![185af1a0cb54f0ab713b468df6652e5e.png](https://img-blog.csdnimg.cn/img_convert/185af1a0cb54f0ab713b468df6652e5e.png)
声呐图像特征提取一直是国内外水下图像处理研究的重点,近年来国内外学者已有诸多研究成果。Wei等提出一种通过对声呐图的阴影进行特征提取并进行分类的特征提取方法; Reed等利用马尔科夫随机场(MRF)模型结合统计合作蛇形(CSS)模型的方法对声呐图像进行特征提取。Rao等提出了符号图案分析(SPA)方法,利用特定目标物的特性回波直方图对声呐图像中水雷进行检测。罗进华等利用数学形态学完成了对声呐图像轮廓的提取。李海森等利用尺度不变特征变换(SIFT)算法实现对声呐序列图像进行特征跟踪。王力利用相位编组法和Hough法对图像进行了直线特征提取和匹配;黄勇对图像使用线段检测(LSD)方法完成了图像直线特征提取。
![de1a70679690459a5955b5fef8170c6c.png](https://img-blog.csdnimg.cn/img_convert/de1a70679690459a5955b5fef8170c6c.png)
上述方法完成了对目标轮廓提取,但得到的特征均为不规则特征,后续图像处理中并不能很好地利用这类特征。Hough变换原理简单,在光学图像中直线特征提取结果较好,但作用于边缘复杂图像时,边缘点转化会受到影响从而降低直线特征提取质量;LSD算法根据像素梯度可以很好地提取出一些不明显的特征,但是会存在直线特征断裂的问题。针对此,文中提出了相应解决方法,解决了Hough变换中边缘点转换存在的问题以及LSD算法中直线特征断裂问题,改善了提取效果。SIFT算法鲁棒性较强,利用该方法对图像进行点特征提取,可以有效了解声呐图像点特征特点。
![898afe32a2fc0fb96b0989f5b11e31c6.png](https://img-blog.csdnimg.cn/img_convert/898afe32a2fc0fb96b0989f5b11e31c6.png)
一、侧扫声呐图像SIFT特征点提取
![22c3943dd693bcee1f7aaf218bfa2775.png](https://img-blog.csdnimg.cn/img_convert/22c3943dd693bcee1f7aaf218bfa2775.png)
SIFT算法通过建立图像的尺度空间来精确定位候选特征点的位置,利用梯度求出特征点的幅值和方向,最后构建128维的特征描述子来完成SIFT算法。
⒈尺度空间特征点检测
SIFT算法在图像处理过程中引入合适的尺度参数,通过不断改变