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

(三峽大學計算機與信息學院　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

(三峽大學計算機與信息學院湖北 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據。對雙頻識別聲納拍攝的魚群視頻進行目標檢測是后續跟蹤、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計特性；基于此，提出并實現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；最后利用形態學濾波去除孤立噪點。實驗結果表明，該方法在魚體目標輪廓清晰度、魚體大小準確度方面明顯優于經典方法，且滿足實時跟蹤、識別的應用要求。

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由美國華盛頓大學研發，能在可視度為零的水下獲取清晰的數據影像[1]。與其他聲納設備相比，優勢突出，是目前唯一一款使用聲學透鏡來壓縮波束的聲納。

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

上述方法主要是針對魚群進行大致的統計分析，缺乏較為準確的定量分析。而已有研究表明，利用DIDSON視頻進行魚群各種應用，其關鍵是魚群檢測方法的精度[6-9]。本文在分析DIDSON數據圖像噪聲特性和魚體亮度統計特性的基礎上，對已預處理的數據影像進行目標檢測，并對檢測目標中的鬼影提出一種抑制方法。最后通過形態學開閉運算去除孤立噪聲點，獲得較為理想的魚群目標檢測結果。為后續跟蹤、識別奠定良好的基礎。

1　DIDSON圖像特性分析

1.1DIDSON圖像的噪聲特性

已有研究表明，水下環境噪聲是服從高斯分布的隨機信號[15]，但理論證明較為復雜。本文采用一種簡單的數學統計方法對DIDSON圖像噪聲特性進行分析。選取同一頻率、同一位置拍攝的DIDSON數據影像，對其n幀數據進行統計平均，將得到的圖像作為無噪聲圖像，并通過原數據圖像與無噪聲圖像之差作為噪聲圖像，并對噪聲圖像進行統計擬合。

(1)

本文對1000幀分辨率為510×307的圖像序列進行統計分析，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)為對應的噪聲圖像。獲得1000幀噪聲圖像Ri，然后進行噪聲分布特性擬合，即統計1000幀噪聲圖像的灰度直方圖分布規律，并對該數據進行核密度估計和正態分布概率密度估計，實驗結果如圖2所示。

圖1　原始圖像、無噪圖像及噪聲圖像

圖2　隨機噪聲的頻率歸一化直方圖及擬合曲線

圖2中，正態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數據影像中含有大量隨機噪聲，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，在目標檢測后需要進行抑制。

1.2DIDSON魚體亮度分布統計分析

聲納圖像從亮度分布而言主要包括三個區域：高亮區域、陰影區域和背景區域。其中高亮區域主要是由聲波在目標表面反射造成，即為魚體目標；陰影區是由于魚體遮擋導致聲納難以達到的區域；背景區域是指沒有魚體的拍攝區。因此DIDSON魚群數據影像中魚體亮度主要分布在高亮區域。聲納圖像中像素點的亮度代表了相應空間的回波強度，相對于光學圖像而言，聲納圖像是無色的，習慣用黑色代表弱回波，白色代表強回波，中間由灰度表示，其灰度級為0～255。綜上所述，采用灰度圖像的統計方法可以統計聲納圖像中魚體亮度的統計分布特性。本文選取了120幀魚群圖像序列進行統計分析，首先人工標注魚體目標的坐標，對相應位置的灰度值進行統計分析，圖3為魚體目標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幀的魚體目標直方圖統計結果。由圖可知，魚體目標的90%以上的灰度值分布范圍為[60, 180]。該數值為后續進行魚群檢測及鬼影抑制提供了閾值設置依據。

2　魚群目標檢測算法

由于聲納圖像本身的信息小于隨機噪聲信息，因此采用光學圖像的目標檢測算法檢測魚群效果較差。檢測結果含有大量孤立噪聲點，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計特性，在背景差分法基礎上提出了一種DIDSON魚群目標檢測及鬼影抑制方法。思路：分析聲納圖像特性，其噪聲為隨機高斯噪聲，魚體目標屬于高亮區域且灰度值范圍為[60, 180]；其次采用背景差分法尋找可能出現的魚體目標點；利用聲納高亮區域特性，對初步檢測的魚體目標點進行鬼影判斷去除鬼影；最后采用形態學開閉運算去除孤立噪聲點。其整體目標檢測流程如圖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點處的像素值，設定閾值R，計算{v(x)-R,v(x)+R}區間內與樣本模型M(x)相交的樣本值個數，若數值大于預設的某個最小值，則將當前像素點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目標，會將前景目標點誤判為背景。當前景目標點離開后，當前像素值無法與背景樣本集匹配，導致背景像素點被錯誤地檢測為前景點，形成鬼影。另外，背景差分法模型更新緩慢，導致其目標檢測結果錯誤傳播，嚴重影響后續的跟蹤或識別。

2.2本文鬼影抑制方法

通過對DIDSON數據圖像的特性分析可知聲納圖像中的魚體目標屬于高亮區域。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前幀中的“前景像素點”；對這些“前景像素點”進一步判斷，若此像素點的像素值大于閾值T，即判斷為前景，否則認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域灰度值主要分布在[60, 180]之間，進行鬼影抑制時選擇合適的閾值非常重要。當閾值取值太小時，包含的隨機噪聲點較多，檢測效果不佳，導致鬼影抑制不完全；閾值取值過大時，高亮區域邊緣像素值部分被去除，導致目標范圍縮小。因此選擇合適的閾值是關鍵，通過大量實驗驗證，閾值T取[70, 80]時目標檢測結果較好。如圖5所示，不同閾值對同一幀圖像的背景去除結果不同。當T=60時，圖像中存在大量噪聲；當T=90時，高亮區域范圍縮小。當T=73時，圖像在保留目標范圍的基礎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

2.3形態學濾波

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域、圖像中含有較多的孤立噪點等問題。通過形態學開運算的腐蝕階段可以消除孤立噪聲點，膨脹階段可以恢復非連通區域。形態學閉運算可平滑魚體邊緣，通過上述處理后，檢測結果更好。

3　實驗結果分析

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

3.1常用目標檢測

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行目標檢測。其大魚的檢測結果如圖6所示。

圖6　五種方法針對大魚群的檢測結果(白色圈標記的魚體為鬼影)

圖6中，對于聲納視頻五種算法的檢測結果，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，當建模時存在魚體目標的情況下會出現鬼影且消除緩慢，導致整個圖像序列檢測結果全部錯誤，給后續的魚群計數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、背景差分法進行性能比較，實驗數據同樣選取小魚群視頻和大魚群視頻。大魚群檢測結果如圖7所示。

圖7中，CodeBook算法檢測出的目標邊緣模糊，且存在大量的誤檢像素。背景差分法存在嚴重的鬼影現象(圖7中第3行橢圓標記的魚體為鬼影)，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果比較

圖8　本文算法與其他算法針對小魚群的檢測結

4　結　語

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

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

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

[3] 譚細暢,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用[J].湖泊科學,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.聲學攝像儀圖像處理的初步研究及在漁業上的應用[J].湖南農業科學,2010(9):149-156.

[13] 童劍鋒,韓軍,淺田昭.基于聲學攝像儀的溯河洄游幼香魚計數[J].漁業現代化,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].中國計量學院學報,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。國家自然科學基金項目(61272236)；湖北省教育廳重點項目(D20131306)；三峽大學楚天學者基金項目(KJ20 12B001)。簡夏，碩士生，主研領域：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