领域中不太适用；基于多模态信息融合的分割方法会导致获取的数据可能存在不一致性，例如分辨率、噪声水平、感知范围等方面的差异，会出现融合后的结果不够准确或不一致；基于实例分割的方法在处理遮挡或者复杂背景时表现不佳，导致分割结果不准确或者出现错误的分割；而基于深度学习的声呐图像目标分割方法也存在着运算时间长、已知标签数据的需求量大、数据质量问题等因素，不利于声呐图像的目标的分割。因此寻找一种有效的分割方法是目前研究的重点。

3、综上所述，现有的声呐图像分割方法存在分割结果的准确性差、分割效率低以及训练数据需求量大的问题，所以，提出一种新的声呐图像分割方法以解决上述问题是十分必要的。

技术实现思路

1、本发明的目的是为解决现有声呐图像分割方法存在分割结果的准确性差、分割效率低以及训练数据需求量大的问题，而提出了一种基于radon变换和snake模型的声呐图像目标分割方法。

2、本发明为解决上述技术问题所采取的技术方案是：

3、一种基于radon变换和snake模型的声呐图像目标分割方法，所述方法具体包括以下步骤：

4、步骤一、对采集的原始声呐图像进行预处理后，获得预处理后的声呐图像；

5、步骤二、对预处理后的声呐图像进行radon变换，根据radon变换结果初步确定出声呐图像中的目标区域图像；

6、步骤三、根据步骤二确定出的目标区域图像获取初始的目标轮廓，再通过最小化snake模型的能量函数对初始的目标轮廓进行处理，获得最终的目标轮廓；

7、最终的目标轮廓内的区域即为最终确定的目标区域。

8、进一步地，所述步骤一的具体过程为：

9、若采集的原始声呐图像不是灰度图像，则将原始声呐图像转化为灰度图像，获得的灰度图像即为预处理后的声呐图像；

10、若采集的原始声呐图像是灰度图像，则不需要处理，即采集的原始声呐图像即为预处理后的声呐图像。

11、进一步地，所述步骤二的具体过程为：

12、步骤二一、将预处理后的声呐图像记为f，利用x和y表示图像中像素点的空间坐标，利用f(x,y)表示像素点(x,y)的灰度值；

13、设定n个投影角度，并将第i个投影角度记为θi，i＝1,2,…,n，n是图像f中像素点的列数；

14、在第i个投影角度上，图像f中第i列像素点的灰度值沿直线ρ＝xcosθi+ysinθi方向求积分，得到图像f中第i列的各个像素点灰度值在第i个投影角度上的投影值，并将图像f中第i列的各个像素点灰度值在第i个投影角度上的投影值作为变换矩阵中第i列的元素；

15、同理，遍历各个投影角度后，得到变换矩阵；

16、步骤二二、设置前景与背景分离的阈值，将变换矩阵中大于阈值的元素在预处理后图像中所对应的像素点作为目标像素点，则根据变换矩阵获得了预处理后声呐图像中的全部目标像素点，即初步获得预处理后声呐图像中的目标区域图像，将初步获得的目标区域图像记为图像i。

17、进一步地，所述n个投影角度是均匀分布在[0,π)范围内的，且第i个投影角度其中，i＝1,2,3,…,n。

18、进一步地，所述图像f中第i列的各个像素点灰度值沿直线ρ＝xcosθi+ysinθi方向求积分，得到图像f中第i列的各个像素点灰度值在第i个投影角度上的投影值；具体为：

19、

20、其中，x(s)和y(s)是参数s的函数，s＝-xsinθi+ycosθi，r(ρ,θi)是投影值。

21、进一步地，所述步骤三中，根据步骤二确定出的目标区域图像获取初始的目标轮廓采用的是手动选取和手动添加插值点的方式。

22、进一步地，所述通过最小化snake模型的能量函数来对初始的目标轮廓进行处理，获得最终的目标轮廓；具体为：

23、步骤三一、定义snake模型的能量函数为：

24、e＝eint+eext

25、其中，e是snake模型的能量函数值，eint是内部能量，eext是外部能量；

26、

27、其中，v(s)＝(x(s),y(s))是轮廓点的坐标，α和β为常数；

28、

29、其中，p(v(s))是图像的能量场；

30、步骤三二、将初始的目标轮廓离散化为m个轮廓点，将初始的第j个轮廓点的坐标记为vj(s)＝(xj(s),yj(s))，j＝1,2,…,m；

31、初始化迭代次数n＝0，令

32、步骤三三、利用和计算内部能量和外部能量：

33、

34、

35、其中，是第n-1次迭代更新后的第j个轮廓点的坐标，是第n-1次迭代更新后的第j+1个轮廓点的坐标，是第n-1次迭代更新后的第j-1个轮廓点的坐标；

36、步骤三四、判断snake模型的能量函数值e是否达到最小；

37、若未达到最小，则对各个轮廓点的位置进行更新得到更新后的轮廓点位置令n＝n+1，再返回执行步骤三三；

38、若达到最小，则获得了最终的轮廓点位置，再对最终的各个轮廓点连线内的区域进行处理，获得最终的目标轮廓。

39、进一步地，所述图像的能量场p(v(s))为：

40、

41、其中，是像素灰度i(x(s0,y(s))的梯度，i(x(s),y(s))是图像i中像素点(x(s),y(s))的灰度值，|·|代表取绝对值。

42、进一步地，所述对各个轮廓点的位置进行更新得到更新后的轮廓点位置具体为：

43、

44、其中，δt是时间步长，是一阶差分项，是二阶差分项，是轮廓点处的能量场，是的梯度。

45、更进一步地，所述对最终的各个轮廓点连线内的区域进行处理是指形态学处理，形态学处理后，获得最终的目标轮廓。

46、本发明的有益效果是：

47、本发明结合radon变换、snake模型与形态学处理对声呐图像进行分割处理。首先，通过对声呐图像进行radon变换，将声呐图像目标的前景目标区域和背景区域实现分离；再引入snake模型，通过能量最小化过程获取目标的精确轮廓边界并分割；最后采用形态学处理来进一步优化分割结果。实现了声呐图像目标分割的完整性，且分割后目标边缘保持能力较好，有效地提高了分割的准确性、效率和稳定性。同时分割过程不需要使用依赖于大量训练数据的深度学习模型。