基于水面特征波纹的水下运动目标Radon变换探测方法 下载: 1298次
1 引言
潜艇被誉为“水中杀手”,以其高度的隐蔽性和机动性在海洋中具有强大的威慑力和打击力,因此,潜艇探测研究一直受到高度重视。随着潜艇降噪技术的进步,声呐等传统探潜技术已不能满足应用的需要,人们逐渐将目光转向了潜艇的非声学探测技术。潜艇在水下航行时会在身后水域形成一片持续时间较长、长度有时可达数十千米的水动力学尾迹(主要包括伯努利水丘、开尔文尾迹、湍流尾迹、内波尾迹、热尾迹等)。与其他非声物理场特征信息相比,水动力学尾迹具有频率特征明显、极难被“隐身”等特点,这为水下探潜提供了信息基础。而且,水动力学尾迹影响的水域范围很广,因而十分适用于基于遥感手段的探测。据文献报道,即便潜艇在水下1000 ft(1 ft≈0.3048 m)的深度航行,在海面依然可以探测到伯努利水丘和开尔文尾迹。美国海军于2009年开始研究全新的液体隐身衣,通过超材料改变潜艇的表面特性和水流分布,以减小水下潜艇运行中的水面波纹。近年来,随着成像探测及图像信息处理技术的发展,基于潜艇水动力学尾迹的目标探测技术迅速发展[1],机载、星载可见光遥感和成像雷达均成为有效的水面舰艇探测手段,其中,机载光电成像模式以其空间分辨率高、成像细节清晰等特点,近年来在海洋监测和海洋科学研究领域备受青睐[2]。但当潜艇在水下航行深度加大或速度减小时,水面特征波纹的表现会逐渐减弱,再加上海面风生重力波等复杂波纹的影响,这些都加大了水面特征的探测难度。
近年来,研究人员全方位地开展基于光电偏振成像探测水面特征波纹实现水下运动目标探测的方法研究,在大视场偏振成像理论[3]、高斯粗糙表面的偏振特性[4]、透明介质曲面的光电偏振成像检测方法[5]等领域取得积极进展,证明光电偏振成像是水面特征波纹成像检测的有效方法之一。
从海面混合波纹中有效提取水下运动目标的特征波纹是非常复杂的问题。由于尾迹在探测图像中大多呈现线性特征,而图像处理方法中提取直线族的Radon变换具有出色的抗噪性能[6],因此,基于Radon变换的线性检测算法常被用于遥感图像水面尾迹的检测。如Mata-Moya等[7]在滤波预处理阶段采取滑动均值滤波,用窗口Radon变换提高处理效率;Graziano[8]对图像作Radon变换后将变换点的物理特征与实际尾迹峰值点的物理特征相比较,通过恒虚警率的方法过滤出非尾迹峰值点。国内有关尾迹检测的研究也逐步展开,如杨国铮等[9]采取基于形态字典学习的Radon变换方法对复杂背景下的图像舰船尾迹进行检测;Xing等[10]引入长度归一化Radon变换,并通过滤波预处理的方法增强暗尾迹。然而,目前尚没有针对水面特征波纹光学图像提取方法的研究报道。
本文基于水下运动目标的水面特征波纹模型和风生重力波模型基础,研究适合从水面混合波纹光学图像中提取水下运动波纹的Radon变换算法,以期为基于光学偏振成像的水下运动目标探测提供可行方法。
2 水下运动目标的水面波纹模型与模拟
2.1 水下运动目标的水面尾迹线性特征
潜艇等水下运动目标的水面特征波纹主要包括伯努利水丘和开尔文尾迹(
图 2. 舰船的水面尾迹及其尾迹组成分量。(a)实际舰船尾迹;(b)尾迹组成分量的几何关系
Fig. 2. Ship's wake and components of the wake. (a) Actual ship's wake; (b) geometric relationship of wake components
在光学图像上,水下运动目标的水面特征波纹包括前端起伏的伯努利水丘、V型开尔文臂和湍流尾迹。开尔文尾迹包含分歧波和横断波两种明显的波形,属于长重力波。在两侧尾迹角内,分歧波和横断波相干涉形成尖头波。由于尖头波的波长短,每个波前不能够被独立地分辨开来,从而形成夹角为39°的开尔文臂。开尔文臂在光学图像中具有较为明显的线性特征,可用于尾迹的识别和提取。尾迹波纹图像既可采用波面反射图像,也可以采用波纹高度图像表示。
2.2 水面混合波纹模拟
基于水下运动目标的水面波纹模型和海面随机波浪模型,通过数字模拟叠加出海面混合波。
2.2.1 水下运动目标尾迹模拟
基于文献[
11-12]中的模型和仿真软件,对水下运动目标的水面特征波纹尾迹采用三维非定常不可压缩的RANS方程(雷诺平均的Navier-Stokes方程)、RNG
图 3. 水深15 m条件下不同分速的水面波纹。(a) v =9 m/s;(b) v =10 m/s;(c) v =11 m/s;(d) v =12 m/s;(e) v =13 m/s;(f) v =14 m/s;(g) v =15 m/s;(h) v =16 m/s;(i) v =17 m/s;(j) v =18 m/s;(k) v =20 m/s;(l) v =25 m/s
Fig. 3. Surface waves with different wind speeds at water depth of 15 m. (a) v =9 m/s; (b) v =10 m/s; (c) v =11 m/s; (d) v =12 m/s; (e) v =13 m/s; (f) v =14 m/s; (g) v =15 m/s; (h) v =16 m/s; (i) v =17 m/s; (j) v =18 m/s; (k) v =20 m/s; (l) v =25 m/s
2.2.2 基于Pierson-Moscowitz的三维随机海浪模拟
Longuet-Higgins模型假设波浪沿固定方向前进,海面上一个定点的波面是由无限个不同振幅和频率的随机余弦波叠加而成的。定点在
式中:
式中:
常用的海浪频谱模型有Pierson-Moscowitz谱(PM谱)、Neumann谱(N谱)、ITTC(International Towing Tank Conference)双参数波谱等。PM谱因计算量较小,且能相对真实地反映海面风浪情况,是目前应用最为广泛的海浪谱。PM谱的表达式为
式中:
实际上,组成海浪的余弦波不仅振幅、频率不同,而且传播方向也不同。在Longuet-Higgins模型的基础上,双叠加模型可用来表示传播方向也不同的三维不规则海浪波,任一点(
式中:
与
式中:
根据(5)式即可求出第
将
方向谱密度函数一般可写为
式中:
利用上述理论对海面海浪进行仿真,
图 4. 不同风速下的三维海面模拟。(a) u 19. 5=3 m/s;(b) u 19. 5=5 m/s;(c) u 19. 5=7 m/s;(d) u 19. 5=10 m/s
Fig. 4. Three-dimensional sea surface simulation images under different wind speeds. (a) u 19. 5=3 m/s; (b) u 19. 5=5 m/s; (c) u 19. 5=7 m/s; (d) u 19. 5=10 m/s
2.2.3 海面混合波纹模拟
根据波动叠加原理,海面混合波纹是水下运动目标的水面特征波纹与海面随机海浪波纹的叠加。因此,利用前面模拟仿真的水面波纹在海平面空间和波纹起伏尺度上匹配叠加,即可获得各种目标状态在不同海况状态下的海面混合波纹图。
以水深
图 5. 不同风速下的海面混合波纹模拟图像。(a) u 19. 5=1 m/s;(b) u 19. 5=2 m/s;(c) u 19. 5=3 m/s;(d) u 19. 5=4 m/s;(e) u 19. 5=5 m/s;(f) u 19. Fig. 5. Mixed wave simulation images of sea surface under different wind speeds. (a) u 19. 5=1 m/s; (b) u 19. 5=2 m/s; (c) u 19. 5=3 m/s; (d) u 19. 5=4 m/s; (e) u 19. 5=5 m/s; (f)
3 基于Radon变换的水下运动目标特征波纹探测方法
3.1 Radon变换
Radon变换是检测图像中线性特征的有效工具,是计算图像矩阵在某一指定角度
式中:
Radon变换的几何原理如
图 6. Radon变换几何原理示意图。(a) Radon空间域;(b) Radon变换域
Fig. 6. Geometric schematic diagram of Radon transform. (a) Radon space domain; (b) Radon transform domain
3.2 对称直线的Radon变换域特征
水下运动目标尾迹的线性特征主要是多条近似平行且夹角成39°的对称开尔文臂直线。以与尾迹形状相似的对称直线为例,分析其在Radon变换域的特点。假设通过平移和旋转变换,已将水下运动目标变换为自右向左水平运动,且运动轴线位于图像上下中线。
图 7. 对称直线的Radon变换效果图。(a)对称直线Radon空间域;(b)对称直线Radon变换域;(c)平行对称直线Radon空间域;(d)平行对称直线Radon变换域
Fig. 7. Radon transform diagrams of symmetric lines. (a) Radon space domain of symmetric straight lines; (b) Radon transform domain of symmetric straight lines; (c) Radon space domain of parallel symmetric straight lines; (d) Radon transform domain of parallel symmetric straight lines
由第一组图[
第二组图[
Radon空间域中,Δ
综上,通过Radon变换域中不同点的
3.3 模拟尾迹的Radon变换域特征
对
通过Radon逆变换将提取的峰值点还原叠加到(
图 8. 不同运动速度下尾迹模拟图的Radon变换域峰值点。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 8. Peak points of simulated wake at different movement velocities in Radon transform domain. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
图 9. 不同运动速度下尾迹模拟图的Radon逆变换结果。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 9. Inverse-Radon transform results of simulated wake at different movement velocities. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
对叠加海浪波的水下运动目标尾迹模拟图像(
图 10. 叠加海浪波情况下的Radon空间域及其逆变换图像(u 19.5=6 m/s,v =25 m/s)。(a) Radon空间域图像;(b)逆变换图像
Fig. 10. Radonspace domain and inverse-Radon images in the case of superimposed wave (u 19.5=6 m/s,v =25 m/s). (a) Radon space domain image; (b) inverse-Radon image
3.4 复杂海面情况下的尾迹提取方法
针对仅采用Radon变换从海面混合波中提取水下运动目标特征波纹虚警率高和误检的问题,提出一种基于Radon变换的复杂海面尾迹提取算法,流程如
图 11. 基于Radon变换的复杂海面尾迹提取算法流程图
Fig. 11. Flow chart of extracting wake from complex sea based on Radon transform
3.4.1 图像预处理
1) 均值滤波
假设原始图像任一点的灰度值为
式中:
2) 图像标准归一化处理
假设经均值滤波后,图像灰度均值和标准差分别为
式中:
图 12. 预处理后的标准图像(u 19.5=6 m/s)。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 12. Standard images after preprocessing (u 19.5=6 m/s). (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
3.4.2 双邻域峰值提取方法
局部峰值点提取方法与均值滤波算法类似。设邻域窗口尺寸为
设邻域窗口的均值为
式中:
本文取
图 13. 预处理前、后图像的Radon空间域(u 19.5=6 m/s)。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 13. Radon space domains of pre- and post-preprocessing images (u 19.5=6 m/s). (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
图 14. 双邻域窗口法提取Radon空间域局部峰值点。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 14. Double neighborhood window method for extracting peak points in Radon space domian. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
对提取到的峰值点进行逆变换,还原到原来的混合波纹图像中,如
3.4.3 基于连续小波变换特征的决策判断
为了对峰值点进行决策判别,首先需要对峰值点进行特征提取,并用特征向量来进行定量描述。除了利用峰值点的自有特征外,还使用连续小波变换方法分析峰值点截面的波形特征。
1) 连续小波变换的特征向量提取
在
连续小波变化可表示为[15]
式中:
图 15. Radon逆变换图像。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 15. Inverse-Radon transform images. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
本文选取
图 16. 小波变换效果图。(a)尾迹截面;(b)噪音截面
Fig. 16. Wavelet transformation diagrams. (a) Wake section; (b) noise section
定义
2) 基于连续小波特征向量的SVM决策判别
使用SVM方法对特征向量
应用SVM进行决策判别分为2个过程:训练和预测。SVM模型有非常重要的参数——惩罚系数
首先,手动标注从100张不同风速、不同水下目标速度的尾迹图片中提取的1200组特征向量,将尾迹对应特征向量标注作为尾迹类并作为正样本,将非尾迹的特征向量标注作为噪声类并作为负样本。随机打乱1200组特征向量的顺序,取其中1000组作为训练集,另外200组作为测试集。
在训练过程中,当
经过决策判别后的峰值点分布情况如
表 1. 训练集和测试集的模型准确率数据
Table 1. Model accuracy data for train set and test set
|
图 17. 决策后Radon空间的域峰值点。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 17. Peak points in Radon space after decision. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
图 18. 决策后尾迹提取结果。(a) v =9 m/s;(b) v =17 m/s;(c) v =25 m/s
Fig. 18. Wake extraction results after decision. (a) v =9 m/s; (b) v =17 m/s; (c) v =25 m/s
4 结论
在基于水面波纹的水下运动目标成像探测背景下,研究了从水面混合波纹中提取水下运动目标水面特征波纹的Radon变换方法。首先,通过数值模拟的方法获得了不同海面风速、不同速度的海面混合波纹(水下运动目标的水面特征波纹结合海面风生重力波)图像,作为后续尾迹提取的数据集;然后,分析水面特征波纹在Radon空间域的表现特点;最后,提出一种基于Radon变换的水下运动目标探测算法,包括水面波纹图像预处理、Radon变换域的双邻域自适应门限局部峰值点提取方法、基于连续小波变换的峰值点特征提取结合特征向量的SVM决策判别等。基于模拟数据集对提取算法的准确率进行评估,结果证明了算法的有效性,该研究为基于光学偏振成像的水下运动目标探测提供了参考。
从混合波纹中提取水下运动目标的特征波纹,并有效地进行水下运动目标的识别是一个复杂的过程。本研究采用的是模拟的混合波纹,但实际海面波纹具有更复杂的分布细节,在研究中需要加入更多的制约因素,这也将是下一步研究和实验的内容。
[1] 张军, 张效慈, 赵峰, 等. 源于水动力学的潜艇尾迹非声探测技术研究之进展[J]. 船舶力学, 2003, 7(2): 121-128.
[2] 周前飞, 刘晶红, 熊文卓, 等. 机载光电成像平台的多目标自主定位系统研究[J]. 光学学报, 2015, 35(1): 0112005.
[4] 章延隽, 王霞, 贺思. 基于偏振双向反射分布函数的粗糙表面偏振特性[J]. 光学学报, 2018, 38(3): 0329002.
[7] Mata-MoyaD, Jarabo-AmoresP, Jimenez-ChaparroB, et al. Application of mean-shift filtering to ship wakes detection in SAR images[C]∥8th European Conference on Synthetic Aperture Radar (EUSAR), June 7-10, 2010, Aachen, Germany. New York: IEEE, 2011: 890- 893.
[8] Graziano MD. SAR-based ship route estimation by wake components detection and classification[C]∥2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS), July 26-31, 2015, Milan, Italy. New York: IEEE, 2015: 3255- 3258.
[9] 杨国铮, 禹晶, 肖创柏, 等. 基于形态字典学习的复杂背景SAR图像舰船尾迹检测[J]. 自动化学报, 2017, 43(10): 1713-1725.
[10] Xing XW, Ji KF, Zou HX, et al. An enhancing normalized radon transform method for ship wake detection in SAR imagery[C]∥9th European Conference on Synthetic Aperture Radar (EUSAR), April 23-26, 2012, Nuremberg, Germany. New York: IEEE, 2012: 559- 562.
[11] 李丹梦, 金伟其, 李力, 等. 水下运动目标的水面波纹数值模拟及分析[J]. 红外与激光工程, 2018, 47(11): 1126004.
[12] 李晖, 郭晨, 李晓方. 基于Matlab的不规则海浪三维仿真[J]. 系统仿真学报, 2003, 15(7): 1057-1059.
[13] 杨怀平, 孙家广. 基于海浪谱的波浪模拟[J]. 系统仿真学报, 2002, 14(9): 1175-1178.
[14] JainA, Ansari S. Radon transform theory for random fields and optimum image reconstruction from noisy projections[C]∥IEEE International Conference on Acoustics, Speech, SignalProcessing( ICASSP), March 19-21, 1984, San Diego, CA, USA. New York:IEEE: 495- 498.
[15] Kaiser G, Hudgins L H. A friendly guide to wavelets[J]. Physics Today, 1995, 48(7): 57-58.
[16] 周翔, 赵宏. 基于Mexican hat小波变换的三维轮廓术[J]. 光学学报, 2009, 29(1): 197-202.
[17] 王书涛, 吴兴, 朱文浩, 等. 平行因子结合支持向量机对多环芳烃的荧光检测[J]. 光学学报, 2019, 39(5): 0530002.
Article Outline
徐曼, 裘溯, 金伟其, 杨洁, 郭宏. 基于水面特征波纹的水下运动目标Radon变换探测方法[J]. 光学学报, 2019, 39(10): 1001003. Man Xu, Su Qiu, Weiqi Jin, Jie Yang, Hong Guo. Radon Transform Detection Method for Underwater Moving Target Based on Water Surface Characteristic Wave[J]. Acta Optica Sinica, 2019, 39(10): 1001003.