下载文档原格式
声呐图像的三维重建技术研究声呐技术是一种无创性、安全可靠的医疗检测手段，能够在人体内部获得高分辨率的图像信息，发挥了在医学、生物医学等领域的重要作用。
然而，传统的声呐图像是二维的，只有一个截面信息，难以准确还原三维模型信息。
因此，声呐图像的三维重建技术研究也成为了目前医疗影像领域的研究热点之一。
一、三维重建技术的应用声呐图像三维重建技术在医疗诊断、治疗方案制定、手术规划等方面都有着广泛的应用。
例如，对于心脏病的诊断，三维重建技术可以通过重建立体实体模型，通过旋转、放大等操作判读心脏病发生部位、大小、形态特征等重要信息，对病情进行全面评估。
在骨科手术规划中，医生可以通过重建患者受伤部位的三维模型，对手术范围、操作角度等进行合理规划，术前精确确定手术的困难程度、手术时间和术后的修复进程。
二、三维重建技术的发展历程早在20世纪90年代，人们开始尝试使用三维重建技术研究声呐图像的三维结构。
最初的方法是通过单张不同角度的二维图像叠加，最终形成三维模型。
但是由于这种方法耗时长且图像信息不准确，限制了进一步的应用。
随着数字成像技术的发展，更高精度、更高效率的三维重建技术应运而生。
目前主要的三维重建技术包括基于成像图像的方法和基于声信号的方法。
三、基于成像图像的三维重建技术基于成像图像的三维重建技术是通过对多个二维图像进行合成，构建成三维模型。
这种技术需要获取多张图像，而且需要确保拍摄角度不同，增加图像间的差异性。
这种方法可以通过多个诊断仪器进行图像采集，例如核磁共振、CT、X光等仪器。
通过对这些成像技术得到的图像进行重建，可以得到具有高精度的三维模型。
四、基于声信号的三维重建技术基于声信号的重建技术是通过对声信号的处理和分析，重建出三维模型。
这种技术需要先将声信号转换成二维图像，然后再基于多个二维图像构建成三维模型。
这种方法可以通过超声波成像仪器进行采集，该仪器可以捕获到三维声波反射信息。
通过对反射信息进行处理和分析，可以形成高精度的声呐图像三维重建模型。
54声呐图像自动目标识别技术研究声呐图像自动目标识别技术研究Research on Automat i c Target Recog n i t i on Tech no logy of Sonar Images楼冠廷(浙江大学电气工程学院，浙江杭州310027)摘要:提出了一种基于神经网络可视化的声呐图像自动目标识别技术，能够仅依靠样本类别标签实现对声呐图像目标的定位与识别，较大减少了人工成本，也使得方法容易泛化到声呐图像的不同数据集上。
该方法首先使用Grad-CAM技术可视化解释神经网络，并作为可视化输入图像目标位置的基本方法,之后与ResNet-18主干模型结合实现了基于神经网络可视化的声呐图像自动目标识别技术的基础模型，并在真实声呐图像数据集上进行了实验验证。
针对因为声呐数据集的不丰富而造成的模型目标定位失准的问题，该方法进一步通过迁移预训练参数，优化基础模型提取特征的能力，从而使得该方法在实际定位和识别声呐图像目标时的准确率和鲁棒性有了明显提升。
关键词：自动目标识别；神经网络可视化；声呐图像Abstract:An automat i c target recogn i t i o n technology based on neural network v i s ual i z at i o n for sonar image is proposedi n th is paper.It can real i z e the local i z at i o n and recogn i t i o n of sonarmage target only depend i n g on the sample categorylabels,wh i c h greatly reduces the labor cost.It also makes the method easy to general ize to d i f ferent datasets of sonarm-ages.F i rstly,Grad-CAM technology is used to v i s ually interpret the neural network,wh i c h is used as the bas i c method to v i s ual i z e the target locat ion in the input image.Then,comb i n ed w i t h ResNet-18backbone,the bas i c model of sonarmage automat i c target recogn i t i o n technology is real i z ed,and the exper i m ental ver i f i c at i on is carr i e d out on real sonarmage dataset.A i m i n g at the problem of model target locat i on inaccuracy caused by the lack of sonar datasets,th i s method further opt i-m i z es the feature extract i o n ab il i t y of the bas i c model by transferr i n g the pre-tra i n i n g parameters.Thus,the accuracy and robustness of th i s methodn the actual local i z at i o n and recogn i t i o n of sonarmage target have been greatly improved.Keywords:automat i c target recogn i t ion(ATR),neural network v i s ual i z at ion,sonar image自主式水下航行器(Autonomous Underwater Veh i cle, AUV)通常承担搜索、寻检和探测等任务,这依赖于自动目标识别(Automat i c Target Recogn i t i on,ATR)技术。
声纳图像信号处理及应用研究声纳图像信号处理是一项涉及声纳技术、信号处理和图像处理的研究领域。
声纳技术利用声波传播和回波的原理，通过探测和分析声波在介质中传播时产生的信号来获取目标物体的信息。
声纳图像信号处理的研究目的是提高声纳图像的质量，以便准确地获取目标物体的位置、形状和特征等信息。
本文将介绍声纳图像信号处理的基本原理、方法和应用。
声纳图像信号处理的基本原理是通过接收和处理回波信号来获取目标物体的信息。
当声波在介质中传播时，与目标物体相互作用后，会产生散射和反射的声波信号。
接收到的声波信号经过放大、滤波、采样和数模转换等处理后，可以得到声纳图像的灰度图像。
声纳图像的质量取决于信号处理的算法和技术。
声纳图像信号处理的方法包括图像增强、目标检测和跟踪、目标识别和分类等。
其中，图像增强是一种改善声纳图像质量的技术，通过滤波、去噪、增强和调整亮度对声纳图像进行处理，以提高图像的清晰度和对比度。
目标检测和跟踪是一种通过分析声纳图像中的目标特征来识别和追踪目标物体的技术。
目标识别和分类是一种通过比较声纳图像中的目标特征和已知目标特征库来识别和分类目标物体的技术。
声纳图像信号处理在军事、海洋、海底勘探、水下探测、环境监测和海底资源开发等方面有广泛的应用。
在军事领域，声纳图像信号处理可以用于水下目标检测和目标识别，如潜艇、水雷和敌方舰艇的侦测和追踪。
在海洋领域，声纳图像信号处理可以用于海洋动物的监测和研究，以及海底地质和海底资源的勘探和开发。
在环境监测方面，声纳图像信号处理可以用于水域污染和沉积物的监测和评估。
在海底资源开发方面，声纳图像信号处理可以用于海底油气田的勘探和开采。
为了提高声纳图像信号处理的效果，需要借助于先进的信号处理和图像处理技术。
在信号处理方面，常用的技术包括滤波、去噪、谱分析、时频分析和声呐干扰抑制等。
滤波可以通过去除噪声和增强信号的频率特征来提高声纳图像质量。
去噪可以通过降低环境噪声的干扰来提高声纳图像的对比度和清晰度。
摘要声纳信号的特征增强处理对于声纳的探测、跟踪、识别等方面都具有重要的研究价值。
近年来备受关注的机器学习为声纳信号特征增强提供了新的解决方案，本文结合机器学习的相关算法，分别选取具有代表性的线性调频（Linear Frequency Modulated，LFM）信号和舰船辐射信号作为研究对象，围绕声纳信号的特征提取、增强处理以及目标识别等方面的应用展开研究。
本文主要研究内容包括：在主动声纳信号特征增强方面，研究基于栈式自编码器（Stack Automatic-Encoder，SAE）的信号特征增强算法，该算法以时域信号作为输入特征，利用降噪自编码器对信号整体增强的特点，同时结合全卷积降噪自编码器优化信号局部细节的特点，实现对LFM信号的增强。
仿真结果显示，在固定海域、已知主动声纳信号参数的情况下，当环境噪声为高斯白噪声时，SAE能对LFM信号进行有效增强；当目标信号为单频脉冲信号、偶二次调频信号等其他主动声纳信号，或者当环境噪声为西班牙Vigo港口环境噪声、北极环境噪声时，SAE同样具有很好的适用性。
在舰船辐射信号特征增强方面，分别研究基于对数功率谱与深度神经网络（Deep Neural Network，DNN）相结合的增强算法，以及基于时频特征与降噪卷积神经网络（Denosing Convolutional Neural Networks，DnCNN）相结合的增强算法，并对其性能进行评估；探究基于GoogLeNet对不同信噪比时频特征的分类性能。
仿真结果显示，在固定海域、已知舰船船型、排水量、航速的情况下，当环境噪声为高斯白噪声、西班牙Vigo港口环境噪声和北极环境噪声时，DNN和DnCNN均能对相关特征进行有效增强，而DnCNN对时频特征的整体增强效果更好；基于GoogLeNet的分类实验中，舰船辐射信号信噪比在7.5dB时，目标识别率在80%以上。
最后的外场试验结果表明，SAE能有效增强LFM信号，信噪比提升近14dB；针对非平稳的环境噪声，DnCNN能有效剔除时频特征中的噪声特征，目标识别率由增强前的72.99%提升至86.57%。
第30卷第2期 水下无人系统学报 Vol.30No.22022年4月JOURNAL OF UNMANNED UNDERSEA SYSTEMS Apr. 2022收稿日期: 2021-04-25; 修回日期: 2021-06-29.作者简介: 李秋菊(1988-), 女, 硕士, 工程师, 主要研究方向为图像处理.[引用格式] 李秋菊, 徐海平, 苟春. 基于CIELab 和HIS 空间的声呐图像伪彩色增强方法及质量评价[J]. 水下无人系统学报,2022, 30(2): 204-208.基于CIELab 和HIS 空间的声呐图像伪彩色增强方法及质量评价李秋菊, 徐海平, 苟 春(中国船舶集团有限公司 第705研究所昆明分部, 云南 昆明, 650106)摘 要: 现有声呐图像伪彩色增强方法只涉及到RGB 颜色空间和HSV 颜色空间。
因此, 文中提出2种涉及CIELab 空间和HIS 空间的声呐图像伪彩色增强方法, 并对其增强后的图像进行质量评价。
首先提出一种基于CIELab 空间的声呐图像伪彩色增强方法, 该方法实时性好, 图像清晰, 层次丰富。
而后结合大津法, 根据声呐图像的灰度分布特性, 提出一种基于HIS 空间的自适应声呐图像伪彩色增强方法, 该方法自适应性强, 处理后的图像信息丰富。
最后, 采用2种客观质量评价方法联合主观评价, 验证了文中2种增强方法的有效性。
关键词: 声呐图像; 伪彩色增强; CIELab 空间; HIS 空间; 质量评价中图分类号: TJ630.34; U675.81 文献标识码: A 文章编号: 2096-3920(2022)02-0204-05 DOI: 10.11993/j.issn.2096-3920.2022.02.010Pseudo-color Enhancement Methods and Quality Evaluation of Sonar Im-age Based on the CIELab Color Space and HIS Color SpaceLI Qiu-ju , XU Hai-ping , GOU Chun(Kunming Branch of the 705 Research Institute, China State Shipbuilding Corporation Limited, Kunming 650106, China)Abstract: At present, pseudo-color enhancement methods for sonar images are based only on the RGB and HSV color spaces. To this end, two novel sonar image pseudo-color enhancement methods based on the CIELab color space and HIS color space are introduced in this study. The quality of the enhanced images obtained by the two methods was evaluated. First, a novel pseudo-color real-time enhancement method based on the CIELab color space is proposed. The enhanced image obtained using this method was clearer and had richer levels. Second, combined with the Otsu method and according to the grayscale distribution characteristics of sonar images, a novel adaptable pseudo-color enhancement method based on the HIS color space is introduced. This method has strong adaptability, and the enhanced image ob-tained using this method is information-rich. Finally, two objective evaluation methods were used to verify the effec-tiveness of the enhancement methods in conjunction with the subjective evaluation method.Keywords: sonar image; pseudo-color enhancement; CIELab color space; HIS color space; quality evaluation0 引言声呐成像属于能量成像的一种方式, 其成像类型一般为强度图像, 是将其线性映射到一定的灰度级范围内, 以灰度图像的方式显示出来[1]。
基于深度学习的声呐图像目标识别张家铭，丁迎迎(江苏自动化研究所，江苏连云港 222061)摘要: 声呐是用声波探测海洋的主要设备，自诞生以来，一直作为水下信息探测、定位和通信的主要工具。
获取的声呐数据以图像的形式将目标信息显示出来，由于受海洋信道的影响和接收基阵的限制，声呐图像的处理缺乏完全可靠的模型方法。
深度学习在近年来广泛应用于图像识别和目标识别领域，本文基于声呐图像的主要特征表现，提出一种基于卷积神经网络的声呐图像目标识别方法。
使用中值滤波对声呐图像进行滤波处理，随后选用Canny边缘检测算法和霍夫变换进行白线检测，基于自适应阈值化图像分割算法分割出的目标，选用卡尔曼滤波器方法实现目标跟踪。
最后对于跟踪的目标选用卷积神经网络进行分类识别，对不同的声呐图像目标获得了较高的识别准确率。
关键词：图像目标识别；中值滤波；边缘检测；图像分割；目标跟踪中图分类号：TN911.73 文献标识码：A文章编号： 1672 – 7649(2020)12 – 0133 – 04 doi：10.3404/j.issn.1672 – 7649.2020.12.026Sonar image target recognition based on deep learningZHANG Jia-ming, DING Ying-ying(Jiangsu Automation Research Institute, Lianyungang 222061, China)Abstract: Sonar is the main equipment that used sound waves to detect the ocean. Since its birth, it has been used as the main tool for underwater information detection, positioning and communication. The acquired sonar data displays the target information in the form of images. Due to the influence of the ocean channel and the limitation of the receiving array, the processing of sonar images lacks a completely reliable model method. Deep learning has been widely used in the field of im-age recognition and target recognition in recent years, based on the main characteristics of sonar images, this paper proposes a sonar image target recognition method based on convolutional neural network. First, use Median filtering to filter the sonar image, and then use Canny edge detection algorithm and Hough transform to detect white lines. Based on the target segmen-ted by the adaptive thresholding image segmentation algorithm, the Kalman filter method is selected to achieve target track-ing. Finally, a convolutional neural network is used for classification and recognition of the tracked target. Obtained a high recognition accuracy rate for different sonar image targets.Key words: image target recognition；median filtering；edge detection；image segmentation；target tracking0 引 言声波是唯一能够在海水介质中远距离传播的波，因此是海洋探测的主要方法，而声呐则是用声波探测海洋的主要设备。
主动合成孔径声纳几种算法比较赵闪;孙长瑜;陈新华;于倍【摘要】The requirement of the ocean exploration and anti-submarine warfare is the main motivation of the sonar technology development. As a novel kind of underwater imaging sonar with high resolution, active synthetic aperture sonar synthesizes an aperture and by processing the results as if they had been obtained from a multi-element array enables a high azimuth resolution to be obtained from a physically small array. Motion compensation is the key technique for synthetic aperture sonar, and it is normally realized in SAS system based on multi receiving arrays and their cross correlation. Range Doppler (RD), chirp scaling(CS) and beamspace (w-k) algorithms are algorithms to carry out motion compensation. The analysis and comparison of several algorithms with the combination of the simulation analysis provide the basis for practical application.%海洋开发和反潜战的需求成为推动声纳技术发展的主要动力.主动合成孔径声纳(ASAS)作为一种新型高分辨水下成像声纳,利用小孔径的物理声阵,得到与径向距离和频率都无关的方位分辨率.运动补偿是合成孔径声纳的关键问题,利用多接收阵回波数据的互相关特性进行补偿有距离多普勒、线性调频空变平移、波束域等多种算法,通过对几种算法的分析比较,结合仿真验证,为实际应用提供了依据.【期刊名称】《现代电子技术》【年(卷),期】2012(035)017【总页数】3页(P69-71)【关键词】合成孔径声纳;运动补偿;互相关;距离多普勒【作者】赵闪;孙长瑜;陈新华;于倍【作者单位】中国科学院声学研究所,北京 100190;中国科学院研究生院,北京100190;中国科学院声学研究所,北京 100190;中国科学院声学研究所,北京100190;中国科学院声学研究所,北京 100190;中国科学院研究生院,北京 100190【正文语种】中文【中图分类】TN911.73-34;TB5650 引言海洋开发、水下地形地貌观测、水下物体搜索、航道疏浚工程、海洋权益划分都需要有高效的水下观察手段。
