2024年1月，海洋信息与智能装备团队在IEEE Sensors Journal 期刊（ISSN: 1530-437X）连续发表两篇声纳目标探测算法领域的高水平论文：《Sonar Image Coarse-to-Fine Few-Shot Segmentation Based on Object-Shadow Feature Pair Localization and Level Set Method》、《A Level Set Method With Heterogeneity Filter for Side-Scan Sonar Image Segmentation》，蔡文郁教授为两篇论文的通讯作者。
《Sonar Image Coarse-to-Fine Few-Shot Segmentation Based on Object-Shadow Feature Pair Localization and Level Set Method》（https://ieeexplore.ieee.org/document/10415356）论文针对声纳图像中的分割问题，提出了一个两阶段的声纳图像分割模型：第一阶段方法利用声纳图像中的目标-阴影特征对水下目标进行定位；第二阶段采用水平集算法，从初始曲线开始演化逐步收敛至目标边缘处，最终生成准确的分割结果。为了解决声纳样本稀疏的问题，通过分析声纳和异构图像之间的共同特征，从光学和遥感图像中迁移具有物体-阴影对特征的样本增强声纳数据集。在目标检测阶段的边界框生成过程中，设计了一种基于因果联系的筛选算法，使算法能够去除孤立区域，输出最优的目标-阴影特征区域，实验结果验证了算法的有效性与鲁棒性。
《A Level Set Method With Heterogeneity Filter for Side-Scan Sonar Image Segmentation》（https://ieeexplore.ieee.org/document/10335601）论文针对侧扫声纳图像的目标分割与探测难题，提出了一种基于非均质滤波器和水平集方法的声呐图像分割算法：采用非局部均值滤波去除声纳图像的斑点噪声，然后采用超像素方法对纹理相似的区域进行局部聚合，降低计算复杂度；利用两个非均质滤波器消除声呐图像的非均质性，增强检测目标的特征。算法还嵌入了自适应的阈值计算方法，以获得高亮区域与阴影区域的粗轮廓，并以它作为初始曲线进行水平集分割，最终得到水下目标的轮廓特征。实验结果验证了方法在虚警等评估指标上比传统的声纳图像分割算法具有更佳的性能。
