论文部分内容阅读
全球人口迅速增长,陆地资源日益短缺,世界各国越来越重视海洋资源的开发和利用。声呐图像是我们探测海洋的重要工具,单幅声呐图像像幅较小,当目标较大时,声呐系统不能一次拍摄到完整的目标,我们需要采用图像拼接技术将多次采集到的、含有重叠部分的声呐图像拼接成一幅清晰完整的图像。声呐图像拼接主要采用基于特征的方法,角点是图像特征表达的重要工具。脉冲耦合神经网络在图像处理的许多领域都取得了不错的效果。本文尝试着采用脉冲耦合神经网络来提取声呐图像中的角点,从而解决声呐图像拼接问题。本文进行了如下研究:(1)本文对标准PCNN模型中单个神经元的电子电路模型和其对应的模拟形式的数学表达式、离散形式的数学表达式进行了详细分析。针对标准PCNN模型结构复杂、参数众多的缺点,本文在保留标准PCNN模型同步脉冲发放特性的同时对其进行了改进。改进后的PCNN模型结构简单、参数数量少、参数设置难度低。(2)本文详细介绍了几种经典的角点检测算法的原理,在此基础上充分利用PCNN的同步脉冲发放特性,提出了以标准PCNN模型为基础的本文算法1和以改进的PCNN模型为基础的本文算法2。(3)本文合理设置声呐图像拼接实验测试不同算法的性能。在角点检测阶段,分别采用Harris算法、SUSAN算法、FAST算法、SIFT算法、本文算法1和本文算法2;在角点描述阶段,6种算法统一采用128维的角点描述子;在图像配准阶段,6种算法统一先采用最近邻次近邻算法计算出待拼接图像之间参与匹配的角点对,然后采用RANSAC算法计算出待拼接图像之间的几何坐标变换模型,完成图像配准;最后,6种算法统一采用渐入渐出加权平均的图像融合算法实现声呐图像的拼接。实验结果表明:本文为解决声呐图像拼接问题提供了两种较好的算法。本文算法1检测出的角点准确程度高、算法的适应性强;本文算法2采用改进的PCNN模型,参数数量少、参数设置难度低、算法的适应性强,在图像拼接实验中始终保持较高的匹配率。