本发明涉及图像处理，尤其涉及一种基于软阈值去噪的海洋声呐图像目标检测方法。
背景技术：
1、随着成像声呐系统的发展，利用声呐图像进行水下目标检测和识别在军事和民用领域发挥着重要作用。在军事领域，声呐目标探测用于水雷目标探测、海上侦察、舰船监视、水下智能对抗等；在民用领域，用于水下考古、生物研究、沉船打捞等。
2、受水下声场环境影响，声呐图像对比度差、分辨率低、噪声严重，对声呐图像目标的精确检测提出较大挑战。对于声呐目标检测，早期主要是通过人工区分目标类别，但这种方法效率相对较低，而且由于主观因素的影响，难以保证稳定的精度。随着数字图像处理技术的发展，许多光学图像处理的方法被用来解决声呐目标检测问题。
3、然而，与普通光学图像不同，声呐图像包含大量的背景噪声干扰，使得一般的目标检测方法难以在声呐图像目标检测中取得较好的效果。因此，如何有效抑制背景噪声干扰并提高检测精度成为海洋声呐图像目标检测中非常重要的任务。
技术实现思路
1、本申请实施例通过提供一种基于软阈值去噪的海洋声呐图像目标检测方法，解决了现有技术中声呐图像中背景噪声较大的问题，提高了声呐图像的识别的准确性。
2、本申请实施例提供了一种基于软阈值去噪的海洋声呐图像目标检测方法，包括：
3、步骤s1，收集待检测声呐图像，对待检测声呐图像进行标准化处理，形成预处理图像集；
4、步骤s2，将预处理图像集中图像通过深度卷积网络进行特征提取，生成特征图；
5、步骤s3，通过深度卷积神经网络的特征融合部分对特征图进行不同尺度的特征融合；
6、步骤s4，通过深度卷积神经网络的检测回归部分得到图像数据的特征定位和分类结果。
7、步骤s4还包括以下方式：
8、s41，基于融合后的特征图，确定特征图对应的水平边界框；
9、s42，基于水平边界框，确定每个水平边界框的概率密度分布，基于水平边界框的概率分布，输出水平边界框的概率分布之间的相似性；
10、步骤s43，基于水平边界框的概率分布之间的相似性，确定图像的损失。
11、本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
12、通过深度卷积网络进行特征提取和融合，结合跨空间信息阈值学习模块和特征加强模块，实现了对声呐图像的准确目标检测和分类。同时，利用nbd回归损失函数提高了目标检测的鲁棒性，实现了高准确率和稳定性能的目标检测系统。
1.一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，包括：步骤s1，收集待检测声呐图像，对待检测声呐图像进行标准化处理，形成预处理图像集；
2.如权利要求1所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，所述步骤s3还包括跨空间信息阈值学习模块和特征加强模块；
3.如权利要求2所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，对于输入特征图，分别在宽度、高度和通道三个维度取平均值，随后与跨空间信息阈值学习模块的输出相乘得到实际的阈值：
4.如权利要求3所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，当特征图的像素值的绝对值小于阈值时，将像素值设置为零，并将大于阈值的像素值进行收缩。
5.如权利要求1所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，所述步骤s4还包括以下实现方式：
6.如权利要求5所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，水平边界框的二维高斯分布的概率密度函数公式为：
7.如权利要求5所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，根据水平边界框的大小，确定其中特征的坐标，对于水平边界框r = (cx，cy，w，h)，其中(cx，cy)、w和h分别表示中心坐标、宽度和高度，其内切椭圆方程可表示为：
8.如权利要求5所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，水平边界框的巴氏距离的公式如下：
9.如权利要求5所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，边界框回归损失，如下所示：
10.如权利要求2所述的一种基于软阈值去噪的海洋声呐图像目标检测方法，其特征在于，跨空间信息阈值学习模块还包括，根据并行路线的交叉矩阵相乘结果，进行矩阵相加后得到注意力权重。
