欢迎来到天天文库
浏览记录
ID:33732862
大小:8.58 MB
页数:50页
时间:2019-02-28
《基于水声图像水下目标识别技术的研究》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、基于水声图像水下目标识别的技术研究摘要随着近年来各国对海洋开发的日益重视,以及在军事对抗、保卫海防和民用能源开发、海底探测等方面的巨大利益,水下目标识别系统越来越多的成为研究热点。而蛙人由于具有小成本高回报的特点,越来越成为各国海军以及恐怖主义所青睐的对象。因此本文基于蛙人的水下目标识别系统研究有着极为重要的意义。本文主要设计了一套以分辨蛙人和鱼群为主要功能的水下目标识别系统。首先介绍了一般目标识别系统的完整结构流程,分析了其应用在水声图像处理中的特别之处以及水声条件对系统识别效果带来的困难,然后对水下目标识别系统的三部分分别进行深入研究。预处理部分:水声图像的成像效
2、果通常较差使得预处理部分必须要去噪。本文应用了图像处理中常用的几种去噪算法对所给水声图像进行研究,经过MATLAB仿真实验比较其各自优缺点,得到了给出的几种常用算法适用于水声图像的结论并了解了各种方法对水声图像的去噪效果。对小波硬阈值、软阈值去噪和一种基于小波阈值改进型去噪算法深入研究,三种算法都用所给水声图像进行了仿真实验并结合信噪比等数据表格对比,得出结论,小波阈值去噪尤其是改进型算法对所给水声图像都有很好的效果。特征提取部分:因为本文研究的蛙人图像和鱼群图像都是具有目标的图像,所以图像分割也是特征提取之前必不可少的环节。本文用迭代阈值法和大津法分别对所给图像进行
3、分割处理,对比得出迭代阈值分割更适合本文所给的水声图像,对其进行形态学处理,使之可用于之后的特征提取。特征提取部分是整个水下目标识别系统效果好坏的关键。本文在分析了所给的水声图片的特点后,选取了更适用于所给蛙人图像和鱼群图像的基于经典形状特征的特征提取方法,提取特征量后并做了归一化处理,为后续流程提高了效率。目标识别部分:神经网络是目前模式识别中的热点。众多优点使得当今大部分图像识别系统都选其用于目标识别。本文选用BP神经网络对基于经典形状特征提取的特征进行仿真实验,结果表明系统对要求区分的图像有很好的区分效果,达到了预期的要求。关键词:水下目标识别;蛙人;去噪;特征
4、提取ABSTRACTUnderwatertargetrecognitionsystemiscentralissuebecauseofmilitaryconfrontation,todefendthecoastaldefenseandcivilianresources,energydevelopment,suchassubmarinedetectionboththeenormousbenefitsinrecentyears.Diverscostlowerf.岫ds,aJldgreaterfeatures,atthispoint,Diversgraduallybecome
5、atooltousebythenavies.Itisofgreatsignificanceformythesistoresearchdiversunderwatertargetrecognition.Thispaperintroducesthecompletestructureofthegeneraltargetrecognitionprocessfirst,studiesthedifficultiescausedbythesystemeffectisuniqueintheunderwateracousticimageprocessingandunderwaterac
6、ousticconditions,Andthenreseatchtheunder、vatertargetrecognitionsystem.Pre。processing:ThemainpurposeofImagepre.processingofunderwateracousticimagepre。Processlng1Sdenoising·Inthispaper,ageneralimageprocessingmethodisusingtodenoisealgorithmstothestudyofunderwateracousticimages,aftertheprin
7、cipleofverificationandsimulationresultstocomparetheirrespectiveadvantagesanddisadvantages.thepapergiveseveraluniversalalgorithmconclusionwhichtheeffectofbetterwaveletforgeneralunderwateracousticimagethehardthresholding,softthresholdingin-depthstudy,andgivesainnovativealgorithm,
此文档下载收益归作者所有