水下聲納探測是國內(nèi)外海洋遠距離探測的主要方式,而水下成像后的處理一直是目前具有應用價值和挑戰(zhàn)性的研究熱點。聲學成像后的圖像本身就不如傳統(tǒng)光學圖像分辨率高,水下環(huán)境復雜多變帶來的聲學成像質(zhì)量更差,存在偽影和復雜的背景噪聲,傳統(tǒng)的目標檢測識別的算法處理效果不盡人意。因此本課題針對水下聲圖的特征進行研究,提出多種適用于處理聲納圖像的改進算法。水下聲圖的降噪預處理是聲納圖像目標檢測識別的前提,由于聲圖存在的噪聲復雜,一般光學圖像降噪的經(jīng)典方法對其處理效果有限。本課題中采用非下采樣輪廓波變換對聲圖進行分解得到高低頻子帶,在其基礎(chǔ)上對脈沖耦合神經(jīng)網(wǎng)絡(luò)模型進行參數(shù)簡化和改進并進行高、低頻圖像融合,經(jīng)過反變換重構(gòu)后的聲圖保留了聲圖的邊緣信息的同時,較好的去除了斑點噪聲。即使在噪聲水平逐步添加時,本文提出的方法平均信噪比相比于頻域降噪,雙樹雙密度降噪,Lee濾波分別提高了34.8%,14.5%,9.4%,有較高的抗噪性能。廣闊水域下的聲納探測傳回的大量數(shù)據(jù)為目標識別帶來一定困難,在聲圖目標識別匹配前,先判斷聲圖的目標有無可以有效避免后期的冗余計算。本課題運用二維經(jīng)驗模態(tài)分解對聲納圖像分解重構(gòu),對提取的差...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究的背景與意義
    1.2 國內(nèi)外的研究現(xiàn)狀
        1.2.1 降噪預處理
        1.2.2 目標檢測識別
    1.3 本文研究的主要內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 基于NSCT-PCNN算法的水下聲納圖像降噪
    2.1 引言
    2.2 水下聲納圖像噪聲分析
    2.3 傳統(tǒng)降噪方法
    2.4 Lee濾波算法
    2.5 基于改進型的PCNN-NSCT圖像融合
        2.5.1 NSCT原理
        2.5.2 脈沖耦合神經(jīng)網(wǎng)絡(luò)模型及原理
        2.5.3 NSCT-PCNN算法流程
    2.6 實驗結(jié)果分析
    2.7 本章小結(jié)
第三章 基于BEMD的水下目標檢測
    3.1 引言
    3.2 經(jīng)驗模態(tài)分解算法原理
        3.2.1 一維經(jīng)驗模態(tài)分解
        3.2.2 二維經(jīng)驗模態(tài)分解
    3.3 包絡(luò)提取分析
        3.3.1 希爾伯特變換包絡(luò)提取
        3.3.2 數(shù)學形態(tài)學包絡(luò)提取
        3.3.3 差分極值點包絡(luò)提取
    3.4 長短時窗目標檢測
    3.5 實驗結(jié)果分析
    3.6 本章小結(jié)
第四章 融合特征點與環(huán)狀域檢測的水下聲納目標匹配
    4.1 引言
    4.2 SURF算法特征點檢測
    4.3 恒虛警檢測技術(shù)
        4.3.1 恒虛警基本思想
        4.3.2 改進的恒虛警算法
    4.4 環(huán)狀域統(tǒng)計特征匹配
    4.5 實驗結(jié)果分析
    4.6 本章小結(jié)
第五章 基于Python的水下聲納目標檢測識別系統(tǒng)的實現(xiàn)
    5.1 引言
    5.2 環(huán)境搭建
        5.2.1 Anaconda介紹
        5.2.2 Open CV介紹
        5.2.3 PyQt介紹
    5.3 系統(tǒng)實現(xiàn)
        5.3.1 系統(tǒng)登錄模塊
        5.3.2 水下聲納圖像目標檢測模塊
        5.3.3 水下聲納圖像目標匹配模塊
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 未來工作展望
致謝
參考文獻
作者簡介
攻讀碩士期間發(fā)表論文
攻讀碩士期間參與項目



本文編號：3862550