基于DIDSON的魚群檢測及鬼影抑制方法

簡　夏　劉軍清　陳　鵬　雷幫軍　李偉生

(三峽大學(xué)計算機(jī)與信息學(xué)院　湖北 宜昌 443002)

?

基于DIDSON的魚群檢測及鬼影抑制方法

簡夏劉軍清陳鵬雷幫軍李偉生

(三峽大學(xué)計算機(jī)與信息學(xué)院湖北 宜昌 443002)

雙頻識別聲納(DIDSON)能在渾濁黑暗的水下獲得清晰的視頻數(shù)據(jù)。對雙頻識別聲納拍攝的魚群視頻進(jìn)行目標(biāo)檢測是后續(xù)跟蹤、識別的前提。首先分析雙頻識別聲納圖像噪聲特性和魚體亮度統(tǒng)計特性；基于此，提出并實現(xiàn)一種聲納魚群檢測方法，并就檢測中的鬼影問題提出了抑制方法；最后利用形態(tài)學(xué)濾波去除孤立噪點(diǎn)。實驗結(jié)果表明，該方法在魚體目標(biāo)輪廓清晰度、魚體大小準(zhǔn)確度方面明顯優(yōu)于經(jīng)典方法，且滿足實時跟蹤、識別的應(yīng)用要求。

雙頻識別聲納魚群檢測背景差分法鬼影抑制

0　引　言

雙頻識別聲納是近幾年出現(xiàn)由美國華盛頓大學(xué)研發(fā)，能在可視度為零的水下獲取清晰的數(shù)據(jù)影像[1]。與其他聲納設(shè)備相比，優(yōu)勢突出，是目前唯一一款使用聲學(xué)透鏡來壓縮波束的聲納。

魚群統(tǒng)計對于水下養(yǎng)殖以及珍貴魚類保護(hù)具有重要的應(yīng)用價值[2,3]。Pavlov[4]等利用DIDSON觀測勘察加半島虹鱒魚回游產(chǎn)卵的情況，大致測定出了該地虹鱒魚回游距離和數(shù)量。在文獻(xiàn)[5]中，基于前向聲納視頻，提出一種水下目標(biāo)檢測與跟蹤方法，該方法首先利用Gabor濾波器進(jìn)行圖像預(yù)處理，然后采用Kalman濾波器進(jìn)行檢測與跟蹤。Han等利用DIDSON視頻，提出了一種魚群遷移規(guī)模統(tǒng)計方法，該方法首先利用相位相關(guān)法進(jìn)行背景消除，然后利用輪廓濾波進(jìn)行檢測跟蹤，并采用卡爾曼濾波來避免重復(fù)統(tǒng)計[6]。Petreman和Michal分別就DIDSON進(jìn)行魚群統(tǒng)計可能存在的誤差進(jìn)行了分析評估，并提出了相應(yīng)的解決辦法[7,8]。Juza和Kresimir所在課題組就魚群對于攔網(wǎng)的反應(yīng)行為進(jìn)行了分析，其數(shù)據(jù)來源即為DIDSON[9,10]。Alistair則就南非河口關(guān)閉期間海冰區(qū)魚群的行為進(jìn)行了聲納監(jiān)控[11]。國內(nèi)董劍鋒等學(xué)者對雙頻識別聲納圖像處理進(jìn)行了初步研究，并運(yùn)用到幼香魚計數(shù)上[12,13]。

上述方法主要是針對魚群進(jìn)行大致的統(tǒng)計分析，缺乏較為準(zhǔn)確的定量分析。而已有研究表明，利用DIDSON視頻進(jìn)行魚群各種應(yīng)用，其關(guān)鍵是魚群檢測方法的精度[6-9]。本文在分析DIDSON數(shù)據(jù)圖像噪聲特性和魚體亮度統(tǒng)計特性的基礎(chǔ)上，對已預(yù)處理的數(shù)據(jù)影像進(jìn)行目標(biāo)檢測，并對檢測目標(biāo)中的鬼影提出一種抑制方法。最后通過形態(tài)學(xué)開閉運(yùn)算去除孤立噪聲點(diǎn)，獲得較為理想的魚群目標(biāo)檢測結(jié)果。為后續(xù)跟蹤、識別奠定良好的基礎(chǔ)。

1　DIDSON圖像特性分析

1.1DIDSON圖像的噪聲特性

已有研究表明，水下環(huán)境噪聲是服從高斯分布的隨機(jī)信號[15]，但理論證明較為復(fù)雜。本文采用一種簡單的數(shù)學(xué)統(tǒng)計方法對DIDSON圖像噪聲特性進(jìn)行分析。選取同一頻率、同一位置拍攝的DIDSON數(shù)據(jù)影像，對其n幀數(shù)據(jù)進(jìn)行統(tǒng)計平均，將得到的圖像作為無噪聲圖像，并通過原數(shù)據(jù)圖像與無噪聲圖像之差作為噪聲圖像，并對噪聲圖像進(jìn)行統(tǒng)計擬合。

(1)

本文對1000幀分辨率為510×307的圖像序列進(jìn)行統(tǒng)計分析，其中n取40，無噪圖像與噪聲如圖1所示，(a)、(b)為第1幀、第20幀原始圖像，(c)為40幀平均后得到的圖像，(d)、(e)為對應(yīng)的噪聲圖像。獲得1000幀噪聲圖像Ri，然后進(jìn)行噪聲分布特性擬合，即統(tǒng)計1000幀噪聲圖像的灰度直方圖分布規(guī)律，并對該數(shù)據(jù)進(jìn)行核密度估計和正態(tài)分布概率密度估計，實驗結(jié)果如圖2所示。

圖1　原始圖像、無噪圖像及噪聲圖像

圖2　隨機(jī)噪聲的頻率歸一化直方圖及擬合曲線

圖2中，正態(tài)分布概率密度估計能很好地擬合噪聲圖像的灰度頻率分布，因此可知在DIDSON數(shù)據(jù)影像中含有大量隨機(jī)噪聲，且噪聲服從高斯分布。需要說明的是，這里分析過程中沒有考慮魚群游動時因水波紋導(dǎo)致的干擾信號。該干擾信號主要是以陰影或者鬼影圖像的方式呈現(xiàn)，在目標(biāo)檢測后需要進(jìn)行抑制。

1.2DIDSON魚體亮度分布統(tǒng)計分析

聲納圖像從亮度分布而言主要包括三個區(qū)域：高亮區(qū)域、陰影區(qū)域和背景區(qū)域。其中高亮區(qū)域主要是由聲波在目標(biāo)表面反射造成，即為魚體目標(biāo)；陰影區(qū)是由于魚體遮擋導(dǎo)致聲納難以達(dá)到的區(qū)域；背景區(qū)域是指沒有魚體的拍攝區(qū)。因此DIDSON魚群數(shù)據(jù)影像中魚體亮度主要分布在高亮區(qū)域。聲納圖像中像素點(diǎn)的亮度代表了相應(yīng)空間的回波強(qiáng)度，相對于光學(xué)圖像而言，聲納圖像是無色的，習(xí)慣用黑色代表弱回波，白色代表強(qiáng)回波，中間由灰度表示，其灰度級為0～255。綜上所述，采用灰度圖像的統(tǒng)計方法可以統(tǒng)計聲納圖像中魚體亮度的統(tǒng)計分布特性。本文選取了120幀魚群圖像序列進(jìn)行統(tǒng)計分析，首先人工標(biāo)注魚體目標(biāo)的坐標(biāo)，對相應(yīng)位置的灰度值進(jìn)行統(tǒng)計分析，圖3為魚體目標(biāo)的灰度直方圖分布圖。

圖3　每40個魚體的灰度直方圖分布

圖3中的二個圖均為每40幀的魚體目標(biāo)直方圖統(tǒng)計結(jié)果。由圖可知，魚體目標(biāo)的90%以上的灰度值分布范圍為[60, 180]。該數(shù)值為后續(xù)進(jìn)行魚群檢測及鬼影抑制提供了閾值設(shè)置依據(jù)。

2　魚群目標(biāo)檢測算法

由于聲納圖像本身的信息小于隨機(jī)噪聲信息，因此采用光學(xué)圖像的目標(biāo)檢測算法檢測魚群效果較差。檢測結(jié)果含有大量孤立噪聲點(diǎn)，魚體輪廓含有大量毛刺，若第一幀圖像含有魚體，其背景差分法檢測結(jié)果中含有鬼影。

本文充分利用聲納圖像噪聲特性和魚體亮度統(tǒng)計特性，在背景差分法基礎(chǔ)上提出了一種DIDSON魚群目標(biāo)檢測及鬼影抑制方法。思路：分析聲納圖像特性，其噪聲為隨機(jī)高斯噪聲，魚體目標(biāo)屬于高亮區(qū)域且灰度值范圍為[60, 180]；其次采用背景差分法尋找可能出現(xiàn)的魚體目標(biāo)點(diǎn)；利用聲納高亮區(qū)域特性，對初步檢測的魚體目標(biāo)點(diǎn)進(jìn)行鬼影判斷去除鬼影；最后采用形態(tài)學(xué)開閉運(yùn)算去除孤立噪聲點(diǎn)。其整體目標(biāo)檢測流程如圖4所示。

圖4　本文算法流程圖

2.1背景差分法及鬼影問題

背景差分法：設(shè)背景模型為M(x)={v1,v2,…,vN}，其中N個樣本值均為已被判斷為背景的像素值。記v(x)為x點(diǎn)處的像素值，設(shè)定閾值R，計算{v(x)-R,v(x)+R}區(qū)間內(nèi)與樣本模型M(x)相交的樣本值個數(shù)，若數(shù)值大于預(yù)設(shè)的某個最小值，則將當(dāng)前像素點(diǎn)x的像素值v(x)判斷為背景，否則為前景。

由于采用一幀建模，如果模型初始化時出現(xiàn)目標(biāo)，會將前景目標(biāo)點(diǎn)誤判為背景。當(dāng)前景目標(biāo)點(diǎn)離開后，當(dāng)前像素值無法與背景樣本集匹配，導(dǎo)致背景像素點(diǎn)被錯誤地檢測為前景點(diǎn)，形成鬼影。另外，背景差分法模型更新緩慢，導(dǎo)致其目標(biāo)檢測結(jié)果錯誤傳播，嚴(yán)重影響后續(xù)的跟蹤或識別。

2.2本文鬼影抑制方法

通過對DIDSON數(shù)據(jù)圖像的特性分析可知聲納圖像中的魚體目標(biāo)屬于高亮區(qū)域。本文基于此特性提出了鬼影抑制方法。其基本思想：采用背景差分法初步尋找出當(dāng)前幀中的“前景像素點(diǎn)”；對這些“前景像素點(diǎn)”進(jìn)一步判斷，若此像素點(diǎn)的像素值大于閾值T，即判斷為前景，否則認(rèn)為是鬼影并判斷為背景并更新背景模型。

通過聲納圖像特性分析得知，DIDSON圖像序列的魚體高亮區(qū)域灰度值主要分布在[60, 180]之間，進(jìn)行鬼影抑制時選擇合適的閾值非常重要。當(dāng)閾值取值太小時，包含的隨機(jī)噪聲點(diǎn)較多，檢測效果不佳，導(dǎo)致鬼影抑制不完全；閾值取值過大時，高亮區(qū)域邊緣像素值部分被去除，導(dǎo)致目標(biāo)范圍縮小。因此選擇合適的閾值是關(guān)鍵，通過大量實驗驗證，閾值T取[70, 80]時目標(biāo)檢測結(jié)果較好。如圖5所示，不同閾值對同一幀圖像的背景去除結(jié)果不同。當(dāng)T=60時，圖像中存在大量噪聲；當(dāng)T=90時，高亮區(qū)域范圍縮小。當(dāng)T=73時，圖像在保留目標(biāo)范圍的基礎(chǔ)上極大地減少噪聲干擾。

圖5　同一幀不同閾值的背景去除結(jié)

2.3形態(tài)學(xué)濾波

鬼影判斷后的圖像中存在魚體邊緣有毛刺、魚體有較小的非連通區(qū)域、圖像中含有較多的孤立噪點(diǎn)等問題。通過形態(tài)學(xué)開運(yùn)算的腐蝕階段可以消除孤立噪聲點(diǎn)，膨脹階段可以恢復(fù)非連通區(qū)域。形態(tài)學(xué)閉運(yùn)算可平滑魚體邊緣，通過上述處理后，檢測結(jié)果更好。

3　實驗結(jié)果分析

實驗方法：首選選取幾種經(jīng)典的光學(xué)圖像目標(biāo)檢測算法對DIDSON圖像進(jìn)行目標(biāo)檢測，然后將本文方法與其他經(jīng)典方法針對小魚群和大魚群檢測性能進(jìn)行對比分析。實驗環(huán)境配置為matlab2009a，內(nèi)存8GB，處理器為IntelCorei5-3470 3.20GHz、聲納視頻幀率為8fps。

3.1常用目標(biāo)檢測

本文選取幀間差模型、平均背景法模型、高斯混合模型、CodeBook背景模型、背景差分法對大魚群和小魚群進(jìn)行目標(biāo)檢測。其大魚的檢測結(jié)果如圖6所示。

圖6　五種方法針對大魚群的檢測結(jié)果(白色圈標(biāo)記的魚體為鬼影)

圖6中，對于聲納視頻五種算法的檢測結(jié)果，其中幀間差模型效果差, 平均背景法和高斯混合模型檢測結(jié)果中含有大量噪聲，CodeBook背景模型和背景差分法檢測效果較好。但由于背景差分法是一幀建模，當(dāng)建模時存在魚體目標(biāo)的情況下會出現(xiàn)鬼影且消除緩慢，導(dǎo)致整個圖像序列檢測結(jié)果全部錯誤，給后續(xù)的魚群計數(shù)和跟蹤帶來極大影響。

3.2本文算法與其他算法對比分析

將本文檢測算法與CodeBook背景模型、背景差分法進(jìn)行性能比較，實驗數(shù)據(jù)同樣選取小魚群視頻和大魚群視頻。大魚群檢測結(jié)果如圖7所示。

圖7中，CodeBook算法檢測出的目標(biāo)邊緣模糊，且存在大量的誤檢像素。背景差分法存在嚴(yán)重的鬼影現(xiàn)象(圖7中第3行橢圓標(biāo)記的魚體為鬼影)，鬼影在第78幀以后也未消失。而本文提出的算法在第28幀之前，鬼影已消失，整體檢測性能明顯優(yōu)于CodeBook算法和背景差分算法。同時本文算法在魚體較小的情況下，其檢測效果同樣較好，如圖8所示。

圖7　本文方法與其他算法針對大魚群的檢測結(jié)果比較

圖8　本文算法與其他算法針對小魚群的檢測結(jié)

4　結(jié)　語

由于聲納圖像含有大量噪聲信息，采用光學(xué)圖像的目標(biāo)檢測算法不能滿足聲納圖像目標(biāo)檢測的要求。針對這個問題，本文提出的方法在保留背景差分法優(yōu)勢的同時能快速抑制鬼影。本文方法與常用目標(biāo)檢測算法相比，其目標(biāo)檢測效果更好，能快速檢測出魚體目標(biāo)，魚體輪廓清晰，為后續(xù)跟蹤、識別處理提供準(zhǔn)確的輸入數(shù)據(jù)。且本文提出的算法能滿足實時性要求，可應(yīng)用于水下魚群監(jiān)測應(yīng)用。

[1]ShenW,YangL,ZhangJ,etal.ThesurveyoffisheryresourcesandspatialdistributionusingDIDSONimagingsonardata[C]//IFIP2013:InternationalconferenceontheAdvancesinInformationandCommunicationTechnology,NewYork,US:SpringerPress,2013:366-375.

[2] 張進(jìn).基于雙頻識別聲納DIDSON的魚群定量評估技術(shù)[D].上海:上海海洋大學(xué),2012.

[3] 譚細(xì)暢,史建全,張宏.EY60回聲探測儀在青海湖魚類資源量評估中的應(yīng)用[J].湖泊科學(xué),2009,21(6):865-872.

[4]PavlovDS,BorisenkoES,PashinVM.Investigationsofspawningmigrationandassessmentofabundanceofthekamchatkasteelhead(parasalmomykiss)fromtheUtkholokRiverbymeansofdualfrequencyidentificationsonar[J].JournalofIchthyology,2009,49(11):1042-1064.

[5]XieSR,ChenJB,LuoJ,etal.Detectionandtrackingofunderwaterobjectbasedonforward-scansonar[M].Berlin:SpringerPress,2012.

[6]HanJ,NaotoH,AkiraA,etal.AutomatedacousticmethodforcountingandsizingfarmedfishduringtransferusingDIDSON[J].FisheriesScience,2009,75(6):1359-1367.

[7]PertremanaIC,NicholasEJ,ScottWM.Observerbiasandsub-samplingefficienciesforestimatingthenumberofmigratingfishinriversusingdual-frequencyidentificationsonar(DIDSON)[J].FisheriesResearch,2014(155):160-167.

[8]MichalT,JaroslavaF,HelgeB,etal.EvaluationofpotentialbiasinobservingfishwithaDIDSONacousticcamera[J].FisheriesResearch,2014,155(4):114-121.

[9]JuzaT,RakowitzG,DrastikV,etal.Avoidancereactionsoffishinthetrawlmouthopeninginashallowandturbidlakeatnight[J].FisheriesResearch,2013,147(10):154-160.

[10]KresimirW,ChrisDW,JohnKH.Walleyepollock(Theragrachalcogramma)behaviorinmid-watertrawls[J].FisheriesResearch,2013,143(1):109-118.

[11]AlistairB,PaulDC,AlanKW,etal.DielfishmovementsinthelittoralzoneofatemporarilyclosedSouthAfricanestuary[J].JournalofExperimentalMarineBiologyandEcology,2011,406(1):63-70.

[12] 童劍鋒,韓軍,沈蔚.聲學(xué)攝像儀圖像處理的初步研究及在漁業(yè)上的應(yīng)用[J].湖南農(nóng)業(yè)科學(xué),2010(9):149-156.

[13] 童劍鋒,韓軍,淺田昭.基于聲學(xué)攝像儀的溯河洄游幼香魚計數(shù)[J].漁業(yè)現(xiàn)代化,2009,36(2):29-33.

[14]AykinMD,NegahdaripourS.Forward-look2-Dsonarimageformationand3-Dreconstruction[C]//IEEEOceansConference,SanDiego,IEEEPress,2013:23-27.

[15] 陳亮,陳曉竹,范振濤.基于Vibe的鬼影抑制算法[J].中國計量學(xué)院學(xué)報,2013,24(4):425-429.

FISHSWARMDETECTIONANDGHOSTSUPPRESSIONMETHODBASEDONDIDSON

JianXiaLiuJunqingChenPengLeiBangjunLiWeisheng

(School of Computer and Information Technology,China Three Gorges University,Yichang 443002,Hubei,China)

Dual-frequencyidentificationsonar(DIDSON)cangetclearvideodatafromcloudyanddarkunderwater.TocarryoutobjectdetectiononfishswarmvideocapturedbyDIDSONisthepreconditionofsubsequenttrackingandrecognition.First,weanalysedthenoisefeatureofDIDSONimageandthestatisticalpropertyoffishbodies’brightness.Basedonthatwepresentedandrealisedasonarfishswarmdetectionmethod,aswellasthesuppressionmethodinregardtoghostproblemindetection.Finally,weemployedthemorphologicalfilteringtoremovethesolitarynoisepoints.Experimentalresultsshowedthattheproposedmethodwasobviouslysuperiortoclassicmethodsintheaspectsofsharpnessoffishobjectcontourandtheaccuracyoffishsize.Italsosatisfiedtheapplicationrequirementofreal-timetrackingandrecognition.

DIDSONFishswarmdetectionBackgroundsubstractionGhostsuppression

2014-09-02。國家自然科學(xué)基金項目(61272236)；湖北省教育廳重點(diǎn)項目(D20131306)；三峽大學(xué)楚天學(xué)者基金項目(KJ20 12B001)。簡夏，碩士生，主研領(lǐng)域：智能視覺。劉軍清，副教授。陳鵬，教授。雷幫軍，教授。李偉生，教授。

TP391.41

ADOI:10.3969/j.issn.1000-386x.2016.03.040