复杂背景下声纳图像的水下小目标检测方法及系统

1.本发明涉及水下目标检测领域，特别是涉及复杂背景下声纳图像的水下小目标检测方法及系统。


背景技术：

2.水下目标检测技术的研究是水声领域的难点问题，对于水下目标探测、沉船沉物打捞等应用尤为关键。与其他水下探测设备相比，高分辨率成像声纳具有效率高、分辨率高和探测距离远等显著优点，是水下静止小目标检测和识别的主要手段。
3.然而，当前成像声纳的水下目标检测存在虚警高、准确率低问题。存在该问题的主要原因：1)复杂的地貌。海底除了平坦泥沙外，还存在山脊、斜坡、垄沟、裂缝等地貌，而且同一区域可能存在多种地貌形式；2)声图分辨率低、噪声大。由于声波波长和目标尺度较接近，使得声纳图像分辨率较低，且纹理信息少；受到多途、混响等现象以及介质本身的随机性、反射和散射等参数变化影响，造成声纳图像含有比光学图像更多的噪声；由于运动误差影响，高亮区域变长，与真实尺寸有较大差异，且声图中阴影较弱或消失；3)有标签的目标样本少。由于采集成本高、军事保密性及水下环境复杂，使得原始声图目标样本获得不容易，甚至有些目标没有样本。同时，目标标注困难，即使是合作目标准确标注也不容易，这就使得目标样本少，且目标类间分布不均衡。
4.通常，经典的声图水下目标检测算法使用精心设计的滑动窗实现大范围目标搜索，再借助高亮和阴影的形状轮廓统计特征进行检测。然而当声纳图像模糊，声图中目标尺寸与实际尺寸相差较大时，易发生漏检；近些年来，深度学习依靠其优秀的自动特征提取能力大幅提升了目标检测的准确率，已有学者将深度学习技术引入到声纳图像的水下目标检测。但是，深度学习的优异性能是建立在复杂网络结构和大规模的标注数据集之上的。当有标签的声纳图像样本少时，实际场景与训练样本的差异造成误匹配而带来准确率下降和虚警率上升。


技术实现要素：

5.本发明的目的在于克服现有技术的缺陷，提出了复杂背景下声纳图像的水下小目标检测方法及系统。
6.为了实现上述目的，本发明提出了一种复杂背景下声纳图像的水下小目标检测方法，所述方法包括：
7.步骤1)采取多级中值滤波方法对采集的声纳图像进行去噪处理；
8.步骤2)对步骤1)去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；
9.步骤3)对步骤1)去噪后的声纳图像进行高阶矩图像分割，并结合步骤2)的复杂地貌掩膜处理结果，进行背景抑制；
10.步骤4)采用三种不同尺寸的检测窗对步骤3)处理后的连通域进行聚类，实现对分
裂目标的关联和山脊地貌的抑制；
11.步骤5)提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。
12.作为上述方法的一种改进，所述步骤1)包括：
13.对声纳图像进行去噪处理，遍历图像的每个像素，分别计算每个像素i(i,j)所在方位向和距离向的中值v，再计算i(i,j)所在角点的像素中值u，最后将i(i,j)、v和u三者的中值作为该像素的值，通过多级中值处理，以抑制噪声，并保留目标的边缘轮廓。
14.作为上述方法的一种改进，所述步骤2)包括：
15.步骤2-1)利用积分图方法对步骤1)去噪后的声纳图像进行背景累积，得到累积图b(i,j)；
16.步骤2-2)利用声图海底地貌服从瑞利分布的统计特性，根据要求的虚警率p
fa
计算阈值v
t
：
[0017][0018]
其中，σ为瑞利分布的标准差，由下式得到阈值系数ρ：
[0019][0020]
步骤2-3)利用步骤2-1)的累积图，进行大尺寸的滑窗处理，计算第k个滑窗内的声图平均值m(k)；当累积图b(i,j)＞m(k)
·
ρ，该像素属于高亮纹理图hb；当b(i,j)＞m(k)/ρ时，该像素属于阴影纹理图sb；
[0021]
步骤2-4)利用形态学算子，分别对高亮纹理图和阴影纹理图中的连通域进行“补洞”；再去除面积小于面积预设值s
max
，长或宽小于长度预设值l
max
的小目标连通域，并对连通域进行边缘平滑。
[0022]
作为上述方法的一种改进，所述步骤3)包括：
[0023]
步骤3-1)对步骤1)去噪后的声纳图像进行幂指数变换；
[0024]
步骤3-2)确定幂指数变换后的图像g中任意像素(i,j)的邻域窗口ω
i,j
，根据邻域窗口内均值计算该像素的峰度值hog(i,j)：
[0025][0026]
式中，s
i,j
表示邻域窗口内像素数目，(p,q)为邻域窗口ω
i,j
内的像素坐标；
[0027]
步骤3-3)根据虚警率计算阈值系数ρ，通过对hog(i,j)的判断，实现高亮和阴影的分割：
[0028]
当峰度值hog(i,j)小于ρ
·
η(p,q)时，该像素属于高亮区域图h
t
；
[0029]
当峰度值hog(i,j)大于η(p,q)/ρ时，该像素属于阴影区域图s
t
；
[0030]
步骤3-4)采用形态学算子，去除面积大于s
max
以及面积小于s
min
的区域，并进行边缘平滑处理；
[0031]
步骤3-5)通过高亮区域图h
t
，与步骤2)得到的高亮纹理图hb和阴影纹理图sb分别进行差分处理，实现背景抑制。
[0032]
作为上述方法的一种改进，所述步骤4)包括：
[0033]
步骤4-1)统计高亮区域图h
t
中的各个连通域，并计算连通域的面积、中心位置及连通域外接矩形框；
[0034]
步骤4-2)联合统计高亮和阴影的像素密度，利用小检测窗判断相邻连通域是否关联；
[0035]
步骤4-3)利用中检测窗判断高密度区内连通域是否关联；
[0036]
步骤4-4)通过判断大检测窗内高密度区连通域的强度和方向角，对包括山脊和线缆距离较远、连通域不集中的区域进行关联。
[0037]
作为上述方法的一种改进，所述步骤4-2)包括：
[0038]
按照连通域的中心位置进行排序，再扩充各个连通域外接矩形的上下左右各若干个像素，通过边框位置关系判断是否与相邻的连通域相交，从而判定是否关联。
[0039]
作为上述方法的一种改进，所述步骤4-3)包括：
[0040]
步骤4-3-1)将高亮区域图h
t
中的每个连通域看作一个点pm，点的位置是连通域的中心，m表示点的序号，统计以点pm为中心，边长为l
med
的正方形区域内点的数目，当点的数目大于设定的高密度区域阈值时，则该区域为高密度区域；
[0041]
步骤4-3-2)遍历各个高密度区域，并判断相邻高密度区域是否相交，如果区域相交，则合并相交区域，最终得到一组高密度区域；
[0042]
步骤4-3-3)从高亮区域图h
t
中去除高密度区域的连通域。
[0043]
作为上述方法的一种改进，所述步骤4-4)包括：
[0044]
步骤4-4-1)将高亮区域图h
t
内剩余的连通域看作点pm，统计以边长为l
large
的正方形区域内点的数目，依据4-3-1)和4-3-2)的方法，判断该区域是否为高密度区域，并对高密度区域进行合并，根据合并后的高密度区域中心坐标进行排序；
[0045]
步骤4-4-2)计算高密度区域内向量连通域pm与点pn的距离，当距离小于阈值d
th
时，进入步骤4-4-3)；否则，循环下一个点；其中n表示相邻点的序号；
[0046]
步骤4-4-3)当点pm未与其他点融合，进入步骤4-4-4)判断强度比；当点pm已与其他点融合，且融合点的数量小于3，计算所有点差的方向角angle
est
；当融合点的数目大于等于3时，仅利用最后融合的3个点计算方向角angle
est
，之后计算待融入点pn加入后的角度angle
pre
，当d
angle
＝|angle
pre-angle
est
|小于角度差阈值a
th
时，转到步骤4-4-4)进一步判断；否则，循环下一个点；
[0047]
步骤4-4-4)计算相邻的两个连通域pm和pn所对应原图中强度平均值，并计算其强度比r
meani
(m,n)：
[0048][0049]
当强度比r
meani
(m,n)大于阈值r
th
时，则pm和pn融合；其中，meanim和meanin分别表示点pm和pn指代的连通域对应原图中的强度平均值；
[0050]
步骤4-4-5)循环下一点，转至步骤4-4-2)，直到遍历所有点，转至步骤4-4-6)；
[0051]
步骤4-4-6)以最后融合的点中心为融合后点中心，计算融合点的并集，把并集作为融合后区域；
[0052]
步骤4-4-7)对各个融合后连通域判断是否相交，进一步融合聚类。
[0053]
作为上述方法的一种改进，所述步骤5)包括：
[0054]
步骤5-1)从连通域中去除面积过大和面积过小的区域，并截取剩余连通域所在位置的原图中高亮区域、阴影区域和背景区域，并计算背景区域的平均值b
mean
；
[0055]
步骤5-2)计算高亮区域和阴影区域的像素密度；
[0056]
步骤5-3)根据上述像素密度，采取加权平均方法，计算该连通域的检测分数fc；与设定值进行比较，完成小目标检测。
[0057]
所述声纳图像去噪处理模块，用于采取多级中值滤波方法对采集的声纳图像进行去噪处理；
[0058]
所述复杂地貌掩膜处理模块，用于对去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；
[0059]
所述高阶矩图像分割模块，用于对去噪后的声纳图像进行高阶矩图像分割，并结合复杂地貌掩膜处理模块的结果，进行背景抑制；
[0060]
所述连通区域聚类模块，用于采用三种不同尺寸的检测窗对高阶矩图像分割模块处理后的连通域进行聚类，实现对分裂目标的关联和山脊地貌的抑制；
[0061]
所述小目标检测模块，用于提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。
[0062]
与现有技术相比，本发明的优势在于：
[0063]
1、本发明采用无监督的目标检测方法，不受样本数量限制，不进行样本训练，不依赖于目标的形状信息，利用声反射强度信息，采取层级架构，通过声图统计分析实现水下小目标自适应检测，有效降低虚警和提高目标检测率；
[0064]
2、本发明具有自适应阈值，根据给定的虚警率和声图统计分布，依据声纳图的背景强度，自适应的调整图像分割和目标检测的阈值；
[0065]
3、本发明适用于包含山脊、斜坡、垄沟、裂缝、礁石等复杂的海底地貌的小目标检测，通过复杂地貌掩模处理和连通区域关联聚类，有效抑制了地貌引起的虚警，适应性强；
[0066]
4、本发明采用不需要训练样本的无监督统计分析方法，不需要进行检测模型训练，避免了训练样本和实际场景不匹配而造成的虚警和漏检问题，适用于小样本的声图目标检测和识别；
[0067]
5、本发明不依赖目标真实的形状特征，仅利用目标的强度特征和粗略的长宽信息，实现了小目标检测，当声图由于运动误差影响而形状发生较大的变化时，或阴影变弱或消失，也能较准确地检测目标，不受声纳图质量限制；
[0068]
6、本发明主要聚焦于水下静止小目标的检测，但是通过连通区域关联聚类，也实现了管线检测和沉船沉物打捞；同时，本发明也适用于考古等其他水下目标检测，应用范围不限于小目标检测，具有广泛的适用场景。
附图说明
[0069]
图1为本发明复杂背景下声纳图像的水下小目标检测方法流程图；
[0070]
图2为声图去噪处理示意图；
[0071]
图3为背景累积示意图，其中，图3(a)是积分图计算示意，图3(b)是背景累积区域；
[0072]
图4为高阶矩图像分割流程图；
[0073]
图5为水下小目标的声图的高亮阴影位置；
[0074]
图6为大检测窗处理结果，其中图6(a)是原声图，图6(b)是分割后结果，图6(c)是高密度区计算，图6(d)是大窗关联结果；
[0075]
图7为大幅声图目标检测结果，其中图7(a)是标注后的原图，图7(b)是检测到疑似目标连通域，图7(c)是大范围声图检测目标的分数。
具体实施方式
[0076]
本发明公开了一种复杂背景下声纳图像的水下小目标检测方法，包括以下步骤：1)采取多级中值滤波方法对采集的声纳图像进行去噪处理；2)通过积分图对去噪后声图累积，利用声图服从瑞利分布的统计特性，根据虚警率计算自适应阈值，实现对海底地貌的高亮纹理图和阴影纹理图的提取；3)利用高阶矩突出高亮和阴影特征，根据虚警率计算的阈值系数，实现水下小目标高亮、阴影分割。并结合复杂地貌掩膜处理结果，进行背景抑制；4)，采用大、中、小3种检测窗对处理后的区域进行关联聚类，通过不同的聚类准则，有效地关联断裂目标和抑制虚警；5)联合高亮和阴影的检测密度，判别目标，并计算检测分数。该目标检测方法不受海底地貌限制，根据要求的虚警率和实际的声图强度来自适应地调整阈值，具有准确率高、虚警率低、适应性强的特点。
[0077]
该方法利用声反射强度信息，采取层级架构，通过声图统计分析实现自适应水下小目标检测。本发明所采用的技术方案是：
[0078]
1.声纳图像去噪处理模块
[0079]
通过对声图进行平滑处理，可以抑制接收机内电路的热噪声。为了更好抑制噪声和保留小目标信息，采取多级中值滤波方法，首先计算图像像素i(i,j)所在方位向和距离向的中值v，再计算i(i,j)所在角点的像素中值u，最后计算i(i,j)、v和u三者的中值为该像素值。
[0080]
2.复杂地貌掩膜处理模块
[0081]
在水下目标检测中，复杂地貌易引起大量的虚警。因此，在目标检测前，实现对声图背景纹理特征提取，具体包括：
[0082]
1)利用积分图方法进行背景累积。积分图可理解为一张图，图上任意一点的值是指从灰度图像的左上角与当前点所围成的举行区域内所有像素点灰度值之和。为避免受目标影响，采用由3个大小相等条带组成的分割窗口模板，如下式所示：
[0083][0084]
式中，图像像素i(i,j)，方位向τj和距离向τi长度都为3m，ab是包含的像素总和。
[0085]
2)通过声图海底地貌的统计特性，根据要求的虚警率计算阈值。声图海底地貌服从瑞利分布，其概率密度如下式所示：
[0086][0087]
式中，σ是瑞利分布的标准差，则其均值为方差为根据虚警率p
fa
，通过上式求得阈值v
t
：
[0088][0089]
则阈值系数当p
fa
＝0.1时，ρ＝1.7122。
[0090]
3)声图纹理特征分割。对大幅声图采取滑窗处理，每个窗口长和宽为3m，计算每个滑窗内声图平均值m(k)(k＝1,
…
,k)。当累积图b(i,j)＞m(k)
·
ρ，该像素属于高亮纹理图hb；当b(i,j)＞m(k)/ρ时，该像素为阴影纹理sb。
[0091]
4)形态学处理。利用形态学算子，分别对高亮纹理图和阴影纹理图中的连通域进行“补洞”；然后，去除面积小于s
max
，长或宽小于l
max
的小目标连通域，本文根据目标粗略尺寸设置s
max
＝10000像素，l
max
＝100像素；最后，对连通域进行边缘平滑。
[0092]
3.高阶矩的图像分割模块
[0093]
由于水下人造小目标多为金属构成，会产生较强的反射回波，而声波入射海底时主要发生镜面反射和散射，水下目标在声图上会呈现出亮度较高的区域，在沿距离向背离声纳的方向上产生阴影。然而，由于载体运动误差，目标的形状与实际会发生较大差异。因此，主要利用声图目标的强度信息进行目标检测，具体包括：
[0094]
1)图像幂指数变换，如下式所示：
[0095]
g＝i(i,j)
α
[0096]
式中，α取0.35；
[0097]
2)峰度值计算。采取滑窗处理，每个窗口ω长和宽为0.5m
×
0.5m，对于像素g(i,j)计算峰度的方法如下式：
[0098][0099]
式中，s
i,j
表示邻域窗口内像素数目，(p,q)为邻域窗口ω
i,j
内的像素坐标；。
[0100]
3)高亮和阴影区域分割。根据虚警率计算阈值系数ρ，进行高亮和阴影分割：
[0101][0102][0103]
4)形态学处理。采用形态学算子，去除面积过小和面积过大的区域，并进行边缘平滑处理；
[0104]
5)背景抑制：遍历h
t
和hb像素，当hb》0时，h
t
＝0；以此方法，抑制阴影纹理，即sb》0时，h
t
＝0。
[0105]
4.连通区域聚类模块
[0106]
由于目标、地貌等起伏不同，以及入射角等影响，声反射强度有差异，图像分割后会目标、地貌等会分裂成多个连通域。为了降低漏检和虚警，采用大、中、小三种检测窗进行距离关联。
[0107]
1)统计h
t
中的各个连通域，并计算连通域的面积、中心位置及连通域外接矩形框；
[0108]
2)小检测窗关联。首先，按照连通域的中心位置对其排序，再扩充连通域外接矩形的上下左右各s1个像素(本文设s1为20像素)，通过边框位置关系判断是否相交；
[0109]
3)中检测窗关联。主要是针对背景中距离较近、密度高的残留区域进行关联和抑制。因此，根据连通域聚集情况进行处理：
[0110]
a)统计高密度区域。首先，将高亮区域图h
t
中的每个连通域看作一个点pm(m＝1,
…
,n)，点的位置是连通域的中心。统计以任意点pm为中心，边长为l
med
＝25m的正方形区域内点的数目nm，当nm》n
th
时，则该区域为高密度区域，n
th
是高密度区域阈值；
[0111]
b)合并高密度区域。遍历各个高密度区域，并判断相邻高密度区域是否相交。如果区域相交，则把相交区域合并，最终得到一组高密度区域ch，0《h《nc；
[0112]
c)从h
t
图中去除高密度区域ch的连通域。
[0113]
4)大检测窗关联。针对山脊、线缆等距离较远，分割后的连通域不集中，但是强度和斜率相近的区域进行关联。
[0114]
a)统计高密度区域。统计以任意点pm为中心，边长为l
large
＝100像素的正方形区域内点的数目n
m’。当n
m’》n
th
时，则该区域为高密度区域。再遍历各高密度区域，对高密度区域进行合并。最后，根据高密度区域中心坐标对其排序；
[0115]
b)相邻位置的高密度区pm和pn，计算两者的距离d
ij
，当距离小于d
ij
《d
th
时，进入第c)步骤。否则，循环下一点；
[0116]
c)方向角判别。当连通域pm未与其他连通域融合，进入步骤d)判断强度比；当连通域pm已与其他连通域融合，且融合点数量n≤3，计算所有点的方向角；当n》3时，仅利用最后融合的3个点计算方向角。方向角公式如下：
[0117][0118]
式中，(x
l
,y
l
)，(x
l-1
,y
l-1
)融合点的坐标，1《l《l，其中l是已融合点数的长度。之后，把待融入点pm加入(x1,y1)...(x
l
,y
l
)中，利用上式计算加入pm后的角度angle
pre
。当d
angle
＝|angle
pre-angle
est
|小于角度差阈值a
th
时，转到步骤d)进一步判断；
[0119]
d)强度比判别。计算相邻连通域pm和pn所对应原图中强度平均值meanim和meanin，并根据下式计算其强度比r
meani
(m,n)：
[0120][0121]
当强度比r
meani
(m,n)大于阈值r
th
时，则pm和pn融合；
[0122]
e)循环下一点，进行步骤b)～d)的判断，直到遍历所有点。仅当满足上述条件的点才能融合，并以最后融合的点中心为融合后点中心。计算融合点的并集，把并集作为融合后区域；
[0123]
f)对各个融合后连通域判断是否相交，进一步融合聚类。
[0124]
5.水下小目标检测模块
[0125]
利用目标高亮的灰度值高于背景区域，以及阴影的灰度值低于背景区域的思想，进行水下小目标的检测。具体流程如下：
[0126]
1)提取高亮、阴影和背景区域。从连通域中去除面积大于s
max
和面积小于s
min
的区域，并截取剩余连通域所在位置的原声图中高亮h(长h
x
，宽hy)、阴影s区域(长s
x
，宽为hy)和
背景b(长2(h
x
sx)，宽2hy)。并计算背景区域的平均值b
mean
；
[0127]
2)计算高亮和阴影的像素密度。设mh、ms分别为高亮和阴影区域的像素数；ι是指示函数，当为真时1，否则为0。计算高亮阈值τh＝ρ
·bmean
，根据下式统计超过阈值的高亮像素密度hc：
[0128][0129]
同时，计算阴影阈值为τs＝b
mean
/ρ，阴影的像素密度如下式所示：
[0130][0131]
3)采取密度加权方法，联合高亮和阴影，计算疑似目标的检测分数fc：
[0132]
fc＝ωc·
hc (1-ωc)
·
sc[0133]
式中，ωc＝0.7。当检测分数fc大于0.5时，为待识别的目标。
[0134]
下面结合附图和实施例对本发明的技术方案进行详细的说明。
[0135]
实施例1
[0136]
如图1所示，本发明公开了复杂背景下声纳图像的水下小目标检测方法，包括以下步骤：1)利用多级中值滤波对声图去噪处理；2)通过复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；3)利用高阶矩显著突出了高亮和阴影特征，根据虚警率获得阈值系数，实现水下小目标高亮、阴影分割，之后通过高亮纹理图和阴影纹理图抑制背景；4)采用大、中、小3种检测窗对处理后的区域进行关联聚类，通过不同的聚类准则，有效地关联断裂目标和抑制虚警；5)利用统计分析方法，联合高亮和阴影的检测密度，判别目标，并计算疑似小目标的检测分数。
[0137]
图2是声图去噪处理示意图，采取多级中值滤波方法，计算图像像素所在方位向和距离向的中值，再计算该像素4个角点的中值，最后取这两者和该像素的中值替代该像素。
[0138]
图3是背景累积示意图，图3(a)是积分图计算的示意图，即图上任意一点的值是从图像的左上角与当前点所围成的矩形区域内所有像素点灰度值之和；图3(b)是背景累积图，包含两个矩形区域的像素平均，而中间区域有可能存在目标，因此去除中间区域。
[0139]
图4是高阶矩图像分割流程图，首先对声图进行指数变换，并计算峰度值；其次，根据阈值分割目标的高亮和阴影区域；再次，对高亮和阴影图像分别进行滤波和平滑处理。
[0140]
图5是水下小目标声图的高亮阴影位置，其中红色区域为高亮，蓝色为阴影，绿色为背景区域。当高亮h的长＝h
x
和宽＝hy，阴影s区域的长＝s
x
和宽＝hy时，背景b是以高亮中心为中心，长＝2(h
x
sx)，宽＝2hy。
[0141]
图6是大检测窗处理结果。其中图6(a)是原声图，图6(b)是高阶矩分割和地貌掩埋处理后结果，图6(c)是计算高密度区域，图6(d)根据规则关联后结果，从图中看出，通过该方法有效抑制了山脊引起的虚警。
[0142]
图7是大幅声图目标检测结果，其中图7(a)是标注后的原图，图7(b)是检测到疑似目标连通域，图7(c)是大范围声图检测目标的分数，当检测分数超过0.5时，该连通域为目标。
[0143]
从图7(a)和(c)对比，正确检测出线缆和浮球串。通过联合高亮和阴影检测，抑制了两个虚警。
[0144]
实施例2
[0145]
本发明的实施例2提出了一种复杂背景下声纳图像的水下小目标检测系统，所述系统包括：声纳图像去噪处理模块、复杂地貌掩膜处理模块、连通区域聚类模块和小目标检测模块；基于实施例1的方法实现，通过成像声纳实时采集声图，依次进行声图去噪、高阶矩图像分割、复杂背景掩膜处理，两者相关后获得一系列连通区域；然后，通过连通区域聚类处理，连通断裂的目标和去除地貌残留的区域；最后，根据剩余连通域对应的原图的高亮和阴影的密度比，联合判别水下小目标。其中，
[0146]
声纳图像去噪处理模块，用于采取多级中值滤波方法对采集的声纳图像进行去噪处理；
[0147]
复杂地貌掩膜处理模块，用于对去噪后的声纳图像进行复杂地貌掩膜处理，实现对地貌的高亮纹理图和阴影纹理图的提取；
[0148]
高阶矩图像分割模块，用于对去噪后的声纳图像进行高阶矩图像分割，并结合复杂地貌掩膜处理模块的结果，进行背景抑制；
[0149]
连通区域聚类模块，用于采用三种不同尺寸的检测窗对高阶矩图像分割模块处理后的连通域进行聚类，实现对分裂目标的关联和山脊地貌的抑制；
[0150]
小目标检测模块，用于提取高亮区域和阴影区域，分别计算高亮像素密度和阴影像素密度，并通过像素密度加权计算得到检测分数，实现小目标的检测。
[0151]
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。