前视声纳图像序列拼接算法研究

发布时间：2020-03-18 21:29

【摘要】：在水下探测应用中,二维前视成像声纳是获取场景视觉信息的重要工具。然而由于前视声纳图像视野有限,不能完整地反映场景信息,而处理单帧图像中的部分目标信息显然是不方便的,于是需要利用图像拼接技术,将数张不同时间、不同视角或者不同传感器获得的部分重叠图像,综合成一幅全视角无缝高分辨率图像。本文以前视声纳图像序列作为研究对象,将单帧有限视角的声纳图像综合为一幅全景图像,充分反映水下视觉信息,为水下图像拼接提供技术手段。论文以图像拼接过程涉及的图像配准、全局比对和图像融合步骤为研究重点,并组织成完整的前视声纳图像拼接算法,主要研究成果包括以下:1.提出基于局部区域相位相关的邻近帧前视声纳图像配准算法。前视声纳图像满足刚性变换关系,包括一个旋转角度和两个平移量。前视声纳图像特征不显著,常用的基于特征的配准算法不能满足序列图像的配准需求,只能利用图像区域内所有像素灰度配准图像。然而前视声纳图像成像质量较差,例如像素灰度信息不丰富、图像信噪比较低并且图像灰度空间分布不均匀等因素,均会影响配准效果。针对这些问题,提出的配准算法使用前视声纳图像原始数据估计旋转角度,不需要图像极坐标变换涉及的插值操作,从而克服像素灰度信息不丰富的影响。相位相关法对图像噪声鲁棒性较强,可用于低信噪比的前视声纳图像配准参数的计算。此外,算法通过选择配准区域抑制声纳图像灰度分布不均匀对配准结果的影响。实验中,使用不同场景的声纳图像序列对算法准确性和实时性进行分析,体现提出算法对于邻近帧前视声纳图像序列配准的优越性,满足前视声纳图像序列拼接需求。2.提出了基于位姿图优化的全局比对算法。首先建立前视声纳图像序列位姿图,明确位姿图中各变量的定义与计算。为了消除邻近帧图像配准产生的累积误差,需要利用闭环图像配准建立全局约束。然而,前视声纳图像灰度不均匀的特点在闭环条件下对配准的影响尤其明显,邻近帧图像配准算法不能满足该条件下的图像配准。针对该问题,本文算法提取图像中的特定特征进行闭环帧图像配准,算法提取图像中的线状特征同时利用这些特征配准闭环帧图像,将配准结果作为全局约束加入位姿图中进行优化。本文提出的全局比对方法能够有效消除图像垂直运动方向上近40个像素的累积误差,。3.提出了分步式前视声纳图像融合算法,该算法为像素级图像融合,分为初融合和再融合两部分。由于前视声纳图像成像的特殊性,其图像清晰度描述量不同于现有的清晰度描述量。针对该问题,分别提出Gabor能量和局部方向对比度作为声纳图像清晰度描述量,建立融合规则。在初融合步骤中,首先利用非下采样轮廓波将源图像分解为高频和低频成分;然后分别将低频和高频成分按照Gabor能量和局部对比度融合规则融合,作为融合图像的低频和高频成分;最后将融合的低频和高频成分进行非下采样轮廓波反变换,得到初融合图像。再融合步骤中,首先通过衡量源图像和初融合图像相似性构造决策矩阵,以反映源图像有利区域;随后,利用形态学后处理平滑决策矩阵边缘,保证融合图像连续性和平稳性;最后,按照决策矩阵将源图像和初融合图像像素传递到最终的融合图像中。实验证明提出的融合算法有效地融合前视声纳图像,产生图像灰度平稳、内容清晰的融合结果,在主观评价和客观指标上均优于现有算法。4.完善了前视声纳图像拼接算法框架,拼接框架需要集合图像拼接的主要三个步骤,包括邻近帧图像配准、图像序列全局比对和图像融合算法。前视声纳探测过程运动路径多样,拼接算法框架需要满足各种路径形式的图像序列拼接。针对该问题,首先研究最简单运动路径的声纳图像序列拼接框架,随后根据运动形式的复杂化,逐渐完善拼接算法框架。过程按照仅有旋转运动的图像序列拼接、结合记录信息的图像序列拼接和带有闭合回路的图像序列拼接展开,实验结果表明提出算法能够适应广泛运动形式下的前视声纳图像序列拼接。本文深入研究了前视声纳图像序列拼接算法主要步骤,提出针对于前视声纳邻近帧图像配准算法、基于图优化理论的全局比对算法和前视声纳图像融合算法,最后将各提出的算法综合成前视声纳图像序列拼接框架。实验中,使用实测声纳数据验证了相关技术,结果表明:本文提出的各项算法具有较高的准确性和稳定性,适用于前视声纳图像序列拼接,具有较高的工程价值。
【图文】：

实例图,图像配准,实例

图像配准实例Fig.1.2Anexampleofimageregistration

计算图,前视声纳,图像配准,图像特征

但是该方法要求声纳图像视野中包含丰富的特征，建立足够的特征匹配以计算图像之间的单应性关系，如图1.3(a)。除了点特征，一些还提取斑状特征用于前视声纳图像配准，这些斑状特征一般是由将超过某特定门限的像素聚类而产生的点集组成。文献[63]提取图像中梯度值较大的像素，使用 K-means 方法聚类提取的像素，同时剔除较小的点集，将剩下的点集作为斑状特征如图 1.3(b)。随后，用一系列尺寸均匀的栅格划分斑状特征，利用每个栅格内像素分布特点结合 NDT(Normal Distribution Transform, NDT)算法[64]配准图像。类似地，文献[65,66]利用图像视野中的目标和阴影信息，提取灰度值较大并具有垂直方向负梯度的像素点集，应用 GMM(Gaussian Mixture Model, GMM)代替栅格划分点集，使得算法能适应形状不规则的点集。最后根据点集分布模型参数建立优化策略，，寻找图?
【学位授予单位】：哈尔滨工程大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;TB56

【相似文献】