（模式识别与智能系统专业论文）基于图像声纳的浅海鱼群分类识别算法研究.pdf

基于图像声纳技术的浅海鱼群分类识别算法研究 摘要 基于图像声纳技术的浅海鱼群分类识别算法研究这一课题，是浙 江省农口重大攻关项目“浙江浑水区深水网箱水下检测设备开发”的 一部分，主要针对浅海养殖技术的迫切需要而展开工作。课题主要内 容是利用成熟的图像声纳技术设计图像采集设备，对采集到的图像进 行跟踪处理。处理内容包括对声纳图像进行图像变换、图像增强、图 像特征分析、图像匹配识别等。本课题主要涉及数字图像处理和模式 识别这两门学科领域。鱼群识别的内容包括对网箱养殖鱼的种类和其 生长阶段的识别，准确地判断出该种类的鱼是否已经成熟并可以被捕 捞，因而提高养殖作业的效率和资源的利用率，满足人们对渔业资源 的需求。 本算法研究的中心思想是以数字图像处理理论为前提，深入了解 和应用智能图像处理技术，参照前辈们已经研究出有关数字图像处理 的算法，如指纹图像识别、光学字符识别o c r 、遥感图像分析等。使 用m a t l a b 中的数字图像处理工具箱d i p ( d i g t a li m a g ep r o c e s s ) 和面 向对象的设计工具g u i ( g r a p hu s e ri n t e r f a c e ) ，对鱼群声纳图像进 行图像滤波、图像增强、边缘检测、图像二值化等处理，并从图像中 读取鱼体体态分布及大小等特征数据，整理现有数据并建立专家数据 库，编写软件实现图像中获得的数据与专家数据库的匹配，实现鱼群 识别的任务。本课题首先研究了对单体鱼的识别方法，研究了鱼体回 声图像的预处理方法、单体鱼的体态及长度参数的提取方法、通过建 立专家数据库来实现目标匹配识别的方法。然后引入了自适应图像窗 的概念，研究了自适应图像窗边界定义、如何减少图像计算量，如何 优化自适应图像窗的方法。鱼群识别算法的突破点自适应图像窗 的提出，实现了从鱼体识别向鱼群识别的过渡，也是课题迈向成功的 一大步。 本课题的研究已基本符合了项目的要求，可以准确的识别出单个 鱼，也可以在一定误差范围内识别出鱼群。但是鱼群识别算法还处在 研究阶段，在鱼和鱼之间不存在图像上的遮挡的假设条件下，通过引 入“自适应窗”的概念，我们基本上解决了鱼群识别问题。对于养殖 密度不是很大的深水网箱中的鱼类的监测和识别，本研究提出的方法 是可取的。但是当深水网箱中养殖的鱼的密度比较大时，获得的鱼群 的声纳图像难免不出现遮挡。一旦出现这种现象，将会影响识别的可 信度，从而造成鱼群监测数据出现比较大的误差。如何克服这类问题 有待进一步研究。 关键宇：鱼体，鱼群，数字图像处理，自适应图像窗，图像识别 as ，d y0 ns h a l l o w s e a s h o a i ，r e c o g n i t i o n b a s e do ni m a g es o n a rt e c h n i c a b s t ra c t i no r d e rt om a k eg o o du s eo ft h eo c e a nr e s o u r c e s ，p r o t e c tt h e e n v i r o n m e n tw h i c hf i s hl i v ei n ，as t u d yo nm o n i t o r i n ga n dr e c o g n i z i n g f i s h e sw a sd e v e l o p e d t h es t u d yo fs h a l l o w - s e a - s h o a li d e n t i f i c a t i o ni sa p a r to f ag r e a tp r o j e c ts u p p o r t e d b ya g r i c u l t u r a ld e p a r t m e n ti nz h e j i a n g a m o n i t o ri nt h ep i s c i c u l t u r a ln e tu n d e rt h ec i r c u m s t a n c e so ft h i c ks e a w a t e r w a sd e v e l o p e d ，a i m e da tt h en e e do ff i s h e r yi nz h e j i a n g ad e v i c et o o b t a i nt h ei m a g e so fs h o a lu s i n gs o n a rt e c h n i q u ew a sf i r s t l yd e s i g n e di n t h i ss t u d y , a n dt h e nt h ei m a g e so b t a i n e dw e r ep r o c e s s e d 勰f o l l o w s ： i n t e n s i t yt r a n s f o r m a t i o n s ，l i n e a ra n dn o n l i n e a rs p a t i a lf i l t e r i n g ，f i l t e r i n gi n t h e f r e q u e n c yd o m a i n ，i m a g es e g m e n t a t i o n ，r e g i o na n db o u n d a r y r e p r e s e n t a t i o na n dd e s c r i p t i o n ，a n do b j e c tr e c o g n i t i o n t h e r ea r em a i n l y t w of i e l d si nt h i s s t u d y ：d i g i t a li m a g ep r e p r o c e s s i n ga n do b j e c t r e c o g n i t i o n t h ek i n da n dt h eg r o w i n gs t a g eo fs h o a la r et h et w op a r t so f o b j e c tr e c o g n i t i o ni nt h i sr e s e a r c h as i m p l es o t t w a r ep r o j e c tf o ru s e rw a s b u i l d i nt h i ss o f t w a r e ，t h ek i n do fs h o a la n dt h en u m b e ro fg r o w i n gs t a g e a n dt h er e s u l to fw h e t h e rt h ef i s hc a r lb ec a u g h ti sd i s p l a y e d t h e e f f i c i e n c yo f p i s c i c u l t u r ec a nb ei m p r o v e db yu s i n gt h es o f t w a r e t t i er e s e a r c l a - o - fs h o a lr e c o g n i z i n gw a sb a s e do nt h et h e o r yo fd i g i t a l i m a g ep r o c e s s i n gp i p ) i tt o o kt h ea p p l i c a t i o no ft h ei n t e l l i g e n ti m a g e p r o c e s s i n gs y s t e m sa sr e f e r e n c e s s u c ha sf i n g e r p r i n tr e c o g n i z i n g , o p t i c a l c h a r a c t e rr e c o g n i t i o n , a n dr e m o t es e n s i n gs y s t e m s as y s t e mo ff i s h r e c o g n i t i o nw a sd e v e l o p e di nt h es t u d y , u s i n gd i pt o o l b o xa n dg u i d e t o o l si nm a t l a b a f t e rp r e p r o c e s s i n gt h ei m a g e s 。t h ea r i t h m e t i ct or e a dt h e l e n g t ha n dp h y s i c a lr a t eo ft h ef i s hf r o mt h ei m a g ew a sw o r k e do u t t h o u g ht h ed a t a s h e e t ，n a m e dr e p o s i t o r y ，b u i l tf o rs h o a lr e c o g n i t i o n ， w h i c hc o n t a i n st h el e n g t ha n dp h y s i c a lr a t ed a t ao ff i s hw et e s t e di nt h e l a b o r a t o r yf o rt h er e s e a r c h ，s h o a lc a nb er e c o g n i z e db ym a t c ht h ed a t a p r e p a r e da n dt h ed a t ar e a df r o mt h ep r o c e s s e di m a g e a d a p t i n gi m a g e w a si n t r o d u c e dw i n d o wt ot h es h o a lr e c o g n i t i o n i tw a sa ne f f e c t i v e a r i t h m e t i cf o rs h o a lr e c o g n i z i n g ，aw a yt oo p t i m i z et h ei m a g ew i n d o w w i l t 8f o u n dt or e d u c et h ec a l c u l a t i o ni nr e a d i n gt h ei n f o r m a t i o nf r o mt h e i m a g e t h er e s u l to f t h e e x p e r i m e n t si np r a c t i c ei n d i c a t e d t h a tt h ea r i t h m e t i c w er e s e a r c h e di nt h ep r o j e c ti se f f e c t i v ef o rs i n g l ef i s hr e c o g n i t i o na n dt h e l o wd i s t r i b u t i o nd e n s i t yo fs h o a lr e c o g n i t i o n b u tw h e nt h ed i s t r i b u t i o n d e n s i t yo fs h o a li sh i g h ，i tw i l ll o s ei t sf u n c t i o n b e c a u s et h ef i s hi sa n a c t i v eo b j e c t ，i t ss u p e r p o s i t i o no f s i n g l ef i s hi st h em a j o rp a r to f t h ei m a g e i fd e n s i t yo fs h o a li sh i g h t h ee r r o ro fr e c o g n i t i o nw i l li n c r e a s e ，a n dt h e a r i t h m e t i co fr e c o g n i t i o ni sn o tr e l i a b l e s ot h em o r ee f f i c i e n ta r i t h m e t i c i se x p e c t e dt or e d u c et h er e c o g n i z i n ge r r o rw h e nt h ed e n s i t yo fs h o a li s h j 曲 傅小康( 模式识别与智能系统) s u p e r v i s e db y 郑建立 k e yw o r d s ：f i s h ，s h o a l ，d i g i t a li m a g ep r o c e s s ，a d a p t i n gi m a g e w i n d o w ，i m a g ei d e n t i f i c a t i o n 中图分类号：t p 3 9 1 4 1 ，t p 3 1 7 4 东华大学学位论文原创性声明 本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的 指导下，独立进行研究工作所取得的成果。除文中已明确注明和引用的内容外，本论文不包 含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写。我对 所写的内容负责，并完全意识到本声明的法律结果由本人承担。 学位论文作者签名：f 霉厶葩 e t 期：炒6 年1 月p 日 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权东华大学可 以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存和汇编本学位论文。 保密口，在年解密后适用本版权书。 本学位论文属于， 不保密留： 学位论文作者签名：f 蓦小酝 日期：妒年f 月扣日 指导教师签名。却良电 基于图像声纳的浅海鱼群分类识别算法研究 第一章、引言 1 本文研究背景和研究目的 ( 1 ) 研究背景 自然资源是不通过人类劳动而在自然界运动中形成的，在一定条件下有经 济价值的物质和能量。它作为人类生存的根本和人造财产的源泉，在人类社会 的发展中具有无法取代的地位和作用。尤其是在可持续发展的观念、战略和模 式日益为世界各国所接受的今天，自然资源更是受到国家的特别重视。我国是 一个自然资源总量可观但人均拥有量很少的国家，必须有效保护和合理开发、 利用自然资源，维持生态的平衡，自然资源才能长期造福于人类。 就海洋渔业资源而言，这是一种可以为人类利用并可再生的宝贵资源。但 是随着人类活动向海洋深处的延伸和科学技术的迅速发展，人们开发利用海洋 渔业资源的步伐也相当迅速。鱼用声纳技术的应用已有几十年的历史，但早期 的鱼用声纳主要是帮助渔民发现鱼群，例如简易的鱼探仪。渔民很欢迎这类鱼 用声纳，它使捕鱼作业的效率大大提高。但是，由于其不具备目标识别能力， 使得捕捞者常常将大批幼鱼捕捞起来，造成了资源的严重浪费，渔业资源也迅 速枯竭，政府部门不得不采取休鱼等行政手段来保护渔业资源。尽管也取得了 一定的成效，但同时也带来了一些社会问题，也不是从根本上解决问题的办法。 我们有必要寻求一些技术途径，在充分利用海洋资源的同时又能有效地保护资 源，进一步创造条件，加快资源的再生，从根本上解决资源利用与发展的矛盾 【1 2 】 第1 页 基于图像声纳的浅海鱼群分类识月算法研究 ( 2 ) 研究目的 政府近年来大力推进深水网箱养殖技术，目的是想要引导部分渔民从传统 的被动海洋捕捞方式向主动的海洋“放牧”方式过渡。国家海洋8 6 3 计划在9 5 期间专门设立了抗风浪深水网箱技术的开发课题，沿海各省都投入大量人力、 物力和财力推进此项技术的研发和推广进程。目前这种技术在沿海诸省得到迅 速发展，在短短的数年间，在我国沿海诸省，大大小小、形状各异的各种网箱 星罗棋布。据不完全统计，仅浙江一省，2 0 0 3 年的深水网箱预计数量达5 0 0 0 只。 预计到2 0 1 0 年可达1 0 0 0 0 只。常规的小网箱目前已有大约8 0 0 0 0 万只。由此 可见，这是一个发展势头非常好的应用技术。有效地监测网箱中养殖鱼类的生 长情况是广大养殖户所期盼的技术0 1 。 尽管投入网箱中的鱼苗的数量是已知的，但是由于在养殖过程中会有一部分 死亡，生长快慢不同，鱼体大小差异也比较大。而且很多网箱存在交叉养殖现象， 即一个网箱中养殖多个品种的鱼，不同品种的鱼长大的标准也不一样。只有将大 小合理，味道鲜美的鱼投放市场才会取得经济效益的最大化。因此有必要对网箱 中的鱼体大小、鱼量进行监测。 本课题的研究目的就是把鱼群识别功能加入探测设备中去，让捕捞者在捕捞 作业时有选择的捕捞，以减少对幼鱼的捕捞，这样就可以有效地保护渔业资源， 做到资源的可持续利用，保持生态平衡，使渔业资源长期造福于人类。 2 研究现状及发展方向 ( 1 ) 研究现状 国内外在鱼群探测、鱼类探测与识别方面进行了大量的工作，掌握了大量 有关鱼的目标特征方面的知识，也成功地开发出了大量的鱼用探测、监测设备。 联合国粮农组织和环境组织都建立了渔业资源、市场、人力资源等方面的数据 库。美国、加拿大、日本和澳大利亚等国也早已建立了海洋渔业生物资源数据 库、环境数据库、市场信息数据库、灾病害数据库和文献专利技术数据库等，并 提供服务。随着计算机智能识别、推理和神经网络技术的发展，一些智能化的 专家系统也开始用于水产养殖中的池塘理化参数监制、自动投饵、饲料配制、 第2 页 基于图像声纳的浅海鱼群分类识别算法研究 鱼病诊断等。经过多年的努力，我国在渔业信息积累和数据库建设方面，已建 成了一些实用数据库或信息系统，如渔业科技文献、科研成果管理、全国渔业 区划、淡水鱼类种质资源、实用养殖技术、渔业统计、海洋渔业生物资源、基 建项目与财务管理、海洋捕捞许可证与船籍证管理、远洋信息管理系统等，其 中有的已经推广应用。 在网箱检测设备的研究方面也作了大量的工作，但是大多数是针对清水环 境，以检测水环境为主：主要有含氧量的监测、盐度监测、p h 值观测、水流观 测、饵料监测等等；对于鱼体的检测着眼于鱼体的大小、体长分布等等。对于 清水环境，主要的探测手段是利用光学或声学传感器结合水下机器人，也有用 x 射线的。 世界各国的有关科学研究机构进行了大量的有关研究论证有效的鱼用声纳 的工作，希望它既可以帮助渔民捕捞到成年的鱼群，又可以有效地防止对幼鱼 的捕捞，更加有效地利用海洋资源。美国对国内的几大湖里的鱼类进行常年的 监测，对湖中的鱼的分布密度、数量等进行动态监测，在声纳设计方面进行了 很多改进。声纳设计人员、海洋生物学家、渔业研究人员等多方面科技人员携 手工作，对海洋生物的许多生理和物理特征进行了大量的研究，积累了丰富的 资料，找到了许多可行的鱼类识别和分类识别的方法。目前，在比较先进的鱼 用声纳上已增加了鱼体大小识别功能、鱼群密度分析等功能。但是，作为对网 箱中央之的鱼类进行探测、分析、识别的声纳还比较少见“1 。 ( 2 ) 发展方向 本课题在海洋养殖技术上有很广泛的市场。进一步研究该课题，可以把识别 的能力增强，例如采用水下机器人进行水下巡视，监测网衣安全，防止漏鱼现象 的发生；监测网箱的喂养过程，可以减少饵料的浪费，降低饲养成本，有效地保 护网箱附近的海洋环境。 第3 页 基于图像声纳的浅海鱼群分类识别算法研究 3 课题意义及研究内容 ( 1 ) 研究内容 利用图像声纳技术采集鱼群图像，经过一系列图像预处理，并通过对鱼群 或养殖鱼类的体态等特征参量进行分析，并对其做出分类识别的理论和方法， 为海洋渔业资源的开发与利用提供技术保障，更好地保护及有效利用资源。理 想的研究结果是在浅海域网箱养殖环境下，有效地采集到鱼群的图像数据，并 对网箱中的鱼群进行分类识别。 本研究课题将主要围绕目前我国海洋渔业中深水网箱养殖中对养殖鱼类的 监测与识别方面的需求开张研究工作。课题主要有3 方面的内容是：l 、对深水 网箱中养殖的鱼类利用声光等方式进行数据采集，并将采集到的数据形成图像 输出到计算机上；2 、对得到的图像进行采样量化、进行图像预处理、图像分割； 3 、对处理好的图像进行分析，提出养殖鱼类的体态特征参数，进行特征表示， 提出识别方法，并编辑识别软件进行识别。 本人的主要任务是学习研制的水下监视硬件设备，建立数据远程采集、传 输、显示与报警系统；对深水网箱主要养殖品种建立数据模型：对监测对象一 鱼群，采用一种或多种物理参数研究被监测对象与反馈信号特征之间的关系 模型，开发相应的软件与终端设备，实现对鱼量、鱼体长度、鱼的种类的监测。 浅海鱼群的分类与识别这一课题涉及到识别理论模型的建立和识别方法研 究等。本研究主要涉及识别方法的研究和实践。其中包括识别方法的算法研究， 实现算法的软件编程和硬件技术，囊括了数据采集技术、数字图像处理技术、 模式识别技术、人工智能技术、机器视觉等新技术。 ( 2 ) 推广应用及其市场前景 中日渔业协定、中韩渔业协定的生效，对浙江海洋渔业、捕捞渔民 和渔区社会带来中大影响。据分析，浙江省传统的海外作业渔场，已有4 8 丧 失，有2 5 受到严格限制，大力发展浅海养殖业尤其是浅海抗风浪深水网箱养 殖业，是引导渔民转产转业，确保渔区稳定、渔业增效、渔民增收的重要举措。 根据市场调查、养殖海域容量调查和浙江省政府要求，预计2 0 0 6 年浙江省 第4 页 基于图像声纳的浅海鱼群分类识4 算法研究 深水网箱发展数量达6 5 0 0 只，预计到2 0 1 0 年，浙江省的深水网箱发展数量将 超过1 0 0 0 0 只。而且浙江省还有常规小网箱约8 0 0 0 0 只。这些这支在混水海域 的网箱都应该配置水下监测设备【2 】。 对于深水网箱用户，只要水下监测设备性能可靠、价格适中，配合必要的 示范、技术培训和技术服务，用户会踊跃购买。 ( 3 ) 社会效益分析 有利于保障养殖安全，降低养殖风险。有利于捕捞渔民转产转岗，从事水 产加工、海水养殖等产业，增加渔民收入，使渔民安居乐业，渔区稳定，并推 动养殖区周围饵料、水产品加工、运输、销售等相关产业的发展。 有利于海水养殖方式向集约化规模化转变，促进渔业经济结构的战略性调 整，迅速提高渔业综合生产能力，实现海洋农牧化的战略目标。 有利于生态资源的保护和海洋环境的改善，还优美的内湾海岸线给旅游景 区，促进海洋经济的发展。 ( 4 ) 研究意义 鱼群分类识别课题基于舟山海洋有限公司的项目浙江混水区深水网箱 水下监测设备的开发。本课题是该项目的图像信号处理部分，也是项目中不可 或缺的部分。鱼群识别算法的研究相当复杂，要实时识别出鱼群的种类和大小， 是相当困难的。我们可以从鱼体出发，结合图像分析技术和模式识别技术，对 鱼群识别的算法进行研究。鱼群识别算法具有十分重大的研究意义和实际意义， 在应用上，如果算法研究成功，不但可以提高渔民的捕鱼作业，而且有效的抑 制将幼鱼捕捞上岸，更好地利用海洋资源，满足人们对渔业资源的需求。 第5 页 基于图像声纳韵浅海鱼群分类识别算法研究 1 图像形成技术 第二章、相关技术概述 近年来随着海洋开发和水下探测技术的发展，高分辨率成像声纳的研究越 来越受到重视。数字成像声纳由于具有工作稳定可靠、调试方便并可实现全程 数字聚焦等优点成为近年来图像声纳领域研究的重点。在数字图像声纳系统中， 基阵信号的数据采集、传输与数字波束形成器是其中最为核心的组成部分。由 于图像声纳阵元数多，工作频率高，采集的数据量庞大，并且图像声纳的工作 方式要求实时成像和刷新，可供处理的时间很短，这些对数据采集、存储、传 输以及实时处理等都提出了很高的要求。 对于单体鱼的大小的观测方法，已有很多文献报道。比如，可以采用高分辨 率的图像声纳，将其成像，然后进行图像处理，即可知道鱼的体长等体态特征。 双频率识别声纳- d u a lf r e q u e n c yi d e n t i f i c a t i o ns o n a r ( d i s o n ) 是由华盛顿物 理实验室研发设计出的，d i s o n 采用两种频率的声波，可以采集到的距离范围为 1 - 3 0 米。它有近似于视频的成像效果( n e a r - v i d e oq u a l i t yi m a g e s ) ，可以利用它来 进行水下的目标的识别。这种方法的特点是直观，准确度高。缺点是成本高，对 于养殖业来说难以承受。而且还有一个致命的问题：就是对于高分布密度的深水 网箱中的鱼虾的观测和识别，由于平面图像的重叠，造成识别的困难或准确度的 降低”1 。 另一种有效的监测方法是利用鱼体的目标强度来进行监测。假设某条鱼的目 标强度为t s i ，同时假设不考虑多次反射并假设网箱中鱼的大小是均匀的，则声 纳接收到的回波强度就是由网箱中的每条鱼的回波强度的线性迭加而成。即：总 目标强度碍可用下式表示： t s = 1 0 1 0 9 n + r s 第6 页 ( 2 1 1 ) 基于图像声纳的浅海鱼群分类识别算法研究 其中：n 是网箱中鱼的数量。 大量的研究表明，鱼的目标强度主要取决于鱼的体态特征，同时也与发射声 波的波长有关，可以用下式表达： 碣= a l o g l - b l o g , z + c ( 2 1 2 ) 其中：l 是鱼体长度， 是使用的声波的波长， 、b 、c 是常数。 将( 2 1 1 ) 和( 2 1 2 ) 两式合并得： t s = 1 0 1 0 9 n + a l o g l - b l 0 9 2 + c ( 2 1 3 ) 上式中a 、b 、c 的大小取决于鱼的种类。对于不同类型的鱼，a 、b 、c 的 取值变化比较大。所幸的是，网箱中养殖的鱼的种类一般比较单一，这就为我 们利用这种原理监测其大小提供了方便。( 2 1 2 ) 式成立的一个条件是不计多次 反射，这在实际应用中是不可能的。我们还必须考虑多次反射的影响。因此 还必须对( 2 1 2 ) 式引入一些必要的修正。关于如何处理多次反射造成的观测 误差的问题，作者将专题介绍，这里不再展开。( 2 1 2 ) 式中的l 代表的是网 箱中鱼的平均长度。由于网箱中的鱼的生长不可能完全一样，所以可以通过采 用多频或宽频声信号来观测出网箱中鱼的体长分布，从而实现对网箱中养殖品 种大小、数量的统计监测目标。 ( 1 ) 声纳技术 声呐是海军的一种重要电子设备，一部现代声呐实际上就是一部大型的多 功能计算机。设计一部好的声呐对于防潜、反潜都有重大作用。声呐技术是水 声物理、水声工程、信号处理、无线电电子学及换能器等领域互相结合的产物。 声呐是利用水下声波判断海洋中物体的存在，位置及类型的方法和设备。 声波是人类迄今已知唯一能在海水中远距离传播的能量形式。声纳是海军 的一种重要的电子装备。其定义是利用水下声波判断海洋中物体的存在位置和 类型的方法与设备。声纳是在水下发现目标的重要工具。声纳是卓越的“水下 侦察兵”，它能探测到潜艇在大海深处的一举一动。据统计，第二次世界大战 期间，交战双方损失的潜艇有1 0 0 0 多艘，这些潜艇大部分都是被声纳发现的。 声纳分为主动式和被动式两种。主动式声纳自己发出声波，并根据目标反射的 第7 页 基于图像声纳的浅海鱼群分类识别算法研究 回波来发现目标。被动式声纳自己不发射声波，它主要搜索来自目标的声波， 也就是说它通过接收舰艇的噪声来发现目标嗍。 主被动式声纳系统图如下： ( 主动) 2 - 1 声呐的基本模型 在海洋研究方面，利用声纳进行研究的成果已数不胜数，典型的声纳利用 实例有：2 0 世纪7 0 年代国外开始研制并装备不对的拖曳式线列阵声纳、既把 基阵收回来又保持较大孔径的潜艇用的舷侧线阵列阵声纳、固定于海底的背景 噪声低、便于使用大孔径的固定式岸用声纳等m ”。 声纳发射机方框图如下： 声纳接收机方框图如下： 2 - 2 声呐发射机 第8 页 基于图像声纳的浅海鱼群分类识别算法研究 ( 2 ) 超声波发射器的设计 2 - 3 声呐接收机 超声波是指频率f 2 0 k h z 的弹性波，一般人耳能听见的声音的频率范围在 1 6 和2 0 k h z 之间，因此频率低于1 6 h z 的波叫次声，而高于2 0 k h z 的波叫超声， 当厂 1 0 9 h z 时叫做微波超声。 超声波存在的空问叫超声场。对声场的研究，需要知道几个基本的参量， 以便使得在论述过程中有统一衡量的指标和描述。我们所从事的超声实验研究， 一般在水等液体中进行，本研究中的介质是海水，我们设计个超声波波束形 成发射机，用于采集图像【6 】。 为了研究和利用超声波，人们已经设计和制成了许多超声波发生器。总体 上讲，超声波发生器可以分为两大类：一类是用电气方式产生超声波波，一类 是用机械方式产生超声波。电气方式包括压电型、磁致伸缩型和电动型等：机 械方式由加尔统笛、液哨和气流旋笛。它们所产生的超声波频率、功率和声波 特性各不相同，因而用途也各不相同。目前较为常用的是压电式超声波发送器。 波束成形是声呐信号处理的主要组成部分，无论是被动声呐还是主动声呐 都要有波束形成系统。这一方面是获得足够大的信噪比，另一方面是为了得到 高精度的分辨力。所以，波束形成系统是现代声呐的核心部件，是声呐具有良 好的战术、技术性能的基础。 很多水听器按一定的几何规则排成一个阵，这样的水下接收系统就称基阵， 各水听器就称为阵元或基元。波束成形器可以看作是一个空间域的滤波器。它 第9 页 基于图像声纳的浅海鱼群分类识别算法研究 只允许来自某个方向的信号通过，而拒绝其他方向的信号。一。 声呐图像处理研究的现状嘲 近年来，国内外陆续开展了图像声呐的研制和声呐图像的处理研究。目前， 应该说声纳图象处理研究方面已经取得了一定的成绩，然而相对光学图像处理理 论与应用，这方面则很不成熟，尚有很多需要解决的问题。声呐图像处理的研究 主要集中在旁扫声呐( s i d es c a ns o n a r ) 和扇扫声呐( s e c t o rs c a ns o r a r ) 序列图 像处理( s e q u e n t i a li m a g ep r o c e s s i n g ) 方面。 ( 1 ) 旁扫声呐图像处理 随着多波束、高分辨率旁扫声呐技术的日趋成熟，国外己有旁扫声呐方面 的产品问世，如s e a m a r c l 工、g l o r i a ，t o b i 等。旁扫声呐主要用于海底地貌 的测绘、沉底目标的探测等。目前旁扫声呐图像处理应用的技术有阴影技术、 纹理分析技术、数学形态学方法、神经网络分类技术等。 ( 2 ) 扇扫声呐图像处理 随着声呐技术和信号处理技术的发展，扇扫声呐从早期的单波束机械扫描 声呐发展到目前的预成多波束电子扫描声呐，成像速度和分辨率都大为提高。 目前已有扇扫声呐方面的产品问世，如s e a b a t 6 0 1 2 ，a s 3 6 0 ，m e s 0 9 7 1 等。扇扫 声呐主要用于沉底目标的探测、自主式水下机器人的障碍物识别等。扇扫声呐 图像预处理通常采用光学图像处理技术，图像识别( 日标识别) 采用的方法有基 于模板的投票法、神经网络分类技术、模板匹配技术等。 ( 3 ) 声呐序列图像处理 与光学图像相比，声呐图像分辨率低，干扰强，仅凭一幅静止的图像往往 很难准确地识别目标。运动图像( 即时间序列图像) 较单幅静止图像能提供更多 的信息，将更有利于目标的识别。因此，近年来人们开始把研究重点转移到了 序列图像的处理方面。目前所采用的主要方法是模板匹配技术等。 第l o 页 基于图像声纳的浅海鱼群分类识别算法研究 3 数字图像处理技术”- ” ( 1 ) 图像变换 图像变换就是把图像从空间域转换到变换域( 如频率域) 的过程。图像变 换可以使人们从另一个角度来分析图像信号的特性，利用变换域中的特有性质， 使图像处理过程更加简单、有效。例如图像增强、复原技术，都是对输入图像 的进行变换。图像变换使许多图像处理与分析技术的基础，广泛应用于图像的 增强、编码、融合、数字水印与特征的提取等。 图像变换的算法有很多，常用的图像变换方法有离散傅里叶变换( d f t ， d i s c r c t ef o u r i e rt r a n s f o r m ) 、离散余弦变换( d c t ，d i s c r e t ec o s i n et r a n s f o r m ) 、 沃尔什变换( w t ，w a l s ht r a n s f o r m ) 、哈达玛变换( h t ，h a d a m a r dt r a n s f o r m ) 、 k - t 变换( k a r h u n e n - l o e v et r a n s f o r m ) 、斜变换( s t ，s l a n tt r a n s f o r m ) 和离散 小波变换( d w t ，d i s c r e t ew a v e l e tt r a n s f o r m ) n 町。 从实际操作来看，图像变换就是对原图像函数寻找一个合适的变换核的数 学问题。本质的来说，图像变换有着深刻的物理背景。例如，函数的一次傅里 叶变换反映了函数在系统频谱上的频率分布。如果希望在频谱上作某些处理， 从而改变函数的某种特性，那么可以再对函数作二次傅里叶变换。在图像变换 中，应用最广泛的变换就是傅里叶变换，下面就傅里叶变换作简要介绍。 轧 一维连续傅里叶变换： 对于连续时间变量t 信号f m ，如果f ( 1 ) 满足狄里特莱条件：具有有限个时间 断点；具有有限个极值点；绝对可积。则f 的傅里叶变换为： ，( “) = r 厂( f 2 “d t ( 2 3 1 ) 对应的反变换为： f ( t ) = ff ( u ) e 4 “幽 ( 2 3 2 ) 呐 其中n 为频域变量，i 为虚数单位。f ( u ) = r ( ) + 玎( “) ，式中： 幅度l f ( “) i _ r 2 ( “) + ，2 ( “)；像角c o ( u ) = a r e t a n 1 ( u ) r ( u ) 】 f ( t ) 的能量谱： 第1 1 页 基于图像声纳的浅海鱼群分类识别舅法研究 e ( “) = i f ( “) | - r 2 ( “) + ，2 ) ； ( 2 3 3 ) b 一维离散傅里叶变换： 对于离散信号 厂( 玎) i h = o ，l ，n 一1 ，其离散傅里叶变换及其反变换分别为： m ) = 万| 缶n - i m ) e x p 一i 2 矿x n u - o ，1 ，柚( 2 m ) = 篓荆e x p 下i 2 x n u ，l ，- 1 ) ( 2 3 5 ) 上式中u 为空间频率。 c 快速傅里叶变换( f f t ) 离散傅里叶变换已经成为数字信号处理的重要- 1 - 具，但是它的运算量较大， 运算时间较长，在一定程度上限制了它的使用。为此人们创造了计算量为 i 。g 多的，对于有限长离散信号 厂( 珂) l h = 。，1 ，一1 ，令= e x p 一雩 ， 离散傅里叶变换可以写成 f ( “) = - d i n ) 肛铲 = o 1 ，n 1 ) ( 2 3 6 - n = 2 m ，推导( 2 3 5 ) 得出： 脚) _ - , r 。, - - 7 。, - 2 ”) 嘴+ 击篓，( 2 州) 嘴 ( 2 3 7 ) 现在定义：) = l f ( 2 ，z ) w 7 ，( ) = - 古f ( 2 疗+ 1 ) w y 可将( 2 3 5 ) 简化为： f ( “) = 瓠k ( 甜) + ( “) ( 2 3 8 ) 由嘴“= ，明= 一可得： f ( 甜+ 肘) = 寺 ( 甜) 一( “) ( 2 3 9 d 二维连续傅里叶变换 如果二维函数f ( x ，y ) 满足狄里特莱条件，则f ( x ，y ) 傅里叶变换为： f ( “，v ) = e 亡m ，j ，) e “嘶们姗， ( 2 3 1 0 ) 第1 2 页 基于图像声纳的浅海鱼群分类识别算法研究 共反父秧为： 厂( x ，y ) = c c f ( “，v ) g 。“们d u d v ( 2 3 1 1 ) 式中，u 与v 为频域变量。f ( x ，y ) 的能量谱： e ( u ，力= i f 够，v ) 1 2 = 盂2 ( 封，力+ j 2 ，d ( 2 3 1 2 ) e 二维离散傅里叶变换 对于二维离散信号 厂( 加，n ) l m = o 1 ，m - 1 ，以= o 1 ，n - 1 其离散傅里叶变换 为； ，c 力= 击m 荟- 1 善n - i c 肌，功e x p 。2 石c 百m u + 号) c z 丑， 式中，u = o ，1 ，m 一1 ，v = o 1 ，n 一1 ，为空间频率。反变换为： 伽棚=击萋栅卜嗜mu+nv(23141 ， 伽棚2 面萎丢脚 v ) e x 9 l 啦石嗜+ l 式中，m = o ，1 ，m 一1 ，玎= 0 , 1 ，n 一1 。 在图像处理中，一般选择方阵，即取m = n ，此时，式2 3 1 3 与2 3 1 4 则变为： m v ) = 专n - i 善n - i 肋，玎p 卜石( m u 矿+ l l p ) 1 ( 2 3 1 5 ) e x m u + n v 15)m=o k f ( 州) = 专，( mp 卜石1 f ) | j 月；0 j v x p mu+nv00 l) c z s ，e ， ，玎) = 专f ( ”，v ) eh 石肾) i ( 2 3 1 6 ) “= v = v l ( 2 ) 图像空域变换增强州 a 平滑滤波器 a l ：邻域平均法：这是一种空间域局部处理算法。设g g 力平滑后的灰度值， f ( i ，_ ，) 为对于位置( f ，) 处的灰度值，通常有4 邻域法和8 邻域法，a 表示以( 力为 中心的邻域点的集合，m 是a 中象素点的总数，算法如下： 删) = 去。磊。m ，力而) ，= o ，l ，2 ，一1 ( 2 3 1 7 ) 最典型的邻域算法有2 种，分别为4 邻域和8 邻域，如图2 4 所示。 基于图像声纳的浅海鱼群分类识别算法研究 嵋叫i i oooo 0 o o 0 o o o o oo0oo $ 2 - 4 ( a ) 像素点点的8 邻域 o o ooo oo oo o o o oo oo ooooo ( b ) 像素点点的4 邻域 a 2 ：j j n 权平均法：为了克服简单局部平均的弊病，提出了保留边缘细节的局部平 滑算法，选择参加平均的点数以及邻域各点的权重系数等。常用的有灰度最近k 个邻点平均法、梯度倒数加权平滑、最大均匀性平滑、小斜面模型平滑等。 例：设( f ) 的灰度值f ( i ，_ ，) ，取该像素3x3 的邻域窗口，其象素组成为f ： lf ( i - 1 ，j - of ( i 一1 ，) f ( i 一1 ，+ 1 ) i f = i 厂( f ，一1 ) f ( i ，_ ，) ( f ，+ 1 ) l lf ( i + l ，_ ，一1 ) f ( i + l ，_ ，) f ( i + 1 ，+ 1 ) j 1w ( i - t ，j - 1 ) w ( i 一1 ，力w ( i - i ，+ 1 ) i w = 1w ( i ，j 一1 ) 以j ，) w ( i ，+ 1 ) j ( 2 3 1 9 ) 【以f + 1 ，一1 ) w ( i + l ，力 世+ l ， ，+ 1 ) 1 w ( i 十研，- ，+ 厅) ：丁皇辈二! ! 生生 2 d ( i + m ，_ ，+ 功 m = 一ln * - i 第1 4 页 基于图像声纳的浅海鱼群分类识别算法研究 其中d ( 渤，+ 栉) = 而瓦鬲i 沔砑 平滑输出窗i = 1 结果： g ( i ，力= 【g + m ，j + n ) x w ( i + m , j + n ) 】 a 3 ：中值滤波：是一种局部平均技术，是一种非线性滤波。由于它在实际运算过 程中并不需要图像的统计特性，所以使用比较方便。中值滤波技术首先是被应用 在一维信号处理技术中，后来被二维图像信号处理所引用。在一定的条件下，中 值滤波可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及颗粒 噪声最为有效。在声纳图像鱼体识别中，实验下来，发现中值滤波后效果利于识 别算法的实现。其算法如下： 中值滤波是采用一个含有奇数个点的滑动窗口，用窗口中灰度的中值替代窗 口中心点象素的灰度值，对于一个一维序列z ，五，工，取窗口长度为i n ，m 为奇 数。对此序列进行中值滤波，就是从序列中取出m 个元素，丘吖：丘。，丘l ，丘， 其中z 为窗i ：1 的中心位置，v = ( m 一1 ) 2 ，将这m 个元素按照数值大小排列，位于 正中间的那个数值作为滤波输出： = m e d f _ 卉：朋，f z 胪孚 a 4 ：自适应滤波：图像的噪声消除还可以采用自适应维纳滤波。维纳滤波器将图 像信号和噪声信号都看成随机信号，在对随机信号进行分析统计的基础上设计出 符合最优准则的滤波器。设图像由信号f ( x ，y ) 和噪