>
【發(fā)明內容】

[0006] 本發(fā)明的目的在于提供一種檢測精度高，能實現(xiàn)水下聲納圖像目標檢測的量子衍 生混合蛙跳的基于量子衍生混合蛙跳的水下聲納圖像目標檢測方法。
[0007] 本發(fā)明的目的是這樣實現(xiàn)的：
[0008] (1)輸入聲納圖像，并對聲納圖像進行預處理；
[0009] (2)利用量子比特對青蛙種群進行編碼，并結合類內和類間信息的適應度函數(shù)計 算青蛙種群中所有個體的適應度值，標記全局最優(yōu)個體，準確地評價青蛙位置的好壞； [0010] (3)采用量子進化更新方式，利用相位角編碼，更新子種群中最壞位置的青蛙，并 且子種群其他個體向全局最優(yōu)個體學習進化，完成局部搜索；
[0011] (4)模糊隸屬度矩陣結合空間信息去除孤立區(qū)：通過聚類中心計算出模糊隸屬度 矩陣，最終得到融合鄰域空間信息的模糊隸屬度矩陣，去除水下聲納圖像檢測結果中的孤 立區(qū)；
[0012] (5)基于信息論的客觀定量評價：在分割布局熵的基礎上，加入噪聲熵，從而得到 一個能更準確評價水下聲納圖像檢測結果的分割布局噪聲熵，利用分割布局噪聲熵對精確 的檢測結果進行定量分析。
[0013] 本發(fā)明還可以包括：
[0014] 1、在步驟（1)中青蛙個體采用基于聚類中心的編碼，青蛙種群的規(guī)模為M，整個量 子編碼的青娃種群表示為Q= [qi，q2,q3,…，Qm]，每一個青娃個體I(i= 1，2,…M)，用m位 量子比特表示為
。結合類內信息和類間信息的 適應度函數(shù)來描述青蛙位置的好壞，
是第i個劃分區(qū)域和周圍區(qū)域 類內類間差異性最大的值，t為一個劃分區(qū)域的類內差異度，Dis_cu是第i個聚類中心和 第j個聚類中心的歐式距離。
是所有劃分區(qū)域類內類間差異性值的平均值，k 為聚類中心。
表示適應度值。
[0015]2、在步驟（2)中對最壞位置青蛙〇"進行更新后得到新的青蛙個體new_〇w， new_〇w= [new_σwlnew_σw2 ...new_σwm]，new_σwm是新的青娃個體的第m位，m艮口 為最后一位。對于最壞位置青蛙個體的每一位相位角，具體更新公式為new_〇wj =σWJ+rand〇X( 〇 bj-σwj)，〇 彡new_〇 wj彡 2Jr，j= 1，2,…m，rand()是隨機數(shù)，〇 bj是局 部最好青蛙個體的第j位。另外，子種群中其他個體還需要向全局最優(yōu)個體學習進化，其 中全局最優(yōu)個體的二進制序列用Pg表示Pg= [PglPg2…全局最優(yōu)個體的二進 制序的第m位，第i個青娃個體的二進制序列為Χ?=[χηxi2…xim]，其對應量子比特表 示為Qi= [Qii qi2…Qim]，對子種群中青娃個體的每一位量子比特進行更新的具體方法為
?d= 1，2, "·πι，t 表示進化更新的迭代次數(shù)，sign()是符號函數(shù)，用來確定量子旋轉角的方向，^為0~2π的隨機數(shù)，用來確定量子旋轉角的大小，c是預設定的變異概率常數(shù)，^是0到1的隨機數(shù)， NXqld是對量子比特進行非門邏輯操作，Ν是非門，將量子比特的α和β的值互換，U()為 量子旋轉門。
[0016] 3、在步驟（3)中，對于聲納圖像上每一個數(shù)據(jù)塊Vl，在它的周圍取一個八鄰域記為 NB(Vl)，假設Vl所屬類的聚類中心為c,，那么它周圍八個數(shù)據(jù)塊相對于聚類中心C]的隸屬
I,是八鄰域中的某個數(shù)據(jù)塊相對于聚類中心c,的隸屬度。對
于整幅聲納圖像，新的模糊隸屬度矩陣為U' = (u'du,， 數(shù)，q值相對P值越大，空間信息對檢測結果影響越大，本發(fā)明設定P= 2,q= 1。
[0017] 4、步驟（4)中分割熵（SegmentationEntropy，SE)為
Q為一個給定的聲納圖像，0^表 示區(qū)域j中所有可能的像素值。對于圖像中的區(qū)域j，行1表示區(qū)域L中某一個像素點的 像素值，A(fXl)是區(qū)域j中像素值為fXl的像素點的個數(shù)，B彥示區(qū)域j中所有的像素點 個數(shù)和，B表示聲納圖像中所包含像素點的總個數(shù)。布局熵（DistributionEntropy，DE)
，.分割布局熵（SegmentationandDistributionEntropy，SDE)為 SDE= ，由于聲納圖像一般具有很多的噪聲，這些噪聲會在一定程度上影響圖像檢測 結果的定量分析。評價函數(shù)SDE并沒有考慮到噪聲的這一特性，所以仍然不能客觀評價聲
納圖像的檢測結果。聲納圖像中的任意一個像素點的八鄰域區(qū)域熵 表示每一個像素點的八鄰域中屬于目標區(qū)，陰影區(qū)和背景區(qū)的像素點的個 數(shù)，整幅聲納圖像的噪聲熵（Noiseentropy，NE)為
，:Μ為圖像像素點的 總個數(shù)。在SDE的基礎上，加入ΝΕ，從而得到一個更準確的評價方法，即分割布局噪聲 熵（Segmentation,DistributionandNoiseEntropy，SDNE)，具體為SDNE=HN+SDE= hn+hl+hq〇
[0018] 本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于：a.采用基于聚類中心的量子比特對青蛙種 群進行編碼，并結合類內和類間信息的適應度函數(shù)能更準確地評價青蛙位置的好壞。b.利 用相位角編碼，更新子種群中最壞位置青蛙，并且子種群其他個體向全局最優(yōu)個體學習進 化。此量子進化更新方式能夠提高混合蛙跳的全局搜索能力。c.對得到的聲納圖像檢測結 果，根據(jù)模糊隸屬度矩陣結合空間信息去除孤立區(qū)的方法獲得更精確的檢測結果。此方法 能夠提高聲納圖像檢測精度，找到正確的檢測目標。d.提出分割布局噪聲熵對最終檢測結 果進行定量分析，能更進一步證明提出的水下聲納圖像目標檢測方法的有效性。
【附圖說明】
[0019] 圖1是本發(fā)明方法的流程圖；
[0020] 圖2是原始水下聲納圖像（尺寸為239X205);
[0021] 圖3是平滑去噪后圖像；
[0022] 圖4是本專利提出的基于量子衍生混合蛙跳的檢測結果；
[0023] 圖5是沒有結合空間信息的量子衍生混合蛙跳算法檢測結果；
[0024] 圖6是八鄰域示意圖；
[0025] 圖7是原始人造模擬圖像（尺寸為150X200);
[0026] 圖8(a)-圖8(f)是人造圖像的檢測結果。圖8(a)是si理想檢測結果，圖8(b) 是s2檢測結果在背景區(qū)域中含有噪聲，圖8 (c)是s3陰影區(qū)域內部方形錯誤檢測，圖8 (d) 是s4包含陰影區(qū)域方形錯誤檢測，圖8 (e)是s5陰影區(qū)域內部圓形錯誤檢測，圖8 (f)是s6 包含陰影區(qū)域圓形錯誤檢測；
[0027] 圖9是定量分析坐標圖；
[0028] 圖10(a)-圖10(f)是原始水下聲納圖像對比檢測結果.，圖10(a)是尺寸為 93X132的原始水下聲納圖像檢測結果，圖10(b)是尺寸為173X167的原始水下聲納圖像 檢測結果，圖10(c)是尺寸為259X368的原始水下聲納圖像檢測結果，圖10(d)是尺寸為 158X153的原始水下聲納圖像檢測結果，圖10 (e)是尺寸為393X218的原始水下聲納圖像 檢測結果，圖10(f)是尺寸為108X200的原始水下聲納圖像檢測結果；
[0029] 圖11是原始水下聲納圖像對比結果的定量分析坐標圖；
[0030] 圖12是三種智能優(yōu)化算法的適應度值變化圖；
[0031] 圖13是三種智能優(yōu)化算法對比結果的定量分析坐標圖。
【具體實施方式】
[0032] 下面結合附圖舉例對本發(fā)明做更詳細地描述。
[0033] 結合圖1，本發(fā)明的具體步驟如下：
[0034] (1)聲納圖像數(shù)據(jù)空間的縮小
[0035] 量子衍生混合蛙跳的水下聲納圖像目標檢測算法相關參數(shù)設置為：水下聲納圖像 窗口塊大小2*2;聚類中心數(shù)3;模糊系數(shù)2;模糊隸屬度矩陣影響系數(shù)2;八鄰域模糊隸屬 度矩陣影響系數(shù)1;全局迭代次數(shù)10;局部搜索次數(shù)2;青蛙種群規(guī)模為10;子種群數(shù)5;變 異概率〇. 014。
[0036] 由于聲納圖像形成過程中水下環(huán)境復雜，不確定噪聲因素很多，如：海洋生物噪 聲、船舶人為噪聲等，使聲納圖像受到嚴重的噪聲污染，所以在進行聲納圖像檢測之前，利 用各向異性二階鄰域馬爾可夫模型估計聲納圖像的紋理特征參數(shù)，實現(xiàn)原始圖像的平滑去 噪。圖2是一幅原始水下聲納圖像，圖3是平滑去噪后的圖像。
[0037] 在此基礎上，由于聲納圖像數(shù)據(jù)樣本點較多，一般的數(shù)據(jù)樣本點都會達到幾千到 一萬的數(shù)量級，為了縮小數(shù)據(jù)樣本空間，加快檢測速度，對聲納圖像進行分塊處理，選擇 aXb的窗口，將原始聲納圖像分成N個互不重疊的aXb窗口，每一個窗口求其灰度值的均 值，作為該窗口的特征值。因此，數(shù)據(jù)空間的規(guī)模縮小為N。
[0038] (2)種群的初始化
[0039] 由于提出的檢測算法是基于聚類模型的，需要通過聚類中心，檢測聲納圖像中的 目標高亮區(qū)，陰影區(qū)和背景區(qū)，所以青蛙種群需要采用基于聚類中心的編碼方式，假設聚類 數(shù)為k，那么每只青蛙個體由k個聚類中心組成，由于灰度值的范圍是0~255,所以可以用 8位二進制序列表示一個聚類中心，因此量子編碼的青蛙個體長度m為kX8,設青蛙種群的 規(guī)模為M，則整個量子編碼的青蛙種群可以表示為：
[0040]Q=[q1;q2,q3, ···,qM]
[0041]每一個青娃個體q;(i= 1, 2,…Μ)，可以用m位量子比特表示：
[0042]
[0043] (3)適應度函數(shù)
[0044] 適應度函數(shù)用來描述青蛙位置的好壞，而青蛙個體采用基于聚類中心的編碼，它 將數(shù)據(jù)空間中的點劃分到不同的類中，要求特征相近的點劃分在一起，特征差別大的劃分 到不同的類中，本專利采用結合類內信息與類間信息的適