基于數學形態學的側掃聲吶圖像輪廓自動提取

羅進華，蔣錦朋，朱培民

（1.中海油田服務股份有限公司，天津300451；2.中國地質大學（武漢）地球物理與空間信息學院，湖北武漢430074）

?

基于數學形態學的側掃聲吶圖像輪廓自動提取

羅進華1，蔣錦朋2，朱培民2

（1.中海油田服務股份有限公司，天津300451；2.中國地質大學（武漢）地球物理與空間信息學院，湖北武漢430074）

摘要：側掃聲吶圖像特征自動提取的難點在于特征地貌邊緣檢測較困難，依據圖像灰度突變檢測得到的邊緣比較粗糙、不連續，而且有斷口和小洞。本文在對圖像進行預處理和閾值化的基礎上，采用數學形態學方法對圖像進行處理，即用具有一定形態的結構元素去量度和提取圖像中的對應形狀，得到連續化、粗化、圓滑的特征區域邊緣填充目標內部陰影且消除背景噪聲。基于數學形態學的側掃聲吶圖像特征自動提取的主要步驟為：首先對側掃聲吶圖像進行預處理，然后進行灰度閾值化，接著采用數學形態學方法進行處理，最后對處理后的圖像進行邊緣檢測，提取出特征地貌邊緣。實驗表明，采用數學形態學方法進行處理后，錯斷、離散的海底目標物變得連續，背景噪聲大大減少，自動提取結果準確可靠。

關鍵詞：側掃聲吶圖像；數學形態學；海底地貌特征；自動提取

1　引言

目前的海底探測主要依賴于聲學探測技術［1］。側掃聲吶成像技術是一種重要的海底聲成像技術，它運用海底地物對入射聲波反向散射的原理來探測海底微地形和底質特性。即使在能見度非常低的渾濁海水中，側掃聲吶系統也能直觀地提供海底的高精度聲成像［2］。高精度的側掃聲吶系統已經在海底科學研究、海底資源勘查、海洋工程和海洋開發，以及海洋軍事活動等方面發揮出極其重要的作用［1］。直至目前，對側掃聲吶圖像（Side-scan Sonar Image，SSI）的解釋和判讀依然主要靠人工進行。當掃測海域面積大、特征地貌數量龐大時，使用手工識別效率太低，且難以精確勾勒目標物輪廓，這就迫切需要尋找一種高效的特征地貌自動識別方法。

對水下目標的正確識別是建立在有效的特征提取基礎之上的，而圖像特征提取中的關鍵是圖像分割，即將圖像分為各具特色的區域并把“感興趣的目標物體”從復雜的景象中提取出來的過程［3］。由于SSI信噪比低，且往往成像殘缺不全、輪廓不連續，自動分割效果不佳，對SSI的分割沒有完全可靠的模型進行指導，各種算法在SSI分割中存在的主要共性問題是圖像分割算法的適用面有限、分割效果較差等［4］。在光學圖像處理中廣泛應用的邊緣檢測技術，在SSI中得到的往往是斷續的、不完整的結構信息［5］，且易受噪聲干擾而出現偽邊緣［6］，或是存在斑點噪聲抑制效果較差與邊緣定位不準的問題［5］。基于小波理論的小波模極大值邊緣檢測方法由于并不適合描述多方向的線奇異，檢測的邊緣結果通常并不理想［5］。

本文主要基于數學形態學的方法，對聲吶圖像自動分割的結果做進一步處理，使錯斷、離散的海底目標物變得連續，同時削弱了背景噪聲，目標物參數的自動提取結果更為準確、可靠。

2　原理和算法

基于數學形態學的SSI特征自動提取的主要步驟為：首先對SSI進行預處理，然后進行灰度閾值化，接著采用數學形態學方法進行處理，最后對處理后的圖像進行邊緣檢測，提取出特征地貌邊緣。

2.1圖像預處理

SSI通常可分為目標高亮區、目標陰影區和海底混響區［7］。水底硬或凸起的物質回波強，軟或凹陷的回波弱，被遮擋的海底無回波［8］。混響由海洋中大量無規則散射體對聲吶入射信號產生的散射信號在接收點疊加而形成。原始SSI直接用來自動識別效果不佳［4］，因此對SSI進行預處理十分必要。預處理的目的是最大限度的消除高斯噪聲，同時盡量保留或增強目標區域邊界，以便于后續參數提取的需要。

2.1.1SSI降噪處理

混響造成的SSI高斯噪聲服從瑞利分布，表現為許多隨機、離散或小區域分布的“斑點”，目標物則以大區域聚集的形式呈現［9］。通常人們希望在濾除噪聲的同時保留圖像的“大區域聚集”信息。范習健等提出了SSI的3維塊匹配降斑方法［10］，霍冠英等提出了Curvelet域貝葉斯估計SSI降斑方法［11］，均取得了較好效果。事實上，圖像處理中常用的中值濾波［12—14］方法，對于抑制斑點噪聲和校驗噪聲效果顯著，且運算簡單、快速。

2.1.2灰度增益和均衡

除了隨機噪聲外，SSI通常會出現整體橫向灰度不均的現象。海水對聲波的吸收、聲波的擴散、聲吶換能器發射聲脈沖的指向性以及波束與海底表面掠射角的變化均會造成SSI橫向灰度差異。此外，聲吶儀姿態傾斜等常常導致左右兩通道能量不均衡。這些因素造成的影響應盡量予以消除，以凸顯我們主要關注的海底底質反向散射能力。常見的時變增益（T V G）很難完全消除上述影響，甚至可能會造成新的灰度畸變［15］。本文采用了振幅增益控制和斜坡加權平均兩種方法結合的方法［16］，將灰度調整到一定的水平。另外，本文還對SSI進行直方圖均衡可提高圖像對比度。

2.2特征提取與處理

2.2.1圖像分割

由于SSI目標所在的高亮區提取的特征有限，而陰影部分包含了待識別物體的一些特征，所以對SSI進行分割的目的就是要從復雜的海底混響中提取出目標物的陰影區域，并盡量保留圖像原始邊緣信息［4］。SSI分割可歸納為基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等［4］。現存的分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用的分割算法。本文采用了圖像分割中應用數量最多的一類——灰度閾值分割法。灰度閾值分割法利用圖像中目標物體和背景在灰度上的差異，通過設置閾值把像素點按灰度級分為若干類，從而實現圖像分割。它特別適用于目標和背景占據不同灰度級的圖像，且計算簡單、運算效率較高。

閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：

式中，T為閾值，對于物體的圖像元素g（i，j）= 1，對于背景的圖像元素g（i，j）= 0。

閾值分割方法通常分為全局閾值、自適應閾值、最佳閾值等。閾值分割的難點和關鍵是確定合適的閾值，即使圖像中目標和背景分割錯誤最小的閾值［17］。由于已對全區SSI做個直方圖均衡，因此本文采用全局閾值法中的一種——大津法［18］（又叫Otsu法）來自動確定閾值。大津法是一種全局化的動態二值化方法。該算法的基本思想是設使用某一個閾值將灰度圖像根據灰度大小分成目標部分和背景部分兩類，在這兩類的類內方差最小且類間方差最大的時候，得到的閾值是最優的二值化閾值。

2.2.2數學形態學原理

數學形態學（M athematical M orphology）是分析幾何形狀和結構的數學方法［19—21］，它建立在集合代數的基礎上，是用集合論方法定量描述目標幾何結構的學科。數學形態學利用一個稱作結構元素的“探針”收集圖像的信息，當探針在圖像中不斷移動時，便可考察圖像各個部分之間的相互關系，從而認識圖像或改變圖像的結構特征。它的基本運算有四種：膨脹、腐蝕、開運算（開啟）和閉運算（閉合）。

SSI中目標體往往呈現不連續性，而且混響噪聲比較嚴重，形態學算法可以解決這些問題。其基本思想是用具有一定形態的結構元素去量度和提取圖像中的對應形狀，來連續化、粗化、圓滑特征區域邊緣并消除背景噪聲。

這些運算在二值圖像和多值圖像中各有特點，本文只討論基于二值的形態學方法。數學形態學具有算法簡單、可并行處理、速度快、易于實現等特點［22］。

設A、B為二維平面空間Z2中分布的點集合，例如A可以是一幅圖像，B是一幅很小的圖像，特別地稱B為結構元素；結構元素可定義為具有一定的幾何形狀（如方形、十字形、菱形等）和不同大小的點集合（圖1）。

圖1　不同形狀和大小的算子Fig.1 M athematics morphological operator of different shapes and sizes

運用不同結構元素對圖像進行形態學處理能夠得到不同的結果。若x表示結構元素起始點，是相對于坐標原點的位移，則A被B膨脹記為A⊕B，⊕為膨脹算子，其定義為：

A被B腐蝕記為AΘB，Θ為腐蝕算子，定義為：

A被B作開運算，記為A。B，其定義為：

A被B作閉運算，記為A·B，其定義為：

由公式（3）、（4）易知，A被B開運算就是A先被B腐蝕，再被B膨脹；A被B閉運算則是相反的過程。

2.2.3圖像特征提取處理

基于數學形態學的SSI目標物的自動提取算法，主要由閾值分割和數學形態學處理兩部分組成。閾值分割主要是將SSI中的目標物和背景混響分割開來，數學形態學處理則是進一步過濾殘留的噪聲，同時熔合目標物中的小洞，讓斷開的目標物得到連接，邊緣變得光滑。

本文設計的算法步驟如下：

（1）對SSI進行增益和均衡，使目標物體顯示更清晰；

（2）選取合理的濾波窗口，對步驟（1）處理后的SSI進行中值濾波壓制混響噪聲；

（3）對步驟（2）處理后的SSI進行大津法閾值分割處理得到二值圖像；

（4）選取合理的數學形態學算子，對步驟（3）處理后的圖形進行腐蝕、膨脹、開運算、閉運算等操作，消除殘留干擾，同時讓目標物不連續部分得到連接；

（5）對步驟（4）處理的結果采用邊緣檢測算子，獲取目標邊緣。

2.2.4數學形態學處理實驗與分析

實驗數據使用某海域一艘沉于海底的小漁船的SSI（圖2），其分辨率約為0.2 m，船長約13 m，寬約3 m，船體較完整，適合進行自動提取。

圖2a為原始的SSI，圖2b是對其進行了均衡和增益處理后的結果，圖2c是在圖2b基礎上使用了5 ×5窗口的中值濾波處理后的結果，海底混響造成的斑點噪聲得到減弱。圖2d是在圖2c的基礎上進行大津法分割得到二值化圖像。

圖2d中目標背景噪聲已大部分被消除，但剩余一部分海底散射強度與目標物相近的殘余干擾依然較明顯。為了減弱圖像中的殘余干擾，采用3×3正方形算子對圖2d進行數學形態學的腐蝕運算得到圖2e。圖2e除去了部分小的殘余干擾，較大的殘余干擾得以縮小但依然存在。改用5×5正方形算子對圖2d重新進行數學形態學的腐蝕運算得到圖2f，較好的除去了殘余干擾，但同時目標物沉船不連續部分也有所增加，船體有所縮小。為了使目標物輪廓更完整、連續，又采用3×3十字形算子對圖2f進行膨脹處理得到了圖2g。從中可看出目標物沉船的空隙得到一定閉合，輪廓更完整、連續，縮小的船體在一定程度上得到膨脹。

圖2　海底沉船聲吶圖像處理與自動提取結果示意圖Fig.2 Image processing and automatic detection results of a wreck SSI

為了能進一步凸顯目標，抑制噪聲干擾，可反復多次進行數學形態學腐蝕、膨脹和開、閉運算處理。處理時，膨脹和腐蝕可交替進行，一般首先采用腐蝕以去除細小干擾，然后根據處理后效果采用合適的算子，或是再次進行腐蝕以進一步消除細小干擾，或是進行膨脹以填補目標空隙。通常情況下，腐蝕和膨脹次數，以及采用的結構元素可根據經驗確定。

相比于未使用數學形態學處理的圖2d，圖2g中背景噪聲大大減少，邊緣提取效果好。

3　應用實例

3.1研究區背景

荔灣3-1（L W 3-1）氣田位于中國南海珠江口盆地珠二坳陷內，該氣田開發建設擬采用鋪設海底管線的輸氣方式，路由區經過一段16 k m的埋藏較淺或完全裸露的珊瑚礁或膠結砂的海底，如圖3所示。由于鋪設在硬質海底區域的管道難以自沉埋入土中，不僅可能會發生管道懸跨，而且管道可能會受到周圍堅硬珊瑚礁的磨損，影響海底管道的壽命［23］。因此查明研究區的海底地貌狀況，精確繪制古珊瑚礁、硬質海底等災害地質要素的形態、分布范圍，對海底挖溝方案制定和海底管道鋪設設計有直接影響。路由區已識別出數千目標物，如此多的目標物，使用手工提取效率太低，且難以精確勾勒出目標物輪廓。

3.2處理結果

使用本文基于數據形態學自動識別目標體的方法對上述研究區的一幅側掃聲吶圖像進行了處理，得到了古珊瑚礁、硬質海底等目標物的位置和形態。圖4a為原始側掃聲吶圖像，圖像中有一些古珊瑚礁、硬質海底等目標物，目標物體邊緣比較模糊。對原始圖像先進行了預處理（均衡和中值濾波處理）得到圖像圖4b，圖像中目標物體變得相對清晰，但邊緣連續性較差。然后，對圖4b進行大津法分割得到二值化圖像圖4c。圖4c中殘留較多背景噪聲且目標物不連續，直接對其進行邊緣檢測效果較差，如圖4d所示。對圖4c進行了多次形態學處理（膨脹、腐蝕、開運算和閉運算）后，熔合了目標物中的小洞，目標物變得連續，背景噪聲得到很好的消除，邊緣檢測的結果和原圖中的目標物匹配程度高，這說明數學形態學處理發揮了很好的作用。

圖3　研究區地理位置圖Fig.3 Study area

4　結語

本文的實驗和應用效果表明基于數學形態學的側掃聲吶目標物提取算法是可行的。通過試驗得到以下幾點結論：

（1）在提取目標物邊緣之前經過圖像加強和濾波等預處理消除圖像噪聲是必要的，可為目標識別提供更好的條件。

（2）運用數學形態學方法能夠消除不感興趣的小目標，光滑目標邊緣，閉合目標中間細小空洞，使得提取的目標邊緣更連續。

（3）數學形態學算法具有實現簡單、運算快、存儲空間小等特點，具有良好的實用性。

形態學處理能夠達到好的效果，結構元素的尺寸、形狀需要根據目標體的大小進行選取，用不同大小和形狀的結構元素處理將得到不同的效果。在進行膨脹、腐蝕、開閉運算過程中，有時需要進行多次操作，操作次數需要根據目標物的圖像質量憑經驗確定，尚不能完全自動完成數學形態學處理。

圖4　圖像處理與自動提取結果Fig.4 Image processing and automatic detection results

參考文獻：

［1］金翔龍.海洋地球物理研究與海底探測聲學技術的發展［J］.地球物理學進展，2007，22（4）：1243-1249.Jin Xianglong.The development of research in marine geophysics and acoustic technology for sub marine exploration［J］.Progress in Geophysics，2007，22（4）：1243-1249.

［2］Celik T，Tjahjadi T.A novel method for sidescan sonar image segmentation［J］.IEEE Journal of Oceanic Engineering，2011，36（2）：186-194.

［3］Sonka M，Hlavac V，Boyle R.Image processing，analysis，and machine vision［M］.北京：人民郵電出版社，2003.Sonka M，Hlavac V，Boyle R.Image processing，analysis，and machine vision［M］.Beijing：Post & Telecom Press，2003.

［4］王興梅.水下聲吶圖像目標分割方法的研究及應用［D］.哈爾濱：哈爾濱工程大學，2008.W ang Xingmei.Research and application of the underwater object segmentation algorith m based on the sonarimagery［D］.Harbin：Harbin Engineering U niversity，2008.

［5］王敏，李慶武，程曉軒.側掃聲納圖像的NSC T域模極大值邊緣檢測［J］.計算機工程，2011，37（24）：207-209.W ang Min，Li Qingwu，Cheng Xiaoxuan.NSC T domain modulus maximu m edge detection in side-scan sonar image［J］.Computer Engineering，2011，37（24）：207-209.

［6］郭芳俠，梁娟，王晅.基于模糊推理的噪聲圖像邊緣檢測［J］.計算機工程，2010，36（15）：194-195.Guo Fangxia，Liang Juan，W ang Xuan.Edge detection for noisy images based on fuzzy reasoning［J］.Computer Engineering，2010，36（15）：194-195.

［7］Reed S，Petillot Y，Bell J.An automatic approach to the detection and extraction of mine features in sidescan sonar［J］.IEEE Journal of Oceanic Engineering，2003，28（1）：90-105.

［8］蔣立軍，杜文萍，許楓.側掃聲納回波信號的增益控制［J］.海洋測繪，2002，22（3）：6-8.Jiang Lijun，Du W enping，Xu Feng.Signal gain adjustment for side scan sonar［J］.H ydrographic Surveying and Charting，2002，22（3）：6-8.

［9］Hellequin L，Boucher J M，Lurton X.Processing of high-frequency multibeam echo sounder data for seafloor characterization［J］.IEEE Journal of Oceanic Engineering，2003，28（1）：78-89.

［10］范習健，李慶武，黃河，等.側掃聲吶圖像的3維塊匹配降斑方法［J］.中國圖象圖形學報，2012，17（1）：68-74.Fan Xijian，Li Qingwu，H uang He，et al.Side-scan sonar image despeckling based on block-matching and 3 D filtering［J］.Journal of Image and Graphics，2012，17（1）：68-74.

［11］霍冠英，李慶武，王敏，等.Curvelet域貝葉斯估計側掃聲吶圖像降斑方法［J］.儀器儀表學報，2011，32（1）：170-177.H uo Guanying，Li Qingwu，W ang Min，et al.Side-scan sonar image despeckling based on Bayesian estimation in curvelet domain［J］.Chinese Journal of Scientific Instru ment，2011，32（1）：170-177.

［12］Bednar J B.Applications of median filtering to deconvolution，pulse estimation，and statistical editing of seismic data［J］.Geophysics，1983，48：1598-1610.

［13］Duncan G，Beresford G.Some analyses of 2-D median fk filters［J］.Geophysics，1995，60（4）：1157-1168.

［14］Ng P E，M a K K.A switching median filter with boundary discriminative noise detection for extremely corrupted images［J］.IEEE Transactions on Image Processing，2006，15（6）：1506-1516.

［15］滕惠忠，嚴曉明，李勝全，等.側掃聲納圖像增強技術［J］.海洋測繪，2004，24（2）：47-49.Teng H uizhong，Yan Xiaoming，Li Shengquan，et al.Processing techniques of enhancementfor side scan sonarimages［J］.H ydrographic Surveying and Charting，2004，24（2）：47-49.

［16］張濟博，潘國富，丁維鳳.側掃聲納圖像改正研究［J］.聲學技術，2009，28（6）：44-47.Zhang Jibo，Pan Guofu，Ding W eifeng.Research on side-scan sonar images' correction［J］.Technical Acoustics，2009，28（6）：44-47.

［17］Boulinguez D，Quinquis A.3-D underwater object recognition［J］.IEEE Journal of Oceanic Engineering，2002，27（4）：814-829.

［18］李了了，鄧善熙，丁興號.基于大津法的圖像分塊二值化算法［J］.微計算機信息，2005，21（14）：76-77.Li Liaoliao，Deng Shanxi，Ding Xinghao.Binarization algorith m based on image partition derived from Da-Jing method［J］.Control & Automation，2005，21（14）：76-77.

［19］Soille P.M orphologicalimage analysis：principles and applications［M］.New York：Springer-Verlag，2003.

［20］Haralick R M，Sternberg S R，Zhuang X H.Image analysis using mathematical morphology［J］.IEEE Journal of Oceanic Engineering，1987，9 （4）：532-550.

［21］袁悅鋒，朱培民，趙娜，等.基于數學形態學的月海圓形撞擊坑自動識別方法［J］.中國科學：物理學，力學，天文學，2013（3）：324-332.Yuan Yuefeng，Zhu Peimin，Zhao Na，et al.Automaticidentification of circular mare craters based on mathematical morphology［J］.Scientia Sinica Physica，M echanica & Astronomica，2013（3）：324-332.

［22］Serra J.Introduction to mathematical morphology［J］.Computer Vision Graphics & Image Processing，1986，35（3）：283-305.

［23］朱林.南海北部荔灣3-1氣田管道路由區災害地質特征研究［D］.青島：國家海洋局第一海洋研究所，2013.Zhu Lin.Geological hazardsin the northern South China Sea Liwan 3-1 gas field pipeline route［D］.Qingdao：First Institute of Oceanography，State Oceanic Administration，2013.

羅進華，蔣錦朋，朱培民.基于數學形態學的側掃聲吶圖像輪廓自動提取［J］.海洋學報，2016，38（5）：150-157，doi：10.3969/j.issn.0253-4193.2016.05.014

Luo Jinhua，Jiang Jinpeng，Zhu Peimin.Automatic extraction ofthe side-scan sonarimagery outlines based on mathematical morphology［J］.Haiyang Xuebao，2016，38（5）：150-157，doi：10.3969/j.issn.0253-4193.2016.05.014

Automatic extraction of the side-scan sonar imagery outlines based on mathematical morphology

Luo Jinhua1，Jiang Jinpeng2，Zhu Peimin2
（1.China Oilfield Services Limited，Tianjin 300451，China；2.Instituteof Geophysics & Geomatics，China University of Geosciences，Wuhan 430074，China）

Abstract：Automatic extraction ofthe side-scan sonarimagery outlinesis difficult.The results extracted by edge detection based on sharp gray-scale gradient ofimage are discontinuous and rough，and also have gaps and holes edge detection.After preprocessing the side-scan sonarimage and thresholding，some processings are carried outto take the smooth and continuous rims ofthe geological objectives，and to eliminate the background noises，by measuring and extracting the corresponding shape from the image with a certain form of structural element according to thebook=157,ebook=160basic idea of mathematical morphology.The algorith m of feature extraction for the side-scan sonar imagery based on mathematical morphology is as follows：firstly，preprocess the image and do thresholding it；then process the image by mathematical morphology；finally obtained the edges of the geological objectives by edge-detection technology.The nu merical experiments show that this method leads to smooth and continuous and accurate detection，meanwhile，greatly reduced background noise.

Key words：side-scan sonar；mathematical morphology；seabed feature；automatic extraction

作者簡介：羅進華（1983—），男，湖北省仙桃市人，工程師，主要從事海洋地球物理探測方面的工作與研究。E-mail：luojinhua001＠163.com

基金項目：中海油田服務股份有限公司科研項目——A U V調查數據處理解釋系統開發（E-23132019）。

收稿日期：2015-05-12；

修訂日期：2016-01-29。

中圖分類號：P714+.7

文獻標志碼：A

文章編號：0253-4193（2016）05-0150-08