论文部分内容阅读
不管人工判读,还是自动识别,声呐图像散斑噪声抑制都是必需的,因为散斑噪声严重影声呐图像的人工判读和自动识别。声呐图像的分割则是声呐图像滤波后,自动识别前最关键的一步,分割后的图像可以为识别提取所需要的特征。本文根据声呐图像有明显目标亮区、目标暗区、混响区以及目标亮区中有暗斑(暗的散斑噪声)、目标暗区中有亮斑(亮的散斑噪声)的图像特点,结合脉冲耦合神经网络(Pulse Couple Neural Network,PCNN)可以使图像中相邻相近像素值的像素所对应的神经元一起发放脉冲的特点,改进了 PCNN神经元模型中的阈值函数。本文使用改进后的PCNN对声呐图像做滤波与分割。在滤波中,首先通过设置合适的参数使改进后的PCNN迭代收敛,然后分别找到上述三个区域以及找到目标亮区中的暗斑和目标暗区中的亮斑,最后用改进中值滤波分别将目标亮区中的暗斑和目标暗区中的亮斑滤除。在分割中,本文仍采用改进后的PCNN神经元模型,当PCNN迭代收敛分别找到上述三个区域后,将此三个区域置为三个不同的灰度值,完成分割。在最后本文利用改进后的PCNN神经元模型对4组不同的声呐图像分别滤波与分割实验。在滤波实验中,将本文改进后的PCNN滤波算法分别与中值滤波、Frost滤波、Kuan滤波、Lee滤波以及两种使用PCNN技术的滤波算法作对比。在分割实验中,将本文改进后的PCNN分割算法分别与Kapur二维双阈值法、Otsu双阈值法以及一种使用PCNN技术的分割算法作对比。最后分别从目标亮区和目标暗区的角度分析滤波和分割的效果,得出在整体上改进的PCNN滤波和分割算法的结果均优于其它算法而且改进的PCNN滤波与分割算法均适用有明显亮暗区的声呐图像。改进后的PCNN滤波和分割算法在采用PCNN神经元模型时的不同之处在于阈值函数的参数选取值不同。