*51今日免费论文网|www.jxszl.com +Q:  3_5_1_9_1_6_0_7_2 
/> 2.4.2基于贝叶斯估计的NSCT域去噪算法 15
2.5图像质量评价 16
2.6实验结论与分析 18
2.6.1模拟图像去噪实验效果与结论 18
2.6.2声呐图像去噪实验效果与结论 19
2.6.3声呐图像增强效果图 21
2.7本章小结 21
第三章 基于模糊聚类的声呐图像分割方法 22
3.1引言 22
3.2图像分割概述及其常用方法 22
3.2.1基于阈值的分割方法 22
3.2.2基于区域的分割方法 23
3.2.3基于边缘检测的分割方法 24
3.2.4基于聚类的分割方法 24
3.3基于模糊聚类的水下声呐图像分割方法 25
3.3.1模糊理论基础 25
3.3.2FCM算法基础 26
3.3.3基于FCM的水下声呐图像分割 28
3.4实验结果与结论 29
3.5模糊C均值聚类分割存在的问题 30
3.6本章小结 30
第四章 基于MRF和FCM的声呐图像分割算法 31
4.1引言 31
4.2 Markov随机场 31
4.2.1 Markov随机场基本概念 31
4.2.2 Gibbs随机场 33
4.2.3 Markov随机场与Gibbs随机场间的等效关系 33
4.3基于MRF和FCM水下声呐图像分割 34
4.3.1 MRF模型的分割原理 35
4.3.2 构建MRF空间约束场 36
4.3.3基于MRF和FCM的水下声呐图像分割算法 37
4.4实验结果与分析
38
4.5本章小结 39
第五章 总结与展望 40
5.1本文工作总结 40
5.2后期展望 40
参考文献 41
致谢 45
附录一 英文文献 46
附录二 中文翻译 52第一章 绪论
1.1选题研究背景和意义
海洋面积占整个地球面积的71%，其蕴含着极其丰富的矿产和生物资源，是一个天然的大宝库。随着经济的迅速发展，人们对陆地资源的过度开发，陆地资源已逐渐枯竭，世界各国已纷纷投入到海洋资源的开发中，针对水下资源的勘测、搜索活动也愈演愈热，而海洋自身的复杂环境决定了海洋开发需要先进技术的支持，这就造成了人们对高性能水下探测设备的需求也日益迫切。目前可用的水下探测方法包括磁探测、声探测、光探测和红外探测等，其中声探测是目前最有效最常用研究最多的一种探测手段，即声呐技术[1]。
声呐技术出现在二十世纪初，最初是在军事领域得到广泛应用，而后，随着海洋活动的日益增多以及声呐技术的显著发展，对海洋的探索已不仅仅局限于军事活动，在民用和商用领域也渐有声色，如海底资源开发、海洋渔业、石油勘探、海底地形地貌的绘制等方面。无论从军事领域或是民用商用领域来看，海洋开发活动均都与人们的生活息息相关，而声呐作为海洋开发的重要工具，其质量和性能便显得尤为重要，声呐在水下是利用声波进行工作的。二十世纪八十年代后，计算机和信号处理技术迅速发展为声呐技术的发展提供了强有力的保障，自此，国际上掀起了一股对水下机器人(AUV)的研究热潮，并取得了一定的成果。水下机器人的设计是为了帮助人们完成水下作业，结合声呐的自动识别技术可进行高效率，低成本，不间断的工作。现如今，水下应用已朝着智能化，自动化的发展方向，由此可见利用声呐完成目标自动识别的技术也越来越重要。与美国等西方国家对声呐及其相关技术的研究相比，我国还相对落后。我国是一个海洋大国，近年来我国与周围国家在南海及东海问题上均有摩擦，我们已认识到发展海军技术迫在眉睫，伴随着海军自动化的建设，水下目标自动识别技术需要进一步发展。而在水下目标识别系统中最重要最关键的一步便是水下目标的分割，可以说图像分割是目标识别的基础和前提。对图像进行一个精确地分割对后续处理来说相当重要。
声呐图像不同于光学图像，受水下复杂环境的影响，声呐图像往往呈现出噪声严重、分辨率低、清晰度低等特性，此外目标物体的边界通常会不规则乃至残缺不全，这些都严重影响了目标的分割与识别。本文的主要工作就是结合声呐图像的特性研究水下声呐图像的分割技术，寻求一种适合水下图像分割的方法。
1.2研究现状及存在的问题
1.2.1声呐图像分割国外研究现状
图像分割的方法很多，常用的分割算法有边缘检测、边缘跟踪、阈值分割、区域法、聚类法、模糊方法等，其中阈值分割又可分为全局阈值分割、局部阈值分割、动态阈值分割、最大类间分割法、最大熵方法等。近年来，人们对图像进行分割已不局限于使用单一的分割方法，而更多的是将多种分割算法进行融合，各种算法结合可相互取长补短，更好的实现图像的分割。
声呐图像与光学图像本质虽相同，但由于声呐工作的特殊环境以及自身的非线性呈现原理使得声呐图像分割较光学图像来说更具挑战性。起初，人们对声呐图像的分割是依靠人工实现的，人工处理虽然精细但却是耗时耗力，于是，人们便想从传统的光学图像的分割技术中寻求适合声呐图像的分割方法。2000年Max Mignotte[2]等人将多层马尔科夫随机场（MRF）模型用于声呐图像的分割，这种新的分割方法采用因果多栅（SCM）算法，实验证明该方法可以得到准确地分割效果，鲁棒性强；2005年Zhuofu Liu[3]等人将基于神经网络的Snake 模型用于声呐图像的分割，与其他基于Snake模型的算法相比，该方法具有高效、精确、对变形及噪声抑制作用大的优势；2008年Ning Sun[4]等人提出基于马尔科夫随机场GaussRayleigh混合模型的声呐图像分割，采用Rayleigh分布建模混响区，并用Gauss分布建模目标区和阴影区，实现了两类区域的分割，与其他分割方法相比，该方法降低了分割复杂性并提高了分割效率；2009年Imen Karoui[5] 对声呐图像进行的分割时加入了图像的纹理特征，对从灰度共生矩阵，Gabor滤波及小波系数提取的纹理特征进行最大边缘概率估计(MMP)，最后用水平集求出声呐图像分割结果，此方法分割效果虽然极好但较为复杂，时间代价较大。Enfang SANG[6]等提出了基于主动轮廓的声呐图像分割方法，经验证该方法可有效分割出目标区域，避免由于图像阴影带来的边缘弱化的问题。Liu Hongpo[7]等提出了基于模糊聚类粒子群优化算法(PSO)的高分辨声呐图像的分割方法，该算法将PSO的聚类结果初始化FCM，并用模糊测量和模糊积分表示适应函数，PSOFCM分割效果优于FCM且适应性更强。

原文链接：http://www.jxszl.com/dzxx/dzkxyjs/48221.html