侧扫声纳图像的感兴趣区域提取是侧扫声纳图像处理中一个重要环节,是后续目标识别与分类处理、信息提取的前提,其重要性不言而喻。本文中作者围绕侧扫声纳图像的感兴趣区域提取这个目的,分别从边界、区域和聚类三种角度予以研究。从边界角度出发,提取图像的感兴趣区域是传统的方法。通常来说,侧扫声纳图像的边界信息不是很强,尤其是目标暗区的边界信息,同时目标亮区内均匀性很差。一些提取边缘的方法提取的侧扫声纳图像感兴趣区域边缘,目标亮区的效果明显优于目标暗区。诸多边缘算子不仅在目标亮区的边缘处反应明显,在目标亮区内的值也很大；同时边缘算子在目标暗区边缘的反应非常微弱；这些都给后续边缘点合成边界带来很大的困难。所以从边界出发提取侧扫声纳图像的感兴趣区域是极有挑战的。从区域角度提取图像感兴趣区域是图像感兴趣区域研究的一个重要方向,通常考虑的是图像中感兴趣区域的整体信息,对于一些类型的图像结果较为可信,因此得到了较为广泛的应用。作者首先研究了一种基于迭代分割的感兴趣区域提取方法。依据分割结果的两个区域特性决定是否改变门限继续分割,在该方法中区域标记算法起到了重要的作用。其次研究了用区域增长的方法提取侧扫声纳图像的感兴趣区域。该方法分别提取侧扫声纳图像目标暗区的种子区域和目标亮区的种子区域；然后运用区域增长算法分别获取目标暗区和目标亮区,最后将结果进行合成。最后作者运用傅里叶分析方法,利用水平方向、垂直方向、45°方向和135°方向的模板,对侧扫声纳图像在四个方向上进行投影分解,粗略估计图像的感兴趣区域的位置,对于提取纹理较强的侧扫声纳图像中感兴趣区域有较好的效果。从聚类分析的角度提取侧扫声纳图像的感兴趣区域。首先以侧扫声纳图像的区域均值作为单特征,利用先验信息将侧扫声纳图像分成三类,以组内方差作为目标函数,进行动态聚类提取图像的感兴趣区域。同时依据像素具有的空间连通性,对聚类结果进行了后处理,使聚类结果更加完美。然后以区域均值为特征,联合区域绝对粗糙度、区域表面积和分形维数特征,建立二维特征矢量,分别采用均值聚类算法、迭代自组织分析聚类算法和模糊聚类算法进行聚类,提取侧扫声纳图像的感兴趣区域。