基于分区自适应阈值的声呐障碍物检测算法研究

作者:徐从营;裴承艳; 刊名:数字海洋与水下攻防 上传者:李秀俊

【摘要】针对UUV避碰声呐探测障碍物过程中自主选择分割阈值进行障碍物检测的问题,提出了基于分区自适应阈值的障碍物检测算法。首先将避碰声呐图像均匀分为相同大小的图像块,对每个图像块基于最大类间方差算法确定该区域障碍物图像分割的高低阈值,然后对检测到的障碍物进行形态学处理去除孤立噪声点,对目标区域进行连通性分析及内部空洞处理,最终得到完整的障碍物轮廓信息。通过湖试数据验证表明了该方法对声呐障碍物检测的有效性。

全文阅读

o引言UUV避碰声呐在障碍物探测过程中会受到各种水下环境噪声的影响,使所形成的声呐图像的质量变差,障碍物图像模糊不清,障碍物目标的边界信息不明显,给自主障碍物检测识别带来极大的困难[1]。如何能让UUV感知水下障碍物准确的轮廓、位置信息,是UUV做出避碰决策的重要前提[2]〇目前在使用阈值分割算法进行障碍物检测时,为应对多种环境因素干扰,实现在不同环境下的障碍物自主检测,图像分割阈值选取非常困难[3 4]。由于避碰声呐常受到浅水区域复杂地形、环境噪声、近水面多途效应等的影响,探测信息中噪声与伪目标成分较大[5],阈值选取过小,会把部分环境噪声干扰当成障碍物,使障碍物区域扩大,导致需警率较高,从而使UUV频繁执行避碰决策,影响任务完成质量。而阈值选取过大,则会造成障碍物 区域检测不完整,障碍物区域容易形成空洞,甚至出现障碍物漏检的情况,影响UUV的航行安全。同时,由于声呐图像质量较低,图像中存在较大噪声时,使用固定阈值进行分割会造成大量的噪声点,影响后期障碍物的准确检测。因此本文对避碰声呐障碍物检测方法中的声呐图像阈值化算法进行了改进,提出了基于分区自适应的双阈值避碰声呐图像障碍物检测算法,可很好地应对避碰声呐图像中存在的噪声并能准确提取障碍物目标区域。使用837B避碰声呐采集的湖试数据进行了验证,表明了算法的有效性。1 Otsu自动二值化阈值选取最大类间方差法[6](otsu算法)是一种常用的自适应阈值确定方法,由日本学者大津(NobuyukiOtsu)于1979年提出。在使用该算法进行自适应阈值确定时,一般会根据图像或数据的某些特性建立统计直方图,然后将直方图分为两类,采用遍历的方法得到使类间方差最大的阈值。该方法计算准确并且高效,选取的阈值较为理想。假设声呐图像中灰度值最高的像素值为OT,则可将该图像分为1?m级,假设计算结果为;'的像素数为m',则声呐图像不为零的像素总数为N=tnt (1)1=1各灰度值的概率为再用r将其分成两组cQ=11?打和匚^|(r+1)?m丨,各组产生的概率如下w0=E/?,=w(r) (3)i=1(r)=$紅是阈值为r时的灰度平均值,所以全部采样的灰度平均值为u=w0u0+wlul (7)两组间的方差可经下式求出:S2(T)=w0(u0-u)2+wl(ul-u)2=w0wl(ul-u0)=[uw(T)-u(T)]2w(T)[l-w(T)](8)从i?m改变r,求使上式为最大r,即求maX52(r)时的r值,将其作为最佳阈值。在实际使用时,为降低算法计算量,提高计算速度,本文对声呐图像使用128级直方图进行了统计。算法的计算复杂度可由〇(256)2降低为0(128)2,计算规模为原来的1/4,并且计算结果对检测效果无明显影响。2双阈值声呐障碍物检测算法2.1自适应双阈值障碍物检测算法假设d (>,}〇避碰声呐图像,使用Otsu算法对避碰声呐图像进行直方图统计并计算二值化阈值九。传统目标阈值分割算法使用单一阈值对图像进行二值化,容易造成目标漏检或误检,因此本文采用Canny边缘检测算法中双阈值化检测的思想,提出了双阈值目标提取算法,即设置高低阈值分别为<ithl、<ith2,其中<ithl><ith2(—般取<ithl=1.2c/th,dth2=o.2dth)。假设, y]为差值图像坐标[/, y]处的像素值,如果d [f,]>dthl,则将其认为目标点,使用这种方法得到的只是图像灰度变化比较明显的区域,分割出的目标区域并不完整,目标区域偏小。为最大程度地分割出目标,采用递归边界跟踪方法,将八邻域区域内4;', y

参考文献

引证文献

问答

我要提问