專利名稱：基于區(qū)域增長的側(cè)掃聲納圖像感興趣區(qū)域提取方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種數(shù)字圖像處理方法。具體地說是一種側(cè)掃聲納圖像感興趣區(qū) 域提取方法。
背景技術(shù)：
基于區(qū)域的側(cè)掃聲納圖像感興趣區(qū)域提取是數(shù)字圖像處理應(yīng)用技術(shù)的重要內(nèi)容 之一。在數(shù)字圖像處理的應(yīng)用領(lǐng)域中，提取側(cè)掃聲納圖像的感興趣區(qū)域是后續(xù)目標(biāo)識別與 分類處理、信息提取的前提。由于側(cè)掃聲納圖像自身特性，其感興趣區(qū)域提取是數(shù)字圖像處 理技術(shù)的難題之一。文獻[1] [2] [3]均是有關(guān)側(cè)掃聲納圖像分割的算法，其中文獻[1]利用可變鄰域 的局部方差來提取目標(biāo)亮區(qū)，利用分形維數(shù)來提取目標(biāo)陰影區(qū)，最后將目標(biāo)亮區(qū)和目標(biāo)陰 影區(qū)的提取結(jié)果融合，得到最終的分割結(jié)果；文獻[2]側(cè)重討論側(cè)掃聲納圖像中目標(biāo)陰影 區(qū)的提取，利用模糊C均值聚類的方法實現(xiàn)了目標(biāo)陰影區(qū)分割；文獻[3]運用動態(tài)輪廓和水 平集的方法實現(xiàn)側(cè)掃聲納圖像的分割。以上所查到的文獻中均沒有從區(qū)域增長的角度考慮側(cè)掃聲納圖像的分割，而該方 法在光學(xué)圖像、紅外圖像和醫(yī)學(xué)圖像分割中有較多的應(yīng)用。文獻[4]中的區(qū)域增長算法假設(shè)區(qū)域是具有相同群體均值和方差的連通像素的 集合。在進行增長時，不需要種子區(qū)域，因此需要從圖像的第一個像素開始掃描，用新增像 素動態(tài)更新種子區(qū)域的均值和方差，根據(jù)設(shè)定的統(tǒng)計量門限自動的劃分區(qū)域。文獻[5]中 提出的區(qū)域增長算法運用Harris corner detect theory自動檢測生長種子，以提高分割 速度；其次針對圖像和區(qū)域特征提取的不確定性，采用不確定理論中的云模型自動實現(xiàn)自 適應(yīng)分割門限的選取。仿真證實了該方法能有效的提取目標(biāo)和平滑的邊界。文獻[6]中利 用相對統(tǒng)計特征來提取用于區(qū)域生長的種子，采用了基于模糊隸屬度的區(qū)域生長方法，對 石塊圖像的分割有較好的效果。文獻[7]針對圖像中目標(biāo)的特點，選取圖像中最大的像素 值作為相應(yīng)的種子點，然后依據(jù)灰度相似性判決生長出目標(biāo)區(qū)域，對紅外圖像由較好的效 果。文獻[8]中以子區(qū)域作為種子，采用區(qū)域像素平均距離作為區(qū)域一致性標(biāo)準(zhǔn)，實施區(qū)域 增長，能夠較好抑制噪聲，取得較好的分割結(jié)果。文獻[9]中的分割算法首先交互選擇多個 不同區(qū)域的種子點，利用種子點的鄰域構(gòu)造訓(xùn)練樣本，然后用已知的訓(xùn)練樣本訓(xùn)練支持向 量分類器，最后用所得到的支持向量模型建立增長規(guī)則，且采用并行競爭增長策略，得到了 較好的分割效果。本發(fā)明涉及到的參考文獻包括[1] Xingmei Wang ；Huanran Wang ；Xiufen Ye ；Lin Zhao ；Kejun Wang. A novelsegmentation algorithm for side-scan sonar imagery with multi-object. 2007 IEEEInternational Conference on Robotics and Biomimetics,ρ 2110-14,2007 ；[2] Stitt, J. P. ；Tutwi 1 er, R. L. ；Lewi s , Α. S. Fuzzy c-means image segmentation of side-scansonar images. Proceedings of the IASTED InternationalConference Signal and ImageProcessing，ρ 27-32,2001 ；[3]Lianantonakis, Μ. ；Petillot，Y. R. Sidescan sonar segmentation using active contours andlevel set methods. Oceans 2005—Europe，ρ 719—24 Vol. 1,2005.[4]Haralick，Robert M.，Shapiro, Linda G. Computer Vision, Graphics，and ImageProcessing, ν 29，η l，p 100—132，Jan 1985 ；[5]Weihong Cui, Zequn Guan, Zhiyi Zhang. An improved region growing algorithm forimage segmentation. 2008International Conference on Computer Science and SoftwareEngineering(CSSE 2008)，93-6，2008 ;[6]楊強，吳中福，余萍.一個基于區(qū)域生長的石塊圖像分割系統(tǒng).計算機科學(xué)， Vol. 31，No. 9,2004 ；[7]李久賢，夏良正.基于區(qū)域生長的紅外圖像分割.南京理工大學(xué)學(xué)報，Vol. 26， Dec. 2002 ；[8]張銘鈞，歷妍，楊杰.基于子區(qū)域生長的移動機器人視覺圖像分割.北京理工 大學(xué)學(xué)報，Vol. 29，No. 7，Jul. 2009 ；[9]胡正平，吳燕，張曄.基于支持向量學(xué)習(xí)的多目標(biāo)并行區(qū)域增長圖像分割算法 研究.系統(tǒng)仿真學(xué)報，Vol. 17 No. 11，Nov，2005。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種對側(cè)掃聲納圖像的感興趣區(qū)域提取有較好的效果的 基于區(qū)域增長的側(cè)掃聲納圖像感興趣區(qū)域提取方法。本發(fā)明的目的是這樣實現(xiàn)的本發(fā)明的基于區(qū)域增長的側(cè)掃聲納圖像感興趣區(qū)域提取方法包括如下步驟1.對原始圖像進行預(yù)處理，濾波去噪，得到圖像A ；2. L-G算子處理預(yù)處理后的圖像，濾出所有結(jié)果為零的點，得到圖像B;3.選出圖像B面積最大的連通區(qū)域，在圖像A中找到相應(yīng)位置處的像素點作為側(cè) 掃聲納圖像聲影區(qū)的種子，并且計算種子區(qū)域內(nèi)的均值X和散度S2 ；4.對圖像B中面積最大的連通區(qū)域進行膨脹運算；5.計算圖像A中與膨脹結(jié)果對應(yīng)位置處的像素與種子區(qū)域的相似度，剔除膨脹結(jié) 果中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹；6.重復(fù)步驟5至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲影區(qū)的提取
結(jié)果；7.考慮圖像A的每一個像素點3X3的鄰域均值，濾出鄰域均值大于圖像A整體均 值一定倍數(shù)的點，得到圖像C，選出圖像C中面積不小于最大連通區(qū)域面積0. 1倍的所有連 通區(qū)域，對應(yīng)圖像A相應(yīng)位置處的像素作為側(cè)掃聲納圖像聲反射區(qū)的種子，并分別計算種 子區(qū)域內(nèi)的均值X和散度S2;8.對圖像C中選出的連通區(qū)域分別進行膨脹運算；9.計算圖像A中與膨脹結(jié)果對應(yīng)位置處的像素與種子區(qū)域的相似度，剔除膨脹結(jié) 果中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹；10.重復(fù)步驟9至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲反射區(qū)的提取結(jié)果；11.將聲影區(qū)的提取結(jié)果和聲反射區(qū)的提取結(jié)果融合，作為最終的側(cè)掃聲納圖像 感興趣區(qū)域提取結(jié)果。發(fā)明采用L-G(拉普拉斯_高斯)算子獲取側(cè)掃聲納圖像聲影區(qū)的種子區(qū)域和利 用鄰域灰度均值獲取側(cè)掃聲納圖像聲反射區(qū)的種子區(qū)域，然后考慮像素點相對種子區(qū)域的 相似度作為生長條件，通過區(qū)域生長分別獲取聲影區(qū)和聲反射區(qū)的提取結(jié)果，從而獲得側(cè) 掃聲納圖像的感興趣區(qū)域的提取。本發(fā)明方法采取了與Haralick與Shapiro提出的區(qū)域 增長算法相同的相似準(zhǔn)則，但不是直接從圖像的第一個像素開始執(zhí)行，直至將整幅圖像劃 分為各個不同類型的區(qū)域；而是結(jié)合側(cè)掃聲納圖像的特點，先利用本發(fā)明中論述的方法分 別提取目標(biāo)亮區(qū)和目標(biāo)陰影區(qū)的種子區(qū)域，然后讓該算法從種子區(qū)域開始執(zhí)行，提取到了 目標(biāo)亮區(qū)和目標(biāo)暗區(qū)。這樣做使得該算法避免了從圖像的第一個像素開始執(zhí)行，從而節(jié)約 了大量的處理時間。同時該發(fā)明方法提取的亮區(qū)種子和暗區(qū)種子均是一塊小的區(qū)域，不同 于傳統(tǒng)的區(qū)域增長方法是一個或幾個像素點，這樣使得種子的特性更完備，也能節(jié)約增長 時間。從處理結(jié)果看，該方法對側(cè)掃聲納圖像的感興趣區(qū)域提取有較好的效果。


圖1為原圖像；
圖2為預(yù)處理圖像
圖3為L-G算子處理的結(jié)果；
圖4為提取的聲影區(qū)的種子區(qū)域；
圖5聲影區(qū)種子區(qū)域增長的結(jié)果；
圖6為鄰域灰度均值濾出的結(jié)果；
圖7為提取的聲反射區(qū)的種子區(qū)域；
圖8聲反射區(qū)種子區(qū)域增長的結(jié)果；
圖9感興趣區(qū)域提取的最終結(jié)果。
圖10該發(fā)明方法的整體處理流程圖。
具體實施例方式下面結(jié)合附圖舉例對本發(fā)明做更詳細(xì)地描述1.對原始圖像如圖1所示進行預(yù)處理，主要目的是平滑去噪得到圖2。2. L-G算子處理圖2，濾出所有結(jié)果為零的點，得到圖3。即用如下的模板對預(yù)處理后的圖像進行濾波處理，結(jié)果為零的點即是所要尋找的 點。
3.選出圖3中面積最大的連通區(qū)域得到圖4，在圖像2中找到相應(yīng)位置處的像素點作為側(cè)掃聲納圖像聲影區(qū)的種子，并且計算種子區(qū)域內(nèi)的均值X和散度S2。區(qū)域R內(nèi)包含N個像素，定義區(qū)域均值Z和散度S2為
(2)其中R為區(qū)域；N為區(qū)域R內(nèi)像素數(shù)目；I[r，c]為(r，c)處的像素灰度值。4.對圖像4進行膨脹運算。5.計算圖像2中與膨脹結(jié)果對應(yīng)位置處的每一個新像素與種子區(qū)域的相似度，剔 除膨脹結(jié)果中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹。相似度的計算 如下所述設(shè)某像素的灰度值為y，區(qū)域R中的所有像素與測試像素y是相互獨立的，且具有 相同的分布態(tài)，下面的統(tǒng)計量服從Tim分布。
(3)其中N為區(qū)域R中像素數(shù)目；X為區(qū)域R內(nèi)像素值的均值；S2為區(qū)域R內(nèi)像素值的散度。如果T足夠小，y就加入到區(qū)域R，利用y對均值和離散度進行更新。這里T應(yīng)該 有一個門限，當(dāng)門限太大時，增長將沒有限制；當(dāng)門限太小時，增長將不能進行下去；所以 門限的取值應(yīng)該是一個范圍，只要在這個范圍之內(nèi)均可；圖2對應(yīng)的范圍為3. 3-6. 25。由 于側(cè)掃聲納圖像自身特性的差異，不可能要求所有的側(cè)掃聲納圖像的該門限都一樣。新的均值和散度如下
(4)
(5)其中N為區(qū)域R中像素數(shù)目；Im為區(qū)域R內(nèi)像素值的均值為更新后的區(qū)域 內(nèi)像素值的均值A(chǔ)i為區(qū)域R內(nèi)像素值的散度；為更新后的區(qū)域內(nèi)像素值的散度。6.重復(fù)步驟5至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲影區(qū)的提取 結(jié)果，如圖5所示。7.考慮預(yù)處理結(jié)果圖像的每一個像素點3X3的鄰域均值，濾出鄰域均值大于預(yù) 處理結(jié)果圖像整體均值一定倍數(shù)的點，得到圖6 ；選出圖6中面積不小于其中最大連通區(qū)域 面積0. 1倍的所有連通區(qū)域，得到圖7。對應(yīng)圖2相應(yīng)位置處的像素作為側(cè)掃聲納圖像聲反 射區(qū)的種子，并且計算種子區(qū)域內(nèi)的均值X和散度S2。令(x，y)為圖像中某一像素的坐標(biāo)，令Sxy為已確定大小的鄰域(可以理解為子圖 像)，其中心為(x，y)。鄰域的平均值為mSxy:
(6)此處的rs,t是在鄰域中坐標(biāo)(s，t)處的灰度，且p(rs,t)是該鄰域內(nèi)的概率分布。 針對水聲圖像目標(biāo)區(qū)域面積占圖像總面積的比例小，整體均值小，隨機噪聲大量存在的特點，對于某一像素點處的鄰域不能取得太大，考慮一個像素點的3X3鄰域即可，此時可以 直接進行求和平均。在一個像素點的鄰域內(nèi)，當(dāng)鄰域均值與整體均值的比值大于某一門限， 則可判定該像素點處于處在聲反射區(qū)。
(7)上式中是mSxy鄰域均值，Me是全局均值，k是系數(shù)，通常取值在2 3之間。所得 到的g(x，y)為聲反射區(qū)的二值結(jié)果。8.對圖7進行膨脹運算。9.計算圖2中與膨脹結(jié)果對應(yīng)位置處的像素與種子區(qū)域的相似度，剔除膨脹結(jié)果 中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹。相似度的計算同聲影區(qū)。聲 反射區(qū)的統(tǒng)計門限范圍為1. 2-3. 7。10.重復(fù)步驟9至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲反射區(qū)的 提取結(jié)果，如圖8所示。11.將聲影區(qū)的提取結(jié)果和聲反射區(qū)的提取結(jié)果融合，作為最終的側(cè)掃聲納圖像 感興趣區(qū)域提取結(jié)果，得到圖9。
權(quán)利要求
一種基于區(qū)域增長的側(cè)掃聲納圖像感興趣區(qū)域提取方法，其特征是(1)對原始圖像進行預(yù)處理，濾波去噪，得到圖像A；(2)L-G算子處理預(yù)處理后的圖像，濾出所有結(jié)果為零的點，得到圖像B；(3)選出圖像B面積最大的連通區(qū)域，在圖像A中找到相應(yīng)位置處的像素點作為側(cè)掃聲納圖像聲影區(qū)的種子，并且計算種子區(qū)域內(nèi)的均值和散度S2；(4)對圖像B中面積最大的連通區(qū)域進行膨脹運算；(5)計算圖像A中與膨脹結(jié)果對應(yīng)位置處的像素與種子區(qū)域的相似度，剔除膨脹結(jié)果中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹；(6)重復(fù)步驟(5)至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲影區(qū)的提取結(jié)果；(7)考慮圖像A的每一個像素點3×3的鄰域均值，濾出鄰域均值大于圖像A整體均值一定倍數(shù)的點，得到圖像C，選出圖像C中面積不小于最大連通區(qū)域面積0.1倍的所有連通區(qū)域，對應(yīng)圖像A相應(yīng)位置處的像素作為側(cè)掃聲納圖像聲反射區(qū)的種子，并分別計算種子區(qū)域內(nèi)的均值和散度S2；(8)對圖像C中選出的連通區(qū)域分別進行膨脹運算；(9)計算圖像A中與膨脹結(jié)果對應(yīng)位置處的像素與種子區(qū)域的相似度，剔除膨脹結(jié)果中不滿足相似度要求的像素點，再以此時的連通區(qū)域進行膨脹；(10)重復(fù)步驟(9)至沒有像素滿足條件為止，相應(yīng)得到的連通區(qū)域作為聲反射區(qū)的提取結(jié)果；(11)將聲影區(qū)的提取結(jié)果和聲反射區(qū)的提取結(jié)果融合，作為最終的側(cè)掃聲納圖像感興趣區(qū)域提取結(jié)果。FSA00000161331900011.tif,FSA00000161331900012.tif
全文摘要
本發(fā)明提供的是一種基于區(qū)域增長的側(cè)掃聲納圖像感興趣區(qū)域提取方法。發(fā)明采用L-G算子獲取側(cè)掃聲納圖像聲影區(qū)的種子區(qū)域和利用鄰域灰度均值獲取側(cè)掃聲納圖像聲反射區(qū)的種子區(qū)域，然后考慮像素點相對種子區(qū)域的相似度作為生長條件，通過區(qū)域生長分別獲取聲影區(qū)和聲反射區(qū)的提取結(jié)果，從而獲得側(cè)掃聲納圖像的感興趣區(qū)域的提取。從處理結(jié)果看，該方法對側(cè)掃聲納圖像的感興趣區(qū)域提取有較好的效果。
文檔編號G06T5/00GK101887577SQ201010203589
公開日2010年11月17日 申請日期2010年6月21日 優(yōu)先權(quán)日2010年6月21日
發(fā)明者卞紅雨, 張志剛, 羅明愿 申請人:哈爾濱工程大學(xué)