基于对角切片谱的小波神经网络水下目标识别

一种基于MFCC特征的水下目标分类网络作者：徐晓刚罗昕炜来源：《声学与电子工程》2022年第01期摘要水声目标辐射噪声特征提取和识别技术是水声目标识别的重要任务，也是水声信号处理领域的难题。

鉴于梅尔滤波器中提取的听觉特征在语音识别中的广泛应用，文章基于梅尔倒谱系数（Mel Frequency Cepstrum Coefficient ，MFCC）和卷积神经网络（Convolutional Neural Network ，CNN）构建了一个水声信号深度分类网络。

该分类网络通过MFCC特征提取方法逐帧提取舰船辐射噪声信号的梅尔倒谱系数，将其构建特征矩阵输入CNN中进行分类，构建了一个4类舰船辐射噪声样本集，并利用所提出的网络考察了不同维度下MFCC和I LOFAR 特征的分类性能，分析了不同类型特征和不同特征维度输入对网络分类性能的影响，可为水声分类研究相关人员提供参考。

关键词水声信号：梅尔系数；目标分类；CNN；时频分析水下目标的分类识别是水声领域研究的热点问题，对于现代海洋装备目标探测尤为关键，特征向量提取的方法是水声目标分类识别的研究重点。

文献[1]提出了一种基于小波包变换的水下目标辐射噪声特征提取算法，文献[2]提出了一种基于双谱估计的水下目标辐射噪声特征提取算法，文献[3]提出了一种基于波数谱模态能量差特征的目标分类方法。

由于声呐识别不同水下辐射噪声源的原理与人耳语音识别的机理类似，因此，基于听觉特征的水下声目标特征提取方法是研究热点之一，其中提取梅尔倒谱系数进行水下声目标识别是常用的方法之一。

文献[4]介绍了差分梅尔频率倒谱系数的概念和相应的特征提取方法，对水下目标进行了基于MFCC特征提取方法仿真研究和实验分析；文献[5]将MFCC特征应用于船舶和鲸类水下声信号的特征提取中，提取了船舶和鯨类声信号的MFCC特征，通过高斯混合模型对提取的MFCC特征进行训练和识别分类，讨论MFCC维数变化和不同MFCC特征组合对识别分类性能的影响：文献[6-8]也进行了MFCC特征提取相关方面的研究工作，并取得了一定的研究成果。

水下声呐信号处理及目标识别研究水下声呐技术的应用范围十分广泛，包括：水下探测、矿产开采、海底地形勘测、海洋生物探测、海军军事应用等等。

其中，水下目标探测和识别是水下声呐技术的重要应用之一。

本文将着重探讨水下声呐信号处理及目标识别的相关研究。

一、水下声呐信号处理水下声呐信号处理是指对声波信号进行分析、降噪、滤波等处理，以提高信号的可识别性和探测性，为水下目标识别提供基础数据。

水下声呐信号处理主要包括：信号采集、信号预处理、信号分析和信号降噪等方面。

1. 信号采集声呐信号采集是声呐系统中的第一步，其目的是获取目标传回的声波信号。

通常情况下，声呐系统由发射器和接收器两部分构成。

发射器会向周围环境发出声波信号，信号被周围环境反射后，就会被接收器捕捉。

是对声波信号进行采集的过程。

2. 信号预处理信号预处理是为了去除杂音和干扰信号，从而提高信号的质量和清晰度。

该过程中常用的技术包括滤波、去噪、增益等方法。

其中，滤波常用于去除信号中的高频噪声，去噪就是降低信号中的低频噪声的过程，而增益用于增强信号的可读性和能量。

3. 信号分析信号分析是指对信号进行参数提取以及信号的频谱、时域等特征分析。

通过对信号的分析，可以更好地了解声波传播的特性、声源和水下目标的特征等。

4. 信号降噪信号降噪是针对信号中噪声的处理，目的是去除干扰信号，提高信号的准确性和可读性。

降噪处理一般包括自适应滤波、小波去噪、频域滤波等方法。

其中，小波去噪的效果较好，可以较好地去除信号中的噪音。

二、水下目标识别水下目标识别是指通过声呐信号处理技术，将确定的信号特征与目标数据库中的特征进行匹配，对水下目标进行分类和识别。

下面将着重介绍基于声波信号的水下目标识别方法。

1. 基于模式识别的目标识别方法该方法基于目标的特征，通过比较目标的特征与数据库中已有的目标特征，最终实现目标的分类和识别。

目标的特征常包括目标的形态、声回波、饰品等因素。

常用的模式识别算法包括KNN算法、SVM算法、神经网络算法等。

基于神经网络的水下目标识别技术研究一、绪论随着深海石油勘探的深入和海底资源的广泛开发利用，对水下目标的识别和跟踪技术提出了更高要求。

然而，由于水下环境的复杂性和数据的低清晰度，传统的图像识别技术技术难以胜任。

因此，目前基于神经网络的水下目标识别技术成为了研究的热点问题。

二、神经网络介绍神经网络是由多个人工神经元相互连接的计算模型，在信息处理中，其具有良好的能力和效果。

神经网络可以通过学习样本数据自适应地调整模型参数，从而实现对信息的计算和处理。

此外，神经网络还能够学习和理解输入数据的特征，从而提高数据的识别和分类准确率。

三、水下目标识别技术3.1 概述水下目标识别技术是指通过对水下图像进行特征提取和分类，实现对水下目标进行识别和分类的一种技术。

目前，水下目标识别技术主要应用于深海石油勘探、水下机器人等领域，具有重要的应用价值。

3.2 传统的水下目标识别技术传统的水下目标识别技术主要采用基于特征提取和模式分类的方法，其主要思路是：通过对水下图像进行预处理、特征提取和分类，从而实现对水下目标的识别。

在传统的水下目标识别技术中，主要采用一些特征提取算法如：SIFT、SURF、HOG等。

然后，通过分类算法进行分类，如K-NN、SVM、决策树等。

这些算法采用固定的特征提取和分类方式，很难适应复杂的水下环境和目标变化。

3.3 基于神经网络的水下目标识别技术由于神经网络具有自适应性和学习能力，因此在水下目标识别领域具有广泛应用价值。

基于神经网络的水下目标识别技术具有以下特点：3.3.1 可以自适应地调整权值和参数，进行自我优化。

3.3.2 可以学习并提取关键特征以识别目标。

3.3.3 对于复杂的水下环境和目标变化，神经网络具有更强的鲁棒性，能够更好地适应各种复杂情况。

3.4 基于神经网络的水下目标识别技术的主要步骤基于神经网络的水下目标识别技术主要包括以下步骤：3.4.1 图像预处理：对水下图像进行预处理，包括滤波、增强等操作，以提高图像的清晰度和质量。

第１７卷　第５期２０１９年１０月南水北调与水利科技Ｓｏｕｔｈ－ｔｏ－Ｎｏｒｔｈ　Ｗａｔｅｒ　Ｔｒａｎｓｆｅｒｓ　ａｎｄ　Ｗａｔｅｒ　Ｓｃｉｅｎｃｅ　＆ＴｅｃｈｎｏｌｏｇｙＶｏｌ．１７Ｎｏ．５Ｏｃｔ．２０１９水文水资源收稿日期：２０１９－０３－２１ 修回日期：２０１９－０５－１７ 网络出版时间：２０１９－０５－２４网络出版地址：ｈｔｔｐ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１３．１３３４．ＴＶ．２０１９０５２３．１６１８．０１６．ｈｔｍｌ基金项目：国家重点研发计划（２０１６ＹＦＣ０４０２７０５）；国家自然科学基金（５１６７９０６１；４１１３０６３９）Ｆｕｎｄｓ：Ｎａｔｉｏｎａｌ　Ｋｅｙ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｐｒｏｇｒａｍ　ｏｆ　Ｃｈｉｎａ（２０１６ＹＦＣ０４０２７０５）；Ｎａｔｉｏｎ　Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｆｏｕｎｄａｔｉｏｎ　ｏｆ　Ｃｈｉｎａ（５１６７９０６１；４１１３０６３９）作者简介：刘墨阳（１９９５－），女，湖北荆门人，主要从事水文物理规律模拟与预报方面研究。

Ｅ－ｍａｉｌ：ｉｎｋｌｙ＠ｈｈｕ．ｅｄｕ．ｃｎＤＯＩ：１０．１３４７６／ｊ．ｃｎｋｉ．ｎｓｂｄｑｋ．２０１９．０１１０刘墨阳，李巧玲，李致家，等．基于小波分析的ＮＡＲＸ神经网络在水位预测中的应用［Ｊ］．南水北调与水利科技，２０１９，１７（５）：５６－６３．ＬＩＵ　Ｍ　Ｙ，ＬＩ　Ｑ　Ｌ，ＬＩ　Ｚ　Ｊ，ｅｔ　ａｌ．Ｔｈｅ　ａｐｐｌｉｃａｔｉｏｎ　ｏｆ　ＮＡＲＸ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ　ｆｏｒ　ｗａｔｅｒ　ｌｅｖｅｌｐｒｅｄｉｃｔｉｏｎ［Ｊ］．Ｓｏｕｔｈ－ｔｏ－Ｎｏｒｔｈ　Ｗａｔｅｒ　Ｔｒａｎｓｆｅｒｓ　ａｎｄ　Ｗａｔｅｒ　Ｓｃｉｅｎｃｅ　＆Ｔｅｃｈｎｏｌｏｇｙ，２０１９，１７（５）：５６－６３．（ｉｎ　Ｃｈｉｎｅｓｅ）基于小波分析的ＮＡＲＸ神经网络在水位预测中的应用刘墨阳１，李巧玲１，李致家１，马亚楠１，张汉辰１，蒋飞卿１，姚玉梅２（１．河海大学水文水资源学院，南京２１００９８；２．海河流域水土保持监测中心站，天津３００１７０）摘要：高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据，减少洪旱灾害损失。

基于深度神经网络的水下目标识别技术研究田禹 田文峰 苏宇辰 于新伟 王云飞(天津工业大学电子与信息工程学院 天津 300387)摘要：水下目标的分类识别对国防建设和海洋资源开发有重要意义。

该文对水下目标辐射噪声进行处理，通过深度神经网络实现目标的自动分类识别；对水下目标辐射噪声建模，生成水下目标样本，辅助真实数据，对网络模型进行训练和测试；对水下目标辐射噪声进行DEMON谱处理，提取目标特征。

该文设计了深度神经网络对水下目标DEMON谱进行分类识别，并给出了网络模型的结构。

实验表明：该文提出的深度神经网络能够对5种不同的水下目标进行准确识别，达到设计预期。

关键词：深度神经网络 水下目标识别 舰船辐射噪声 DEMON谱中图分类号：TP391.4文献标识码：A 文章编号：1672-3791(2023)17-0013-04Research on Underwater Target Recognition Technology Basedon the Deep Neural NetworkTIAN Yu TIAN Wenfeng SU Yuchen YU Xinwei WANG Yunfei(School of Electronics and Information Engineering, Tiangong University, Tianjin, 300387 China) Abstract: The classification and recognition of underwater targets is of important significance for national defense construction and the development of marine resources. This paper processes the radiated noise of underwater targets, and realizes the automatic classification and recognition of targets through the deep neural network. This paper models the radiated noise of underwater targets, generates underwater target samples to assist real data, and trains and tests the neural network model. The radiated noise of underwater targets is performed DEMON spectrum process‐ing to extract target features. This paper designs a deep neural network to classify and recognize the DEMON spec‐trum of underwater targets, and gives the structure of the network model. The experiment shows that the deep neural network proposed in this paper can accurately identify five different underwater targets, and achieve design expectation.Key Words: Deep neural network; Underwater target recognition; Ship radiated noise; DEMON spectrum水下目标的分类识别是利用声学或光学手段，对水下物体进行分类或识别，对国防建设和海洋资源开发有重要意义。

基于小波变换和概率神经网络的水下目标识别水下目标识别一直是海洋研究领域的热点问题，而目标的识别则是水下机器视觉技术最为关键的一环。

随着近年来深度学习技术的飞速发展，概率神经网络成为了水下目标识别中的一个重要方法。

不过，光采集不稳定性和水中传输的噪声之外，小波变换也成为了一种重要的预处理方法。

小波变换是一种谐波分析的处理方法，将信号分解成时频域宽度相等的小波。

对于水下信号，光照与水的折射率的影响使得图像中的光照分布不均，从而影响了目标特征的提取。

利用小波分解技术可以很好的分离出背景噪声、水下光照分布的影响和目标的特征。

在小波变换后，我们可以将保留目标有用的频率信息，得到目标的精细信息，为进一步的图像处理和分类提供了有力的基础。

概率神经网络是一种针对不确定性信息建模的方法，将输入特征与输出分类之间的状态进行概率化描述。

它由神经元和神经树算法组成，并使用概率来处理输入和输出的不确定性。

在水下目标识别方面，概率神经网络可以提供强大的模式识别能力，并能够模拟海洋环境下光谱的非线性变化。

因此，它被广泛应用于水下目标识别领域。

综上所述，小波变换和概率神经网络的组合可以应用于水下目标识别中的特征提取和分类。

首先使用小波变换处理水下光照分布和噪声，得到目标的精细的频域信息，然后在该信息的基础上构建概率神经网络来进行水下目标分类。

在该过程中，概率神经网络可以充分利用目标的光谱和形态等特征信息，将模式匹配的结果转换为可信度得分。

这样的得分可以用于水下任务的实时处理和决策。

总之，小波变换结合概率神经网络在水下目标识别中的应用为水下机器视觉研究提供了全新的思路和技术基础，为应对未来复杂海洋环境下的目标检测和识别任务提供了有力的支持。

水下目标识别的数据通常来自于遥感图像、声纳图像和光学图像等多种来源。

这些数据中含有大量的图像信息和特征，对于研究水下目标识别有着重要的帮助。

以下是关于水下目标识别相关数据的分析。

首先是光学图像。

专利名称：基于卷积神经网络的水下光学目标检测与识别方法专利类型：发明专利
发明人：李学龙,王琦,宋春彪
申请号：CN201811365290.4
申请日：20181116
公开号：CN109543585A
公开日：
20190329
专利内容由知识产权出版社提供
摘要：本发明提供了一种基于卷积神经网络的水下光学目标检测与识别方法。

首先，对水下采集图像进行线性灰度变换和直方图均衡的增强处理，减少水底环境对原始图像的影响，增强方法的鲁棒性和检测精度；然后，采用多层深度卷积神经网络，通过计算图像多层深度特征，在输出层回归得到不同目标的检测位置和所属类别，并采用基于监督学习的训练方式对网络进行训练。

本发明方法可以获得比手工标注特征更好的分类效果，识别精度更高。

申请人：西北工业大学
地址：710072 陕西省西安市友谊西路127号
国籍：CN
代理机构：西北工业大学专利中心
代理人：常威威
更多信息请下载全文后查看。

s变换在水下目标分类识别中的应用大量水下数据搜集和处理涉及到许多技术，其中最重要的是有效检测和识别之后的目标。

近年来，随着深度学习技术的发展，水下目标识别也经历了令人激动的变化，从传统的手工特征提取到基于深度学习的特征提取。

本文旨在介绍在水下目标识别中s变换的应用。

首先，介绍s变换的定义和基本原理。

S变换，又称矩阵变换，是一种线性变换，可将输入信号转换为一种非线性变换，以提取信号的时间和频率域信息，并且可以压缩输入信号，有助于更高效地提取信号特征。

将输入信号转换为Slona定格，然后进行逆变换，可以捕捉到非线性的频谱信息，进而有效的提取信号特征。

具体到水下目标识别，s变换可以被用来提取有效的特征来区分不同类型的目标。

首先，用基于s变换的特征提取方法提取出水下图像的特征信息，然后将识别和识别的图像放入分类器分类。

S变换可被用于噪声抑制，去除干扰噪声，提高识别和识别的准确性。

此外，可以基于s变换提取的特征，使用更高效的目标识别算法来提高水下目标检测的精度。

此外，用户也可以将s变换结合机器学习的方法，结合卷积神经网络（CNN），应用于水下目标识别中。

可以首先采用s变换，提取图像的特征信息，这种特征提取方法比传统的方法更有效，更能提取出信号的有效内容。

然后再采用CNN，来对这些特征信息进行分析和处理，进行有效的水下目标识别。

综上所述，s变换在水下目标识别中有着重要的应用，不仅可以有效提取水下图像的信息，而且可以结合机器学习的方法，提高水下目标识别的准确性和效率。

因此，s变换在水下目标识别领域发挥着重要作用，为目标识别带来了极大的发展。

本文主要介绍了s变换在水下目标识别中的应用，包括s变换的定义、原理和传统方法比较；结合机器学习的方法，运用卷积神经网络的应用；以及s变换在水下目标识别中的重要作用。

本文从理论上证明了s变换在水下目标识别中的有效性和优势，并为其他领域的应用提供了参考。

收稿日期：2020-03-23；修回日期：2020-05-08基金项目：广西自然科学基金资助项目（2016GXNSFAA380327）；国家自然科学基金资助项目（61863003）作者简介：宋绍剑（1970-），男，广西象州人，教授，硕导，硕士，主要研究方向为复杂系统建模与优化控制、机器学习（sjsong03@163．com ）；朱靖旭（1995-），男，江苏淮安人，硕士，主要研究方向为模式识别与图像处理．基于Mas k R-CNN 和迁移学习的水下生物目标识别研究*宋绍剑，朱靖旭（广西大学电气工程学院，南宁530004）摘要：水下环境的特殊性引起的光学成像质量差以及相关数据集的不足是实现高质量水下目标识别面临的挑战。

以识别海胆、海参、海星为例，提出一种基于Mask R-CNN 的水下生物识别方法。

首先增广小样本数据集；然后使用带色彩恢复的多尺度视网膜增强算法（MSRCR ）增强图像；最后用Mask R-CNN 迁移学习实现水下生物实例分割，达到了97．30%的准确率、93．52%的召回率和94．38%的mAP 值。

此外，通过与流行的目标检测模型对比，包括SSD 、YOLOv3、原始的Mask R-CNN 以及一种基于SIFT 的模型，证明了该方法的有效性。

关键词：目标识别；Mask R-CNN ；迁移学习；水下生物；图像增强0引言地球表面积的70%以上是海洋，其中蕴藏着丰富的资源。

由于生理限制，人类通常需要各种功能的水下机器人协助才能完成长时间的水下工作［1］，而高效、准确的水下目标识别能力有利于提高水下机器人的自动化程度。

但是，即使采用专用设备，水下成像的质量依然不如常规成像。

水体和杂质对光的选择性吸收和散射通常会导致水下图像中的颜色衰减、蓝绿色调和噪声。

在这种情况下，水下目标检测与实例分割的研究面临巨大挑战。

为了检测移动中的水下目标，Shen 等人［2］参考青蛙的眼睛，从仿生学的角度提出了一种层次化的背景模型，具有很好的检测能力。

基于改进小波能熵的水下目标识别石敏;徐袭;张纪铃;岳剑平【期刊名称】《舰船电子工程》【年(卷),期】2012(032)008【摘要】文章研究了基于改进小波能熵和概率神经网络的水下目标识别方法。

首先对水下目标辐射噪声信号进行小波变换多分辨率分解和重构,然后引入滑动时间窗,提取各分解子带在滑动时间窗内的改进小波能熵值作为目标识别的特征矢量,最后将特征矢量输入到概率神经网络中实现水下目标识别。

对信号进行小波多分辨率分解可反映信号在不同频域上的特征,而引入滑动时间窗并在此基础上定义改进的小波能熵可反映信号的时域特征,因此改进小波能熵方法能同时反映信号的时频特征,更适合于水下目标特征提取。

仿真结果表明了该方法的有效性。

【总页数】3页(P48-49,104)【作者】石敏;徐袭;张纪铃;岳剑平【作者单位】水声对抗技术熏点实验室,湛江524022 91388部队,湛江524022;91388部队,湛江524022;水声对抗技术熏点实验室,湛江524022 91388部队,湛江524022;水声对抗技术熏点实验室,湛江524022 91388部队,湛江524022【正文语种】中文【中图分类】TP391【相关文献】1.基于改进小波能熵和支持向量机的短时电能质量扰动识别 [J], 李庚银;王洪磊;周明2.一种改进的小波能量熵语音端点检测算法 [J], 李乐;王玉英;李小霞3.基于小波能量熵的配电网电压暂降源定位方法 [J], 胡安平;姜玉洁;陶以彬;孙浩天;易皓4.基于小波能量熵的司机疲劳驾驶行为响应算法 [J], 徐陶祎;张翼5.基于改进滤波器和图像加权局部熵的红外小目标图像处理 [J], 刘镇毓;宋贵宝;刘铁;强裕功因版权原因，仅展示原文概要，查看原文内容请购买。

小波网络用于水下目标识别的研究的开题报告一、选题背景及意义水下目标识别是水下机器人、水下测量、水下探测、水下控制等领域中的重要问题。

传统的水下目标识别方法主要采用模式识别和数据分析技术，但是由于水下环境复杂，影响因素多，采集到的数据质量很差，传统的识别方法效果不尽如人意。

近年来，随着小波神经网络技术的发展，逐渐成为了水下目标识别研究的热点之一。

小波神经网络是一种新型的神经网络，是小波变换和神经网络的结合，利用小波多分辨率分析的特性，对输入数据进行多尺度分析，提取数据的局部特征，然后用神经网络进行分类识别，能够有效提高水下目标识别的准确率和可靠性。

因此，探究小波网络用于水下目标识别的研究具有重要的应用价值和深远的意义。

二、研究内容和目标本课题旨在研究小波网络在水下目标识别中的应用，并探究其分类识别性能。

具体研究内容包括：1.对水下目标数据进行采集和处理，获取符合样本特征的数据集。

2.概述小波网络原理及其在水下目标识别中的应用。

3.设计小波神经网络模型，分析反向传播算法，并训练网络模型。

4.对比小波神经网络和其他传统的目标识别方法的性能差异，并分析小波网络在水下目标识别中的适用性。

研究目标是深入探究小波网络在水下目标识别中的优势和局限性，为进一步提高水下目标识别的准确率和可靠性提供参考。

三、研究方法和技术路线本研究将采用以下方法和技术路线：1.对水下目标数据进行采集和处理。

通过利用水下测量、探测等设备获取大量的水下目标数据，进行数据预处理和特征提取，以便满足网络训练的要求。

2. 理解小波神经网络原理及其在水下目标识别中的应用。

通过学习小波变换、多分辨率分析，搭建小波神经网络模型，并运用反向传播算法来训练模型。

3. 对比小波神经网络和其他传统的目标识别方法的性能差异。

通过实验将小波网络和传统的方法进行对比，并分析其性能差异和适用性。

四、预期成果和意义通过本研究，可以得到以下成果和意义：1.对小波网络在水下目标识别中的优势和局限性进行全面深入的探究。

基于Matlab神经网络的水下目标识别
胡红波;邱继进;马爱民
【期刊名称】《指挥控制与仿真》
【年(卷),期】2005(027)005
【摘要】为了实现对水下目标的识别,在现有特征提取方法的基础上,提出了目标像素灰度分布特征提取方法,并针对水下光信号衰减的情况,采用了色彩"补偿"的解决方案.对图像矩阵通过奇异值分解得到了目标有效维特征向量,分类器设计采用了Matlab环境下的BP神经网络,识别结果是令人满意的.这对猎雷具装备的发展具有一定的参考价值.
【总页数】3页(P52-54)
【作者】胡红波;邱继进;马爱民
【作者单位】海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018;海军大连舰艇学院,辽宁,大连,116018
【正文语种】中文
【中图分类】O235
【相关文献】
1.基于PCA和BP神经网络的水下目标识别方法研究 [J], 袁骏;张明敏;孙进才
2.基于小波变换和概率神经网络的水下目标识别 [J], 石敏;徐袭;岳剑平
3.基于对角切片谱的小波神经网络水下目标识别 [J], 顾江建;王海燕;申晓红;高婧洁
4.基于多传感器模糊神经网络的水下目标识别 [J], 刘勇志;刘丙杰
5.一种水下目标识别方法──基于模糊理论的多种神经网络融合分类 [J], 苏彤;林钧清;顾国昌
因版权原因，仅展示原文概要，查看原文内容请购买。

水下光学图像中目标探测关键技术研究综述一、引言近年来，海洋信息处理技术蓬勃发展，水下目标探测技术的应用也日益广泛，涉及海底光缆的铺设、水下石油平台的建立与维修、海底沉船的打捞、海洋生态系统的研究等领域。

水下光学图像分辨率较高，信息量较为丰富，在短距离的水下目标探测任务中具有突出优势。

然而，由于受水下特殊成像环境的限制，水下图像往往存在噪声干扰多、纹理特征模糊、对比度低及颜色失真等诸多问题。

因此，水下目标探测任务面临诸多挑战，如何在图像可视性较差的情况下，精确、快速、稳定地检测识别和跟踪水下目标物体是亟待解决的问题。

根据水下目标探测任务的执行步骤，将基于光学图像的水下目标探测关键技术分为图像预处理和目标探测两部分。

其中，水下目标探测特指水下目标检测、识别与跟踪。

近年来，国内外研究人员对基于光学图像的水下目标探测关键技术进行了大量研究，水下目标探测技术取得了迅速发展，一些研究人员总结了关键技术的发展现状。

Sahu等总结了一系列水下图像增强算法，Han等对水下图像智能去雾和色彩还原算法进行了综述，Kaeli等概述了一组用于水下图像颜色校正改进的算法，郭继昌等对水下图像增强和复原算法进行了系统归纳并通过实验对比了不同算法，Moniruzzaman等梳理了近年来深度学习在水下图像分析中的应用。

然而，这些综述仅总结了水下目标探测某一关键技术的研究成果，目前仍缺少对水下目标探测关键技术的系统概述。

本文从水下图像预处理和水下目标检测、识别、跟踪技术入手，详细归纳了水下目标探测关键技术的研究现状。

根据是否需要构建模型，将水下图像预处理分为图像增强和图像复原，并重点分析了水下图像增强的各类方法（基于直方图处理、基于Retinex理论、基于图像融合和基于深度学习的方法）的优缺点。

由于水下目标跟踪技术的相关研究论文较少，本文主要从传统方法和深度学习两个角度讨论了水下目标检测与识别相关算法，并简要介绍了常用的水下图像数据集。

适用于水下小目标探测的图像变换及稳定技术
刘文帅
【期刊名称】《电视技术》
【年(卷),期】1995(000)007
【摘要】利用高分辨电子扫描技术探测水下小目标是快速而有效的方法。

它可以在一个发射脉冲宽度内扫描一个预定空间扇面。

通常，采用距离方位的直角坐标形图像显示最为方便而且迅速。

但在近距离上这种显示方式会形成失真，因此有必要将距离方位直角坐标显示转化为无失真的扇面显示。

本文提出一种利用ＤＳＰ器件进行实时快速转换的方案。

在引进声纳载体航向角并完成转换的同时，可实现电子扫描声纳的波束航向稳定。

已建立的硬件系统与编制的应用软件证明方案可行。

在０～４０ｍ距离量程内，扇面无失真显示图形刷新速率可达每秒１０幅。

【总页数】5页(P11-15)
【作者】刘文帅
【作者单位】无
【正文语种】中文
【中图分类】U666.75
【相关文献】
1.跳频脉冲信号在水下沉底小目标探测中的应用 [J], 孙大军;田坦;张殿伦
2.基于蛙人探测声纳序列图像的水下小目标跟踪算法 [J], 李晖宙;刘正红;毛盾
3.利用小波、匹配子空间探测器和图像配准技术探测红外小目标 [J], 顾聚兴
4.“水下威胁小目标探测声纳技术研究”立项 [J],
5.基于主动时反技术的水下目标探测仿真 [J], 管日升;范新刚;杨文瑞
因版权原因，仅展示原文概要，查看原文内容请购买。