水下線狀目標距離選通成像探測研究

姜朝宇，羅 濤，王亞波，夏 珉

(1. 海軍駐葫蘆島431廠軍事代表室，遼寧 葫蘆島 125004；2. 武漢第二船舶設計研究所，湖北 武漢 430000；3. 華中科技大學 光學與電子信息學院，湖北 武漢 430000)

0 引 言

水下電纜、石油管線等水下目標，在海洋勘探、資源開發等領域得到越來越多的應用，這些水下目標一般都是直接暴露在水中，水中鹽分的腐蝕、水藻等植物的繁殖、海底沙床的移動、漁獵活動、船只下錨、鯊魚等都有可能將其損壞，需要對其進行定期的檢測和維護。現有的檢測方法一般是使用載有光學系統的遙控潛水艇（Remotely Operated Vehicle，ROV）來采集水下圖像，操作員在控制臺前通過觀察分析傳送回來的圖像信息來檢查和跟蹤管道目標[1]，這種檢測方法總體來說具有單調、檢測時間長和費用昂貴等缺點，因此國內外都開展了對水下現狀目標成像結果的自動目標識別算法研究。

早在1988年，H. G. Nguyen等提出了基于灰度分割和Hough變換的檢測方法。該方法先利用管道和背景的灰度不連續性，用閾值法將管道分割提取出來，然后用Hough變換檢測得到管道的位置和方向信息，在當時就達到1幀/s的檢測結果[2]。1991年J. O. Hallset 提出了矩形匹配的檢測方法。先對圖像進行直方圖均衡化以提升整體對比度，然后使用Sobel算子提取邊緣，分析清除雜亂的邊緣后進行矩形匹配[3]。2015年H. H. Chen等提出用于水下ROV導航的纜繩檢測算法，該算法包括顏色空間轉換、Canny邊緣檢測和概率Hough變換3個步驟，對于混濁水體中的纜繩圖像，當僅隨機采樣40%的Canny邊緣點時，檢測率可以超過95%[4]。

國內的相關研究工作起步稍晚，其中哈爾濱工程大學在2007 ～ 2010年間，對基于粒子群優化和模糊熵的水下圖像分割方法進行研究[5]，基于該類方法的圖像分割結果對光照和噪聲影響具有較好的魯棒性[6]。

針對水下線狀目標的光電自動探測需求，本文設計了基于水下距離選通成像原理的水下線狀目標探測成像探測系統，針對其成像結果的圖像特征建立識別算法，實現對水下線狀目標的實時檢測。通過在實驗船池中對水下線狀目標進行探測實驗，驗證了算法的有效性和探測的可靠性。

1 實驗系統設計

相比大氣環境，由于水體及內部懸浮顆粒的存在，對激光存在吸收、散射等物理現象,前者導致水下激光衰減嚴重，后者使激光傳播方向發生偏折，造成光學成像系統接收到的光信號信噪比大大降低，水下圖像存在著嚴重的質量劣化問題。為了解決水體散射所引入的圖像質量劣化問題，采用距離選通水下成像系統對水下線狀目標進行成像探測，系統中選通門的存在能夠有效降低由水體散射引起的噪聲。根據測量原理以及實際需求，設計基于距離選通水下激光成像原理的系統，系統示意圖如圖1所示。

圖 1 距離選通水下激光成像系統示意圖Fig. 1 Sketch map of underwater range gated imaging system

距離選通成像系統由脈沖激光光源、高速選通相機和同步控制模塊3部分組成，激光器發射出的短激光脈沖，經過擴束器進行擴束，前進達到目標所在區域。由目標反射回的光束，經由電動鏡頭和微通道板，到達CCD成像相機得到數字圖像，并進一步由數據處理主板對圖像進行處理分析。

系統中的同步控制模塊可以精確地同步控制激光光束和選通相機快門開關的時間。當激光器開始發送脈沖時，距離選通過程開始。當光行進時，選通門處于關閉狀態，因此不會捕獲后向散射光。當被目標反射回的激光脈沖返回相機時，選通門打開，相機僅捕捉來自目標的反射光。一旦激光脈沖結束，選通門再次關閉。可見，通過精確的同步時間控制，距離選通系統可以有效抑制水體后向散射的影響。實驗時使用的距離選通系統如圖2所示。

圖 2 實驗使用的距離選通系統實物圖Fig. 2 Photo of real objects used in range gated imaging experiment

實驗在華中科技大學船池實驗中心進行，實驗前制作一塊上深下淺的背景板放置于水中，用以模擬不同的水下環境。為了模擬水下線狀目標，實驗時先將目標板兩端懸掛在推車上，緩緩放入水下。然后將直徑3cm的黑色電力電纜兩端懸掛放入水下，分別置于背景板的深顏色和淺顏色背景前，將推車推動到不同成像距離處采集實驗圖像，實驗采集圖像的分辨率為1 292×964像素。實驗采用的背景板設計圖和電力電纜如圖3所示。

實驗采用的是常規電力電纜，由4根相互絕緣的內部導線和外面絕緣保護層制成，絕緣保護層的主要成分為聚氯乙烯，外觀呈黑色。由光學知識可知，由于黑色物體吸收照射到表面的絕大部分光譜范圍，當將電纜放入水下進行成像時，理論上采集到的圖像上會呈現出黑色的線狀分布。同時由于目標板的上部分顏色較深，下部分顏色較淺，將黑色電纜放置在深顏色和淺顏色的背景前，就可以改變電纜所處的背景環境，從而檢驗目標檢測算法的魯棒性。

圖 3 實驗所用背景板設計圖和線狀目標Fig. 3 Design of background plate and baseline target in experiment

2 實驗數據處理方法

圖4為實驗采集到的一幅圖像。可以發現，由于水下成像較強的吸收和散射影響，采集的圖像整體質量相對較差，目標特征不明顯。在進行目標檢測之前，需要有針對性的對圖像進行增強處理，以突出目標的細節特征。

圖 4 實驗采集圖像Fig. 4 Acquisition photo in experiment

2.1 圖像預處理

圖5為圖像4中第500行的灰度值分布圖，觀察該圖可以發現圖像中相鄰像素的灰度值變化非常大，存在明顯的脈沖噪聲，選擇使用中值濾波算法來消除脈沖噪聲的影響。

圖6為使用5×5的方形窗口進行中值濾波后，原圖像中第500行的灰度值分布圖，可以發現，圖像中的脈沖噪聲得到了有效抑制，相鄰灰度值的變化變得更加平滑。

圖7為圖4中圖像的灰度分布直方圖，可以看出，圖像的灰度級集中分布在[10, 40]的一個小區間里，對比度明顯過低，需要拉伸圖像的對比度。

對比度拉伸（灰度拉伸）是一種應用廣泛的圖像增強方法，它是將原圖像的灰度函數經過一個變換函

圖 5 圖像中第500行的灰度值變化圖Fig. 5 Grayscale value variation of line 500 in the image

圖 6 中值濾波后的灰度值分布圖Fig. 6 Distribution map of gray value after median filtering

圖 7 圖像的灰度直方圖Fig. 7 Grayscale histogram of the image

數變換成一個新的圖像函數，其數學表達式為[7]：其中M為圖像最大灰度值。采集到的圖像灰度級為[0,255]，即M=255。在針對實驗圖像處理中，取a=0，b=M，c=0，d=M，可以將圖像灰度區間擴展到整個圖像灰度動態范圍[0, 255]上，從而增強了圖像的動態范圍。處理后的圖像如圖8所示。可以發現，通過對比度拉伸的簡單處理，圖像的對比度得到了明顯的增強，目標的細節特征更加突出。

經過中值濾波和對比度拉伸后，圖像中的脈沖噪聲得到了充分抑制，但是圖像中的噪聲仍然很嚴重，需要進一步選取性能好的濾波算法進行處理。針對水下圖像的特點，一般選擇小波方法進行去噪處理。

可以發現，通過本節所用的圖像增強方法，圖像的質量得到了明顯的改善，圖像中的目標細節特征更加突出，可以通過后續步驟提取出目標特征并進行檢測。

圖 8 對比度拉伸后的結果Fig. 8 Result of contrast stretching

圖 9 小波去噪結果Fig. 9 Result of wavelet de-noising

2.2 邊緣檢測

Canny邊緣檢測算子是John F. Canny于1986年開發出來的一個經典的邊緣檢測算法，目前在邊緣檢測性能和算法復雜性上的綜合性能最優。Canny算子檢測圖像邊緣的步驟首先要使用二維高斯濾波器對圖像進行平滑，隨后對圖像灰度梯度的幅值和方向進行計算，最后為了實現對邊緣的準確定位，對其進行非極大值抑制操作。

Canny算子本身具備較大的優勢，使其在圖像檢測中能較好地保留邊緣細節，取得不錯的檢測效果，也成為評價其他邊緣檢測方法的標準。將高斯濾波的分布參數 σ 選為2，雙閾值中的高閾值 Th選為0.5，低閾值 Tl選為0.2。檢測到的邊緣如圖10所示。

圖 10 Canny算法檢測邊緣圖Fig. 10 Canny algorithm detects edges

2.3 曲線擬合

考慮到Canny邊緣檢測后的結果中不可避免會存在虛假的邊緣，即噪聲邊緣，需要采用抗噪聲點干擾的曲線擬合算法來檢測出圖像中存在的曲線，從而提高算法的魯棒性。基于此，選擇RANSAC曲線擬合的方法，該算法的優點在于它能魯棒的估計模型參數。

對于存在個別嚴重偏差的離散點序列，如果采用最小二乘法進行直線擬合，其擬合結果將會產生嚴重的誤差。為了解決這一問題，本研究團隊專門研發了改進型RANSAC算法，通過對RANSAC算法修正，引入預判函數，可以剔除距離較遠的偏離點，得到一條理想的曲線[8]。

通過RANSAC迭代算法，用二次曲線擬合圖像中的檢測到的邊緣，得到的檢測結果如圖11所示。

圖 11 RANSAC算法擬合結果Fig. 11 RANSAC algorithm fitting results

3 水下線狀目標探測實驗結果

為測試算法性能，用距離選通系統在船池進行實驗，在目標處于不同距離處拍攝了7組實驗數據，目標對應的距離分別為12.5 m，15 m，17 m，18 m，20 m，21 m，22 m。同時，為避免實驗的偶然性，每組實驗采集2張圖片數據。

3.1 算法穩定性測試

為測試算法穩定度，每組實驗中使目標處于顏色深和顏色淺的2種背景中，使用前述算法進行處理，處理結果為：除12.5距離處目標處于深顏色背景中檢測不到目標之外，其他距離處都能正確檢測到目標，按目標距離和顏色深淺所得的檢測結果如表1所示。

具體的檢測結果如圖12所示，可以發現12.5 m處背景顏色較深時由于目標和背景間的差別較小，無法檢測到邊緣，導致漏檢。說明算法在目標和背景差別較小時，檢測受到限制；同時，當距離達到22 m時，由于水下成像系統中的噪聲干擾較大，會對檢測的結果造成較大誤差，特別是當處于顏色較深的背景中，目標和背景差別又較小，從而導致了圖12（k）所示的情況。上述檢測結果反映了算法的應用范圍應為水下22 m左右。

3.2 算法速度測試

在實驗算法測試環境下，對7組圖片進行算法速度測試，每組圖片的平均檢測時間如表2所示。

從表2可以得知，算法的檢測速度基本可以達到3幀/s的效果。

表 1 算法穩定性測試結果Tab. 1 Algorithm stability test results

圖 12 算法檢測結果Fig. 12 Algorithm detection results

3.3 總體檢測率

以表1中的7組圖片分析，本實驗一共采集到14張圖片，正確檢測到目標13張，總體檢測率12/14×100%=92.86%，說明本實驗的總體檢測率可以達到90%，同時考慮到本實驗所用圖片總數較少，可以進一步采集更多的圖片來測試算法的有效檢測率。

表 2 算法速度測試結果Tab. 2 Algorithm speed test results

4 結 語

本文基于距離選通光學成像探測系統，研究了長探測距離下的水下線狀目標探測圖像的處理算法，并通過水下探測實驗研究了算法的有效性和可靠性。針對距離選通成像系統探測水下線狀目標的圖像特征，采用了結合圖像中值濾波、對比度拉伸和小波去噪的圖像預處理方法對圖像質量進行提升，采用改進型Canny邊緣檢測算法對圖像中存在的線狀目標的邊緣進行檢測和識別，為了降低邊緣檢測帶來的虛假邊緣問題，采用了改進型RANSAC算法對水下線狀目標進行曲線擬合。實驗結果表明，本文提出的方法可在5倍水下衰減長度內，有效用于二次曲線狀目標檢測，在檢測速度為3幀/s的情況下，算法的檢測率可達到96%以上。且本實驗選用的目標檢測算法可以不受目標曲線階數的限制，理論上可經過改進并用于任意階數的曲線目標檢測。