一種多波束水體圖像目標綜合提取方法

丁德秋 ，唐秋華 ，陳建兵，李 杰

(1.山東科技大學 測繪與空間信息學院,山東 青島 266590；2.自然資源部 第一海洋研究所,山東 青島 266061；3.自然資源部 海洋測繪重點實驗室,山東 青島 266590)

多波束測深系統是20世紀60年代興起的一種條帶式聲學探測系統,憑借高分辨率、高精度和全覆蓋探測優勢,已逐漸成為海洋調查領域的主流設備[1]。傳統多波束聲吶系統測量采集海底的波束腳印(換能器在海底投射的一個有限面積)中心的平均往返時間和相位變化,根據振幅和相位變化確定水深點位置,從而獲得水深數據并繪制高分辨率的海底地形圖。伴隨水聲技術的發展和聲吶硬件設備的換代升級,大多數多波束聲吶都支持水體數據的采集與存儲。聲波照射目標物不同,反向散射強度會出現不同,根據這一特性,由水體數據生成的水體影像(Water Column Image,WCI)能直觀地展示水體內部目標。多波束水體數據不僅能形成二維強度圖像,更能直觀地反映物體在三維空間內多尺度的位置和輪廓信息,因此國內外的眾多學者致力于將多波束水體影像應用到多領域的工程應用中,如海洋地質活動監測、航道疏浚、港口規劃建設、海事搜救和漁業捕撈[2-4]等方面。Clarke等采用多波束水體影像精確識別了海底沉船位置輪廓,并驗證了對桅桿等細小的船體突起目標有較好的展現效果[5-7]。Urban等使用了多幅WCI實現了水體中氣泡的自動跟蹤并對水體中的氣體目標物做出了定量分析[8]。目前,多波束水體數據的應用已經成為海洋研究領域的熱點,但是水體數據的數據量巨大,采集數據的過程中,不同區間內反向散射強度變化存在差異[9-10],海底波束強度和水體的回波強度在不同入射區間內差異明顯,強度的分布異常和旁瓣的同距噪聲影響尤其明顯,同時海洋環境噪聲和測量設備的系統噪聲使噪聲抑制變得更加復雜,這些因素使得水體數據的處理方法仍然亟需改進。張志剛等[11]引入鄰域平均法抑制旁瓣噪聲,結合底部檢測算法約束目標檢測的準確性,設計了一種基于多波束水體影像的海底天然氣管道泄漏檢測辦法,能有效提取聲吶圖像中的氣體疑似區域。汪詩奇等[12]獲取“弧圈”序列峰值點的均值和中誤差作為閾值,將旁瓣效應歸化為背景噪聲級別；權永崢等[13]提出利用多Ping水體數據的中央波束計算均勻海水回波強度,以剔除大量背景噪聲和旁瓣干擾,但這種方法只適用于無明顯特征目標物的平坦海底水體數據。

本文提出一種閾值降噪和形態學檢測相結合的目標提取方法。首先針對旁瓣噪聲強度分布特點的閾值方法削弱干擾；其次通過圖像的交、差集運算消除背景和系統噪聲；然后利用BM3D 算法平滑圖像得到高信噪比圖像,剔除背景消噪遺留的“斑點噪聲”；最后利用多尺度形態學處理獲取邊緣圖像,這種綜合性的目標提取方法能大幅削弱孤立噪點的影響,有效提取邊緣完整連續的水體目標,處理后的EM 系列多波束數據證明了該方法的優點和普適性。

1 旁瓣和背景噪聲抑制

1.1 多波束水體成像原理

多波束聲吶在工作時,換能器利用米爾斯交叉效應使發射波束與接收波束相交獲得多個窄波束,這組波束時間間隔很小且垂直于航線方向呈扇形分布(圖1)。波束攜帶的能量在水體傳播過程中會發生反向散射現象,產生的回波信號被接收換能器探測到并記錄在水體文件中,每一條波束的回波信號被記錄為一個時間序列,整個發射接收周期內所有回波數據可根據波束角度和采樣頻率計算采樣點位置,從而生成一幅扇形水體影像(圖1),它反映了波束開角范圍內從換能器至海底的聲傳播介質連續變化情況。隨著測船的移動,即可獲得沿測線方向所有扇形圖像依照時間序列拼接起來呈三棱柱形的水體數據,該柱體包含了這條測線上所有水體采樣點的反向散射強度和水深信息。

圖1 多波束水體數據成像機理Fig.1 Imaging mechanism by using multibeam water column data

1.2 旁瓣干擾處理

現階段大部分多波束系統都基于快速傅里葉變換(Fast Fourier Transform,FFT)開發波束形成算法,從而獲得實時采集大批量水體數據的能力。多波束系統在波束形成時,由于接收換能器存在旁瓣效應[14],在某一時間序列上這種干擾就體現為一個圓弧狀強反射帶,這個圓弧的半徑即換能器到其正下方的海底的最短距離(Minimum Slant Range,MSR)。MSR 范圍之內的探測雖受到發射旁瓣的干擾,但該范圍海水回波強度穩定,MSR 之外的范圍則受到接收旁瓣的干擾,影響尤為顯著,噪聲掩蓋了部分真實信號。如圖2a所示,接收主瓣接收的回波采樣點記錄為A點,內外側接收旁瓣則,分別記錄了B點和C點的反向散射強度,記錄水體數據時將B點和C點歸算到主波束的最大響應軸上即為B′點和C′點,隨之就會產生反向散射強度的異常增強。所以在多波束的一Ping水體數據中隨著波束角變大,這種線性干擾就會更強。外側的干擾在單Ping水體影像中體現為海底下方的干擾,不影響影像的判讀。

圖2 多波束旁瓣干擾示意圖Fig.2 Multibeam side-lobe interference

使用單一反向散射強度硬閾值會使得某些弱強度目標被視作噪聲而被剔除,所以針對逐個角度序列選擇閾值、劃分目標區域和背景噪聲混合區,能有效抑制噪聲。使用閾值C劃分真實目標和噪聲的反向散射強度:

式中:F為原始角度序列的均值；α為標準差參數；σ為原始角度序列的標準差。針對不同的水體數據可以調節標準差參數控制旁瓣噪聲的抑制效果[15]。

1.3 相鄰奇數Ping的圖像邏輯運算

利用局部的角度序列閾值抑制多波束旁瓣效應后,MSR 內仍然有大量的背景噪聲需要剔除,其中大部分來自于電子設備以及多個設備配合工作引起的系統噪聲以及海洋中如浮游動植物、污染顆粒物等多種散射體和海洋介質引起的海洋環境噪聲。大部分多波束系統在不同扇區的工作模式中,頻率及增益等參數都不同,導致背景噪聲強度值出現差異,在水體影像中體現為灰度值不一致,因此籠統地對逐Ping處理難度較大,但在相鄰奇數Ping中由于工作模式相同,背景噪聲的復雜性明顯被削弱[12]。

即使假設船速不變且海洋環境穩定,相鄰Ping間的水體影像包括的背景噪聲強度值仍然不可能完全相同,水體影像由采樣點強度值轉換成的每個像素點的灰度值就會出現差異,所以需要求取2幅圖像之間每個像素位置的灰度差值作為閾值來判斷是否為相同的背景,然后通過圖像的邏輯運算消除這些背景噪聲:

①提取某一奇數Ping圖像I d；然后提取相鄰奇數Ping圖像I d－2和I d＋2,并分別與圖像I d兩兩進行“與”運算,得出2幅圖像I1和I2:

②圖像I1和I2進行“與”運算,求得I d的背景噪聲I3:

③圖像I d與I3做差集運算,求得提出大部分背景噪聲的圖像I去噪:

2 BM3D 算法原理

現階段的圖像處理方法中,加強圖像稀疏表達的去噪平滑算法,更容易保留和還原檢測目標的邊界紋理信息。2005年Baudes提出NL-Means算法[16],以圖像塊為單位在整幅圖像中尋找相似的區域,再對這些區域求平均值,能較好地去除圖像加性噪聲,起到平滑的作用。BM3D(Blocking-Matching and 3D filtering,BM3D)算法基于尋找相似圖像塊的基礎進行分組整合[17],再加以濾波操作加強圖像的稀疏表達,最終達到平滑的效果。BM3D 算法主要思想分為基礎估計和最終估計2部分。

2.1 基礎估計

基礎估計首先通過對原噪聲圖進行參考塊匹配,經過聯合濾波處理后再對每個像素的強度值依照對應位置的塊的值加權平均,獲取較好的去噪效果。基礎估計的具體步驟如下:

①相似圖像塊匹配。在噪聲圖像中選擇一個k×k大小的參照塊,在參照塊的周圍適當大小的范圍內搜索差異不大的圖像塊。將匹配結果與參考塊組合成三維矩陣,使用三維的濾波器更易于篩選相似性更高的圖像塊組,提高估計真實信號的效率。

②聯合濾波處理。匹配三維圖像塊后,應用3D 線性變換。變換完成后,對三維矩陣使用硬閾值濾波器過濾,閾值通常使用噪聲的標準差,將小于閾值的系數置0,再使用反3D 線性變換獲得處理后的圖像塊,返回到初始的圖像塊位置。3D 線性變換為二維變換(如小波變換或DCT 變換)復合一維變換(Hadamard 變換)而成的,反3D 線性變換同理。

③聚合。處理后的圖像塊代表對原圖像的噪聲估計,因圖像塊會重疊,為保持信息的完整性,每個像素的灰度值需要通過對應位置塊的強度值加權平均,權重的取值由數值0的個數和噪聲強度決定。

2.2 最終估計

與基礎估計步驟類似,但塊匹配結果需要在基礎估計的基礎上完成,所以匹配的差異上限比第一步小一些。區別于基礎估計中硬閾值的濾波方法,使用維納濾波能更好去除白噪聲影響,最后的加權求和方式大致相同。經過最終估計,該算法已經顯著去除原圖噪聲,將進一步提高去噪圖像的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)。最終估計的具體步驟如下:

①相似圖像塊匹配。與基礎估計相同的是都要匹配搜索得到三維矩陣,但是這步工作需要分別得到原噪聲圖像和基礎估計后的三維矩陣。

②聯合濾波處理。對2個三維矩陣使用3D線性變換,對噪聲圖形通過維納濾波器進行系數放縮,系數通過三維矩陣值和噪聲強度計算得出,在三維變換域中進行反3D線性變換,將真實估計值返回到初始的圖像塊位置。

③聚合。每個像素的灰度值由對應位置塊的強度值加權平均得出,權重取決于維納濾波器的系數和噪聲強度。

由原始數據解析得到的單Ping水體影像為RGB圖像,若使用BM3D 算法還需要將RGB 的色彩空間轉換為YUV 色彩空間,Y 分量包含圖像幾乎全部的邊緣和紋理信息且擁有更高的信噪比,使用Y 分量搜尋相似塊,其他步驟與原始BM3D 去噪處理算法大致相同。BM3D 處理“斑點噪聲”優于傳統平滑圖像的濾波方法,易于得到高信噪比圖像。

3 基于多尺度形態學的圖像分割

數學形態學應用于圖像處理中,形態學算子能表達物體形狀的集合與結構元素間的相互作用。形態學圖像處理是在圖像中移動一個結構元素,然后將結構元素與下面的圖像進行交、并集運算。結構元素的形狀和尺寸會影響圖像邊緣檢測的效果:小尺寸的結構元素去噪聲能力弱,但能檢測到邊緣細節；大尺寸的結構元素去噪聲能力強,但檢測的邊緣較粗。多尺度形態處理方法及作用與傳統方法比較見表1。

表1 多尺度形態學與傳統形態學不同點Table 1 Differences between multi-scale and traditional morphologies

使用多尺度結構元素n B檢測出原始圖像F(x,y)不同尺度下的邊緣信息E n(x,y),用多尺度結構元素合成新的邊緣檢測圖像f(x,y):

式中,ωn為各個尺度下的圖像的標準差比例決定權值,取值范圍為[k,l]。然后對圖像f(x,y)進行二值化,得到最終的邊緣圖像E(x,y)。

應用該套完整的噪聲處理方法(圖3),大部分同距噪聲和斑點噪聲等被剔除,可以獲取高信噪比的水體影像,精準識別目標信息。

圖3 檢測方法流程Fig.3 Flow chart for test method

4 試驗分析

為驗證本文的目標識別方法,利用EM 系列多波束聲吶系統采集的實測數據開展試驗。解析原始水體數據,將一整Ping內所有水體數據采樣點的反向散射強度轉化為相應的灰度值,形成扇形垂向影像圖(圖4)。由于邊緣波束的波束角變大,旁瓣效應增強,兩側的發射旁瓣效應噪聲強度較高,解得的實際水體影像數據MSR 外接收旁瓣噪聲影響顯著,MSR 內發射旁瓣噪聲與海洋環境和系統噪聲干擾混合,多種噪聲駁雜使得圖像質量較差。在波束入射角－30°～30°范圍內可大致發現海底附近的柱狀氣流,但氣流的輪廓和紋理信息損失嚴重,導致無法對目標物體進行精準識別和判讀。而采用上述方法對噪聲進行了有效地抑制,得到了清晰的邊緣圖像,證明了該算法的可行性。

圖4 第283 Ping水體影像Fig.4 The 283rd Ping water column image

4.1 抑制旁瓣效應和背景噪聲

使用局部標準差閾值算法(式1),針對每個角度序列計算均值和標準差,當標準差參數α＝1.3時,處理后的水體影像數據如圖5。MSR 外接收旁瓣干擾得到很好的抑制,去噪效果明顯,MSR 內的噪聲大部分歸化為背景噪聲級別,目標物體的信息保留得也較為完整。

圖5 抑制旁瓣噪聲后圖像Fig.5 Image after side lobe noise being suppressed

雖然旁瓣效應產生的“弧圈”噪聲得到了明顯的抑制,但是MSR 內的混合噪聲仍然造成水體影像不清晰,兩側噪聲同樣會造成對目標物體的誤讀。使用相鄰奇數Ping圖像邏輯運算方法削弱背景噪聲。為了計算不同Ping圖像的閾值,選取20組連續奇數Ping圖像,任意2幅連續奇數Ping圖像的灰度值相減,計算對應像素位置灰度值的差值,求得這些差值的平均值22作為閾值。從中選取第281 Ping、第283 Ping和第285 Ping三幅圖像,重復進行交集運算(圖6),最后第283 Ping與得到的背景噪聲差集運算,削弱了第283 Ping大部分的背景噪聲,只遺留了部分“斑點噪聲”。

圖6 背景噪聲削弱過程Fig.6 Process for reducing background noise

4.2 噪聲水平估計和平滑圖像

為進一步濾除MSR 之內的“斑點噪聲”,利用加強圖像稀疏表達的BM3D 算法。BM3D 算法使用之前首先對噪聲水平進行估計,計算背景噪聲標準差,將其作為輸入參數。本文篩選了3種方法估計處理過的第283 Ping 水體影像數據的噪聲水平,分別為:Pyatykh 等提出的影像塊主成分分析方法(Principal Component Analysis,PCA)[18]；Liu等提出的基于弱紋理塊的主成分分析法[19]；Aja-Fernandez等用樣本方差分布眾數估計標準差的方法[20]。根據圖7a的統計結果分析得出結論:基于弱紋理的PCA 方法隨著背景噪聲標準差的增大,估計值與真值的誤差變化相對更穩定,對水體影像的噪聲估計效果明顯最好。PCA 法和樣本方差眾數估計法計算的偏差在標準差超過80后,振動幅度急劇增加,魯棒性較差。將參數輸入作為Sigma值,對噪聲圖像進行平滑操作(圖7b),該算法實現了水體影像的高度稀疏化,MSR 內的“斑點噪聲”基本被濾除,圖像中的目標物細節特性保留得較為完整,且具有更高的運行效率。選取3 Ping水體影像數據使用本文方法處理,計算峰值信噪比(PSNR)比較圖像質量,再選取傳統的中值和均值濾波器處理圖像與(BM3D)方法進行對比。從表2可以看出,雖然3種方法處理后圖像質量均得到優化,但BM3D 算法處理后的圖像PSNR 指標獲得了顯著提高,提高百分比最高達到65%,優于其他2種方法。

表2 平滑圖像質量比較Table 2 Smooth image quality comparison

圖7 第283 Ping BM3D 算法處理過程Fig.7 The 283rd Ping BM3D algorithm processing

4.3 多尺度形態學處理

對平滑得到的高信噪比圖像進行邊緣檢測后,目標的邊緣信息和紋理信息能得到完整的復現。如圖8所示,分別用一階sobel算子、canny算子和二階Log算子進行邊緣檢測的對比:sobel算子邊緣檢測的連續性略差,導致部分信息有漏檢的現象；canny算子產生的邊緣較細,沒有體現出噪聲和目標物體的強弱差別,影響判讀；Log算子對噪聲敏感,邊緣連續性也較好,但和canny算子一樣都出現了過檢現象,噪聲邊緣也被提取出來。多尺度形態學邊緣檢測相比于這些算子邊緣檢測算法,能消除孤立噪點,提高任意兩點間的邊緣點占比,邊界信息的連續性更好。多尺度形態學邊緣檢測無明顯噪聲點且目標保留完整,噪聲點邊緣與目標物邊緣區分度較高,可以快速準確識別目標物體。

圖8 邊緣檢測結果對比Fig.8 Comparison of edge detection results

5 結語

多波束水體影像中海洋環境噪聲、系統噪聲和旁瓣干擾是圖像污染的主要來源,在應用水體數據進行水下目標物體的識別和判斷之前,利用去噪處理方法獲取高信噪比圖像,是必不可少的手段。本文使用的目標識別方法,在使用閾值去除旁瓣噪聲的基礎上,利用增強圖像稀疏表達的BM3D 算法和多尺度形態學約束方法處理水體影像,能有效去除“斑點噪聲”。聯合三者的處理方法在保留細節信號方面,與傳統濾波相比同樣具有一定的優勢。利用多Ping數據實驗證明了該方法的可行性和普適性,為多波束水體影像的后續處理和目標物體的提取等應用型研究提供了一個較為新穎的思路。但該方法在選取背景噪聲的閾值方面仍有很大改進空間,可以更大幅度提高去噪效果,BM3D 所需的噪聲水平估算精度和消耗的時間未來還需要做出更多的改進,需要開展進一步研究。