—種基于小波圖像分解的側掃聲納電源周期性噪聲的去噪方法

韓冷 強發軍 倪旭 韓文華 劉驍 陳思峰

摘要：該算法將小波分解方法用于側掃聲納圖像去噪的領域，提出了更加適合聲納電源所產生的周期性斜紋噪聲的去噪方法。其過程是將帶噪聲圖像經小波變換得到小波分解系數，利用分解系數的閾值篩選噪聲點位置，篩選出的位置經形態學以及空間變換等修正后，以鄰近點像素值替代該位置像素值，其余點判別為非噪聲點，像素值保持不變，至此完成小波分解圖像去噪。針對此類周期性條紋噪聲，相較于常用去噪方法均值濾波、中值濾波等，在去噪效果和保證目標區域清晰度方面，該方法具有兩大明顯優勢，去噪效果顯著，同時完好的保留了原圖像中感興趣的部分，例如目標區域，輪廓，紋理等，為后續的特稱提取、圖像識別奠定了很好的基礎，效果理想，實用性強。

關鍵詞：側掃聲納圖像;斜紋噪聲;小波變換;形態學;空間變換;臨近像素替代

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2020）05-0121-03

1簡介

聲納系統已經廣泛應用在各種水下設備中，在軍事船舶中更是發揮著重要的作用，聲納系統是船舶獲取目標信息的主要手段。聲納圖像是目標回波的可視化信息，由于側掃聲納電源的干擾，聲納圖像中存在周期性條紋噪聲，給后續的分析工作帶來困難，所以有效的去除噪聲便成了準確獲取信息的必要工作。聲納圖像與傳統光學圖像的成像機制，成像環境不同，不能直接利用后者方法，所以本文提出一種針對聲納圖像的去噪算法。

本算法主要提出的是一種基于小波圖像分解的側掃聲納電源周期性噪聲的去噪方法。通過實驗驗證，證實了此方法可以有效的去除聲納圖像中電源產生的周期性噪聲。

2方法與原理

2.1中值濾波

中值濾波器，它是一種常用的非線性平滑濾波器，其基本原理是把數字圖像或數字序列中一點的值用該點的一個領域中各點值的中值代換，其主要功能是讓周圍象素灰度值的差比較大的像素改取與周圍的像素值接近的值，從而可以消除孤立的噪聲點，所以中值濾波對于濾除圖像的椒鹽噪聲非常有效。

將3×3窗口中的九個像素值排序，取中值作為該窗口中間位置的像素值。

2.2均值濾波

均值濾波器，它是采用鄰域平均法的均值濾波器，非常適用于去除通過掃描得到的圖像中的顆粒噪聲。領域平均法有力地抑制了噪聲，同時也由于平均而引起了模糊現象，模糊程度與領域半徑成正比。

其公式如下（以3×3模板為例）：

2.3基本小波變換

本算法所使用的去噪方法針對聲納電源產生的周期性噪聲的特點，利用小波變換方法對圖像進行去噪。其處理過程主要有3個步驟：

（1）對圖像信號進行小波分解。（2）對經過分解后的系數進行閾值選擇。（3）利用二維小波重構圖像信號。

（1）對待處理圖像進行預處理。待處理圖像原圖是由側掃聲納獲得的帶周期性電源噪聲的聲納圖像，將原圖像轉換成雙精度圖像，如圖2所示。其中側掃聲納圖像右舷左上角有兩個亮點，這二者為經過去噪處理應保留下的目標區域。

（2）對圖像做小波變換處理。對帶噪聲的雙精度聲納圖像做小波變換，得到各個方向上的小波分解系數。在實際處理過程中采用了離散化處理，此時小波分解相當于縱向分別通過高通與低通濾波器。繪制得到橫向分解圖像、縱向分解圖像、斜向分解圖像，分別如圖3、圖4、圖5所示，然后采用適宜的閾值（閾值由圖像的像素分布確定），找到符合要求的水平向小波系數位置，判定為噪聲的位置，加以標記得到符合閾值要求的標記圖像，處理結果如圖6所示。

（3）形態學變換。根據上一步驟所得到的標記結果，選擇適宜的結構元素對標記結果圖像依次進行閉運算和多次膨脹運算，得到形態學變換后的圖像如圖7所示。

閉運算為先腐蝕后膨脹的過程，腐蝕是一種消除邊界點，使邊界向內部收縮的過程;膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程。

（4）坐標變換。根據形態學變換結果，以中間位置為軸線將圖像分為左右對稱的兩部分，將右半部分全部像素點豎直方向上移一個單位，作為右側的變換結果;再將右側圖像鏡像對稱到左側，作為左側的變換結果，得到整幅圖像坐標變換的結果，如圖8所示。

（5）替換噪聲位置像素。根據得到的標記結果，未標記的位置判定為非噪聲點，像素值正常輸出;標記位置為最終確定的噪聲位置，選擇其臨近非噪聲點像素值替代該位置的像素值Ⅱ伽，至此完成整個去噪過程，最終得到小波分解去噪后的聲納圖像如圖9所示。可以發現圖像中的斜紋噪聲已經被基本去除，而圖像右舷左上角的兩個目標區域被完整保留。

3處理結果對比

分別選擇均值濾波（3×3模板）、均值濾波（7×7模板）、中值濾波（3×3模板）、中值濾波（7×7模板）作為對比算法。各對比算法處理結果如圖10、圖11、圖12、圖13所示。

通過對比幾種算法處理結果可以發現，相同模板大小下，中值濾波的去噪效果要優于均值濾波;且對于相同算法，模板面積越大，去噪效果越好，同時目標區域損失的越多;但經以上處理算法處理后，圖像中仍保有部分噪聲，而利用本文所描述算法的處理結果如圖9所示，可以基本消除噪聲，且可以較為完整的保留目標區域，故處理效果優于以上對比算法。

4結語

就現有技術而言，本算法的有益效果是：本算法用小波分解的方法去除周期性的電源噪聲，相比于常用的均值濾波、中值濾波等去噪方法，去噪效果顯著。由圖lO到圖13的處理結果可以看出，隨著模板尺寸的加大，條紋噪聲被一定程度的模糊掉了，與此同時，整幅圖像，尤其是感興趣的目標區域同樣產生很大程度的模糊，在7×7模板的中值濾波中尤為嚴重，去噪效果不理想的同時，犧牲目標區域清晰度，得不償失。

比較之下，本算法的去噪效果非常突出，更為重要的是完好的保留了原圖像中感興趣的部分，為后續的特稱提取、圖像識別奠定了很好的基礎。可以看出，本方法在處理帶有這類噪聲的聲納圖像時具有突出的優勢。