[发明专利]一种水下声呐图像目标检测方法及系统

权利要求书

1.一种水下声呐图像目标检测方法，其特征在于，包括：

步骤S1、对水下声呐图像分别进行中值滤波及小波阈值去噪；

步骤S2、采用标准直方图均衡算法对去噪后的水下声呐图像进行图像增强；

步骤S3、将增强后的待检测图像输入到训练好的神经网络模型中，输出目标检测结果，其中，所述神经网络模型为基于VGG-16网络的SSD深度卷积神经网络模型，将所有轮次训练中准确率最大的一个神经网络模型作为最优的神经网络模型。

2.如权利要求1所述的水下声呐图像目标检测方法，其特征在于，步骤S1中，所述中值滤波包括：

采用N*N的二维模板在图像中漫游，并在漫游过程中，将与二维模板中心重叠的像素点的像素值设置为所述二维模板覆盖区域的各像素灰度值的中值。

3.如权利要求1所述的水下声呐图像目标检测方法，其特征在于，步骤S1中，所述小波阈值去噪包括：

将中值滤波之后的图像进行小波变换，获得相应的尺度系数及小波系数；

基于给定的阈值滤除由噪声主导的小波系数；

基于剩余的小波系数进行小波重构，获得去噪后的图像。

4.如权利要求1所述的水下声呐图像目标检测方法，其特征在于，步骤S2中，进行图像增强包括：

确定图像的灰度级概率密度；

基于所述灰度级概率密度，构建图像的灰度级的累积分布函数；

通过累积分布函数将原始图像映射为具有近似均匀灰度级分布的增强图像。

5.如权利要求1所述的水下声呐图像目标检测方法，其特征在于，步骤S3中，所述神经网络模型包括：

采用1024个3*3卷积核的卷积层Conv6替换VGG-16网络的第6个全连接层；

采用1024个1*1卷积核的卷积层Conv7替换VGG-16网络的第7个全连接层；

将VGG-16网络的pool5池化层调整为步长为1的3*3池化；

移除VGG-16网络的dropout层和fc8层，同时添加Conv8至Conv11四个卷积层；

其中，所述神经网络中，将总体的目标损失函数定义为location loss和confidenceloss的加权和，通过目标损失函数进行训练，直至收敛。

6.一种水下声呐图像目标检测系统，其特征在于，包括：

图像去噪模块，用于对水下声呐图像分别进行中值滤波及小波阈值去噪；

图像增强模块，用于采用标准直方图均衡算法对去噪后的水下声呐图像进行图像增强；

图像检测模块，用于将增强后的待检测图像输入到训练好的神经网络模型中，输出目标检测结果，其中，所述神经网络模型为基于VGG-16网络的SSD深度卷积神经网络模型，将所有轮次训练中准确率最大的一个神经网络模型作为最优的神经网络模型。

7.如权利要求6所述的水下声呐图像目标检测系统，其特征在于，所述图像去噪模块包括中值滤波单元，所述中值滤波单元用于采用N*N的二维模板在图像中漫游，并在漫游过程中，将与二维模板中心重叠的像素点的像素值设置为所述二维模板覆盖区域的各像素灰度值的中值。

8.如权利要求6所述的水下声呐图像目标检测系统，其特征在于，所述图像去噪模块包括小波阈值去噪单元，所述小波阈值去噪单元包括：

小波变换单元，用于将中值滤波之后的图像进行小波变换，获得相应的尺度系数及小波系数；

小波系数滤除单元，用于基于给定的阈值滤除由噪声主导的小波系数；

小波重构单元，用于基于剩余的小波系数进行小波重构，获得去噪后的图像。

9.如权利要求6所述的水下声呐图像目标检测系统，其特征在于，所述图像增强模块包括：

灰度级概率密度计算单元，用于确定图像的灰度级概率密度；

灰度级累积分布函数计算单元，用于基于所述灰度级概率密度，构建图像的灰度级的累积分布函数；

图像增强单元，用于通过累积分布函数将原始图像映射为具有近似均匀灰度级分布的增强图像。

10.如权利要求6所述的水下声呐图像目标检测系统，其特征在于，所述神经网络模型包括：

采用1024个3*3卷积核的卷积层Conv6替换VGG-16网络的第6个全连接层；

采用1024个1*1卷积核的卷积层Conv7替换VGG-16网络的第7个全连接层；

将VGG-16网络的pool5池化层调整为步长为1的3*3池化；

移除VGG-16网络的dropout层和fc8层，同时添加Conv8至Conv11四个卷积层；

其中，所述神经网络中，将总体的目标损失函数定义为location loss和confidenceloss的加权和，通过目标损失函数进行训练，直至收敛。