黃家閩，楊瓏頎

(浙江大學(xué)信息與電子工程系，浙江 杭州 310027)

摘要：聲納圖像作為探測(cè)水下目標(biāo)的主要工具，常伴有非高斯噪聲，傳統(tǒng)的目標(biāo)檢測(cè)方法無法較好地應(yīng)用于聲納圖像。提出利用隨機(jī)共振系統(tǒng)對(duì)圖像進(jìn)行降噪處理，并提取圖像的梯度特征作為支持向量機(jī)的輸入特征向量，最終實(shí)現(xiàn)水下目標(biāo)的智能檢測(cè)。仿真實(shí)驗(yàn)結(jié)果表明，通過調(diào)節(jié)隨機(jī)共振系統(tǒng)的參數(shù)能夠提高目標(biāo)檢測(cè)率，并且該方法的計(jì)算量小，具有一定的應(yīng)用前景。

關(guān)鍵詞：聲納圖像；隨機(jī)共振；目標(biāo)檢測(cè)；支持向量機(jī)

DOI: 10.13954/j.cnki.hdu.2015.01.004

基于隨機(jī)共振和支持向量機(jī)的水下目標(biāo)檢測(cè)

黃家閩，楊瓏頎

(浙江大學(xué)信息與電子工程系，浙江 杭州 310027)

摘要：聲納圖像作為探測(cè)水下目標(biāo)的主要工具，常伴有非高斯噪聲，傳統(tǒng)的目標(biāo)檢測(cè)方法無法較好地應(yīng)用于聲納圖像。提出利用隨機(jī)共振系統(tǒng)對(duì)圖像進(jìn)行降噪處理，并提取圖像的梯度特征作為支持向量機(jī)的輸入特征向量，最終實(shí)現(xiàn)水下目標(biāo)的智能檢測(cè)。仿真實(shí)驗(yàn)結(jié)果表明，通過調(diào)節(jié)隨機(jī)共振系統(tǒng)的參數(shù)能夠提高目標(biāo)檢測(cè)率，并且該方法的計(jì)算量小，具有一定的應(yīng)用前景。

關(guān)鍵詞：聲納圖像；隨機(jī)共振；目標(biāo)檢測(cè)；支持向量機(jī)

DOI:10.13954/j.cnki.hdu.2015.01.004

收稿日期：2014-11-03

基金項(xiàng)目：中國博士后基金資助項(xiàng)目(2013M531457)

作者簡(jiǎn)介：黃家閩(1985-)，男，浙江奉化人，博士后，水聲信號(hào)處理.

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)識(shí)碼：：A

文章編號(hào)：：1001-9146(2015)01-0023-04

Abstract:Sonar imaging， as an important tool for underwater target detection， is often corrupted by non-Gaussian noises， thus the conventional object detection algorithms cannot be effectively applied in sonar image processing. This paper proposes a new method in which a stochastic resonance system is applied to preprocess the images and then normed gradients features are input into the support vector machine， so as to intelligently detect underwater targets. The experiment results show that the proposed approach can improve the target detection rate by tuning the parameters of the stochastic resonance system. Moreover， this method has low computational load and relatively broad application prospect.

0引言

聲納圖像是探測(cè)水下目標(biāo)的主要工具，它的成像原理有別于普通光學(xué)圖像，且常伴有大量非高斯噪聲。因此，基于高斯噪聲假設(shè)的傳統(tǒng)目標(biāo)檢測(cè)方法無法較好地應(yīng)用于聲納圖像。隨機(jī)共振描述的是增加噪聲能夠提高部分非線性系統(tǒng)的輸出信噪比[1]。并且研究表明通過調(diào)節(jié)隨機(jī)共振系統(tǒng)的參數(shù)能夠降低噪聲，可被應(yīng)用于非高斯噪聲背景下的信號(hào)檢測(cè)問題[2-3]。支持向量機(jī)(Support Vector Machine，SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，具有更容易訓(xùn)練、無局部極小值等優(yōu)點(diǎn)[4]。本文將隨機(jī)共振系統(tǒng)作為聲納圖像的降噪處理模塊，并提取降噪后圖像的梯度特征輸入訓(xùn)練后的SVM，最終實(shí)現(xiàn)對(duì)水下目標(biāo)的檢測(cè)。

1基于隨機(jī)共振的圖像降噪處理方法Equation Section (Next)

考慮到圖像信號(hào)由離散的像素點(diǎn)組成，本文采用具有如下形式的離散隨機(jī)共振系統(tǒng)[2]：

yi=F(yi-1)+xi

(1)

由于圖像是二維信號(hào)，本方法從上到下、從下到上、從左到右、從右到左逐行(列)掃描圖像，得到的4組一維信號(hào)。這樣的處理方法能夠兼顧圖像在垂直方向上的信息。并且考慮隨機(jī)共振系統(tǒng)具有一定的響應(yīng)滯后，通過往返掃描圖像盡可能地抵消圖像在某一方向上的畸變。隨后將4組一維信號(hào)分別輸入離散隨機(jī)共振系統(tǒng)進(jìn)行處理，輸出的信號(hào)還原成4幅圖像。最后，將處理后的4幅圖像加權(quán)平均得到降噪處理結(jié)果。

2基于SVM的目標(biāo)檢測(cè)算法

(2)

式中，wTφ(xi)+b為高維空間中的超平面，φ為非線性映射，ξi為第i個(gè)松弛變量，C為懲罰因子。該模型的對(duì)偶問題為l階二次規(guī)劃問題，通過求解這一規(guī)劃問題，最終得到SVM函數(shù)如下：

(3)

式中，x為測(cè)試樣本，α為拉格朗日乘子，并且內(nèi)積運(yùn)算[φ(xj)，φ(x)]可以用一個(gè)核函數(shù)K來計(jì)算。本文采用徑向核函數(shù)如下：

(4)

式中，參數(shù)γ的取值為特征向量維度的倒數(shù)。

圖像的梯度值計(jì)算簡(jiǎn)單，并能反映目標(biāo)的輪廓和內(nèi)部細(xì)節(jié)特性[5]。因此，本文以聲納圖像的梯度特征作為輸入SVM的特征向量x。對(duì)于任意位置像素點(diǎn)梯度值的計(jì)算公式如下：

(5)

式中，(m，n)為像素的坐標(biāo)，I為該像素的灰度值。

本文采用滑動(dòng)窗方法遍歷聲納圖像，并通過調(diào)節(jié)窗的大小和形狀產(chǎn)生若干數(shù)量的圖像塊。將任意大小的圖像塊縮放成統(tǒng)一大小(本文采用20×20)，從而保證圖像塊具有相同的特征向量維度。計(jì)算每一個(gè)圖像塊的梯度特征，并輸入經(jīng)過訓(xùn)練的SVM進(jìn)行分類，進(jìn)而判斷圖像塊內(nèi)是否包含目標(biāo)。

3仿真實(shí)驗(yàn)

在仿真實(shí)驗(yàn)中，本文共收集了42張聲納圖像。首先通過人工標(biāo)定目標(biāo)位置用于產(chǎn)生訓(xùn)練實(shí)例集。利用隨機(jī)共振系統(tǒng)對(duì)圖像進(jìn)行降噪處理，參數(shù)a和b分別取1，1.2，1.4，1.6，1.8和10，100，1 000，10 000，共組合成24組參數(shù)對(duì)。隨后采用留一法檢驗(yàn)算法的目標(biāo)檢測(cè)性能，即每次取一幅圖像作為測(cè)試樣本，剩余圖像作為訓(xùn)練樣本。最后將所有性能參數(shù)進(jìn)行平均。部分聲納圖像的最優(yōu)目標(biāo)檢測(cè)結(jié)果如圖1所示，可以看到當(dāng)背景噪聲較小時(shí)，本文的算法能夠較好地識(shí)別目標(biāo)的位置和大??；當(dāng)背景噪聲較大或者多個(gè)目標(biāo)物位置相近時(shí)，本方法的識(shí)別性能將有所下降。

圖1　聲納圖像的最優(yōu)目標(biāo)檢測(cè)結(jié)果

本文以目標(biāo)檢測(cè)率，即輸出檢測(cè)框在真實(shí)檢測(cè)框中的覆蓋率，作為評(píng)價(jià)算法性能的量化指標(biāo)。不同隨機(jī)共振系統(tǒng)參數(shù)下目標(biāo)檢測(cè)率隨SVM閾值的變化如圖2所示。從圖2可以看到，隨著目標(biāo)檢測(cè)分類器SVM閾值的從右到左不斷減小，目標(biāo)檢測(cè)率呈現(xiàn)不斷上升的趨勢(shì)。對(duì)于利用參數(shù)為a=1.2，b=100的隨機(jī)共振系統(tǒng)進(jìn)行處理的圖像集，算法的目標(biāo)檢測(cè)率可以達(dá)到峰值90%，優(yōu)于未處理圖像的檢測(cè)率。同時(shí)，圖2中，若干應(yīng)用隨機(jī)共振系統(tǒng)(例如a=1.2、b=100；a=2、b=1 000等)處理后的檢測(cè)性能曲線也完全處于未處理圖像結(jié)果的上方。因此可以得出結(jié)論，利用隨機(jī)共振系統(tǒng)對(duì)聲納圖像進(jìn)行降噪處理有利于提高聲納圖像的目標(biāo)檢測(cè)率。

圖2　不同隨機(jī)共振系統(tǒng)參數(shù)下目標(biāo)檢測(cè)率隨SVM閾值的變化

4結(jié)束語

本文提出了一種基于隨機(jī)共振的聲納圖像降噪處理方法，通過提取降噪后圖像的梯度特征作為SVM的輸入特征向量，最終實(shí)現(xiàn)對(duì)水下目標(biāo)的檢測(cè)。該方法計(jì)算簡(jiǎn)單，易于實(shí)現(xiàn)，具有一定的工程應(yīng)用前景。仿真實(shí)驗(yàn)結(jié)果表明，隨機(jī)共振系統(tǒng)在降噪的同時(shí)能夠保留目標(biāo)的梯度信息，并且通過調(diào)節(jié)隨機(jī)共振的系統(tǒng)參數(shù)能夠提高目標(biāo)檢測(cè)率。

參考文獻(xiàn)

[1]Gammaitoni L， H?nggi P， Jung P，et al. Stochastic resonance[J]. Reviews of modern physics，1998，70(1)，223-283.

[2]Zhang H， Xu B， Li J， et al. Evaluation of bistable systems for binary signal detection in symmetric non-Gaussian noise[J]. Probabilistic Engineering Mechanics，2010，25(1)，119-126.

[3]Huang J M ， Tao W M， Xu B H. Evaluation of an Asymmetric Bistable System for Signal Detection under Levy Stable Noise[J]. Chinese Physics Letters，2012，29(1)，010 501.

[4]Osuna E， Freund R， Girosi F. Training support vector machines: an application to face detection[C] //Computer Vision and Pattern Recognition， 1997. Proceedings.， 1997 IEEE Computer Society Conference on. IEEE，1997:130-136.

[5]Cheng M M， Zhang Z， Lin W Y， et al. BING: Binarized normed gradients for objectness estimation at 300fps[C] //IEEE CVPR，2014.

Underwater Target Detection Based on Stochastic

Resonance and Support Vector Machine

Huang Jiamin， Yang Longqi

(DepartmentofInformationScienceandElectronicEngineering，ZhejiangUniversity，HangzhouZhejiang310027，China)

Key words: sonar image; stochastic resonance; target detection; support vector machine