[发明专利]一种基于神经网络的多波束水柱目标自动分割方法

说明书

技术领域

本发明涉及多波束水柱处理领域，尤其涉及一种基于神经网络的多波束水柱目标自动分割方法。

背景技术

水体中的目标识别与跟踪是多波束测深仪的一个重要应用领域，通过水柱分析可以获取水体中的鱼群，潜艇，桥墩等目标信息。但是，由于水下声环境复杂多变，噪声较多，而且水柱信息容易受到多波束隧道效应的干扰，因此，进行多波束水柱分析存在一定的困难。

有鉴于此，亟待研发出一种能够解决上述问题的多波束水柱分析处理方法。

发明内容

本发明的目的旨在解决弊端，从而提供一种基于神经网络的多波束水柱目标自动分割方法。

为实现上述目的，本发明提供了一种基于神经网络的多波束水柱目标自动分割方法。该方法包括以下步骤:

a、将多波束原始回波信号转化为声纳图；

b、搜索所述声纳图，确定存在目标的可疑区域并从所述声纳图中分离；

c、对存在目标的可疑区域进行粗分割，以分割出带有目标和旁瓣的声纳图像；

d、将部分带有目标和旁瓣的声纳图像作为训练样本送入BP神经网络进行训练，所述部分带有目标和旁瓣的声纳图像为可直接区分出目标和旁瓣的图像；

e、通过训练好的BP神经网络对剩余部分带有目标和旁瓣的声纳图像进行图像处理，以将目标从声纳图像中分割出，所述剩余部分带有目标和旁瓣的声纳图像为不可直接区分出目标和旁瓣的图像。

优选地，在所述步骤d和步骤e之间还包括：

f、判断BP神经网络训练是否完成，当识别正确率超过设定值时，判断完成；反之，判断未完成，继续训练。

优选地，所述步骤a中的多波束原始回波信号是通过邻域插值法实现声纳图的转化。

优选地，所述步骤b具体包括：将声纳图中像素值与设定阈值进行比对，将高于设定阈值区域分割出，低于设定阈值的区域滤去。

优选地，所述步骤c具体包括：

g、对分离出的存在目标的可疑区域进行直方图均衡处理，以压低背景噪声的像素值，抬高高亮区的像素值；

h、通过阈值分割法将像素值高于设定值的点和区域分割出；

i、通过区域标记法将分割出的像素值高于设定值的点和区域中的高亮孤立噪点去除。

优选地，所述步骤d具体包括：

j、提取部分带有目标和旁瓣的声纳图像中的特征量，所述特征量包括：部分声纳图像中每幅中各个子区域的长轴与短轴的比值、部分声纳图像中每幅中各个子区域的中心到每幅图像中心的横纵坐标差值和部分声纳图像中每幅中各个子区域的Hu矩的前二阶矩；所述BP神经网络的设置参数包括：选取层数目3、输入层数目为5、输出层数目2、中间层数目8；

k、将提取出的各个子区域的特征量作为训练样本送入BP神经网络进行训练。

本发明基于神经网络的多波束水柱目标自动分割方法可以有效消除目标区域所在声纳图中的孤立噪点和旁瓣干扰，较为准确的将目标提取出，有利于对水柱内的目标进行识别和追踪。

附图说明

图1为本发明基于神经网络的多波束水柱目标自动分割方法的一个实施例的流程图；

图2为本发明基于神经网络的多波束水柱目标自动分割方法的另一个实施例的流程图；

图3为本发明确定存在目标的可疑区域的方法流程图；

图4为本发明对存在目标的可疑区域进行粗分割的方法流程图；

图5为本发明训练BP神经网络的方法流程图；

图6为本发明的多波束回波信号转化为声纳图后的图像示意图；

图7为本发明的经直方图均衡后的目标区域图像与直方图分布示意图；

图8为本发明的粗分割后的目标与旁瓣图像示意图；

图9为本发明的经BP神经网络分割出的目标图像示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是发明一部分实施例，而非全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于发明保护的范围。

请参阅图1，本发明提供了基于神经网络的多波束水柱目标自动分割方法的一个实施例，包括以下步骤：