基于LOG算子的側掃聲吶圖像水下小目標檢測算法研究

胡紅波

（海裝駐宜昌地區軍事代表室，湖北 宜昌 443003）

0 引言

側掃聲吶目標檢測算法主要目的是快速、高效地從聲吶圖像中找出可疑目標，主要作用：1）準確定位聲吶圖像中感興趣的目標區域，便于進一步處理；2）縮小圖像處理區域、減小識別算法工作量。準確的目標檢測是水下目標識別的前提條件。

由于側掃聲吶圖像分辨率低，無法獲取聲吶目標表面的紋理信息，同時受成像角度及環境背景影響，目標圖像變化多樣，使得邊緣、角點、尺度不變特征等光學圖像中常用的特征變得極不可靠；因此在進行側掃聲吶圖像目標檢測時還主要使用幾何特征（形狀、輪廓、大小）和顏色特征（亮度、對比度、圖像矩、灰度直方圖）。目前，側掃聲吶圖像水下小目標檢測識別算法主要分為兩類：一類是傳統的匹配濾波算法，摩爾鄰域跟蹤算法，基于分形的方法、主動輪廓模型算法，馬爾可夫隨機場模型、基于譜聚類的聲吶圖像分割算法[1-4]；另外一類是基于新興的深度學習的目標識別算法[5]。由于無法大量獲取不同環境、底質、形態的側掃聲吶目標圖像樣本，基于深度學習的目標識別算法往往具有較大的局限性，且該算法對設備硬件要求較高、計算量大，難以實現快速實時的目標檢測[6]。

通過對大量聲吶圖像進行研判發現，側掃聲吶中目標圖像灰度分布理論上可分為回波區、聲影區和背景區[7]，在中遠距離上水下小目標成像的聲影區和背景區并不固定，回波特性受水下地形和成像方向影響變化劇烈，只有近距離成像才能獲取具有完整回波區、聲影區和背景區特征且目標輪廓相對固定的目標圖像。但目標回波區總是成像為一個與背景具有較大差異的斑點，該成像特點相對穩定。由于斑點通常是代表與周圍顏色和灰度存在差異的區域，其穩定性、抗噪聲能力要遠遠優于單純的邊緣、角點、SHIFT、SURF等對細節要求較高的特征。因此，本文引入圖像處理上斑點檢測效果較好的高斯拉普拉斯算子（以下簡稱LOG算子）用于側掃聲吶水雷目標檢測，并通過尺度判別剔除大部分虛假目標，實現側掃聲吶圖像中水下小目標的高效快速檢測。

1 基于LOG算子的目標檢測

1.1 LOG算子基本原理

斑點通常是指與周圍有著顏色和灰度差別的區域。圖像中斑點的特性包括光照或顏色等。一般圖像中斑點區域的像素特性相似甚至相同，某種程度而言，斑點塊中所有點是相似的。在實際的圖像，往往存在著大量這樣的斑點。由于斑點代表的是一個區域，相比單純的角點，它的穩定性要好，抗噪聲能力要強，所以它在圖像處理中扮演了很重要的角色。

在視覺領域，斑點檢測的主要思路都是檢測出圖像中比它周圍像素灰度值大或比周圍像素灰度值小的區域，利用高斯拉普拉斯（Laplace of Gaussian，LOG）算子檢測圖像斑點是一種十分常見的方法。二維高斯函數定義為

其拉普拉斯變換為

規范化的高斯拉普拉斯變換為

拉普拉斯可以用來檢測圖像中局部極值點，但是對噪聲比較敏感，所以在對圖像進行拉普拉斯卷積之前，需要使用一個高斯低通濾波器對圖像進行卷積，目標是去除圖想中的噪聲點，這一過程可以表示為

對圖像進行拉普拉斯變換為

根據卷積和△算子的性質實際上有：

在實際計算時，可以通過先計算高斯核的拉普拉斯算子，再對圖像進行卷積運算。當σ=1時，二維高斯拉普拉斯算子是一個圓對稱函數，圖像如圖 1所示。可以通過這個算子來檢測圖像中的斑點，并且可以通過改變σ值，實現不同尺寸的二維斑點檢測。

圖1 二維/三維高斯拉普拉斯函數圖像Fig.1 2D/3D Gauss Laplace function image

1.2 基于LOG算子的目標檢測

聲吶圖像海洋中大量存在的懸浮顆粒、不均勻結構等使聲波發生散射，一定程度上影響了聲波的傳播距離及成像質量，使聲吶圖像強度非均勻，水底物體邊緣被弱化。因此，在進行目標檢測時，需先對聲吶圖像進行降噪及聚類分割，將聲吶圖像水底物體，尤其是探測到的目標進行分割聚類，使其邊緣清晰，便于后續目標檢測。

對于側掃聲吶圖像而言，其圖像噪聲特性類似于椒鹽噪聲，相較于其他濾波算法，中值濾波算法對椒鹽噪聲具有較好的去除效果，同時還有速度快的優點，非常適合高分辨率的聲吶圖像濾波[8]。側掃聲吶圖像中值濾波效果如圖2所示。

圖2 側掃聲吶圖像中值濾波效果Fig.2 Median filtering effect of side-scan sonar image

圖像聚類算法目前主要分為閾值分割和聚類分割，由于閾值分割多用于圖像二值化，并不適用于噪聲灰度級豐富且目標灰度級較少的聲吶圖像。為保證處理效果，本文使用Meanshift聚類算法對聲吶圖像進行聚類處理，進一步降低圖像噪聲，使目標邊緣進一步清晰，然后使用規范化的LOG算子對處理后的側掃聲吶圖像中存在的小目標進行檢測，處理效果如圖3所示。

圖3 側掃聲吶圖像濾波聚類處理效果Fig.3 Filtering and clustering processing effect of side-scan sonar image

從圖3中可以看出，圖像分割之后，目標在聲吶圖像中表現為孤立的斑點，同時與背景還應具有一定的區分度。在側掃聲吶圖像中，目標回波強度不一定是最強的，但一定比周圍環境回波強度要高。根據這種特點，使用 LOG算子進行目標檢測，通過檢測與背景具有一定對比度且特定大小的亮斑可以準確檢測出圖像中存在的疑似目標。從圖3檢測結果中可以看出，LOG算子可以檢測出測試圖中全部疑似目標點，同時給出目標的尺度范圍，但受水下地形干擾影響，同樣會檢測出虛假目標（主要集中在水下田埂等干擾物上）；因此，還需要對檢測結果進一步處理，剔除虛假目標。

2 目標圖像分割及尺度估計

2.1 自動閾值目標圖像分割

最大類間方差法（Otsu算法）是一種常用的自適應閾值確定方法，由日本學者大津（Nobuyuki Otsu）于 1979年提出。在使用該算法進行自適應閾值確定時，一般會根據圖像或數據的某些特性建立統計直方圖，然后將直方圖分為兩類，采用遍歷的方法得到使類間方差最大的閾值。該方法計算準確并且高效，選取的閾值較為理想。

由于LOG算子可以檢測出目標位置，同時給出目標的尺度范圍，假設檢測目標位置為[xi，yi]，目標尺度為Ri（表示目標圓直徑，如圖2所示），將目標區域擴大1.5倍，對該尺度范圍內的矩形區域進行自動閾值分割，獲取目標區域尺度1.5倍范圍內二值圖像。

2.2 目標尺度估計

獲取目標區域二值圖像后，本文使用二階矩重新估計目標成像尺度，假設目標區域可用一橢圓表示，則橢圓的長軸、短軸及方向角可分別由零階矩、一階矩和二階矩計算獲得，目標區域二階矩計算公式為

則橢圓的長軸1l、短軸2l和方向角θ可使用公式（9）計算。

對目標區域尺度1.5倍范圍內圖像進行自適應閾值分割獲取二值圖像，再使用尺度估計算法中心計算目標尺度，效果如圖4所示。

圖4 側掃聲吶圖像濾波聚類處理效果Fig.4 Filtering and clustering processing effect of side-scan sonar image

從圖 4中可以看出，自適應閾值算法可以準確獲取聚類后目標區域二值圖像，目標尺度估計算法可以準確計算出目標分割區域疑似目標尺度及方向。假設重新獲取的目標尺度為，則跟原來目標尺度進行計算，使用公式（10）進行虛假目標剔除。

由于水下目標一般成像為孤立的亮點，因次對目標進行二值分割并進行尺度計算后目標尺度不會發生很大變化。由于虛假目標通常并非明顯的孤立亮點，重新進行尺度計算后虛假目標尺度必然會發生較大的變化，因此可以通過公式（10）去除大量虛假目標。

3 實驗與結果分析

為檢驗算法識別效果，本文選取合成孔徑聲吶湖上試驗圖像數據作為實驗數據，將29副含有目標的側掃聲吶圖像裁剪，提取目標區域圖像拼接成圖5，使用識別算法進行識別測試。其中，目標個數為46個，數據處理計算機模塊CPU型號為ADM A8-5500B，內存8G，安裝Windows7操作系統，軟件開發平臺為Visual Studio 2010。

圖5 測試目標圖片Fig.5 Test image of target

使用本文算法分別對測試目標圖片進行處理，處理參數如表1所示。

表1 試驗參數Table 1 Test parameters

其中LOG算子尺度根據聲吶圖像分辨率及目標尺度大小確定，實驗算法步驟：

1）對聲吶圖像進行中值濾波；

2）對濾波圖像進行Meanshift聚類；

3）使用歸一化LOG算子進行目標檢測，獲取疑似目標位置及尺度；

4）對目標尺度 1.5倍范圍內圖像進行自適應閾值分割獲取二值圖像；

5）使用二階矩重新估計目標成像尺度，并使用公式（10）進行虛假目標剔除。

使用本文算法對側掃聲吶圖像目標集合進行處理，圖6為Meanshift聚類效果，圖7為LOG算子檢測結果，圖 8為目標尺度判別剔除后識別結果。對全部結果進行人工比對確認，統計正確識別、誤識別的數量。

從圖8及表2中可以看出，目標檢測算法共檢測出102個目標，46個目標中真實目標只漏檢了4個反射回波較弱的目標，誤剔除3個背景對比度較弱的真實目標，其余目標均被檢測出來，目標檢測成功率達到84%。經二次分割篩選后，剔除54個虛假目標。為方便對比，圖8藍色圓圈標示區域，其中，剔除的大部分為誤識別的田埂，剔除虛假目標后誤識別的目標剩余4個，主要集中于水下干擾較多的底質地形上，識別準確率為86%。最終，整個大圖處理速度為6.87 s，遠小于此分辨率大圖實際生成時間，可以滿足實時性需求。

表2 最終檢測結果Table 2 Final detect results

圖6 濾波及聚類結果Fig.6 Filtering and clustering results

圖7 LOG檢測結果Fig.7 Detect results of LOG

圖8 最終檢測結果Fig.8 Final detect results

4 結束語

針對側掃聲吶圖像水下小目標檢測問題，提出了基于 LOG算子的目標檢測算法。該算法以LOG算子為基礎，借鑒光學圖像中斑點檢測思想，使用LOG算子檢測側掃聲吶圖像中孤立的亮點。根據側掃聲吶噪聲大、目標邊緣模糊等特點，使用中值濾波和Measnhift聚類進行降噪預處理，使目標邊緣清晰。根據水下小目標大多成像為孤立亮點的特點，使用自適應閾值和二階矩重新估計目標尺度，剔除虛假目標，實現了側掃聲吶圖像水下小目標高效快速檢測。湖試數據驗證表明了本文算法對側掃聲吶圖像中水下小目標檢測具有較好的檢測效果。