(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210832943.5 (22)申请日 2022.07.14 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 陶维亮　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 胡琦旖 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/136(2017.01) G06T 7/68(2017.01) G06V 20/05(2022.01) G06V 10/75(2022.01)G01S 15/89(2006.01) G01S 7/539(2006.01) (54)发明名称 一种基于先验知识的侧扫声呐图像的海底 高程检测方法 (57)摘要 本发明属于海洋测绘技术领域， 公开了一种 基于先验知识的侧扫声呐图像的海底高程检测 方法。 本发 明基于侧扫声呐测量平台测量得到的 左右舷原始条带图像， 充分利用海底 边界的梯度 特征、 连续性、 对称性等先验信息， 全自动地提取 图像中的海底线， 从而 得以测量声呐平台相对海 底的高程， 为下一步斜距信息转平距信息及合成 地貌图像打下了基础， 本发明简单易操作， 具有 鲁棒性， 具备大范围应用的潜力。 权利要求书3页 说明书8页 附图2页 CN 115272461 A 2022.11.01 CN 115272461 A 1.一种基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征在于， 包括以下步 骤： 步骤1、 获取左舷条带图像和右舷条带图像， 并转换为灰度图像， 得到左舷灰度矩阵IL 和右舷灰度矩阵IR； 步骤2、 基于预设的阈值， 分别对所述左舷灰度矩阵IL、 所述右舷灰度矩阵IR进行分类， 得到左舷分类矩阵CL和右舷分类矩阵CR； 步骤3、 基于左舷模板对所述左舷分类矩阵CL中的各个断面进行匹配， 得到左舷相关性 矩阵XL； 基于右舷模板对所述右舷分类矩阵CR中的各个断面进行匹配， 得到右舷相关性矩 阵XR； 步骤4、 基于所述左舷相关性矩阵XL得到左舷连续性矩阵QL， 基于所述右舷相关性矩阵 XR得到右舷连续 性矩阵QR； 步骤5、 基于所述左舷相关性矩阵XL得到左舷对称性矩阵SL， 基于所述右舷相关性矩阵 XR得到右舷对称性矩阵SR； 步骤6、 综合所述左舷相关性矩阵XL、 所述左舷连续性矩阵QL和所述左舷对称性矩阵 SL， 加权得到左舷置信度矩阵BL； 综合所述右舷相关性矩阵XR、 所述右舷连续性矩阵Q R和所 述右舷对称性矩阵SR， 加权得到右舷置信度矩阵BR； 步骤7、 在所述左舷置信度矩阵BL中， 对于每个断面， 标记其上置信度值最大的点为左 舷该断面的海底分界点， 将左舷所有断面的海底分界点连成的曲线作为左舷海底线； 在所 述右舷置信度矩阵BR中， 对于每个断面， 标记其上置信度值最大 的点为右舷该断面的海底 分界点， 将右舷所有断面的海底分界点连成的曲线作为右舷海底线； 步骤8、 基于所述右舷海底线和所述左舷海底线， 计算得到海底高程。 2.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤1中， 所述左舷灰度矩阵IL和所述右舷灰度矩阵IR的尺寸均为M ×N； 其中， M 为一个断面的点数， N 为断面数； 所述步骤2中， 灰度值大于等于所述阈值的像素点划分为预测目标， 分类值为1； 灰度值 小于所述阈值的像素点划分为预测背景， 分类值 为0； 所述左舷分类矩阵C L表示为： 所述右舷分类矩阵CR表示 为： 其中， q为阈值； i∈[1， M]， i表示断面点序号； j∈[1， N]， j表示断面号； CL(i,j)表示左 舷分类矩阵中第i行第j列元素的分类值， IL(i,j)表示左舷灰度矩阵中第i行第j列元素的 灰度值， CR(i,j)表示右舷分类矩阵中第i行第j列元素的分类值， IR(i,j)表示右舷灰度矩 阵中第i行第j列元 素的灰度值。 3.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤3中， 所述左舷模板T L为[1 1 1 1 0 0 0]， 所述右 舷模板TR为[0  0 0 1 1 1  1]； 所述左舷相关性矩阵XL的计算公式为： 所述右舷相关权　利　要　求　书 1/3 页 2 CN 115272461 A 2性矩阵XR的计算公式为： 其中， XL(i,j)表示左舷相关性矩阵中第i行第j列元素的相关值， TL(k)表示左舷模板 中第k个元素的值， CL(i+k,j)表示左舷分类矩阵中第i+k行第j列元素的分类值， XR(i,j)表 示右舷相关性矩阵中第i行第j列元素的相关值， TR(k)表示右舷模板中第k个元素的值， CR (i+k,j)表示右舷分类矩阵中第i+k行第j列元 素的分类值。 4.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤4中， 以一侧舷的j断面上的第i点L(i， j)在该侧舷上一断面j ‑1上的对应第i 点L(i， j‑1)为中心， 找出前后n个点构成的第一邻域中的最大相关值； 基于所述第一邻域中 的最大相关值和该侧舷的相关性矩阵得到该侧的连续 性矩阵； 所述左舷连续 性矩阵QL的计算公式为： QL(i， j)＝XL(i， j) ·Max(XL(i ‑n， j‑1)， XL(i‑n+1， j‑1)，…， XL(i+n， j ‑1))； 其中， QL(i,j)表示左舷连续性矩阵中第i行第j列元素的连续性评估值， XL(i,j)表示 左舷相关性矩阵中第i行第j列元 素的相关值， n表示构成第一邻域的点数； 所述右舷连续 性矩阵QR的计算公式为： QR(i， j)＝XR(i， j) ·Max(XR(i ‑n， j‑1)， XR(i‑n+1， j‑1)，…， XR(i+n， j ‑1))； 其中， QR(i,j)表示右舷连续性矩阵中第i行第j列元素的连续性评估值， XR(i,j)表示 右舷相关性矩阵中第i行第j列元 素的相关值。 5.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤5中， 以一侧舷的j断面上的第i点L(i， j)在另一侧舷断面j上的对称点， 即第 i点R(i， j)为中心， 找出前后 m个点构成的第二邻域中的最大相关值； 基于所述第二邻域中 的最大相关值和该侧舷的相关性矩阵得到该侧的对称性矩阵； 所述左舷对称性矩阵SL的计算公式为： SL(i， j)＝XL(i， j) ·Max(XR(i ‑m， j)， XR(i ‑m+1， j)，…， XR(i+m， j) )； 所述右舷对称性矩阵SR的计算公式为： SR(i， j)＝XR(i， j) ·Max(XL(i ‑m， j)， XL(i ‑m+1， j)，…， XL(i+m， j) )； 其中， SL(i,j)表示左舷对称性矩阵中第i行第j列元素的对称性评估值， SR(i,j)表示 右舷对称性矩阵中第i行第 j列元素的对称性评估值， XL(i,j)表 示左舷相关性矩阵中第i行 第j列元素的相关值， XR(i,j)表 示右舷相关性矩阵中第i行第j列元素的相关值， m表 示构成 第二邻域的点数。 6.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤6中， 所述左舷置信度矩阵BL的计算公式为： BL＝(1 ‑k1‑k2)XL+k1SL+k2QL； 所 述右舷置信度矩阵BR的计算公式为： BR＝(1 ‑k1‑k2)XR+k1SR+k2QR； 其中， k1表示对称性评价的权 重因子， k2表示连续 性评价的权 重因子。 7.根据权利要求1所述的基于先验知识的侧扫声呐图像的海底高程检测方法， 其特征 在于， 所述步骤8中， 左舷第j个断面的海底高程表示为： 右舷第j个断面的海底高程表示 为： 权　利　要　求　书 2/3 页 3 CN 115272461 A 3