(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210862938.9 (22)申请日 2022.07.21 (71)申请人 中国科学院声学研究所 地址 100190 北京市海淀区北四环西路21 号 (72)发明人 刘正君　黄海宁　刘纪元　 (74)专利代理 机构 北京方安思达知识产权代理 有限公司 1 1472 专利代理师 武玥　张红生 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/762(2022.01) G06V 10/54(2022.01) G06V 10/44(2022.01) G06V 10/22(2022.01)G06T 7/194(2017.01) G06T 7/187(2017.01) G06T 7/136(2017.01) G06T 7/11(2017.01) G06T 5/20(2006.01) G06T 5/00(2006.01) (54)发明名称 复杂背景下声纳 图像的水下小目标检测方 法及系统 (57)摘要 本发明公开了复杂背景下声纳 图像的水下 小目标检测方法及系统， 该方法包括： 采取多级 中值滤波方法对采集的声纳图像进行去噪处理； 对去噪后的声纳图像进行复杂地貌掩膜处理， 实 现对地貌的高亮纹理图和阴影纹理图的提取； 对 去噪后的声纳图像进行高阶矩图像 分割， 并结合 复杂地貌掩膜处理结果， 进行背景抑制； 采用三 种不同尺寸的检测窗对处理后的连通域进行聚 类， 实现对分裂目标的关联和山脊地貌的抑制； 提取高亮区域和阴影区域， 分别计算高亮像素密 度和阴影像素密度， 并通过像素密度加权计算得 到检测分数， 实现小目标的检测。 该方法不受海 底地貌限制， 根据要求的虚警率和实际的声图强 度自适应调整阈值， 具有准确率高、 虚警率低、 适 应性强的特点。 权利要求书3页 说明书9页 附图6页 CN 115170941 A 2022.10.11 CN 115170941 A 1.一种复杂背景 下声纳图像的水 下小目标检测方法， 所述方法包括： 步骤1)采取多 级中值滤波方法对 采集的声纳图像进行去噪处 理； 步骤2)对步骤1)去噪后的声纳图像进行复杂地貌掩膜 处理， 实现对地貌的高亮纹理图 和阴影纹 理图的提取； 步骤3)对步骤1)去噪后的声纳图像进行高阶矩图像分割， 并结合步骤2)的复杂地貌掩 膜处理结果， 进行背景抑制； 步骤4)采用三种不同尺寸的检测窗对步骤3)处理后的连通域进行聚类， 实现对分裂目 标的关联和山 脊地貌的抑制； 步骤5)提取高亮区域和阴影区域， 分别计算高亮像素密度和阴影像素密度， 并通过像 素密度加权计算得到检测分数， 实现小目标的检测。 2.根据权利要求1所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤1)包括： 对声纳图像进行去噪处理， 遍历图像的每个像素， 分别计算每个像素I(i,j)所在方位 向和距离向的中值v， 再计算I(i,j)所在角点的像素中值u， 最后将I(i,j)、 v和u三者的中值 作为该像素的值， 通过多 级中值处 理， 以抑制噪声， 并保留目标的边 缘轮廓。 3.根据权利要求1所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤2)包括： 步骤2‑1)利用积分图方法对步骤1)去噪后的声纳图像进行背景累积， 得到累积图B(i, j)； 步骤2‑2)利用声图海底地貌服从瑞利分布的统计特性， 根据要求的虚警率Pfa计算阈值 VT： 其中， σ 为瑞利分布的标准差， 由下式得到阈值系数ρ： 步骤2‑3)利用步骤2 ‑1)的累积图， 进行大尺寸的滑窗处理， 计算第k个滑窗内的声图平 均值M(k)； 当累积图B(i,j)＞M(k) ·ρ， 该像素属于高亮纹理图HB； 当B(i,j)＞M(k)/ρ 时， 该 像素属于阴影纹 理图SB； 步骤2‑4)利用形态学算子， 分别对高亮纹理图和阴影纹理图中的连通域进行 “补洞”； 再去除面积小于面积预设值Smax， 长或宽小于长度预设值Lmax的小目标连通域， 并对连通域 进行边缘平滑。 4.根据权利要求3所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤3)包括： 步骤3‑1)对步骤1)去噪后的声纳图像进行 幂指数变换； 步骤3‑2)确定幂指数变换后的图像G中任意像素(i,j)的邻域窗口Ωi,j， 根据邻域窗口 内均值计算该像素的峰度值HO G(i,j)： 权　利　要　求　书 1/3 页 2 CN 115170941 A 2式中， Si,j表示邻域窗口内像素 数目， (p,q)为邻域窗口Ωi,j内的像素坐标； 步骤3‑3)根据虚警率计算阈值系数ρ， 通过对HOG(i,j)的判 断， 实现高亮和阴影的分 割： 当峰度值HO G(i,j)小于ρ ·η(p,q)时， 该像素属于高亮区域图HT； 当峰度值HO G(i,j)大于 η(p,q)/ρ 时， 该像素属于阴影区域图ST； 步骤3‑4)采用形态学算子， 去除面积大于Smax以及面积小于Smin的区域， 并进行边缘平 滑处理； 步骤3‑5)通过高亮区域图HT， 与步骤2)得到 的高亮纹理图HB和阴影纹理图SB分别进行 差分处理， 实现背景抑制。 5.根据权利要求4所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤4)包括： 步骤4‑1)统计高亮区域图HT中的各个连通域， 并计算连通域的面积、 中心位置及连通域 外接矩形框； 步骤4‑2)联合统计高亮和阴影的像素密度， 利用小检测窗判断相邻连通 域是否关联； 步骤4‑3)利用中检测窗判断高密度区内连通 域是否关联； 步骤4‑4)通过判断大检测窗内高密度区连通域的强度和方向角， 对包括山脊和线缆距 离较远、 连通域不集中的区域进行关联。 6.根据权利要求5所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤4‑2)包括： 按照连通域的中心位置进行排序， 再扩充各个连通域外接矩形的上下左右各若干个像 素， 通过边框位置关系 判断是否与相邻的连通 域相交， 从而判定是否关联。 7.根据权利要求6所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤4‑3)包括： 步骤4‑3‑1)将高亮区域图HT中的每个连通域看作一个点Pm， 点的位置是连通域的中心， m表示点的序号， 统计以点Pm为中心， 边长为Lmed的正方形区域内点的数目， 当点的数目大于 设定的高密度区域阈值时， 则该区域 为高密度区域； 步骤4‑3‑2)遍历各个高密度区域， 并判断相邻高密度区域是否相交， 如果区域相交， 则 合并相交区域， 最终得到一组高密度区域； 步骤4‑3‑3)从高亮区域图HT中去除高密度区域的连通 域。 8.根据权利要求7所述的复杂背景下声纳图像的水下小目标检测方法， 其特征在于， 所 述步骤4‑4)包括： 步骤4‑4‑1)将高亮区域图HT内剩余的连通域看作点Pm， 统计以边长为Llarge的正方形区 域内点的数目， 依据4 ‑3‑1)和4‑3‑2)的方法， 判断该区域是否为高密度区域， 并对高密度区 域进行合并， 根据合并后的高密度区域中心坐标进行排序； 步骤4‑4‑2)计算高密度区域内向量连通域Pm与点Pn的距离， 当距离小于阈值Dth时， 进入 步骤4‑4‑3)； 否则， 循环下一个点； 其中n表示相邻点的序号； 步骤4‑4‑3)当点Pm未与其他点融合， 进入步骤4 ‑4‑4)判断强度比； 当点Pm已与其他点融 合， 且融合点的数量小于3， 计算所有点差的方向角angleEst； 当融合点的数目大于等于3时， 仅利用最后融合的3个点计算方向角angleEst， 之后计算待融入点Pn加入后的角度anglePre，权　利　要　求　书 2/3 页 3 CN 115170941 A 3