小样本下基于深度学习的声呐图像分类研究

水下环境复杂多样,使得声呐成像模糊难以人工提取特征,同时声呐图像不易获取,数量远少于光学图像,导致了小样本情况下声呐图像分类网络的训练过拟合现象明显,识别准确率低。基于所建立的声呐图像数据集进行预处理后,提出一种改进的带有类别偏好的标签平滑正则化方法,对训练数据的标签进行优化,减轻网络的自信程度,并基于迁移学习中微调的方法利用光学图像对网络参数进行预训练和冻结,融合以上方法构建了一种小样本下的分类网络模型。仿真实验结果表明,优化后的网络模型取得了最佳分类识别准确率,有效抑制了过拟合现象,能够在小样本下实现精确分类声呐图像。     

基于成像声呐的水下多目标跟踪研究

针对水下多目标跟踪问题,提出基于成像声呐的高效目标跟踪算法. 基于声呐的成像特点,针对声学图像中的每个像素点,建立基于信号强度的回波信号模型,提取图像中的个体目标. 采用基于序贯蒙特卡罗的概率密度假设(SMCPHD)滤波对各目标状态进行滤波,结合Auction航迹识别算法将滤波后的目标状态与已确定的航迹进行关联,实现多目标跟踪. 通过算法的仿真分析发现,该方法相对于基于数据关联型的多目标跟踪算法如联合概率数据关联(JPDA)算法、多假设跟踪(MHT)算法,大大提高了计算效率. 对采集的现场数据进行目标提取与跟踪,获得目标的跟踪轨迹.     

改进的最小交叉Tsallis熵的小目标声呐图像分割

利用一维属性直方图改进交叉Tsallis熵,在此基础上提出了一种基于一维属性直方图的对称最小交叉Tsallis熵水下小目标声呐图像分割方法。该方法的主要步骤是:①抑制水下小目标声呐图像的散斑噪声;②根据图像像素的灰度值和该像素邻域的灰度平均值的大小建立属性集,在属性集上建立与该属性集约束对应的一维属性直方图;③根据一维属性直方图的对称交叉最小Tsallis熵法确定灰度二值化阈值;④对二值化后的图像去除孤立区。实验结果表明:该方法适用于直方图为复杂非双峰形状的水下小目标声呐图像,而且与现有的属性直方图上的一维最大熵阈值化法比较,具有更强的抗噪能力。     

基于卷积神经网络的水下图像增强方法

为了避免传统水下图像增强方法需要人工选取特征,特征提取困难、清晰度低的问题,本文提出一种基于卷积神经网络的水下图像增强方法。首先根据清晰图像,通过水下图像退化模型模拟水下图像形成过程并建立水下图像库。然后,提出一种用于增强水下图像的卷积神经网络模型,该模型可以直接在清晰图像和水下图像之间建立映射关系。最后,通过卷积神经网络提取的图像特征,对水下图像进行恢复。试验结果表明:本文方法较传统方法噪声更少,并且提高了清晰度,为水下图像增强方法的研究提供了新的思路。     

基于规一化割的声呐图像谱抠图分割

针对目前谱图理论应用于声呐图像分割时,效果不够理想的问题,提出一种结合Ncut和谱抠图的声呐图像分割方法.该方法首先通过形态学变换对声呐图像进行预处理,降低复杂背景对分割结果的影响;其次,引入数字抠图技术,通过改变Ncut算法中的拉普拉斯公式得到用于分割的图像透明度估计;最后,通过透明度处理得到最终的声呐图像分割结果.仿真实验证明了所提算法的有效性,与传统的谱图分割方法相比,没有对声呐图像的背景进行分割,并准确提取出了目标区域,得到了更理想且更细致的声呐图像目标分割结果,有利于后期识别.     

基于Ncut的声呐图像谱抠图分割

针对目前谱图理论应用于声呐图像分割时,效果不够理想的问题,提出一种结合Ncut和谱抠图的声呐图像分割方法.该方法首先通过形态学变换对声呐图像进行预处理,降低复杂背景对分割结果的影响;其次,引入数字抠图技术,通过改变Ncut算法中的拉普拉斯公式得到用于分割的图像透明度估计;最后,通过透明度处理得到最终的声呐图像分割结果.仿真实验证明了所提算法的有效性,与传统的谱图分割方法相比,没有对声呐图像的背景进行分割,并准确提取出了目标区域,得到了更理想且更细致的声呐图像目标分割结果,有利于后期识别.     

CNN特征与BOF相融合的水下目标识别算法

为了改善作为低级表示的尺度不变特征变换(scale invariant feature transform, SIFT)匹配常出现的没有足够特征来防止假匹配的问题,提出在传统方法“词袋”(bag of features, BOF)算法中融合具有较好语义分割能力的卷积神经网络(convolution neural network, CNN)特征来提高识别率的方法。利用ImageCLEF网站的LifeCLEF鱼类视频,制作目标图像数据库。在caffe平台的Alexnet模型进行卷积神经网络的训练,提取图像库和查询图像的特征。利用训练好的CNN特征在Matlab软件进行识别试验验证,计算汉明距离来验证匹配效果。改变参数值来观察不同汉明距离阈值对水下目标识别结果的影响。自制图像库的试验表明,融合深度学习的特征可以有效提高BOF算法的水下目标识别率,对汉明距离阈值的选择需要根据实际情况选择合适的参数。     

基于声学图像处理的水下机器人局部路径规划

针对当前水下机器人多以前视声呐作为环境感知设备的特点,设计了一种基于声学图像处理的水下机器人局部路径规划算法.给出了基于声学图像处理的局部路径规划基本步骤.以前视图像声呐得到的声学图像为基础,进行环境分析.以串口接收声呐图像底层回波强度数据,利用迭代式阈值选择算法,进行图像分割.采用数学形态学方法去除噪声,膨化障碍物,建立环境数学模型.以距离值传递法搜索最佳路径.此算法以海上实验数据验证,得到了良好的规划结果.搜索到的路径距离短,搜索速度快,满足实验要求.实验表明,以前视声呐作为避碰传感器,进行局部路径规划是切实可行的.     

基于YOLO神经网络的雷达目标成像识别评估研究

针对复杂地面背景环境下的武器装备精确探测识别需求,采用Lee增强滤波、对比度自适应直方图均衡化和能量归一化等图像预处理方法,提高SAR图像质量;通过引入两个可学习的参数和采用基于非极大值抑制(NMS)方法构建了优化的YOLO神经网络目标识别方法,对基于轮廓、纹理等特征的地面目标SAR图像自动识别进行了实验.实验结果表明,与形变卷积神经网络(DPM)和区域卷积神经网络(RCNN)相比,优化YOLO网络的目标识别率提升了10％以上,为基于目标成像识别的隐身性能评估提供了一种途径.     

水下目标二维散射特性测量方法

基于合成孔径原理,提出一种水下目标二维散射特性测量方法,该方法采用声呐基阵静止而目标作合作匀速直线运动的模式.推导了前述模式下的目标回波信号模型.对回波信号进行二维成像处理,利用反投逐点算法进行方位向的聚焦处理,进而得到目标在距离和方位维的二维散射特性.给出计算机仿真和水池试验的回波数据处理结果,得到水下目标散射特性的二维空间分布,方位向理论分辨率达到0.04 m,且分辨率与距离和频率无关.该方法可用于目标特征缩减和目标识别.     

一种基于谱估计的被动声呐目标识别方法

为解决被动声呐目标的特征提取与识别问题，通过对被动声呐目标噪声频谱特性的深入分析，给出了一种基于Welch谱估计的目标特征提取方法．对提取出来的特征采用动态规划的方法进行特征选择，得到用于识别的特征向量．对海上实录的多种型号和多种工况的大量噪声样本进行了特征提取和特征选择．采用BP神经网络和最近邻法对噪声样本进行了分类识别实验，结果证实了所提方法的可行性和有效性．研究结果可以用于被动声呐目标识别．     

水下航行体目标成像及处理研究

现代海战水下作战环境变得越来越复杂,为了提高作战效能,有必要提高水下航行体自导系统的目标识别能力．为了提取目标的本质特征,构建目标的水声图像,采用正交解调、复数字波束形成、波束内插、图像处理等技术,形成水下航行体目标图像．该图像为水下航行体在复杂作战环境下识别目标关键部位,并对目标实现精确打击奠定了技术基础．实验结果表明,该方法在实际中切实可行．     

基于改进卷积神经网络的藻类分类与识别方法

通过观测水体中海藻的种类和数量对水质的影响,达到预防藻类污染和检测水质好坏的 目的.基于改进卷积神经网络与深度学习 目标检测模型相结合的方法对藻类图像的大小、形态等特征进行提取与训练,实现藻类图像的识别分类.实验结果表明,运用改进的卷积神经网络和目标检测模型使得藻类识别的平均准确率达到95％以上,有效避免了过拟合的现象.该方法用于水质检测可以有效地解决由于人工识别分类带来的误差,减少人力输出,提高效率.     

适用于水下目标识别的快速降维卷积模型

针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。     

基于不变性特征的水下目标特征提取

针对水下成像环境的特殊性和复杂性，分析了在离散状态下比例因子对不变矩特征的影响，构造了基于区域矩的仿射变换不变量，以克服水下不确定因素给目标识别带来的困难，为了验证所提取特征的有效性，对球体、椭球体、三棱柱和四棱柱4类水下目标进行了特征提取试验．仿真试验结果表明，该方法在对简单背景水下图像的特征提取上能够取得较好的效果，可有效地克服水下图像灰度分布不均和环境不确定因素的干扰，实现了对水下目标的区分．     

基于生成式对抗网络和多级小波包卷积网络的水下图像增强算法

为了解决水下图像的雾模糊和偏色问题,针对水下图像成像模型提出基于生成式对抗网络（GAN）和改进卷积神经网络（CNN）的水下图像增强算法. 利用生成式对抗网络合成水下图像,以对配对式水下图像数据集进行有效扩充. 利用多级小波变换,以不丢失特征分辨率的方式对水下图像进行多尺度分解,然后结合卷积神经网络利用紧凑式学习方式对多尺度图像进行特征提取,并利用跳跃连接以防止梯度弥散,克服水下图像的雾模糊效应. 利用风格代价函数学习彩色图像各通道间的相关性,提高模型的色彩校正能力,克服水下图像色彩失真的问题. 实验结果表明,相较对比算法,在主观视觉和客观指标上,本研究所提算法拥有更优秀的综合性能及鲁棒性.     

自适应单尺度Ridgelet声呐图像去噪方法

声呐图像背景复杂，对比度差，边缘恶化，不易判读图像边缘．对声呐图像执行小波变换能够有效去除噪声，但是由于小波的局限性，其对图像边缘的保持效果不佳．正交有限Ridgelet （FRIT）变换能够有效克服小波变换在处理高维信号时的不足，是一种有效处理二维奇异性信号新方法．针对水下声呐图像特点及噪声分布情况，提出单尺度自适应去噪处理算法，既削弱了单独使用FRIT处理时出现的环绕现象，又克服了单独使用小波去噪时无法保持边缘的缺点，同时提高了图像信噪比．与其他经典方法及单独使用FRIT方法比较，此改进方法在水下声呐图像去噪输出信噪比及边缘保持等方面均获得理想效果．     

基于卷积神经网络的图像精度深度优化

传统的图像精度深度优化方法优化后的图像精度仍然较差,为此设计一种基于卷积神经网络的图像精度深度优化方法。采用目标监测方法提取图像目标区域特征,对图像的原始特征提取,利用深度学习框架生成多个特征图表示图像信息,并对图像像素集分割,固定待提高精度的图像,利用卷积神经网络修复图像,以实现图像增强,完成基于卷积神经网络的图像精度深度优化。实验对比结果表明,此次设计的基于卷积神经网络的图像精度深度优化方法比传统的优化方法优化后的图像精度高,具有较强的实用价值。     

高精度航空吊放声呐目标模拟技术

提出一种用于航空声呐水下目标的模拟技术和设计方法,经海上试验取得了满意的效果。该方法采用以增益可控部件为核心的步进式增益控制技术,对信号进行大范围动态压缩;采用数字波形存贮技术对接收到的声呐信号进行实时处理和存贮;通过参数设置,完成水下真实目标（潜艇）的回波目标模拟。     

深度连续卷积神经网络模型构建与性能分析

为了提升卷积神经网络特征提取能力,设计了一种基于连续卷积的深度卷积神经网络模型.该模型采用小尺度的卷积核来更细致地提取局部特征,并借助连续的两个卷积层增加模型的非线性表达能力,结合Dropout技术降低神经元之间的相互依赖,利用抑制网络过拟合对模型进行优化.人脸表情、手写数字字符和彩色图像的目标识别实验表明,在图像较为复杂时,该模型在识别的准确性和泛化性能上比手工特征提取方法及一般的2、3层卷积结构具有明显的优势.