学位论文 > 优秀研究生学位论文题录展示
侧扫声纳图像分割算法研究
作 者: 王雷
导 师: 叶秀芬
学 校: 哈尔滨工程大学
专 业: 模式识别与智能系统
关键词: 侧扫声纳图像 模糊聚类 水平集 分层MRF 图像分割
分类号: TP391.41
类 型: 博士论文
年 份: 2013年
下 载: 85次
引 用: 0次
阅 读: 论文下载
内容摘要
侧扫声纳自诞生以来在民用和军事领域均得到了广泛应用。随着计算机技术的迅猛发展及数字化的侧扫声纳出现,侧扫声纳图像目标的自动分割和自主识别技术促进了水下智能设备的发展。由于水下复杂环境和其他因素影响,侧扫声纳图像具有噪声污染严重,对比度差等特点。研究人员利用各种预处理方法对侧扫声纳图像进行处理,并研究各种分割算法对侧扫声纳图像进行分割,取得了一定的成果,但依然没有一种成熟的方法。在实际的侧扫声纳图像分割应用中,对算法的稳定性、分割精度和分割速度有着不同的要求。本文深入研究模糊聚类算法和水平集算法改进方法,提高分割精度和算法的稳定性。同时提出改进的分层马尔科夫模型分割算法和利用辅助信息的特定目标分割算法,实现对侧扫声纳图像快速准确分割。通过阅读大量文献,对国内外现状的分析,确定了本文的主要工作:(1)对侧扫声纳图像预处理方法进行研究。通过对侧扫声纳数据进行解码,在原始数据的基础上,提出航向角优化模型和航向角校正算法。对图像进行几何校正,并建立了图像坐标和地球坐标的转换规则。对灰度校正方法进行了研究,进一步提高图像质量。对侧扫声纳图像的纹理描述方法进行了介绍,并提取了侧扫声纳图像的GMRF纹理和Gabor纹理。对侧扫声纳图像滤波算法进行研究,提出一种改进的BEMD的图像滤波算法。为后续的分割工作开展打下基础。(2)对基于聚类的侧扫声纳图像分割算法进行研究。利用常用的几种分割算法对侧扫声纳图像进行处理,找出了其不足之处。利用纹理特征对算法进行改进,分析了初始聚类中心选定的规则,重写了隶属度函数,获得了一定的成果。然后进一步结合改进的BEMD滤波方法,对算法进行融合。通过大量侧扫声纳图片分割实验证明,该算法具有稳定的分割性能,对不同图片均由很强的适应能力。(3)对基于水平集的侧扫声纳图像分割算法进行研究。对CV模型、四相水平集模型和分层水平集模型这些基本模型进行了介绍,并利用这些模型进行了分割实验。在此基础上,结合图像纹理信息,进一步研究了基于GMRF纹理能量驱动的水平集模型和Gabor纹理驱动的模型。通过对这些模型缺点的分析,提出了改进的四相水平集分割模型和快速分层的水平集模型。能够获得更好的分割结果,并一定程度提高算法的分割速度。(4)提出基于分层MRF的侧扫声纳图像快速分割算法。介绍了平面MRF模型和分层MRF模型。针对分层MRF,通过将传统的侧扫声纳图像的目标区和阴影区归为一类,减少了MRF模型参数。利用灰度统计的方法描述图像灰度分布,减少了利用灰度分布模型描述时的参数估算的计算量。通过分割实验验证了算法的快速性和有效性。为了进一步提高分割速度和分割精度,提出了专家数据库辅助的分割算法。获得了良好的效果。(5)对全文提出的算法应用进行了说明,提出了特定目标的分割算法。利用区域检验法对侧扫声纳图像中孤立目标进行分割,通过对特定形状目标的几何空间特征进行分析,提出了区域判断法,结合前文内容,对特定尺寸的目标分割方法进行了说明。最后对前几章中提到的各种分割算法的特点和应用环境进行了说明。本文最后对全文的创新点和研究成果进行了总结,对还需要解决的问题和接下来要做的工作进行了说明和展望。
|
全文目录
摘要 5-7 Abstract 7-12 第1章 绪论 12-22 1.1 研究背景 12-13 1.2 研究意义 13-14 1.3 研究现状 14-19 1.3.1 滤波算法 14-15 1.3.2 图像纹理及相关分割算法 15-16 1.3.3 阈值分割算法 16 1.3.4 基于聚类的分割算法 16-17 1.3.5 基于活动轮廓模型的分割算法 17-18 1.3.6 基于 MRF 的分割算法 18-19 1.4 关键问题描述 19-20 1.5 论文研究的主要内容 20-22 第2章 侧扫声纳图像预处理 22-46 2.1 数据解码及图像重建 22-27 2.1.1 原始数据分析 23-24 2.1.2 侧扫声纳图像数据解析及定位 24 2.1.3 数据基础插值 24-26 2.1.4 图像实现 26-27 2.2 几何校正 27-33 2.2.1 拖曳侧扫声纳航向角优化模型 28 2.2.2 航向角校正 28-31 2.2.3 定位系统辅助校准 31-32 2.2.4 数据图像位置标定及赋值 32-33 2.3 灰度校正 33-35 2.3.1 TVG 校正 33-34 2.3.2 区域比例校正 34-35 2.3.3 直方图均衡化与规定化 35 2.4 侧扫声纳图像纹理特征分析 35-40 2.4.1 GMRF 纹理 36-37 2.4.2 GLCM 纹理特征 37-38 2.4.3 分形纹理 38-39 2.4.4 Gabor 纹理 39-40 2.5 侧扫声纳图像滤波算法 40-45 2.5.1 传统滤波算法 41 2.5.2 曲波变换 41-42 2.5.3 维纳滤波 42-43 2.5.4 BEMD 滤波算法 43-45 2.6 本章小结 45-46 第3章 基于聚类的侧扫声纳图像分割算法 46-63 3.1 聚类算法概述 46-49 3.1.1 C-means 算法 46-48 3.1.2 FCM 算法 48-49 3.1.3 谱聚类算法 49 3.2 改进的模糊聚类侧扫声纳图像分割算法 49-56 3.2.1 初始聚类中心选定 50-51 3.2.2 重写隶属度函数 51-52 3.2.3 分割实验 52-56 3.3 利用 BEMD 改进的模糊聚类算法 56-62 3.3.1 图像频域特征 57 3.3.2 算法描述 57-58 3.3.3 实验结果与分析 58-62 3.4 本章小结 62-63 第4章 基于水平集的侧扫声纳图像分割算法 63-79 4.1 水平集的基本原理 63-67 4.1.1 CV 模型 63 4.1.2 四相水平集模型 63-65 4.1.3 分层水平集模型 65-67 4.2 基于 GMRF 纹理能量模型 67-69 4.3 基于 Gabor 纹理能量模型 69-70 4.4 改进的四相水平集模型 70-74 4.4.1 算法描述 70-72 4.4.2 实验结果与分析 72-74 4.5 改进的快速分层水平集分割方法 74-78 4.5.1 优化初始聚类中心及 C-means 预分割 74 4.5.2 分层水平集模型改进 74-75 4.5.3 实验结果与分析 75-78 4.6 本章小结 78-79 第5章 基于分层 MRF 模型的侧扫声纳图像快速分割算法 79-94 5.1 MAP-MRF 模型 79-83 5.1.1 灰度分布特征 79-80 5.1.2 平面 MRF 分割模型 80-82 5.1.3 空间分层 MRF 分割模型 82-83 5.2 改进的不完全分层 MRF 模型的三类水底目标分割算法 83-89 5.2.1 MRF 模型参数 84-85 5.2.2 灰度场模型和分割步骤 85-87 5.2.3 实验结果分析 87-89 5.3 专家数据库辅助的无监督分割算法 89-93 5.3.1 算法描述 90 5.3.2 实验结果分析 90-93 5.4 本章小结 93-94 第6章 算法应用说明及特定目标分割 94-103 6.1 水底孤立目标分割 94-96 6.2 特定形状目标分割 96-99 6.2.1 几何空间特征 96-97 6.2.2 基于超椭圆方程的拟合方法 97-98 6.2.3 区域判断法 98-99 6.3 特定尺寸目标分割 99-100 6.4 算法比较与应用 100-102 6.5 本章小结 102-103 结论 103-105 参考文献 105-118 攻读博士学位期间发表的论文和取得的科研成果 118-119 致谢 119
|
相似论文
- 森林防火系统中图像识别算法的研究,TP391.41
- 数字图像处理在集装箱检测中的应用研究,TP274.4
- 个性化人工膝关节设计及其生物力学特性研究,R318.1
- 基于图像处理技术的烟叶病害自动识别研究,S435.72
- 土壤环境功能区划研究,X321
- 红外图像目标识别及跟踪技术研究,TP391.41
- 细菌聚类算法及其在图像分割问题中的研究与应用,TP391.41
- 演化聚类算法及其应用研究,TP311.13
- 基于多因素模糊聚类的底板突水危险性预测研究,TD745
- 基于可视特征的彩色图像分割方法及应用研究,TP391.41
- 基于水平集区域分割的医学图像融合算法研究,TP391.41
- 基于LiDAR点云与CCD影像的建筑物特征提取,P225.2
- 一种求解有交界面的椭圆型方程的间断条件捕捉格式,O241.82
- 基于分水岭与水平集的钼靶图像肿块分割方法,TP391.41
- 舌诊客观化中若干图像分析技术研究,TP391.41
- 基于粒子群优化的Fuzzy c-mean聚类算法的基因芯片图像处理,TP391.41
- 基于视觉的类人足球机器人目标定位算法设计,TP391.41
- 复杂相变热图序列相变线提取算法研究,TP391.41
- 水平集方法及其在视频车辆检测中的应用研究,TP391.41
- 基于半监督模糊聚类的入侵防御技术研究,TP393.08
- 改进的模糊C均值聚类算法及其应用,O159
中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理(信息加工) > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com
|