聲納圖像作為準確獲取水下信息的重要途徑之一，在國防、軍事、工程等方面發揮著巨大作用。然而，由于水聲信道的復雜多變和聲波本身的傳播損失，聲納圖像往往呈現出分辨率和對比度不高、噪聲干擾嚴重、目標輪廓模糊等特點。
聲納圖像的分割指的是將灰度圖像細分為多個子區域的過程，聲納圖像特征提取的準確度與圖像分割的精度密切相關。現有的圖像分割方法，比如基于各種微分算子的邊緣檢測法，自動求取閾值的最大類間方差法等，大都需要計算圖像亮度的一階導數或二階導數，如果圖像較大時相當耗時。近年來使用特征空間聚類法進行圖像分割因其具有良好的自適應性而得到了廣泛的應用。
K-Means算法根據歐式距離反復把數據分入K個類中直到滿足某個終止條件；而模糊C均值FCM算法不再需要用戶指定聚類數目，它通過最優化一個模糊目標函數來得到每個待分類像素點對各個聚類中心的隸屬度，因此具有更強的適應性。但FCM算法沒有考慮圖像的空間冗余信息，因此對噪聲和灰度不均勻敏感。
為此，學者們通過在目標函數中引入圖像的局部信息或紋理信息來增強FCM算法的抗噪性和分割的準確度。近年來，利用曲線演化理論和水平集方法的活動輪廓模型也成為圖像分割中的重要研究方向。它將目標的邊界看成一個閉合的曲線，在能量泛函最小化的驅動下，輪廓線不斷變形活動至目標邊界。這類方法的典型代表有基于邊緣的測地線主動輪廓模型、基于區域分段常量的C-V模型、基于局部特征的局部二值擬合模型和可變區域擬合模型等。
鑒于此，提出一種基于熵的聲納圖像分割算法，運行環境為MATLAB R2018a，步驟如下：
1. Read the Original Shipwrecked Sonar Image
2. Gray the Image
3. Denoise the Image: DCT (Discrete Cosine Transform) Denoise
4. Edge Detection (Roberts Operator)
5. Removing Shadow Boundaries
6. Image Localization (Threshold)
7. Remove Ship Boundaries
8. Image Dilate White Pixel (Morphology Dilation)
9. Merge Denoise & Dilation Images
10. 2-D Entropy Segamentation
11. Postprocessing
出圖如下：
完整代碼：MATLAB環境下基于熵的聲納圖像分割算法
工學博士，擔任《Mechanical System and Signal Processing》審稿專家，擔任《中國電機工程學報》優秀審稿專家，《控制與決策》，《系統工程與電子技術》，《電力系統保護與控制》，《宇航學報》等EI期刊審稿專家。
擅長領域：現代信號處理，機器學習，深度學習，數字孿生，時間序列分析，設備缺陷檢測、設備異常檢測、設備智能故障診斷與健康管理PHM等。
