水下目标识别调研报告精品.ppt

合成孔径声纳图像在水底目标分割、识别 及分类中的应用现状调研 吴云 A病诚红A率  主要内容目录 2 水声目标检测研究背景及现状 水声目标检测存在的科学问题 3)相关问题的经典文献调研情况 后续研究计划以及存在的困难 A病诚红A率  水标检测技术研究背景 海底生物资源、矿产资源及能源监测及开发 界海资源管理 国防安全监控 航道安全排查 海难目标搜索  目标检测方法概述 主要用于水下地形地貌的测量及大尺 度生物种群和矿产资源的探测 ong Return 主要用于水下目标高精度检测等,但 是成像质量受拖体高度和姿态影响大 主要用于水下目标高精度检测等,且 成像质量受拖体高度和姿态影响小 A病诚红A率  目标检测典型流程 输入SAS 图像预图像「特征 分类 分类结 图像处理分割提取 果输出 图像预处理:图像去噪图像増强全局统讣特征提取 图像分割 分割的目的:为目标分类提供候选区域(直接面向像素的 分类精度和稳定性比较差); 分割的依据:(高亮)目标、阴影区域、海底背景三种区 域具有较明显的分离特性; 特征提取/选择:选择具有较强分类识别能力的特征或特征组合 分类:通过对所提取的区域特征进行分杬,设讣具有良好类列 区分能力的无监督或有监督分类器。  水声图际检测涉及的主要科学问题 1、图像中噪声 (Speckle Noise)的处理问题 斑点噪声的概率分布及统计特性问题 ≯现有图像去噪方法中大多假设噪声服从正态分布(高斯分布),而水声 图像中斑点噪声分布是非高斯的。 ≯海底回波统计分析表明海底声纳测量幅度分布一般可描述为瑞丽分布、 指数正态分布、威布尔分布、多变量拉普拉斯分布等 图像去噪问题 斑点噪声为乘性噪声,传统的高斯白噪声图像去噪法不能有效去噪 去噪过程尽可能去除噪声与尽可能保持边缘和细节信息有冲突。 图像质量评价问题 真实水声图像几乎无法获取无失真的参考图像 根据应用目的不同,图像质量的评价方法不同 ②该红  水声图际检测涉及的主要科学问题 2、图像中阴影区域的识别 ●阴影区域识别 声纳成像系统成像过程中,由于目标的遮挡,会在图像中出现不同程 度的阴影; 阴影区域信息是目标自动分割、分类、识别中非常重要的辅助信息; 阴影区域信息\特征主要包括几何形状信息\特征和统计信息\特征。 阴影区域识别存在的优缺点 阴影区域长度直接与(高亮)目标高出海底的高度有关; 水声图像获取大多是通过搭载在运动拖体上的成像装置实现的,在运 动过程中,目标阴影的可靠性要比目标的可靠性大 目标阴影往往会形成对阴影一侧目标轮廓的遮挡,造成目标轮廓的缺 失  水声图际检测涉及的主要科学问题 3、分割/分类方法中最优特征选择问题 可用特征 分割区域特征值特征; 归一化中心矩;不变矩特征,如 Zernike矩等; 2D傅立叶变换系数 统计特征:阴影、高亮、背景区域威布尔分布拟合参数及似然度等; 高亮和阴影区域几何形状特征;高亮阴影关系描述子特征。 特征选择问题 针对某一给定分类器,从所有特征集中选择一个最优子集,使得分类器的 分类性能最优。 从所有可能的特征组合中选择最优特征子集几乎是不可能的次最优 具体选择策略或方法依赖于具体数据及分类性能评价指标; 现有最好方法:序贯浮动前向选择算法( Sequential floating forward selection, SFFS)  水声图像目际检测涉及的主要科学问题 4、分类器选择问题 分类的目的是从数据中提取所需的知识或语义/模式信息,即根据一定的分 类规则的设计,识别出未知数据属于某一具体语义/模式的概率。 机器学习及模式识别领域中已经提出的多种类型的分类器: 似然分类器(贝叶斯分类器、广义似然比测试分类器等) 机器学习分类器(神经网络NN、支持向量机SVM、相关向量机RVM、多 核分类器、集成学习网络、深度学习网络等) 其他相关技术(随杋森林、决策树等)。 各种不同分类器的优缺点、参数设置及数据需求环境都不尽相同; 没有一种最优分类器适用于所有分类任务。 A病诚红A率  水声图际检测涉及的主要科学问题 5、分类器的设计问题 ●分类器设计问题 水声图像目标检测任务中,分类的目的是将水声图像分割出的不同区域分 类为目标、阴影、海床背景等类别。 存在以下问题: 各类别数据不均衡,相对背景区域,目标和阴影区域属于小样本数据; 海底目标种类变化较大,且相同目标在不同海床背景中的形态也可能 存在较大差异; A病诚红A率