论文部分内容阅读
水下目标图像识别技术为利用声呐进行海底矿产资源的勘测、海底地貌的探测和海底目标的监测等海底活动提供有力的技术支撑。声呐图像的分割是水下目标识别过程中关键的一步,只有在声呐图像准确分割的前提下,才能使水下目标的识别成为可能,而声呐图像的滤波效果直接影响声呐图像分割的准确度,因此需要提供针对声呐图像的有效的滤波和分割方法。本文在研究BP(Back propagation)神经网络的基础上,提出了一种基于多特征的BP神经网络声呐图像滤波算法和一种基于多特征的BP神经网络声呐图像分割算法。在声呐图像滤波部分,选取原始海底声呐图像像素8邻域的均值、方差、最小值、众数和中值五个统计特征作为BP神经网络的训练输入,分别设置目标亮区、目标暗区、混响区的灰度值为该区域所有像素点的灰度值的均值,将其作为训练输出,并使用训练好的网络进行声呐图像滤波。由于BP神经网络的收敛速度慢、易限于局部极小值等特点,本文使用改进的遗传算法(Genetic Algorithm,GA)对BP神经网络的训练过程进行了优化,利用两种评价指标(均方误差、峰值信噪比)评价其滤波效果,通过与其它四种经典的滤波算法(中值滤波、Frost滤波、Kuan滤波和Lee滤波)的滤波效果比较,证明该滤波算法的有效性。在声呐图像分割部分,选取本文算法滤波后的图像像素点的8邻域均值、方差、最小值、中值和众数五个统计特征作为BP神经网络的训练输入,分别设置目标亮区、目标暗区和混响区的灰度值为255、0和125,将其作为BP神经网络的训练输出,并使用训练好的网络对滤波后的声呐图像进行分割。同样地,本文也使用了改进的遗传算法对该BP神经网络的训练过程进行优化。利用两种评价指标(假阳性率和相似度)评价其分割效果,通过与其它三种经典的分割算法(Kapur阈值分割算法、Otsu分割算法和模糊C均值聚类分割算法)的分割结果比较,证明了该分割算法的有效性。