一種自適應門限時間方位歷程顯示背景均衡算法

邱家興，王易川，丁 超，程玉勝

(海軍潛艇學院，山東 青島 266000)

0 引 言

聲吶自20世紀初問世以來，一直是水下目標探測的主要工具，其探測對象主要是海洋中的各種目標。聲吶顯示系統作為聲吶人機交互的媒介，是聲吶系統必不可少的一部分，行之有效的聲吶圖像處理方法也就成為了聲吶功能發揮的關鍵環節。

時間方位歷程（Bearing Time Recording，BTR）作為一種累積式顯示方式，以時間方位作為橫縱坐標、以灰度級表示信號幅度，能夠反映目標信號和背景噪聲的時域空域信息，是聲吶基陣目標警戒探測畫面最重要的顯示方式之一。歷程顯示是檢測微弱信號的有效技術，相比于傳統方位幅度顯示，在弱信號檢測方面，高灰度級的方位歷程顯示可以提高5～7 dB的顯示性能[1]。但隨著聲吶向遠距離探測發展，監聽到的目標不斷增多，聲吶在目標跟蹤時，往往需要從多目標、強干擾中提取弱目標軌跡，這就要求更加有效的圖像處理手段[2]。聲吶BTR處理過程中還存在許多待解決的問題，例如，如何在盡量保護弱目標軌跡的情況下更干凈地濾除背景噪聲，即背景均衡問題，仍需要不斷探索進步。

本文主要研究聲吶BTR圖的背景均衡方法。

1 背景均衡處理意義

海洋背景噪聲在時空分布上具有非平穩性和非均勻性[3 – 4]，在不同的時空點具有不同的分布特性。BTR顯示方式涉及時間、空間的二重累積排列，在不同時間、頻率和方位上的波束輸出受到背景噪聲的影響不同，弱目標軌跡提取難度大。

背景均衡處理能夠實現恒虛警檢測，降低背景噪聲的起伏，實現數據動態范圍的壓縮，從而提高BTR圖像中弱目標軌跡的提取效果。

為對比顯示背景均衡的重要性，本小節對歸一化的BTR峰值圖在不進行背景均衡的情況下，直接進行高通濾波。

圖1為某海試數據逐秒進行歸一化后的BTR圖（方位分辨率1°，時間分辨率1 s）。

圖1 歸一化 BTR 圖Fig. 1 The normalized BTR

圖2（a）是圖1的峰值圖，為顯示明顯，將非零點幅值調整為1，得到圖2（b）的等幅值峰值圖。圖中 70°~130°方位有大量背景噪聲，250°~300°方位則有數條弱目標軌跡。該段信號強目標、弱目標與強噪聲共存，十分具有典型性和代表性，適合用來驗證各算法的處理能力。

圖2 BTR 峰值圖Fig. 2 BTR peak figure

圖中右側弱目標的幅度甚至低于背景噪聲，在處理過程中易被濾除，造成信息的損失。如何在保護弱目標軌跡的同時濾除背景噪聲，是背景均衡處理的重點和難點。

未經背景均衡，設置不同閾值，直接對圖2進行高通濾波處理，得到圖3結果（為顯示明顯，將非零點幅值調整為1），兩幅圖的濾波閾值分別為0.2和0.3。

圖3 高通濾波后的峰值圖Fig. 3 High-pass filtered peak figure

將圖3（a）和3（b）與圖2（b）進行比較，可以發現，未經背景均衡，直接高通濾波的方法處理效果并不理想。若濾波閾值設置較低，則會遺留很多背景噪聲；若濾波閾值設置較高，又會對弱目標軌跡造成較大破壞。在此情況下，需要一種有效的背景均衡處理手段，自動區別背景噪聲與目標信號，濾除噪聲，同時保護弱目標軌跡。

2 常用背景均衡方法

Struzinski W.A.和 Lowe E.D.研究了 S3PM（Split Three-Pass Mean）、排序截斷平均（OTA：Order Truncate Average）等4種背景均衡算法，并比較了各種算法的性能[5]。Joo J.H.和 Jum B.D.在此基礎上對 S3PM 和OTA算法進行了深入分析，并分別比較了窗長、門限等參數對這2種算法性能的影響[6]。Kuhn J.P.和Heath T.S.根據寬帶干擾譜和窄帶信號譜的自相關函數不同，將自適應背景均衡算法應用于淺海多途環境下的噪聲均值估計，提高寬帶干擾背景下窄帶信號檢測能力[7]。Stergiopoulos S.提出了一種新的波束噪聲歸一化方法，并分別對波束域和頻域進行噪聲均值估計，該方法基于背景噪聲具有一定的指向性[8]。

綜合而言，目前BTR中較為常用的背景均衡方法是OTA算法[9]和各種OTA改進算法。本小節將對2種OTA改進算法進行比較分析。

2.1 中值濾波OTA算法

文獻[10]提出一種中值濾波OTA算法，把OTA算法和中值濾波相結合，對波束域中非均勻、非平穩的背景進行均衡處理。通過設置系數K調整窗口寬度，通過設置系數α調整濾波閾值。中值濾波在抑制隨機起伏方面效果較好，閾值比較在去除大范圍起伏方面效果較好，結合之后可以得到良好的均衡結果。

對圖1進行中值濾波OTA算法處理可以得到如圖4所示處理結果，處理中根據實際情況，K取值10，α取值1。

圖4 中值濾波 OTA 算法處理結果Fig. 4 The result of median filtering OTA algorithm

圖5是圖4的峰值圖（為顯示明顯，將非零點幅值調整為1）。

圖5 圖4 峰值圖Fig. 5 The peak figure of Fig. 4

對比圖5與圖2（b）可以發現，該算法在過濾背景噪聲的同時，使得250°~300°方位上的弱目標軌跡損失嚴重，強目標軌跡也偶有丟失，這對后續軌跡提取有不利影響。且該算法需要人工設置參數，不斷進行嘗試調整，不利于機器自動進行弱目標軌跡的提取。

2.2 自動加窗OTA算法

在常用的背景均衡算法中需要不斷嘗試確定窗長、門限等參數，這為在實際應用中增加了難度[11]。一旦參數設置不合適，將會大大影響背景均衡效果[12]。基于此，文獻[13]提出一種自動加窗OTA算法，通過計算局部峰值與其相鄰兩谷值的間距，實現自動加窗；根據目標信號和背景噪聲特點，設置縮放系數r，對窗口內的數據進行放縮：

其中，p為峰值， vL和 vR分別為與p左右相鄰的谷值。

波束形成過程中，目標波束沿時間軸的切面形狀基本對稱[14]，峰值與2個相鄰谷值的差值基本相等，因此r接近于1；背景噪聲在空間譜上表現隨機，峰值與2個相鄰谷值的差值通常相差較大，r往往遠小于1。將窗口中的數據乘以系數r，目標信號幅度將基本保持不變，背景噪聲幅度將會被抑制。

對圖1進行自動加窗OTA算法處理，可以得到如圖6所示處理結果。

圖7為圖6的峰值圖（為顯示明顯，將非零點幅值調整為1）。

圖6 自動加窗 OTA 算法處理結果Fig. 6 The result of automatic window OTA algorithm

圖7 圖6 峰值圖Fig. 7 The peak figure of Fig. 6

對比圖7與圖2（b）可以發現，該算法能夠較完整地保留弱目標軌跡，同時在一定程度上抑制背景噪聲。但該算法對噪聲僅是“抑制”，而非“濾除”。經算法處理之后，背景噪聲幅度降低但仍然存在，不滿足機器自動濾除噪聲的需求，且由于背景噪聲的空域隨機性，該算法對背景噪聲的抑制效果也具有一定的隨機性。

3 自適應門限背景均衡方法

針對現有算法的不適用性，需要一種新的背景均衡方法，能夠根據信號特點自動生成濾波門限，在盡量不破壞弱目標軌跡的前提下，對背景噪聲進行過濾，以求得到純凈而完整的BTR峰值圖。

針對以上需求，本文設計了一種自適應門限背景均衡算法（Adaptive Threshold Background Normalization，ATBN算法）。利用BTR圖像中目標信號與背景噪聲的不同特點，ATBN算法能夠自適應生成濾波門限，抑制背景噪聲、保護目標信號，在盡可能保護弱目標軌跡的情況下對背景噪聲進行濾除。

3.1 算法原理

在聲吶BTR圖像的實際處理中，發現其具有以下特點：

1）隨時間變化，目標信號在幅度和方位上具有一定的穩定性，其幅度維持在一定范圍內，其方位保持不變或近似緩慢均勻變化。但隨時間變化，背景噪聲在幅度和方位上表現出很大的隨機性。這為本算法的鄰域相乘處理提供了依據。

通過相鄰三幀數據相乘，目標處幅值接近于該目標平均幅值的三次方。而由于非平穩性和非均勻性，噪聲處幅值將小于噪聲平均幅值的三次方，從而達到抑制背景噪聲、提高目標信號與背景噪聲區分度的目的。

2）雖然在不同時刻，目標信號幅度和背景噪聲幅度會有所變化，但目標信號最大幅度與噪聲平均幅度的比值會保持在一定范圍內。這為本算法的自適應門限設計提供了依據。

通過統計該段信號內每一時刻的目標信號最大幅值和背景噪聲平均幅值，合理計算之后，可以求得一個合理門限。

3.2 算法設計

根據聲吶BTR圖像的具體特點，設計ATBN算法具體流程如下：

1）歸一化處理

將原始的BTR圖逐幀進行歸一化處理，得到歸一化后的BTR圖（見圖1）。

2）自適應求取過濾門限

3）鄰域相乘

將歸一化BTR圖從第2行開始，將第i行與i-1行和i+1行相乘（），將得到的結果再次進行歸一化處理后，作為新的第i行數據，直至倒數第2行結束，得到圖8。

圖8 再次歸一化 BTR 圖Fig. 8 The normalized BTR again

4）濾除噪聲

利用自適應門限S對于圖P3進行濾波，大于等于自適應門限S的值，調整為1；小于自適應門限S的值，則予以置零，得到圖9。

5）求取峰值

圖9 濾除噪聲圖Fig. 9 Reduce noise

將圖9與歸一化峰值圖2進行同位置點相乘運算，得到最終所需的峰值圖10。

圖10 最終峰值圖Fig. 10 The final peak figure

3.3 算法處理效果

對圖1進行ATBN算法處理可以得到如圖11所示處理結果（為顯示明顯，將非零點幅值調整為1）。

圖11 ATBN 算法處理結果Fig. 11 The result of ATBN algorithm

ATBN算法能夠根據信號自適應地生成濾波門限，自動識別背景噪聲并進行抑制，實現了在盡量減少弱目標軌跡損失的前提下，對背景噪聲進行自動過濾的過程。

將圖11與圖5、圖7比較可以發現，ATBN算法的處理結果更適合用于聲吶NTR中機器自動提取弱目標軌跡。圖11中，背景噪聲基本被濾除干凈，剩余噪聲呈零散分布，易于后續的機器自動過濾；弱目標軌跡保存較為完整，大致上呈現出連續線狀分布，易于后續的機器自動提取。

4 結 語

1）對于從多目標、強干擾的聲吶BTR中提取弱目標軌跡，背景均衡處理具有重要作用；

2）針對機器自動提取BTR弱目標軌跡的需求，算法不僅需要實現自適應門限的功能，而且需要實現自動識別背景噪聲予以抑制、自動識別目標信號予以放大或保護的功能，目前算法大多不能同時具備這2個功能；

3）本文提出的自適應門限背景均衡算法（ATBN）能夠同時實現自適應門限設置與噪聲抑制，對于從強干擾、多目標的BTR中提取弱目標軌跡有很大幫助。