[发明专利]一种水下声呐图像目标检测方法及系统

说明书

本申请提供了一种水下声呐图像目标检测方法及系统，属于数据处理技术领域。所述方法包括步骤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。本申请提高了水下声呐图像目标检测的精度和准确率。

技术领域

本申请属于数据处理领域，特别涉及一种水下声呐图像目标检测方法及系统。

背景技术

基于水下声呐图像的目标检测技术应用广泛，民用和军用技术等都对其有着巨大需求。在民用上，远洋渔业、水下考古、残骸探测等都运用了声呐图像目标检测技术。在军用技术上，大型共形声呐装备的舰艇、潜艇辅以目标检测技术可远距离有效识别敌方舰艇，大大地提高海军巡洋能力。

传统水下声呐图像目标检测技术存在局限较大。传统技术着重于对图像进行低层级的处理，智能化程度较低；算法效果依赖于特定物理背景下的噪声特点，鲁棒性较差；对目标物的分割、追踪与识别的准确性较低。

发明内容

为了解决上述技术问题至少之一，本申请提供了一种水下声呐图像目标检测方法及系统，针对水下声呐图像成像质量差、边缘模糊、对比度小等特点，首先对水下声呐图像进行中值滤波，经过中值滤波处理后，水下声呐图像中海洋噪声、混响等因素形成的点状噪点明显减少，图像整体变得更加平滑；接着再对水下声呐图像进行小波阈值去噪，消除类似高斯噪声的干扰；然后对水下声呐图像进行直方图增强，改善图像的视觉效果，提高图像的清晰度。经过一系列的图像预处理后用已经训练好的SSD神经网络模型对水下声呐图像进行目标检测，SSD结合了YOLO的回归思想和Faster R-CNN的anchor机制，既保持了YOLO检测速度快的特性，又保证了Faster R-CNN检测结果的准确度，从而提高了水下声呐图像目标检测的精度和速度。

本申请第一方面提供了一种水下声呐图像目标检测方法，主要包括：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。

优选的是，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。

优选的是，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。

优选的是，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。

优选的是，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confidence loss的加权和，通过目标损失函数进行训练，直至收敛。