一種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié)合的方法
【專利摘要】本發(fā)明提供一種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié)合的方法，針對聲納系統(tǒng)探測到的水下地形高程數(shù)據(jù)，獲取其實時圖像，首先分析模板區(qū)域內(nèi)的適配性，如果適合匹配，再通過航向角偏離程度選擇不同匹配方式，對待測區(qū)進行匹配。若航向角偏離較大，直接采用精匹配方式；若航向角偏離較小，采用由粗到精的分層匹配方式。其中使用灰度的絕對差算法對水下地形圖像進行粗匹配；精匹配步驟是選取灰度共生矩陣的最大相關(guān)系數(shù)、灰度?梯度共生矩陣的均值和7個不變矩，共9個特征參數(shù)構(gòu)成特征向量，使用這些特征向量對圖像進行精匹配。在同等外界干擾、使用相同位置匹配算法時，能夠?qū)λ碌匦芜m配性做到良好地判斷，提高了判斷正確率。
【專利說明】
-種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié)合的 方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及一種數(shù)字圖像處理技，尤其設(shè)及一種基于適配性分析的水下地形圖像 粗匹配與精匹配結(jié)合的方法。
【背景技術(shù)】
[0002] 水下地形適配性，即是判斷一塊水下地形是否適合在地形數(shù)據(jù)庫中匹配定位的一 種分析。水下地形的復雜性決定了其特征參數(shù)變化程度大小，因而，每一塊水下地形的獨特 性是決定其在匹配定位過程中精度的關(guān)鍵因素。對于每一種水下地形，輔助導航系統(tǒng)都有 不一樣的工作能力，例如水下地形輔助導航系統(tǒng)，因為依托多波束測深系統(tǒng)，所W在地形高 程變化幅度大的區(qū)域，其特征變化幅度大，能夠在匹配過程中表現(xiàn)良好，而地形高程變化幅 度小的區(qū)域，其特征變化幅度也就小，匹配效果也相對較差。對于運種情況，需要對水下地 形圖像的適配性做一定約束，判斷水下潛器探測得到的實時圖是否能夠進行位置匹配。適 配性問題的研究，能夠大量節(jié)省水下潛器在位置匹配過程中的時間消耗，減少因不能配準 而進行捜索的運算時間與不必要的工作量。
[0003] 本發(fā)明主要提出一種新的水下地形適配性判斷條件用于判斷水下地形是否適合 匹配。通過分析實時圖與基準圖之間的適配性，結(jié)合地形適配性傳統(tǒng)判別條件，設(shè)計產(chǎn)生基 于圖像紋理特征方向特征參數(shù)的粗匹配和精匹配結(jié)合的水下地形適配性判斷條件；

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的是為了判斷水下地形是否適合匹配而提供一種基于適配性分析的 水下地形圖像粗匹配與精匹配結(jié)合的方法。
[0005] 本發(fā)明的目的是運樣實現(xiàn)的:包括如下步驟：
[0006] 第一步:利用聲納系統(tǒng)探測獲取水下地形高程數(shù)據(jù)；
[0007] 第二步:將獲得的高程數(shù)據(jù)轉(zhuǎn)化成實時圖；
[000引第Ξ步:分析實時圖與基準圖之間的適配性，結(jié)合地形適配性傳統(tǒng)判別條件，得出 產(chǎn)生基于圖像紋理特征方向特征參數(shù)的水下地形適配性判斷條件：
[0009] {R/〇>0.15 η UNI麗-UNImin>〇 . 4 η C0Nmax-C0Nmin>0.6 η C0Rmax-C0Rmin>0.2}
[0010] 式中：R為灰度粗糖度;〇為灰度標準差;UNI為由實時圖提取灰度共生矩陣得到的4 個方向的角二階矩，并做歸一化處理，通過比較得到欄1。3、、面心。;0)賦1對比度，0)1?為相 關(guān)，CON與C0R的判別值CONmax、CONmin與CORmax、CORmin獲取方法與UNI相同；
[0011] 如果滿足上述的水下地形適配性判斷條件的公式，即認定為該區(qū)域適合匹配，進 行第四步，否則重新進行第一步；
[0012] 第四步:根據(jù)實際航向角偏離情況確定匹配方式:若航向角偏離較小，依次進行第 五步和第六步提供的由粗到精的分層匹配方式;若航向角偏離較大，直接進行第六步提供 的所述精匹配方式；
[0013] 第五步:基于水下圖像灰度的絕對差算法對水下地形圖像進行粗匹配；
[0014] 第六步:選取由實時圖提取灰度共生矩陣的最大相關(guān)系數(shù)MCC、灰度-梯度共生矩 陣的均值μι和7個不變矩Φ 1-Φ 7共9個特征參數(shù)構(gòu)成特征向量，進行基于圖像特征參數(shù)的 精匹配；
[0015] 第屯步:實測水下地形算法仿真，在不同適配性判斷條件對比仿真結(jié)果。
[0016] 本發(fā)明還包括運樣一些結(jié)構(gòu)特征：
[0017] 1.第五步中的粗匹配是：已知S(x，y)是大小為m*n的受匹配圖像、T(x，y)是大小為 M*N的模板圖像，在遍歷待匹配圖像S中，取W(i，j)為左上角、M*N大小的子圖，計算其與模 板圖像相似度，在所有能夠取得子圖中，找到與模板圖像最相似的子圖作為算法最終輸出 結(jié)果，而平均絕對差越小，說明子圖與模板圖像越相似，因此找到最小的平均絕對差D(i，j) 就可確定子圖的位置：
[001 引
[0019] 式中，化1。
[0020] 2.第六步具體包括:首先，提取特征向量數(shù)據(jù)庫中粗匹配所得5個近似區(qū)域的特征 向量并計算實時圖的特征向量;其次，通過相似測度函數(shù)求得與所求位置最接近的近似區(qū) 域;再次，W其坐標為基準點，做上下左右各5個像素點的遍歷，找到Fs最小值的坐標：
[0021] 定義特征向量為C，即：
[0024] 式中，W為權(quán)重矩陣，c〇Mcc、0M、％、雌、％、％、％、％、嘴分別為MCC、 μι、Φι-Φ7的對應(yīng)權(quán)值；
[0025] 相似測度函數(shù)Fs為：
[0026] Fs= I C-C'
[0027] 式中，C'為實時圖的特征向量集，C為每次捜索過程中進行匹配的基準圖子區(qū)域的 特征向量集，令Fs取得最小值的區(qū)域即為所求精匹配區(qū)域。
[0028] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：1、本發(fā)明在圓形匹配模板下，水下地形圖 像所提取的灰度共生矩陣的最大相關(guān)系數(shù)、灰度-梯度共生矩陣的均值和特征參數(shù)能有良 好的旋轉(zhuǎn)不變性，對因多波束測深系統(tǒng)及探測距離引起的地形圖像分辨率的不同也有較好 的抵抗能力。2、由粗到精分層匹配方式，即基于水下地形圖像灰度的粗匹配，結(jié)合基于水下 地形圖像特征向量的精匹配捜索方式，在允許誤差為3個像素點的條件下，匹配定位準確率 較傳統(tǒng)基于水下地形高程匹配的TERC0M算法方法大為提高，時耗減少。3、為了解決傳統(tǒng)水 下地形匹配方法單獨使用高程信息分析使水下地形適配性判斷不夠準確的局限性，本發(fā)明 設(shè)計基于水下地形圖像紋理方向特征適配性判斷方法，并將兩者有效結(jié)合、互相補充，歸納 總結(jié)出新水下地形適配性判別條件，在同等外界干擾、使用相同位置匹配算法時，能夠?qū)λ?下地形適配性做到良好地判斷，提高了判斷正確率。并通過某湖波實測水下地形匹配，驗證 算法的正確性及有效性。
【附圖說明】
[0029] 圖1是本發(fā)明的流程圖；
[0030] 圖2是水下高程數(shù)據(jù)偽彩圖；
[0031 ]圖3是海底數(shù)據(jù)建模仿真灰度高程圖；
[0032] 圖4 (a)是未加處理實時圖，圖4(b)是加噪并旋轉(zhuǎn)90°后實時圖；
[0033] 圖5(a)是實時圖圖像大小為15*15的粗匹配，圖5(b)是實時圖圖像大小為17*17的 粗匹配，圖5(c)是實時圖圖像大小為19*19的粗匹配，圖5(d)是實時圖圖像大小為21巧1的 粗匹配；
[0034] 圖6(a)是捜索步長為1個像素點的粗匹配，圖6(b)是捜索步長為2個像素點的粗匹 配，圖6(c)是捜索步長為3個像素點的粗匹配，圖6(d)是捜索步長為5個像素點的粗匹配；
[0035] 圖7是基于特征參數(shù)精匹配仿真結(jié)果；
[0036] 圖8(a)是某湖波真實水下地形數(shù)據(jù)，圖8(b)是待匹配區(qū)域，圖8(c)是實測區(qū)域；
[0037] 圖9是真實水下地形圖像匹配結(jié)果；
[0038] 圖10是特征向量權(quán)值表；
[0039] 圖11是不同適配性判斷條件對比仿真結(jié)果表。
【具體實施方式】
[0040] 下面結(jié)合附圖與【具體實施方式】對本發(fā)明作進一步詳細描述。
[0041] 本發(fā)明用于水下潛器的實時定位。針對聲納系統(tǒng)探測到的水下地形高程數(shù)據(jù)，獲 取其實時圖像。在圓形匹配模板下，首先分析模板區(qū)域內(nèi)的適配性，如果適合匹配，再通過 航向角偏離程度選擇不同匹配方式，對待測區(qū)進行匹配。若航向角偏離較大，直接采用精匹 配方式;若航向角偏離較小，采用較為快速的由粗到精的分層匹配方式。其中使用灰度的絕 對差算法對水下地形圖像進行粗匹配;精匹配步驟是選取灰度共生矩陣的最大相關(guān)系數(shù)、 灰度-梯度共生矩陣的均值和7個不變矩，共9個特征參數(shù)構(gòu)成特征向量，使用運些特征向量 對圖像進行精匹配。在同等外界干擾、使用相同位置匹配算法時，能夠?qū)λ碌匦芜m配性做 到良好地判斷，提高了判斷正確率。
[0042] 具體的說，結(jié)合圖1，本發(fā)明包括如下步驟：
[0043] (1)獲取水下地形高程數(shù)據(jù)；
[0044] 水下高程數(shù)據(jù)偽彩圖如圖2所示。圖3是由多波束測深聲納得到的某一水域水深數(shù) 據(jù)，轉(zhuǎn)換成灰度圖像，稱為基準圖。
[0045] (2)將高程數(shù)據(jù)轉(zhuǎn)化為實時圖圖像；
[0046] 實時圖是水下潛器搭載多波束測深系統(tǒng)實時獲取的水深數(shù)據(jù)在圓形模板下，轉(zhuǎn)換 成的灰度圖像，如圖4所示。
[0047] (3)分析實時圖適配性條件值;分析實時圖與基準圖之間的適配性，結(jié)合地形適配 性傳統(tǒng)判別條件，設(shè)計產(chǎn)生基于圖像紋理特征方向特征參數(shù)的水下地形適配性判斷條件；
[0048] 設(shè)沿X軸方向的像素共為Nx，沿y軸方向的像素共為Ny，G為矩陣灰度級數(shù)量，記為：
[0049] Lx={l,2,...,Nx}
[0050] ^={1,2, . . .，Ny}
[0051] G={1,2, . . . ,Ng}
[0052] 先定義灰度共生矩陣為：
[0053] Pc = p(i, j,d,0)
[0054] Pc為新生成的灰度共生矩陣，p(i，j，d，9)為矩陣Pc中第i行、第j列的元素；i、j為原 矩陣中的灰度級;d為灰度級間的距離，d的取值通常為1，用于后期分析圖像紋理的粗糖程 度，對于粗紋理，新生成的灰度共生矩陣主對角線上的值一般較大，并沿主對角線分布，對 于細紋理，新生成的灰度共生矩陣主對角線上的值一般不大，并分布在主對角線兩側(cè)；9為 取值方向，若無特殊要求，e通常取值為0°、45°、90°、135°。
[0055] WX軸為起始，沿逆時針方向開始，W0°、45°、90°、135°四個方向，對矩陣的元素進 行定義：
[0056] p(i,j,d,〇°)=jiKk,l)(m,n)e I k-m=0, I ；L-n |=d;fXk,l) = i,f (m，n) = j}
[0化7] p(i , j ,d,45。）=3rKk,l)(m,n)e (Xx 禮y)*(Lx 禮 y) Kk-m=d, l-n = d)o；Kk-m = -d, l-n = -d) ;fXk，l) = i，f(m，n) = j}
[005引 p(i , j ,d,90。）=3rKk,l)(m,n)e (Xx 禮y)*(Lx 禮 y) I I k-m| = d, l-n = 0 ;f (k, 1) = i , f(m,n) = j}
[0化9] p(i , j ,d, 135。）= π{化，1) (m,n) e (Lx禮y)*(Xx禮y) Kk-m=d, l-n = -d)o；Kk-m=- d，l-n = d) ;fXk，l) = i，f(m，n) = j}
[0060] 上式中，3i{x}表示集合X中所含的元素個數(shù)，新生成的矩陣中的第i行、第j列元素 表示為原矩陣中沿Θ方向、相鄰距離為d的像素點中一個灰度值為i、另一個灰度值為j的元 素對數(shù)量。
[0061] 之后，對Pe = P ( i，j，d，Θ )灰度共生矩陣進行正規(guī)化：
[0062]
[0063]式中，R為正規(guī)化參數(shù)，對灰度共生矩陣進行正規(guī)化是為了使由灰度共生矩陣計算 的特征值具有更高一級的紋理分表率。當d= 1、θ = 0°時R = 2Ny(Nx-l)，當d= 1、θ = 45°時R = 2(N廠l)(Nx-l)，當d=l、目= 90° 時R=2Nx(N廠1)，當d=l、目= 45° 時R=2(Nx-l)(Ny-l)。
[0067] 得到的四個方向的灰度共生矩陣還無法直接進行使用，需要分別計算紋理特征 值，并用得到的特征值進行紋理特征的分析。
[0068] 由于本發(fā)明研究的實時圖是針對水下潛器行進過程中實時探測得到的，所W在轉(zhuǎn) 化成實時圖后與基準圖相比時，方向上會有一定的角度旋轉(zhuǎn)，因此，在研究上述灰度共生矩 陣時，主要運用具有旋轉(zhuǎn)不變性且計算量相對較小的特征參數(shù)，具體分別為角二階矩 (UNI)、對比度(CON)、相關(guān)(COR)、賭化NT)、和賭(SENT)、差賭(DE)、相互信息度量（IMC)、最 大相關(guān)系數(shù)(MCC)，共8種。
[0069] 角二階矩(UNI):
[0070] UNI=EE{p(i，j)}2
[0071] 角二階矩主要反映圖像中灰度分布是否均勻，也稱作能量。對于粗紋理，角二階矩 值較大，對于細紋理，角二階矩較小。
[0072] 對比度(CON):
[0073]
[0074] 式中 |i-j|=n。
[0075] 對比度的意義為圖像的清晰程度，也就是紋理的清晰程度。對比度越大，則紋理溝 紋越明顯，程度越深，圖像效果越好。對于粗紋理，對比度值較小，對于細紋理，對比度值較 大。
[0076] 相關(guān)(C0R):
[0077]
[007引式中，μχ是化的均值，Οχ是化的均方差，μγ是py的均值，Oy是py的均方差。
[0082] 相關(guān)的作用是衡量四個方向灰度共生矩陣中的各個元素在行的方向上的相似程 度。例如，一幅圖像具有垂直方向上的紋理，則該圖像計算得到的θ = 90°的灰度共生矩陣的 相關(guān)數(shù)值一般會比e = 0°、e = 45°、Θ = 135° 3個方向上的灰度共生矩陣的相關(guān)值大。
[0083] 賭化 NT):
[0084]
[0085] 賭值表示該圖像信息量的一種度量。對于沒有紋理的圖像，其灰度共生矩陣幾乎 為零矩陣，所W賭值也趨近于零;若圖像布滿細紋理，其灰度共生矩陣中的元素值近似相 等，則該圖像的賭值也最大;若圖像中只有較少的紋理，其灰度共生矩陣的元素值差異較 大，則運幅圖像的賭值相應(yīng)的較小。
[0086] 和賭(SENT):
[0087]
[008引差賭(DE):
[0089]
[0090] 相互信息度量（IMC):
[0091] f 12 = (HXY-HXY1) /max {HX, HY}
[0092] f 13 = (l-exp{-2(HXY2-HXY)}) 1/2
[OOW]式中，冊是Px的賭值，HY是Py的賭值，HXY是p(i，j)的賭值。
[0096] 最大相關(guān)系數(shù)(MCC):
[0097] MCC=(Q的最大二階特征值)1/2[009引 式中；
[0099]
[0100] 由于通過計算圖像灰度值得到的灰度共生矩陣分析紋理特征值在圖像變換過程 中會存在一定的差異，不能完全表征圖像特性，所W對之前得到灰度共生矩陣的基礎(chǔ)上，進 一步計算圖像的灰度-梯度共生矩陣，因為灰度-梯度空間不但能夠良好的描述各個像素點 與該像素點相鄰域像素點之間的空間關(guān)系，也同時描述了圖像內(nèi)部各個像素點灰度與梯度 的分布規(guī)律，將圖像的灰度值信息與梯度信息結(jié)合起來，主要考慮像素灰度值與圖像的邊 緣梯度值的統(tǒng)計分布，即結(jié)合了灰度直方圖和邊緣梯度直方圖。
[0101] 設(shè):灰度-梯度共生矩陣為H，其元素為歸一化后的灰度矩陣F，其元素為F (111，11);歸一化后的梯度矩陣6，其元素為6(111，11)。定義灰度-梯度共生矩陣化1^)為。(111，11) 與G(m，n)中灰度為i與梯度為j的總像素的點數(shù)。比如，H(5,2) = l表示的是圖像中像素點灰 度為5、梯度為2的像素點的總點數(shù)為1。
[0102] 本發(fā)明采用拉普拉斯算子計算原灰度圖像中的梯度值：
[0103] g(m,n)=4f(m,n)-f(m+1,n)-f(m-1,n)-f(m,n+l)-f(m,n-l)
[0104] 對上式計算得到的梯度矩陣進行歸一化處理：
[0105] G(m,n) = INT(g(m,n)*Gmax/gmax)+l
[0106] 式中，INT表示對G(m，n)中各個元素進行取整;Gmax表示對梯度矩陣歸一化后最大 梯度值，本發(fā)明Gmax取值為16 ; gmax表示原梯度矩陣中的梯度最大值。
[0107] 同理，對原圖像進行灰度歸一化處理：
[010 引 F(m，n) = INT(f(m，n)*Fmax/frnax)+l
[0109] 式中，F(xiàn)max表示對灰度矩陣歸一化后最大灰度值，本發(fā)明Fmax取值為16;fmax表示原 灰度矩陣中的灰度最大值。
[0110] 對進行歸一化處理后的灰度圖像矩陣F(m，n)和梯度圖像矩陣G(m，n)統(tǒng)計F(m，n) =i和G(m，n) = j的像素點的點對數(shù)，即為新生成的灰度-梯度共生矩陣H(i，j)在第i行、第j 列的元素值hij。
[0111] H(F(m,n) ,G(m,n)) =H(F(m,n) ,G(m,n) )+1
[0112] 進一步得到灰度-梯度共生矩陣的概率：
[0113]
[0114] 通過計算新生成的灰度-梯度共生矩陣的特征值，對特征值進行分析，得到原圖像 的紋理特性。
[0115] 本發(fā)明在研究水下地形圖像特征時，為能更好的對圖像特征進行分析，減少不必 要的計算量的同時又保證圖像特性良好體現(xiàn)，故選出能量、灰度均值、梯度均值、相關(guān)性、混 合賭、差分矩、逆差距7個特征參數(shù)。
[0116] 能量；
[0130]采用矩表示隨機變量分布情況的方法，提取灰度圖像的矩特征。設(shè)在連續(xù)情況下 圖像函數(shù)為f(x，y)，則可定義圖像P+q階幾何矩(亦稱標準矩)為：
[0134]式中，.Y = mw/mu〇，v = mui/w。。nmoo是圖像f(x，y)的零階幾何矩，即圖像中所有像 素值的總和，所Wmoo可W看做圖像的質(zhì)量、?與V表示圖像的質(zhì)屯、，那么可W通過圖像的中 屯、距μρ。來反映圖像的灰度相對于灰度質(zhì)屯、的分布情況。
[0135]對于離散的數(shù)字圖像，定義圖像p+q階幾何矩為：
[0139] 式中，N和Μ分別表示圖像的高度和寬度。
[0140] 一般情況下，圖像的0~3階中屯、距通過圖像的幾何矩來表示：
[0151] 在圖像處理過程中，為了消除圖像比例變化產(chǎn)生的影響，一般需要定義歸一化中 屯、距為：
[0152]
[0153] 中屯、距與圖像的起點無關(guān)，可W解決平移不變性；而歸一化中屯、距消除了圖像比 例所帶來的影響，具有平移和尺度不變性，但卻不能有效解決旋轉(zhuǎn)不變性。利用二階與Ξ階 規(guī)格化中屯、矩導出的7個不變矩，可W解決運些問題，如下式所示，它們具有平移、旋轉(zhuǎn)和尺 度不變性。
[0163] 本發(fā)明提取水下地形圖像7個不變矩特征，主要針對的是水下潛器搭載多波束測 深系統(tǒng)在行進過程中所探測到的水下圖像會出現(xiàn)的由于測深系統(tǒng)分辨率不同引起的圖像 的縮放、由于行進方向不同引起的圖像的旋轉(zhuǎn)，并且不變矩對于水下圖像的噪聲具有一定 的抗干擾性。
[0164] 分析獲得適配性判斷條件：
[01 化](R/〇>〇 . 15 η UNI麗-UNImin>0.4 η C0Nmax-C0Nmin>0.6 η C0Rmax-C0Rmin>0.2}
[0166] 式中，R為灰度粗糖度;〇為灰度標準差;UNI為由實時圖提取灰度共生矩陣得到的4 個方向的角二階矩，并做歸一化處理，通過比較得到欄1。3、、面心。;0)賦1對比度，0)1?為相 關(guān)，其判別值獲取方法與UNI相同。即如果滿足上式，即可認定為該區(qū)域適合匹配，相反，或 不滿足從新獲取新的實時圖，并重新進行適配性分析。
[0167] (4)根據(jù)實際航向角偏離情況確定匹配方式。若航向角偏離較大，直接采用（6)所 述精匹配方式;若航向角偏離較小，采用(5)和(6)所述由粗到精的分層匹配方式；
[0168] (5)基于水下圖像灰度的絕對差算法對水下地形圖像進行粗匹配；
[0169] 平均絕對差算法(Mean Absolute Differences)是一種被廣泛地應(yīng)用于圖像匹配 中的匹配算法。
[0170] 設(shè)S(x，y)是大小為m*n的受匹配圖像，T(x，y)是大小為M*N的模板圖像，即在受匹 配圖像中找到模板圖像。在遍歷待匹配圖像S中，取W(i，j)為左上角、M*N大小的子圖，計算 其與模板圖像相似度，在所有能夠取得子圖中，找到與模板圖像最相似的子圖作為算法最 終輸出結(jié)果。顯然，平均絕對差越小，說明子圖與模板圖像越相似，因此只需要找到最小的 平均絕對差就可W確定子圖的位置。
[0171]
[0172] 式中，化1。
[0173] 隨機選取一處水下地形并轉(zhuǎn)化成實時圖，對圖像加40地的噪聲、旋轉(zhuǎn)15°，分析不 同大小的實時圖對匹配準確度的影響，結(jié)果如圖5所示。在圖5中，藍色實線為被匹配實際位 置，紅色虛線是經(jīng)過算法對水下潛器探測得到地形圖像推算其可能性最高的5個位置。由圖 5可W發(fā)現(xiàn)，實時圖太小，即潛器前行距離過短，對匹配準確度影響較大；實時圖太大，又造 成不必要的潛器行進時間與算法計算時間浪費。通過4張子圖的比較可W得出，針對運一水 域的水下地形特點，在考慮捜索區(qū)域的大小，即基準圖所含信息及像素點數(shù)，設(shè)計19*19大 小的實時圖進行匹配，既能保證匹配的有效性，又能避免時間消耗過長。
[0174] 隨機選取水下地形并轉(zhuǎn)化成實時圖，對圖像加40地的噪聲、旋轉(zhuǎn)15°，分析不同捜 索步長對匹配準確度的影響，結(jié)果如圖6所示。圖6中，藍色實線為被匹配實際位置，紅色虛 線是經(jīng)過算法對水下潛器探測得到地形圖像推算其可能性最高的5個位置。由圖6結(jié)果可 見，在匹配區(qū)域大小相同、圖像噪聲相同、旋轉(zhuǎn)角度相同的條件下，不同捜索步長對實時圖 的匹配會產(chǎn)生一定的影響，捜索步長越長，對圖像匹配的實際位置偏離越大，但在實際位置 附近區(qū)域包含在算法對實時圖推測的多個相似區(qū)域位置中，能夠為之后基于特征向量的精 匹配提供有力支撐。
[0175] (6)選取灰度共生矩陣的最大相關(guān)系數(shù)(MCC)、灰度-梯度共生矩陣的均值(μι)和7 個不變矩（Φ1-Φ7)，共9個特征參數(shù)構(gòu)成特征向量，進行基于圖像特征參數(shù)的精匹配；
[0176] 具體做法為:首先，提取特征向量數(shù)據(jù)庫中粗匹配所得5個近似區(qū)域的特征向量并 計算實時圖的特征向量；其次，通過相似測度函數(shù)求得與所求位置最接近的近似區(qū)域;再 次，W其坐標為基準點，做上下左右各5個像素點（即11*11區(qū)域)的遍歷，找到Fs最小值的坐 標，即為潛器所在位置，如圖7所示。
[0177] 為提高效率，減少時間消耗，對基準圖做19*19正方形的最大內(nèi)切圓（圓形直徑為 正方形邊長）模板地逐點遍歷，提取圖像特征參數(shù)向量，建立水下地形圖像特征向量數(shù)據(jù) 庫。
[0178] 因各個特征參數(shù)數(shù)量級差別過大，所W要在特征向量前設(shè)定特征權(quán)重，使其向量 值間等重，W免因某一特征參數(shù)過大而影響匹配準確度。
[0179] 定義特征向量為C，即：
[0182] 式中，W 為權(quán)重矩陣，c〇Mcc、^、％、％、％、％、％、％、％分別為 MCC、 μι、Φι-Φ7的對應(yīng)權(quán)值。
[0183] 設(shè)計相似測度函數(shù)如下：
[0184] Fs= I C-C'
[0185] 式中，C'為實時圖的特征向量集，C為每次捜索過程中進行匹配的基準圖子區(qū)域的 特征向量集。顯然，令Fs取得最小值的區(qū)域就是所求匹配區(qū)域。權(quán)值設(shè)置如圖10所示，最終 使用如圖10的闊值來精匹配區(qū)域。
[0186] (7)實測水下地形算法仿真，對比不同適配性判斷條件對比仿真結(jié)果。
[0187] 算法仿真試驗基于某湖泊真實水下地形數(shù)據(jù)進行，如圖8(a)所示，為方便計算機 運算，在其上截取220*220像素點大小圖像作為待匹配區(qū)域，如圖8(b)所示，實時水深測量 數(shù)據(jù)通過在真實水深序列中隨機添加40地-50地噪聲獲得，如圖8(c)所示。隨機旋轉(zhuǎn)5°-75° 條件下，通過步長為5個像素點的基于圖像灰度的粗匹配，局部11*11像素點遍歷的基于圖 像特征向量距離的精匹配，在允許誤差為3個像素點的條件下，對水下潛器進行定位，結(jié)果 如圖8所示。不同適配性判斷條件對比結(jié)果如圖11所示。
[0188] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0189] 1、在圓形匹配模板下，水下地形圖像所提取的灰度共生矩陣的最大相關(guān)系數(shù)、灰 度-梯度共生矩陣的均值和7個不變矩共9個特征參數(shù)能有良好的旋轉(zhuǎn)不變性，最大抗噪能 力為40地，對因多波束測深系統(tǒng)及探測距離引起的地形圖像分辨率的不同也有較好的抵抗 能力。
[0190] 2、傳統(tǒng)基于水下地形高程匹配的TERC0M算法方法簡單，但計算量大、計算耗時長、 且匹配定位正確率不高;本發(fā)明設(shè)計由粗到精分層匹配方式，即全局捜索步長為5像素點的 基于水下地形圖像灰度的絕對差算法對水下地形圖像進行粗匹配，如圖5和圖6所示。結(jié)合 11*11區(qū)域局部捜索步長為1像素點的，選取灰度共生矩陣的最大相關(guān)系數(shù)(MCC)、灰度-梯 度共生矩陣的均值(μι)和7個不變矩（Φ 1-Φ 7)，共9個特征參數(shù)構(gòu)成特征向量的精匹配捜 索方式，如圖7所示。在允許誤差為3個像素點的條件下，匹配定位準確率達到91 %，比傳統(tǒng) TERC0M算法匹配定位正確率提高10多個百分點，且計算時耗減少30%;并通過某湖波實測 水下地形匹配，驗證算法的正確性及有效性，如圖8和圖9所示。
[0191] 3、基于水下地形高程差的傳統(tǒng)適配性判斷方法具有一定的局限性，即單獨使用高 程信息分析使水下地形適配性判斷不夠準確。傳統(tǒng)適配性判斷條件給出適合匹配的結(jié)果， 但是用于匹配的特征變換不明顯、不利于匹配;本發(fā)明設(shè)計基于水下地形圖像紋理方向特 征適配性判斷方法，并將兩者有效結(jié)合、互相補充，歸納總結(jié)出新水下地形適配性判別條 件，在同等外界干擾、使用相同位置匹配算法時，能夠?qū)λ碌匦芜m配性做到良好地判斷， 提局了判斷正確率，如圖11所不。
【主權(quán)項】
1. 一種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié)合的方法，其特征在于：包 括如下步驟： 第一步:利用聲納系統(tǒng)探測獲取水下地形高程數(shù)據(jù)； 第二步:將獲得的高程數(shù)據(jù)轉(zhuǎn)化成實時圖； 第三步:分析實時圖與基準圖之間的適配性，結(jié)合地形適配性傳統(tǒng)判別條件，得出產(chǎn)生 基于圖像紋理特征方向特征參數(shù)的水下地形適配性判斷條件： {R/σ >〇 . 15 n UNImax-UNImin>0.4 Π C0NmaX-C0Nmin>0.6 Π C0RmaX-C0Rmin>0.2 } 式中：R為灰度粗糙度;σ為灰度標準差;UNI為由實時圖提取灰度共生矩陣得到的4個方 向的角二階矩，并做歸一化處理，通過比較得到UNImax、UNImin; CON為對比度，C0R為相關(guān)，CON 與COR的判別值C0Nmax、⑶Nmin與C0R max、⑶Rmin獲取方法與UNI相同； 如果滿足上述的水下地形適配性判斷條件的公式，即認定為該區(qū)域適合匹配，進行第 四步，否則重新進行第一步； 第四步:根據(jù)實際航向角偏離情況確定匹配方式:若航向角偏離較小，依次進行第五步 和第六步提供的由粗到精的分層匹配方式;若航向角偏離較大，直接進行第六步提供的所 述精匹配方式； 第五步:基于水下圖像灰度的絕對差算法對水下地形圖像進行粗匹配； 第六步:選取由實時圖提取灰度共生矩陣的最大相關(guān)系數(shù)MCC、灰度-梯度共生矩陣的 均值μι和7個不變矩Φ 1- Φ 7共9個特征參數(shù)構(gòu)成特征向量，進行基于圖像特征參數(shù)的精匹 配； 第七步:實測水下地形算法仿真，在不同適配性判斷條件對比仿真結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié)合的 方法，其特征在于:第五步中的粗匹配是：已知S(x，y)是大小為m*n的受匹配圖像、T(x，y)是 大小為M*N的模板圖像，在遍歷待匹配圖像S中，取以（i，j)為左上角、M*N大小的子圖，計算 其與模板圖像相似度，在所有能夠取得子圖中，找到與模板圖像最相似的子圖作為算法最 終輸出結(jié)果，而平均絕對差越小，說明子圖與模板圖像越相似，因此找到最小的平均絕對差 D (i，j)就可確定子圖的位置：式中，1彡i彡n-M+l，l彡j彡n-N+1。3. 根據(jù)權(quán)利要求1或2所述的一種基于適配性分析的水下地形圖像粗匹配與精匹配結(jié) 合的方法，其特征在于:第六步具體包括:首先，提取特征向量數(shù)據(jù)庫中粗匹配所得5個近似 區(qū)域的特征向量并計算實時圖的特征向量;其次，通過相似測度函數(shù)求得與所求位置最接 近的近似區(qū)域;再次，以其坐標為基準點，做上下左右各5個像素點的遍歷，找到匕最小值的 坐標： 定義特征向量為c，即： C=W(MCC，yi, Φ?，Φ2，Φ3，Φ4，Φ5，Φ6，Φ7)Τ }V - diag(wv/r( , ωυι, , ωι/ι：, ?),：, , 〇)Α, , (〇ιΛ_) 式中，W為權(quán)重矩陣，ω.、％、氣、氣、_氣_、_氣、氣_、氣、_ <%_分別為Μ(Χ、μι、 Φ?- Φ7的對應(yīng)權(quán)值； 相似測度函數(shù)Fs為： Fs= | c_c， 式中，C'為實時圖的特征向量集，C為每次搜索過程中進行匹配的基準圖子區(qū)域的特征 向量集，令Fs取得最小值的區(qū)域即為所求精匹配區(qū)域。
【文檔編號】G06T7/00GK106067172SQ201610363682
【公開日】2016年11月2日
【申請日】2016年5月27日 公開號201610363682.1, CN 106067172 A, CN 106067172A, CN 201610363682, CN-A-106067172, CN106067172 A, CN106067172A, CN201610363682, CN201610363682.1
【發(fā)明人】卞紅雨, 陳奕名, 王鵬, 吳遠峰, 金月
【申請人】哈爾濱工程大學