(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 202210833615.7 (22)申请日 2022.07.14 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 陶维亮　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 胡琦旖 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/11(2017.01) G06T 7/68(2017.01) G06V 20/05(2022.01) G06V 10/764(2022.01)G06V 10/75(2022.01) G01S 15/89(2006.01) G01C 13/00(2006.01) (54)发明名称 深度学习和图像处理结合的侧扫声呐海底 高程探测方法 (57)摘要 本发明属于海洋测绘技术领域， 公开了深度 学习和图像处理结合的侧扫声呐海底高程探测 方法。 本发明首先利用U net深度学习网络对侧扫 声呐源条带图像进行海底和非海底的分类， 然后 在分割的基础上， 应用滤波、 梯度模板匹配、 对称 性校核等图像处理方法， 将 难以在Unet深度学习 网络中表达出来的海底边界的梯度特征、 对称性 等先验信息在后续的图像处理方法中加以利用， 从而结合深度学习和图像处理的优点， 实现准 确、 可靠地识别海底线， 进 而测量海底高程。 权利要求书2页 说明书7页 附图2页 CN 115187666 A 2022.10.14 CN 115187666 A 1.一种深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其特征在于， 包括以 下步骤： 步骤1、 获得侧扫声呐源条 带图像； 步骤2、 将所述侧扫声呐源条带图像输入至训练好的Unet深度学习网络， 所述训练好的 Unet深度学习网络输出分割图像， 所述分割图像将所述侧扫声呐源 条带图像中的像素分类 标记为海底区域和非海底区域； 步骤3、 对所述分割图像进行 滤波， 滤除干扰团； 步骤4、 利用海底线跟踪的ping数据匹配模板与滤波后的分割图像的右舷区域、 左舷区 域分别逐pi ng作相关处 理， 得到右舷海底位置和左舷海底位置； 步骤5、 对所述右舷海底位置、 所述左舷海底位置进行对称性校验和海底重定位， 得到 右舷海底线、 左舷海底线； 步骤6、 基于所述右舷海底线和所述左舷海底线， 计算得到海底高程。 2.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述步骤1 中， 所述侧扫声呐源条带图像由利用二维侧扫声呐测量平台获取的左 舷条带图像和右舷条带图像拼接而成， 所述侧扫声呐源条带图像的中线表示侧扫声呐探测 声源的发射 起点。 3.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述步骤2中， 包括构建Unet深度学习网络和数据集； 所述数据集基于实测的若 干侧扫声呐源条带图像， 结合图像处理和手动复核校正形成， 所述数据集包括训练集和验 证集； 基于所述训练集、 所述验证集对构建的所述Unet深度学习网络进行训练、 验证， 得到 所述训练好的Unet深度学习网络 。 4.根据权利要求3所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述数据集还包括测试集， 基于所述测试集的海底线位置真值结果对得到的所 述右舷海底线和所述左舷海底线的检测结果进行评价。 5.根据权利要求3所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述Unet深度学习网络首先进 行两次3×3的卷积操作， 激活函数为ReLU函数， 然 后进行一次最大池化的下采样操作， 使图像尺寸减半， 并增加特征维数； 将上述操作重复4 次， 图像尺寸减半4次， 特征维数增加4次， 构成特征提取网络， 将高分辨率图像编码成为高 维低分辨 率图像特 征； 将所述高维低分辨率图像特征通过一次上采样， 再经过两次3 ×3的卷积操作， 使图像 尺寸翻倍， 特征降维； 将上述特征与对应的编 码层输出特征进 行拼接， 将浅层特征和深层特 征进行融合； 将上述的上采样、 卷积、 拼接操作过程重复4次， 得到一个与输入图像尺寸相同 的分类预测结果。 6.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述步骤3中， 利用检测连通域的像素个数计算所述分割图像中封闭团和簇状区 域面积， 将小区域的干扰团去除。 7.根据权利要求1所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述步骤4中， 所述海底线跟踪的ping数据匹配模板包括第一匹配模板和 第二匹 配模板， 所述第一匹配模板记为Tr＝[0,0,1,1,1,1]， 所述第二匹配模板记为Tl＝[1,1,1,权　利　要　求　书 1/2 页 2 CN 115187666 A 21,0,0]； 所述第一匹配模板与滤波后的分割图像的右舷区域逐ping作相关处理， 得到右舷相关 值序列Rri， i为ping序号； 从所述右舷相关值序列Rri中找出第i个ping中的最大相关值， 该 最大值所在的位置为第i个ping的右舷海底分 界点位置， 将第i个ping的右舷海底分 界点位 置与侧扫声呐源条带图像中线的像素距离作为第i个p ing的右舷海底像素距离并记作Bri， 所有ping的右舷海底位置像素距离序列记作Br； 所述第二匹配模板与滤波后的分割图像的左舷区域逐ping作相关处理， 得到左舷相关 值序列Rli， i为ping序号； 从所述左舷相关值序列Rli中找出第i个ping中的最大相关值， 该 最大值所在的位置为第i个ping的左舷海底分 界点位置， 将第i个ping的左舷海底分 界点位 置与侧扫声呐源条带图像中线的像素距离作为第i个p ing的左舷海底像素距离并记作Bli， 所有ping的左舷海底位置像素距离序列记作Bl。 8.根据权利要求7所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述步骤5中， 所述对称性校验的具体实现方式如下： 对所有ping进行左右舷的 对称性校验， 针对第i个pin g， 判断是否满足|Bli–Bri|>T0， 其中T0为对称性 阈值； 满足该式 的ping被认为 不满足对称性 假设， 需要 进行海底重 定位。 9.根据权利要求8所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述海底重 定位的具体实现方式如下： 对不满足对称性假设的每ping数据， 以声源的发射起点为中心， 以该ping左舷海底像 素距离Bli为基准， 找到其右舷对称点P(i,j)， 使其海底像素距离j＝Bli； 在P(i,j)点的长度 为L+1的子区域[Ps(i,j ‑L/2):Pe(i,j+L/2)] 中， 找出所述右舷相关值序列Rri最大的点， 将 该点的海底像素距离记作Bri’， 以|Bli–Bri’|表征以左舷为基准时两者的对称性偏差程度； 以声源的发射起点为中心， 以该ping右舷的海底像素距离Bri为基准， 找到其左舷对称 点， 并在其长度为L+1的子区域中找出所述左舷相关值序列Rli最大的点， 将该点的海底像 素距离记作Bli’， 以|Bli’ –Bri|表征以右舷为基准时两者的对称性偏差程度； 将上述两组对称性偏差进行比较， 若|Bli–Bri’|＜|Bli’ –Bri|， 则令Bri＝Bri’， 否则令 Bli＝Bli’， 实现重定位功能。 10.根据权利要求7所述的深度学习和图像处理结合的侧扫声呐海底高程探测方法， 其 特征在于， 所述 步骤6中， 每 个ping的海底高程 通过以下公式计算得到： 其中， Hi为第i个ping的高程， k为相邻像素点之间的实际距离； Bi为第i个ping的一侧舷 海底像素距离， 若为左舷， 则 Bi对应第i个ping的左舷海底像素距离Bli， 若为右舷， 则 Bi对应 第i个ping的右舷海底像素距离Bri； c为水下声速， Ts为侧扫声呐图像数据点的采样周期。权　利　要　求　书 2/2 页 3 CN 115187666 A 3