1、海底声纳数据的可视化去噪算法仿真 张杭琦 华北水利水电大学数学与信息科学学院 摘 要： 海底声纳图像是海底探测中目标回波的数据可视化结果, 海底声纳图像的去噪结果对后期目标识别具有重要作用。但是采用当前方法进行海底声纳数据去噪时, 存在海底声纳数据边缘细节损失严重的问题, 为此提出一种基于最小二乘自适应的海底声纳数据的可视化去噪算法。上述算法首先利用最小二乘自适应算法对一维海底声纳图像信号进行去噪处理, 通过多次迭代获得滤波器参数, 构成滤波掩模, 再对二维海底声纳图像进行滤波, 对含噪声的海底声纳二维图像进行 NSCT 分解, 获得具有不同方向信息的高低频海底声纳图像, 采用中值算法对海底声
2、纳图像高频部分进行滤波, 并采用非局部均值滤波处理海底声纳图像低频部分, 综合滤波后的高低频海底声纳图像的噪声情况选取阈值, 对不同区域的阈值利用不同的因子进行调整完成对海底声纳数据的可视化去噪。仿真证明, 所提算法能够有效提高海底声纳数据的去噪效果, 且具有较好的可视化效果。关键词： 海底声纳数据; 可视化; 去噪算法; 作者简介：张杭琦 (1996-) , 女 (汉族) , 河南驻马店人, 本科在读, 研究方向:应用统计学。收稿日期：2017-03-23Visualization Denoising Algorithm Simulation of Seabed Sonar DataZHAN
3、G Hang-qi School of Mathematics and Information Science, North China University of Water Resources and Electric Power; Abstract： In this paper, we propose a visualization de-noising algorithm of data of seabed sonar based on least squares self-adaption. Firstly, algorithm of least squares self-adapt
4、ion was used to carry out de-noising processing for signal of seabed sonar image with one dimension and parameter of filter was obtained via multiple iteration to form filtering mask. Then, filtering was carried out for seabed sonar image with two dimension and NSCT decomposition was carried out for
5、 the two-dimensional image containing noise. Seabed sonar image with high and low frequency having different direction information was obtained. Moreover, mid-value algorithm was used to carry out filtering for high-frequency part of the sonar image and nonlocal average filtering was used to deal wi
6、th low-frequency part of the image. Threshold value was selected after synthesizing noise situation of the image with high and low frequency after filtering and threshold value of different area was adjusted via different factors. Finally, the visualization de-noising was completed. Following conclu
7、sion can be drawn from experimental simulation. The algorithm can improve de-noising effect of the sonar data effectively. It has better visualization effect.Keyword： Seabed sonar data; Visualization; De-noising algorithm; Received： 2017-03-231 引言随着科学计算可视化技术的不断发展, 海底声纳数据去噪技术被广泛应用于深海打捞、航道勘测等众多领域1。开展相
8、关领域的海底声纳数据去噪技术研究具有重要的应用价值与理论研究意义2。由于可视化技术在众多数据分析领域的重要作用, 对海底声纳数据的可视化处理问题逐渐受到人们的高度重视3。要实现对海底声纳数据的可视化, 需要对原始海底信号进行去噪处理, 将海底声纳信号转换为具有几何意义的海底图像信息4。然而, 实际应用中的多数去噪算法, 难以去除海底声纳数据中的冗余噪声, 影响了显示所有海底声纳数据帧的处理结果, 在这种情况下, 如何有效地对海底声纳数据进行可视化去噪成为计算机图形学领域亟待解决的主要问题5。目前, 对海底声纳数据进行可视化去噪处理方法有:文献6提出一种基于小波变换的海底声纳数据的可视化去噪算法
9、。该算法首先采用离散小波变换对海底声纳信号在各尺度上进行分解, 利用非极大值抑制技术平滑多尺度海底声纳信号, 并对各层小波系数模极大值进行于阈值化处理, 由此完成海底声纳数据的可视化去噪。该方法能够较好地保持海底声纳图像边缘, 但存在输出的海底声纳图像信噪比较低的问题。文献7提出一种基于谱聚类的海底声纳数据的可视化去噪算法。该算法通过对海底声纳图像形态中点小波分解得到图像高频小波系数, 并对其进行分类, 使得含有噪声与细节信号的海底声纳数据部分的小波系数得以分离, 对分离后的小波系数分别进行相应的处理, 在此基础上将处理后的结果与海底声纳图像低频小波系数进行重构, 即可获得可视化去噪后的海底声
10、纳数据。该算法去噪效果较好, 但具有较大的局限性。文献8提出一种基于分块奇异值分解的海底声纳数据的可视化去噪算法。该算法将含噪海底声纳数据中具有近似结构的图像块整理成具备强关联性的海底声纳图像块组, 利用二维奇异值分解去除海底声纳图像块组中各个近似块的内部关联性, 在此基础上利用硬阈值方法收缩变换系数实现海底声纳数据与噪声的有效分离。该方法去噪效果较好, 但存在海底声纳数据细节信息丢失严重的问题9-10。针对上述问题, 提出一种基于最小二乘自适应的海底声纳数据的可视化去噪算法。该算法采用中值滤波算法对海底声纳图像高频部分进行滤波, 并采用非局部均值滤波处理海底声纳图像低频部分, 依据滤波处理后
11、的海底声纳图像噪声大小设定合理阈值进行去噪处理, 进而恢复海底声纳图像细节并进行重构, 仿真证明, 所提算法能够有效提高海底声纳数据的去噪效果, 且具有较好的可视化效果。2 海底声纳数据的可视化去噪原理首先利用融合多尺度自回归模型获取多尺度海底声纳图像序列, 通过对各级海底声纳图像进行 PM 滤波预测出最细尺度海底声纳图像的滤波效果, 并以此为先验信息指导对原始海底声纳噪声图像的 PM 可视化滤波去噪, 具体过程如下所述:假设, I 0, I1, , In代表海底声纳图像序列, I 0和 In代表该图像序列中最细尺度和最粗尺度的海底声纳图像, 若最细尺度 I0的海底声纳图像的分辨率为ab, 最
12、粗尺度 In的海底声纳图像的分辨率为 2a2b, 海底声纳图像的大小为ab, 则 Il的各个像素点 Il (m, n) 均由上一层 Il-1中近邻的四个像素点求和获得的, 利用式 (1) 描述其数学模型式中, n 代表海底声纳图像数量, m 代表海底声纳图像像素点 (i, j) 的数量, 在获得各级尺度的海底声纳图像的基础上, 组建多尺度自回归数学模型式中, I s代表原尺度海底声纳图像, i代表自回归系数, s代表海底声纳图像误差, I i代表 Ii-1的父节点, I 1, I2, , Ip代表海底声纳图像的多尺度序列, p 代表多尺度自回归模型阶数。为了有效改善海底声纳图像的质量, 利用式
13、 (3) 给出 PM 各向异性扩散方程, 提高海底声纳图像的质量式中, c 和 c 分别代表海底声纳图像沿 、 方向的扩散系数, I 、I 分别代表海底声纳图像 I 沿 、 的二阶方向导数, 利用式 (5) 定义 PM 方程选择的海底声纳图像的扩散系数式中, T 代表参数, 在 T 值恒定的情况下, 梯度模值的增大会使扩散系数 c 和c 减小, 从而更好地保留海底声纳图像边缘细节特征, 因此, 依据获得的预测图像再对初始海底声纳图像进行最终滤波处理时, 需要重新调整参数 T 的大小, 由此获得较为合适的扩散系数, 以改善海底声纳数据的可视化滤波去噪效果。3 海底声纳数据的可视化去噪算法3.1
14、最小二乘滤波海底声纳数据首先利用最小二乘自适应算法对一维海底声纳图像信号进行去噪处理, 通过多次迭代获得滤波器参数, 构成滤波掩模, 再对二维海底声纳图像进行滤波, 具体过程如下所述:首先利用最小二乘自适应算法对一维海底声纳图像信号进行去噪处理, 利用式 (6) 给出最小二乘准则式中, (n) 代表海底声纳图像误差信号的平方和, 该值越小说明去噪效果越好, e j代表 j 时刻的误差信号, 则式中, d j代表 j 时刻的期望信号, X j代表 j 时刻的海底声纳数据输入信号构成的向量, W 代表对海底声纳数据进行滤波的滤波器的权系数构成的向量。y j代表输入信号的修正项, 已知海底声纳数据x
15、 (1) , , x (n) , 采用 M 个权的 FIR 滤波器对海底声纳数据进行滤波, d (i) 代表该滤波器对海底声纳数据进行滤波的期望信号, 该滤波器的输出d (i) 实质是对期望信号 d (i) 的估计, 即其中, w k (i) , k=1, 2, , M 代表 FIR 滤波器在 i 时刻的 M 个系数值, k 代表权系数, w M (i) =w1 (i) , , wM (i) , 同理, FIR 滤波器对海底声纳数据进行滤波过程中的输入信号也为一个 M 维的向量 xM (i) =x1 (i) , , xM (i) , 则在 n 时刻, 利用式 (9) 表示估计误差海底声纳数据误
16、差信号的平方加权和为式中, 代表遗忘因子, 主要用于增加新海底声纳数据的权重, 以增强对海底声纳数据非平稳信号的适应性, e (i) 代表加权平均数, 要使海底声纳数据误差信号的能量 (n) 取得最小值, 需要满足式中, (n) 代表 M (n) 的最小二乘估计。 M (n) 为滤波参数, 滤波参数反映了海底声纳图像的纹理效果, 由式 (11) 获得的 (n) 标记为 LS (n) , LS (n) 为一列向量, 将 LS (n) 赋给一个 33 的滤波掩模, 需要将滤波掩模转变为一个列向量, 才能对其进行赋值, 利用这个 33 的掩模充当海底声纳数据滤波参数, 对海底声纳二维图像进行滤波。3
17、.2 海底声纳数据可视化去噪阈值的选取对含噪声的海底声纳二维图像进行 NSCT 分解, 获得具有不同方向信息的高低频海底声纳图像, 采用中值算法对海底声纳图像高频部分进行滤波, 并采用非局部均值滤波处理海底声纳图像低频部分, 综合滤波后的高低频海底声纳图像的噪声情况选取阈值, 依据 Contourlet 系数能量分布特点, 将该系数划分到海底声纳图像三个区域, 对不同区域的阈值利用不同的因子进行调整, 具体过程如下所述。首先利用一种基于非下采样的小波变换方法 (NSCT) 将海底声纳二维图像分解为 2j 个方向子带, 将海底声纳图像各频带区分开, 依据海底声纳二维图像经NSCT 分解后, 将中
18、值滤波应用于海底声纳二维图像去噪中, 设一组数 x1, x2, , xn, 将这 n 个数依据数值大小进行排序 xi1x i2x in, 则该序列的中值为 y, 令海底声纳图像为 y () =y () , I, 海底声纳图像中全部像素的加权平均值为其中, C e, r代表带噪海底声纳图像经过 Contourlet 变换后第 e 层第 r 方向上的系数矩阵, F e, r代表原始海底声纳图像经 Contourlet 变换后第 e 层第 r 方向上的系数矩阵, N e, r代表海底声纳图像噪声信号经 Contourlet 变换后第 e 层第 r方向上的系数矩阵, 分析海底声纳图像各方向子带上 Co
19、ntourlet 系数能量分布的特点, 对相应系数进行不同的阈值调整, 利用式 (15) 进行表示式中, e, r (m, n) 代表海底声纳图像第 e 层第 r 方向上子带 Contourlet 系数阈值的调整因子矩阵, r代表调整因子的权重。设 Ce, r (m, n) 代表第 e 层第 r 方向上子带 Contourlet 系数, 邻域窗 A 代表以 Ce, r (m, n) 为中心 NN大小的处理窗口, 计算以 Ce, r (m, n) 为中心系数邻域窗 A 的全部 Contourlet系数能量均值 Se, r (m, n) , 利用式 (16) 进行表示4 实验结果与分析为了证明本文
20、提出的基于最小二乘自适应的海底声纳数据的可视化去噪算法的有效性, 需要进行一次仿真。实验选取海南某海域的原始侧扫声纳图像作为实验数据, 通过声纳图像系统 Geo Sonar 对海底声纳数据格式进行转换, 海底声纳图像大小为 40962000 像元, 灰度区间为0, 255, 如图 1 所示, 海底声纳图像由 4 条线组合构成, 在海底声纳图像中央, 将纵向直线称为拖鱼航 (轨) 迹线, 它是度量海底声纳图像两侧目标距离、目标位置的基准线, 海底声纳图1 左侧为相对平坦沙地, 右侧为海底某一起伏沙丘, 上述特征在海底声纳图像上呈现出相应的灰度变化, 由于海底声纳图像的灰度级较小, 变化趋势不明显
21、, 图 1 中噪声图像具有随机斑点和条带噪声等特点。本文算法在对一维海底声纳图像信号进行去噪处理时参数分别为 (n) =0.2, M (n) =0.2, 对二维海底声纳图像信号进行去噪处理时参数 e, r (m, n) =0.2, 图 1 给出的海底声纳图像整体较为模糊, 纹理较弱, 因此需要调整滤波参数、图像误差信号的平方和系数, 图 2 为本文算法进行海底声纳数据可视化去噪的处理结果, 在捕捉海底声纳图像目标区域以及阴暗域区的边缘、轮廓等细节信息方面去噪效果较好, 在抑制海底声纳图像噪声的同时保留了海底声纳图像边缘等轮廓信息, 使得原始海底声纳图像得到了较好的增强。图 1 边缘特征明显的海
22、底声纳图像 下载原图图 2 本文算法海底声纳图像可视化去噪效果 下载原图图 3 为纹理特征较为明显的海底声纳图像。实验中, 本文算法一维海底声纳图像信号进行去噪处理时扩散系数 c 和 c 分别取 0.3 和 0.6, 对二维海底声纳图像信号进行去噪处理时参数 e, r (m, n) =0.8, 图 4 为本文算法进行海底声纳数据可视化去噪的处理结果, 通过对含噪声的纹理特征较为明显的海底声纳图像进行 NSCT 分解, 获得具有不同方向信息的高低频海底声纳图像, 采用中值算法对海底声纳图像高频部分进行滤波, 使最终获得的海底声纳图像的纹理曲线较为光滑、清晰。图 3 纹理特征较为明显的海底声纳图像
23、 下载原图5 结束语针对当前方法进行海底声纳数据去噪时, 存在海底声纳数据边缘细节损失严重的问题, 为此, 提出一种基于最小二乘自适应的海底声纳数据的可视化去噪算法。该算法首先利用最小二乘自适应算法对一维海底声纳图像信号进行去噪处理, 再对二维海底声纳图像进行滤波时采用中值算法对海底声纳图像高频部分进行滤波, 利用非局部均值滤波处理海底声纳图像低频部分, 仿真证明, 所提算法能够有效提高海底声纳数据的去噪效果, 且具有较好的可视化效果。图 4 本文算法海底声纳图像可视化去噪效果 下载原图参考文献1张华.低分辨图像的去噪优化过程仿真分析J.计算机仿真, 2016, 33 (5) :397-400
24、. 2叶学义, 等.基于直方图条件熵的水声数据分类算法J.计算机工程, 2016, 42 (11) :244-248. 3段培培, 徐志京.基于 A*OMP 算法的压缩感知声纳成像J.微型机与应用, 2016, 35 (10) :33-35. 4李应超, 居向明, 武同元.利用经验模态分解的侧扫声纳噪声抑制方法J.测绘工程, 2014, 23 (4) :24-27. 5李阳, 庞永杰, 盛明伟.结合空间信息的模糊聚类侧扫声纳图像分割J.中国图象图形学报, 2015, 20 (7) :865-870. 6徐健, 等.受人观测启发的 UUV 前视声纳滤波方法J.仪器仪表学报, 2016, 17 (5) :1094-1100. 7刘大利, 等.主动声纳恒包络波形设计及其性能分析J.应用声学, 2016, 35 (6) :553-558. 8夏平, 等.基于复小波域树结构化 MRF 模型的声纳图像分割J.仪器仪表学报, 2016, 37 (4) :895-903. 9谭克, 邹丽娜.正态分布转换算法在声纳图像处理中的应用J.兵工学报, 2016, 37 (6) :1052-1057. 10夏平, 等.基于 Contourlet 域 HMT 模型的声纳图像去噪J.应用声学, 2016, 35 (1) :50-57.
