导读:本文包含了声呐图像论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:图像,卷积,目标,海星,小波,波束,边缘。
声呐图像论文文献综述
朱正任,樊妙,邢喆,冯成凯,孙毅[1]（2019）在《多波束声呐图像条带中央和边缘残差处理方法》一文中研究指出多波束声呐图像是进行海底底质分类的主要数据源之一,由于受海洋噪声、声波散射和混响、仪器设备等因素影响,其经各项常规改正后仍存在明显残差,突出表现在中央波束区和条带重迭区,难以形成高质量的声呐图像。文中分析了多波束声呐图像残差的成因及影响,提出了一种基于多条带最小二乘拟合的多波束声呐图像残差处理方法。首先,得到相邻声脉冲(ping)信号中央区域、重迭区域以及整体趋势的拟合函数;然后,通过拟合函数计算得到中央和重迭区域的残差改正系数;最后,通过改正系数进行残差改正。实验分析表明,该方法在保留原始细节的基础上,有效削弱了残差对声呐图像的影响,对多波束声呐图像处理具有参考和应用价值。(本文来源于《海洋技术学报》期刊2019年05期）
韩孝辉,刘刚,薛玉龙,王雪木,李亮[2]（2019）在《珊瑚环礁区侧扫声呐图像中的目标物识别方法》一文中研究指出为研究西沙宣德环礁海底地貌特征及珊瑚分布情况,采用舷挂侧扫拖鱼的方式对环礁区域海底进行地貌扫测,从采集的侧扫声呐图像上可以识别出环礁区域珊瑚分布情况及珊瑚礁区地貌特征,利用侧扫声呐图像识别方法结合实物样品比对可以圈定出珊瑚分布范围、暗礁区域及环礁区域底质类型分布,采用基本的数学处理方法定量分析了水下珊瑚礁体的海底高度及疑似沉船的大小,分析了侧扫声呐图像显示的调查船转向效应。(本文来源于《海洋技术学报》期刊2019年05期）
张丽红,周天,徐超,韩婷婷[3]（2019）在《基于声呐图像序列SIFT特征的多目标跟踪方法研究》一文中研究指出针对高频成像声呐多目标跟踪中声成像的不稳定问题,在基于检测前跟踪的声呐图像序列尺度不变特征变换(Scale Invariant Feature Transform, SIFT)的基础上,提出了一种结合对数变换的声呐图像序列SIFT特征跟踪方法。该方法利用对数变换进行图像预处理,进而利用声呐图像序列SIFT特征进行多目标跟踪。水池试验数据的处理结果表明:与中值滤波和动态亮度分配的方法相比,结合对数变换的声呐图像序列SIFT特征跟踪方法具有更好的多目标跟踪效果。(本文来源于《声学技术》期刊2019年05期）
王涛,潘国富,张济博[4]（2019）在《基于K-means聚类与数学形态学的侧扫声呐图像目标轮廓自动提取方法》一文中研究指出针对侧扫声呐图像斑点噪声强、背景海底散射干扰严重,海底目标轮廓自动提取困难的问题,提出了一种基于K-means聚类与数学形态学相结合的海底目标轮廓自动提取算法。为克服噪声干扰,该算法首先利用中值滤波去除侧扫声呐图像中的强斑点噪声;然后采用K-means聚类算法对侧扫声呐灰度图像进行分割,并二值化,除去大部分海底背景噪声,初步提取出目标;接着利用数学形态学运算去除提取结果中的孤立噪点,并填充目标内部孔洞,得到连续化、圆滑的目标边缘;最后对处理后的侧扫声呐图像进行边缘检测,提取出目标轮廓。实验结果表明:该算法思想简单易行,具有很强的克服背景噪声的能力,自动提取的目标轮廓连续性较好,结果准确可靠。目前,在侧扫声呐图像目标轮廓提取过程中,主要采用人工方式,自动性较差,效率较低。本文算法可以实现目标轮廓的自动提取,提高效率,具有较强的实用价值。(本文来源于《海洋科学》期刊2019年08期）
曾文冠,鲁建华[5]（2019）在《基于卷积神经网络的声呐图像目标检测识别》一文中研究指出本文将基于卷积神经网络的目标检测方法引入声呐图像的目标检测任务中,并比较了Faster RCNN、YOLOv3和SSD模型在海星扇贝声呐图像目标检测识别任务中的性能,结果表明基于卷积神经网络的目标检测模型YOLOv3在声呐图像目标识别领域具有有效性和高效性。YOLOv3对声呐图像目标的识别平均精确率达到92.95%,单张图片检测时间仅为0.255秒。(本文来源于《第十七届船舶水下噪声学术讨论会论文集》期刊2019-08-21）
高强,鲁建华[6]（2019）在《基于声呐图像的海洋目标矩特征提取方法性能分析》一文中研究指出使用基于图像声呐的声学方法对养殖过程进行监测,所需解决的关键问题是海星与扇贝这两种水下目标声学图像的分类识别。结合水声图像预处理后的图像特点,选取小波矩作为特征量用于描述目标特征。通过进行水声图像特征提取试验,该文研究了目标种类、空间变换种类、计算特征量所用数据范围叁种因素的变化对所提取矩特征量各阶矩值的影响,并对比了不同方法的计算耗时。试验结果验证了小波矩对平移、尺度、旋转变换能够保持良好的不变性,并具有一定抗噪性。将小波矩运用于图像声呐扫描实验所采集得的海星和扇贝声学图像的分类识别,获得85.3%的识别准确率。得出结论,使用小波矩进行水声图像识别具备实际应用可行性和进一步研究价值。(本文来源于《第十七届船舶水下噪声学术讨论会论文集》期刊2019-08-21）
石洋,胡长青,崔杰[7]（2019）在《免疫粒子滤波在声呐图像目标跟踪中的应用》一文中研究指出基于前视声呐图像序列,研究并实现了经免疫算法优化的粒子滤波水下目标跟踪。声呐图像分割成二值图后,提取目标的区域形状特征以构建观测模型,设计目标模板自适应更新方法;将免疫算法的克隆与变异思想引入到粒子滤波中以解决粒子退化问题。对两组水下运动物体的跟踪实验表明,即使目标存在一定形变与干扰,文中的免疫粒子滤波算法仍能以较高的精度跟踪到目标真实运动轨迹;相比于传统粒子滤波算法,稳定性也更强。(本文来源于《声学技术》期刊2019年04期）
李鹏,陈嘉琦,马味敏,叶方跃[8]（2019）在《Contourlet域下基于多尺度特征的声呐图像分割》一文中研究指出水下环境复杂多变,导致声呐技术成像后的图像质量差,影响目标识别。为此,提出一种基于Contourlet域下多尺度高斯马尔可夫随机场(GMRF)模型的水平集声呐图像分割算法。采用Contourlet变换及逆变换获取声呐图像各尺度层下的纹理特征,通过GMRF对各层纹理特征建模,以描述局部结构空间信息并降低对噪声的敏感度。根据各层纹理特征模型,对声呐图像进行由粗到细尺度的水平集分割以得到分割结果。实验结果表明,该算法在不同声呐图像中的分割准确度超过90%,优于Otsu算法,且具有较低的复杂度和较强的鲁棒性。(本文来源于《计算机工程》期刊2019年09期）
赵欢[9]（2019）在《多尺度多特征融合的声呐图像目标检测》一文中研究指出随着海洋工程的发展,海底测绘成为了海洋研究领域的主要内容。海底声呐探测技术是目前进行海洋探测发展的重要基础技术,与之相关的声呐图像分析及处理得到了国内外学界的广泛关注。针对声呐图像的目标检测数据处理方法,在前人研究工作的基础上,基于声呐图像像素点分类方法,本文探索并实现了声呐图像的目标检测。本文主要进行了以下几方面的研究:(1)针对声呐图像的去噪方法进行研究。针对声呐图像难以去除的散斑噪声问题,本文分析并实现了基于小波分解的叁维块匹配滤波方法。该方法首先将声呐图像噪声进行高斯噪声建模,通过小波分解得到含噪图像的高频分量,然后对高频分量采用叁维块匹配滤波方法去除图像数据的高频噪声成分,最后对去噪后的图像进行小波重构。实验结果表明,该方法在去除噪声的同时保留了图像的边缘细节。(2)针对声呐图像低层特征提取方法进行研究。为了得到描述声呐图像纹理信息的分形特征,根据尺度变化时图像目标的分形特征变化剧烈的特点,提出基于高斯金字塔的快速地毯法声呐图像多尺度分形特征提取方法。为了得到描述声呐图像灰度信息的对比度特征,鉴于传统方法在图像边缘区域得到对比度误差较大的问题,通过计算图像灰度相似性得到声呐图像对比度特征。为了得到描述声呐图像边缘信息的边缘密度特征,根据图像目标区域相对背景区域具有丰富的边缘特征的特点,提出基于投票矩阵的声呐图像边缘密度特征提取方法。实验结果表明,本文的特征提取方法得到的图像特征比较精准,提高了分类精度。(3)基于条件随机场,本文分析并实现了全卷积网络声呐图像特征的提取。利用全卷积网络模型得到声呐图像特征并将该特征输入到条件随机场模型中得到最终的声呐图像特征。实验结果表明,该方法可以得到精细的图像特征。(4)针对声呐图像的目标检测方法进行研究。本文通过SVM分类器对像素点进行分类实现声呐图像目标检测,并使用遗传算法对分类器参数寻优。实验结果表明,该方法可以去除背景的影响,准确有效地检测出目标。(本文来源于《西安理工大学》期刊2019-06-30）
赵晓燕[10]（2019）在《基于小波分析的声呐图像边缘检测算法》一文中研究指出边缘被用来描述图像的主体轮廓,是后续图像分割和模式识别的关键。对于声呐图像而言,提取边缘就相当于从复杂的海底混响区中提取出目标的亮区和暗区。对声呐图像影响最大的噪声是散斑噪声,有效去除散斑噪声是提高声呐图像边缘检测的基础。由于小波变换在时域和频域都有良好的局部化特性,容易检测到图像的细节信息,因此本文采用小波变换对声呐图像进行滤波和边缘检测。本文主要研究内容如下:在声呐图像去噪方面:在半软阈值函数的基础上提出了新的阈值函数,得到改进滤波方法一,将改进滤波方法一和改进Frost滤波相结合得到改进滤波方法二。通过实验证明两种改进方法的边缘保持能力和所含信息量都优于经典算法和对比算法。在声呐图像边缘检测方面:将高斯函数的一阶导数作为小波基,标准差σ就是尺度参数。结合图像的灰度特性,提出一种自适应尺度参数σ的算法。该算法优化了自适应尺度参数,并对改进滤波方法二的实验结果进行边缘检测,得到初始边缘。将初始边缘分块,利用分块阈值法得到最终边缘。通过实验证明改进方法提取的边缘在定位和信噪比方面都优于本文提到的经典算法。(本文来源于《内蒙古大学》期刊2019-06-30）
声呐图像论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为研究西沙宣德环礁海底地貌特征及珊瑚分布情况,采用舷挂侧扫拖鱼的方式对环礁区域海底进行地貌扫测,从采集的侧扫声呐图像上可以识别出环礁区域珊瑚分布情况及珊瑚礁区地貌特征,利用侧扫声呐图像识别方法结合实物样品比对可以圈定出珊瑚分布范围、暗礁区域及环礁区域底质类型分布,采用基本的数学处理方法定量分析了水下珊瑚礁体的海底高度及疑似沉船的大小,分析了侧扫声呐图像显示的调查船转向效应。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
声呐图像论文参考文献
[1].朱正任,樊妙,邢喆,冯成凯,孙毅.多波束声呐图像条带中央和边缘残差处理方法[J].海洋技术学报.2019
[2].韩孝辉,刘刚,薛玉龙,王雪木,李亮.珊瑚环礁区侧扫声呐图像中的目标物识别方法[J].海洋技术学报.2019
[3].张丽红,周天,徐超,韩婷婷.基于声呐图像序列SIFT特征的多目标跟踪方法研究[J].声学技术.2019
[4].王涛,潘国富,张济博.基于K-means聚类与数学形态学的侧扫声呐图像目标轮廓自动提取方法[J].海洋科学.2019
[5].曾文冠,鲁建华.基于卷积神经网络的声呐图像目标检测识别[C].第十七届船舶水下噪声学术讨论会论文集.2019
[6].高强,鲁建华.基于声呐图像的海洋目标矩特征提取方法性能分析[C].第十七届船舶水下噪声学术讨论会论文集.2019
[7].石洋,胡长青,崔杰.免疫粒子滤波在声呐图像目标跟踪中的应用[J].声学技术.2019
[8].李鹏,陈嘉琦,马味敏,叶方跃.Contourlet域下基于多尺度特征的声呐图像分割[J].计算机工程.2019
[9].赵欢.多尺度多特征融合的声呐图像目标检测[D].西安理工大学.2019
[10].赵晓燕.基于小波分析的声呐图像边缘检测算法[D].内蒙古大学.2019
论文知识图
