局部背景變分迭代下的合成孔徑聲吶圖像自適應(yīng)均衡

李更祥 劉紀元 李寶奇 韋琳哲 鞏文靜

(①中國科學(xué)院聲學(xué)研究所，北京 100190；②中國科學(xué)院大學(xué)，北京 100049；③中國科學(xué)院先進水下信息技術(shù)重點實驗室，北京 100190)

0 引言

合成孔徑成像聲吶(Synthetic Aperture Sonar，SAS)作為海底成像和測繪的主要手段[1]，在水下目標探查識別、海底資源開發(fā)、石油勘探、海難救助、海底地形地貌繪制等方面，具有廣泛的應(yīng)用前景[2]，它提供的高分辨率水下圖像能反映出豐富的水下信息。隨著SAS成像算法、硬件設(shè)備、計算機技術(shù)的不斷發(fā)展，聲吶成像水平不斷提高，使用場合也在不斷擴大，結(jié)合聲吶輸出圖像的綜合分析和處理需求也在不斷增加。

由于受復(fù)雜水文環(huán)境、聲吶平臺運動姿態(tài)的不穩(wěn)定性、聲傳播損失、不同距離或不同地貌的散射/反射特性、聲吶基陣指向性等各方面因素的影響[3]，SAS圖像相較于其他自然圖像(尤其是光學(xué)圖像)，存在明顯差異，通常表現(xiàn)為噪聲干擾強、遠近灰度不均衡、對比度不高等特點，增加了后續(xù)圖像分割與拼接、目標檢測、分類與識別等[4-7]任務(wù)的難度。SAS圖像預(yù)處理是整個SAS圖像處理的初始關(guān)鍵步驟，好的預(yù)處理圖像將大大提高后續(xù)聲吶圖像處理的質(zhì)量。本文基于圖像預(yù)處理中重要的灰度不均衡問題進行了研究和分析。

目前，解決圖像灰度不均衡的方法可分為兩類：基于物理模型的硬件校正和基于圖像處理的軟件實現(xiàn)。基于物理模型的方法主要從聲吶過程的物理和幾何結(jié)構(gòu)出發(fā)，直接從聲吶數(shù)據(jù)估計距離、角度等相關(guān)校正因子，實現(xiàn)針對斜距、傳播、指向性、載體速度、海底散射角等的校正。最常見的物理模型均衡如聲吶電子系統(tǒng)接收電路中對遠近回波差異補償采用的時變增益(Time Varing Gain，TVG)[8]，其增益參數(shù)由經(jīng)驗聲學(xué)方程估計得到[9-10]。但由于海水復(fù)雜的空、時變特性，物理模型并不能完全適配[11]；且聲線彎曲、海底不平整等有別于實際情況的假設(shè)也會使基于物理模型的均衡增益存在偏差。實際上得到的聲吶圖像通常已經(jīng)過TVG補償，但大量數(shù)據(jù)仍具有灰度不均衡現(xiàn)象；由于噪聲并不具備隨距離衰減的特性，此類物理增益也會增強額外的噪聲干擾，使聲吶圖像灰度的均衡更復(fù)雜。因此，基于物理模型的均衡方法常用于快速實時實現(xiàn)，得到聲吶圖像的初始粗均衡結(jié)果，但不能作為最終的均衡手段。

基于圖像處理的圖像均衡方法通常是一類不借助聲吶數(shù)據(jù)而僅從圖像本身出發(fā)去解決聲吶圖像灰度不均衡的手段。實際應(yīng)用中，除了內(nèi)部數(shù)據(jù)具有可知的聲吶參數(shù)及姿態(tài)信息，外部獲取的聲吶圖像并不具備相關(guān)聲吶數(shù)據(jù)，也就無法根據(jù)物理參數(shù)的方法做均衡處理，此時需借助圖像均衡方法實現(xiàn)均衡處理。圖像域的均衡方法較多樣化，如借鑒圖像增強方法，主要包括灰度拉伸、直方圖均衡、反銳化掩模、Retinex增強、傅里葉變換、離散余弦變換、小波變換、多尺度幾何變換等[12-18]；其他均衡方法包括模板匹配或函數(shù)擬合方法[10，19-23]、噪聲背景估計均衡方法[24-25]、比例改正方法[26]等。

聲吶圖像均衡的主要目的是抵消或減弱隨距離、角度、指向性等因素造成的聲能損失的差異性，而圖像增強的目的是突出感興趣區(qū)域特征，加強圖像判讀和識別效果，從而滿足某些特殊分析需求。因此如Zhang等[15]提出的基于圖像增強的諸多聲吶圖像均衡算法，雖然提高了圖像對比度，擴大了圖像中不同物體特征之間的差別，但均衡效果有所欠缺，未能很好地補償聲能損失的差異性。

從局部鄰域出發(fā)的均衡算法(如中值濾波HM)具有良好的非線性濾波效果。Cervenka等[17]提出基于中值濾波的聲吶圖像均衡算法，其優(yōu)點是簡單高效，適用于實時處理，但只適用于部分背景簡單的聲吶圖像，對于地貌復(fù)雜、細節(jié)較多的聲吶圖像效果較差，主要原因是中值濾波得到的曲線對于簡單聲吶圖像能較好地擬合，但當?shù)孛矎?fù)雜時，中值濾波會受明顯的奇異點(如高亮目標、陰影等)影響，只能做到大趨勢上的擬合，對細節(jié)紋理等產(chǎn)生模糊，且存在橫紋干擾時會加重其影響。

Celebi等[18]提出基于離散余弦變換(Discrete Cosine Transform，DCT)和馬爾科夫隨機場的聲吶圖像均衡算法，變換域方法在抑制噪聲和保護邊緣方面具有很大的改進，如DCT[27]、小波變換[28]、曲波變換[29]等，該方法是先對圖像進行某種可逆的數(shù)學(xué)變換，然后在變換域?qū)σ恍┫禂?shù)做減小或增大等處理，最后再通過逆變換獲得已實現(xiàn)去噪、增強等功能的圖像，變換域雖能通過頻率系數(shù)、尺度系數(shù)等進行一定的去噪和邊緣保護，但無法表征不均衡的機理，均衡效果不理想。

Galdran等[19]以構(gòu)建的合適先驗函數(shù)模型做背景灰度分布曲線模板匹配，取得了較好均衡效果，但最終效果與給定的函數(shù)模型和相關(guān)聲吶數(shù)據(jù)有直接關(guān)系，當模型不合理或數(shù)據(jù)不匹配時，效果較差。

噪聲背景估計方法最早應(yīng)用于頻域和波數(shù)域。Struzinski等[24]基于大量仿真和研究，通過噪聲估計和背景均衡有效地濾除了隨機起伏，改善了方位歷程圖像質(zhì)量，并將其應(yīng)用于聲吶圖像領(lǐng)域，同樣取得了良好效果，但該類方法對于窗口參數(shù)選取要求較高，易濾除紋理細節(jié)及弱小目標。

基于物理模型的聲吶圖像均衡通常因?qū)嶋H環(huán)境的復(fù)雜性而具有不均衡殘余，基于圖像域的聲吶圖像均衡多從圖像增強出發(fā)，但一味地增強處理并不能有效改善均衡問題。為此，本文通過分析聲吶圖像有別于其他圖像的特點，建立時間演化的均衡模型，依據(jù)背景估計的思路，提出了一種基于圖像局部背景迭代估計的SAS圖像自適應(yīng)均衡方法。

該方法首先利用圖像背景、目標紋理的統(tǒng)計特性及均衡前、后圖像的差分關(guān)系等對均衡函數(shù)、濾波分量(圖像背景)進行自動迭代更新，當滿足迭代終止條件時，得到原始圖像的背景分量(的估計)；然后通過背景均衡與動態(tài)范圍調(diào)整得到最終均衡結(jié)果。一方面此方法涉及參數(shù)較少，除窗口大小外，其他參數(shù)具有自動更新能力，降低了對調(diào)參的依賴性；另一方面，算法參數(shù)和濾波函數(shù)的設(shè)計從實際聲吶圖像特點出發(fā)，在均衡同時對原圖的紋理、邊緣等特征也有較好保護作用，且對暗條紋干擾(由電源干擾、數(shù)據(jù)傳輸異常等引起)具有一定消除功能。

1 聲吶圖像自適應(yīng)均衡方法

1.1 問題描述

聲信號的能量損失是水聲信道最明顯的傳播特性。以擴展損失為例，聲波在海水中傳播時，其能量隨作用距離的增大以指數(shù)函數(shù)形式衰減，遠距離目標回波衰減嚴重，導(dǎo)致聲吶圖像近端較亮，遠端較暗。其次，聲吶基陣發(fā)射的脈沖具有很強的指向性，波束軸中心能量較強，兩邊較弱，也會導(dǎo)致圖像灰度分布不均勻。另外，目標散射強度與掠射角有關(guān)，距離越遠，掠射角越小，回波信號越弱，從而也造成了圖像灰度的差異性。同時，海底的粗糙度也影響聲波的散射性能，導(dǎo)致不同地貌成像的差異性。

實際SAS圖像(圖1)與SAR(Synthetic Aperture Radar，合成孔徑雷達)成像原理相似，但成像時條帶沿距離向近端和遠端回波強度差異較大，圖像不均衡現(xiàn)象嚴重。另外聲波為機械波，受水中環(huán)境噪聲影響大，水聲信道也遠比光或電磁傳輸信道差，故SAS圖像的信噪比較低、對比度較差、灰度畸變等特征表現(xiàn)得更嚴重。因此合適的聲吶圖像均衡處理尤為重要。

圖1 實際SAS圖像

1.2 算法模型

為了得到良好的均衡效果，本文算法模型基于以下聲吶圖像不均衡特點：

(1)聲吶圖像背景在整個圖像范圍內(nèi)根據(jù)地貌、底質(zhì)不同，其起伏是變化的、任意的，但在局部范圍內(nèi)起伏是連續(xù)的、變化較小的。

(2)目標被照射區(qū)域表現(xiàn)為高亮對應(yīng)高灰度值，未被照射區(qū)域表現(xiàn)為陰影，對應(yīng)低灰度值，其他區(qū)域為背景區(qū)，對應(yīng)中灰度值。但由于聲能損失、接收陣指向性等影響，聲吶圖像遠端回波較弱，該區(qū)域目標、背景均表現(xiàn)為較低灰度值。

(3)聲吶圖像均衡時，不應(yīng)產(chǎn)生新的高亮與陰影，以免破壞了原圖質(zhì)地與結(jié)構(gòu)。

(4)聲波隨距離的損失、目標回波散射特性與掠射角關(guān)系、基陣發(fā)射波束指向性、混響、噪聲干擾等對圖像的灰度不均衡影響整體上呈現(xiàn)非線性和疊加性，是隨時間演化累積的，任何一次性的處理方式均可能存在不均衡殘余。

(5)由于聲速、波束輻射角度等在不同區(qū)域具有一定差異，聲吶圖像表現(xiàn)出的不均衡性是局部的而非全局的，因此均衡過程也是局部而非全局的，局部處理利用適當窗函數(shù)實現(xiàn)。

以上假設(shè)滿足聲吶圖像灰度不均衡的基本特征，有別于SAR圖像與光學(xué)圖像。根據(jù)以上聲圖特征，本文將聲吶圖像灰度均衡處理劃分為三個主要步驟，即背景估計、背景均衡和動態(tài)范圍調(diào)整。

傳統(tǒng)的圖像均衡方法的思路較為簡單，即認為觀測到的非均衡圖像由均衡圖像與一系列線性或非線性核函數(shù)卷積得到，即

I(x,y,t)=I0(x,y)*G(x,y,t)

(1)

式中：I(x，y，t)表示隨時間演化得到的非均衡圖，這里指已觀測圖像；I0(x，y)為理想海底聲圖，這里指待求均衡圖；G(x，y，t)為卷積核；x，y分別表示方位向和距離向坐標；t為時間因子；“*”表示卷積算子。

不同核函數(shù)卷積產(chǎn)生不同的非均衡效果，通過不同局部區(qū)域的時間演化并累積，得到觀測的非均衡聲吶圖像。而核函數(shù)的反推，一般可通過聲學(xué)物理或數(shù)學(xué)模型獲得，但實際非均衡更復(fù)雜，其演化方程變成

I(x,y,t)=F[I0(x,y)，t]

(2)

式中F表示非均衡函數(shù)。

圖像全局非均衡是局部非均衡的集合，則式(2)可進一步描述為

(3)

式中Ω表示局部區(qū)域。

因為函數(shù)FΩ通常無法用單一精確的表達式表述，所以一般性地將其視為一系列核函數(shù)的乘積，即隨時間演化的非均衡過程，有

(4)

式中GΩ，tj表示作用于局部區(qū)域Ω內(nèi)tj時刻的非均衡函數(shù)。

因此非均衡聲吶圖像I(x，y，t)可看成由待求均衡圖I0(x，y)隨時間不斷受局部非均衡函數(shù)GΩ，t累積作用的結(jié)果，即

(5)

由于目標信號的有效衰減系數(shù)大于無目標時背景的衰減系數(shù)[30]，均衡(逆非均衡)過程可表述為

(6)

(1)對于局部區(qū)域的背景部分，均衡濾波前、后應(yīng)變化較小，盡可能地保留下來；

(2)對于目標或邊緣等奇異特征，受非均衡(及均衡)的影響程度遠大于平整的背景部分，所以濾波前、后變化較大。

因此，均衡函數(shù)ωΩ，tj可建模為圖像隨時間變化的圖像梯度的函數(shù)

(7)

假設(shè)tj時刻的非均衡圖為I(xΩ，yΩ，tj)，則有

(8)

由均衡性質(zhì)分析可知，此時f的選取通常具有下列三種形式。

(1)平方反比環(huán)繞函數(shù)

(9)

(2)指數(shù)形式。進一步修改為依賴于空間常數(shù)的形式，即近似地模擬VLSI電阻網(wǎng)絡(luò)空間的形式

f(r)=e-|r|/c2

(10)

式中c表示均衡控制因子。

(3)高斯形式。這種形式更寬泛，在圖像處理、機器視覺建模中應(yīng)用最廣

f(r)=e-r2/c2

(11)

算法的關(guān)鍵是對背景分量的有效估計，背景分量的估計直接決定了最終的均衡效果，因此采用適用最廣的高斯形式(式11)作為均衡函數(shù)的表征。此時濾波函數(shù)ωΩ，tj合理地利用了時間演化過程中圖像的微分關(guān)系，且參數(shù)c是該算法的唯一參數(shù)，因此參數(shù)c的選取直接決定了對背景分量估計的準確性，也即決定了最終的均衡效果。

為滿足自適應(yīng)處理的需求，均衡參數(shù)c用局部圖像均值表示，因此局部區(qū)域Ω內(nèi)第tj時刻的均衡控制因子可表示為

(12)

式中NΩ表示區(qū)域Ω像素總個數(shù)。

當圖像局部區(qū)域包含較多目標區(qū)域時，此時均值較大，對應(yīng)的均衡效果應(yīng)該表現(xiàn)為小步迭代均衡，避免大步迭代過程中可能造成圖像灰度畸變。當均衡效果越來越好時，此時估計得到的背景分量較多，cΩ，tj減小，可均衡尺度增大，均衡速率提高。

因此，tj時刻聲吶圖像均衡的整個濾波過程為

(13)

然后將tj時刻的均衡估計結(jié)果作為tj時刻的原始非均衡輸入數(shù)據(jù)，即

(14)

所以，第tj時刻的圖像微分，即式(7)可表述為

(15)

一般默認tj+1-tj=1為單位時刻，默認操作由于后續(xù)的歸一化處理不影響算法性能。

1.3 算法流程

針對均衡處理中的背景估計、背景均衡和動態(tài)范圍調(diào)整等三個主要步驟(圖2)，為保證算法的有效實施，有如下幾點事項說明：

圖2 圖像均衡流程示意圖

(1)聲吶圖像的不均衡發(fā)生在斜距向，所以均衡過程為聲吶圖像逐行處理。

(2)初始值設(shè)置：因為算法需經(jīng)過迭代自適應(yīng)處理，其初始的均衡圖像可通過其他任意均衡算法得到，又考慮算法的快速實施與權(quán)重系數(shù)的初始化，故采用原始圖像的局部均值濾波作為初始均衡結(jié)果，此時初始均衡函數(shù)ωΩ，tj由全1向量表示。

(3)局部窗口選擇：為了有效估計背景像素，窗口大小應(yīng)盡量滿足所選區(qū)域的背景像素占68%以上[19]。

(4)算法終止條件：雖然不能預(yù)知非均衡的演化時間t或演化次數(shù)，也就無法得到逆解算回I0(x，y)所需的時間和次數(shù)，但我們知道該求解過程的第一步為背景分量估計，而背景通常是連續(xù)較平整的，因此可利用背景分量的特性，設(shè)置達到算法終止的約束條件。通常可采用兩種方式，一是認為當相鄰兩次均衡圖像的所有局部梯度方差小于一定閾值時，即達到最終均衡結(jié)果，由于非線性函數(shù)的均衡是一個持續(xù)振蕩的過程，須避免閾值選取不合理導(dǎo)致無法收斂；二是當相鄰兩次均衡圖像梯度方差與前一時刻相鄰兩次均衡圖像梯度方差的比值小于某一閾值時停止迭代。也可直接給定最大均衡迭代次數(shù)。由門限閾值進行算法終止的兩種方式的數(shù)學(xué)式為

(16)

(17)

式中：T1對應(yīng)絕對誤差門限閾值；D[·]為序列方差；T2對應(yīng)相對誤差門限閾值。

1.3.1 背景估計

聲吶圖像均衡第一步為背景估計，其流程為：

(1)從圖像左側(cè)即近距端開始，根據(jù)滑動窗口，計算某時刻圖像與其均衡結(jié)果的差分，通過式(11)、式(12)、式(15)得到均衡濾波函數(shù)ωΩ；

(2)由式(13)、式(14)迭代更新均衡圖像結(jié)果；

(3)迭代終止：針對步驟(2)的均衡結(jié)果，通過式(16)、式(17)做均衡程度判別，當滿足終止條件或達到迭代次數(shù)上限，算法終止; 否則，返回步驟(1)。

1.3.2 背景均衡

(18)

1.3.3 動態(tài)范圍調(diào)整

對于背景均衡后的聲吶圖像，需進行對比度拉伸等處理，使最終結(jié)果的動態(tài)范圍與原始聲吶圖像具有一致性。其過程如下

(19)

其中

(20)

分別表示背景均衡圖R和原始不均衡圖I的均值；

(21)

分別為背景均衡圖和原始不均衡圖的標準差。

2 實際數(shù)據(jù)處理與分析

本文給出三組具有不同地貌的典型湖試、海試合成孔徑聲吶圖像數(shù)據(jù)進行均衡處理。若未特別說明，默認圖像左側(cè)為近距端，右側(cè)為遠距端。為了全面、客觀評價本文算法，既比較了基于噪聲背景的對照算法(OTA)[24]，同時也比較了圖像域其他較常用均衡算法，如中值濾波[17]、函數(shù)擬合(AM)[19]等，并給出了選定的圖像評價的具體指標數(shù)值。

局部方差(SIG2)和峰值信噪比(PSNR)可評價圖像算法的去噪質(zhì)量，但忽略了對圖像區(qū)域均衡效果及邊緣、細節(jié)等信息的保持度的有效度量。而圖像的異變信息(可用等效視數(shù)ENL評價)有效描述了區(qū)域的同質(zhì)性即均衡效果，人眼視覺對圖像質(zhì)量好壞的感知則可從背景結(jié)構(gòu)(可用結(jié)構(gòu)相似性SSIM評價)中獲取。因此，本文采用SIG2、PSNR、ENL、SSIM作為圖像質(zhì)量、均衡效果、細節(jié)保護的綜合評價指標。其表達分別為

(22)

式中：σ2表示方差；H表示處理圖像，這里指均衡圖像；K表示參考圖像，這里指已觀測圖像；L表示像素灰度最大值，本文設(shè)定為255。

2.1 實際聲吶圖像均衡處理對比結(jié)果

第一組SAS原始圖像數(shù)據(jù)(圖3)為海底管道，成像使用高頻合成孔徑聲吶。圖像地貌簡單、背景區(qū)域較大、目標明顯。圖像均衡處理結(jié)果如圖4所示。基于該組數(shù)據(jù)，對比四種算法均衡處理的效果(評判指標)。

圖3 第一組SAS數(shù)據(jù)原始圖像

圖4 第一組SAS數(shù)據(jù)四種算法圖像均衡結(jié)果

第二組SAS圖像數(shù)據(jù)的原始圖像(圖5)為電纜圖，成像使用高頻SAS。該圖像仍然具有地貌簡單、背景區(qū)域較大、目標明顯等特征。且存在一定的暗條紋干擾。圖像均衡處理結(jié)果如圖6所示。將以該組數(shù)據(jù)說明幾種均衡算法對目標的影響和對暗條紋的消除作用。

圖5 第二組SAS數(shù)據(jù)原始圖像

這兩組數(shù)據(jù)處理結(jié)果主要體現(xiàn)簡單背景下各均衡算法的性能，從直觀視覺角度說明各均衡算法對圖像細節(jié)、邊緣等的保持作用。

第三組SAS圖像數(shù)據(jù)的原始圖像(圖7a)為地貌地形圖，是典型的復(fù)雜地貌，也采用高頻SAS成像。圖像均衡處理結(jié)果如圖7所示。

2.2 實際聲吶圖像均衡處理結(jié)果分析

從上述三組數(shù)據(jù)的處理結(jié)果可知，各算法均具有一定的均衡效果，聲能損失造成的灰度差異得到有效補償，背景變得更連續(xù)和平整。但從對圖3、圖4的指標定量分析(圖8)及圖7的直觀定性分析等結(jié)果來看，相比于本文算法，其他均衡算法均存在一定局限性。

HM算法處理結(jié)果(圖7b)雖然背景變得平整，但聲能損失造成的低灰度值未得到有效補償，仍存在較多暗區(qū)域。由圖6a可知，HM算法無法消除暗條紋干擾，且有進一步加重的現(xiàn)象。由圖4b和圖6b可知，AM算法存在一定的陰影擴展，破壞了原圖結(jié)構(gòu)，容易對后續(xù)基于高亮和陰影的分割、識別等處理造成干擾。由圖7d可知，OTA算法對邊緣細節(jié)破壞嚴重，但對于簡單背景圖像(圖4c和圖6c)，具有良好的均衡效果。

圖6 第二組SAS數(shù)據(jù)四種算法圖像均衡結(jié)果

圖7 第三組SAS數(shù)據(jù)原始圖像(a)、HM(b)、AM(c)、OTA(d)及本文算法(e)的圖像均衡處理結(jié)果

本文算法則較好地規(guī)避了上述算法存在的一些缺點，在實現(xiàn)圖像亮度均衡的同時，有效地保護了原圖邊緣、細節(jié)等，也較好地消除了暗條紋干擾，圖像質(zhì)量和對比度有著明顯提升。

2.3 聲吶圖像均衡性能評價指標比較分析

為了更合理評估算法性能，對前兩組數(shù)據(jù)進行了局部區(qū)域背景均衡性能評估(局部區(qū)域如藍色矩形窗所示，分別記為R1～R4)。選取的區(qū)域應(yīng)盡可能屬于背景區(qū)，且滿足：①局部區(qū)域選取不宜過大，以滿足局部背景平整連續(xù)的假設(shè)；②局部區(qū)域盡可能不存在高亮、陰影、橫紋干擾等，減小對均衡性能參數(shù)的影響。

圖8a給出SIG2的比較結(jié)果，經(jīng)均衡處理后的局部背景區(qū)域，本文方法對應(yīng)的SIG2值最小，說明背景更平整，更有利于突出高亮、陰影等特征。

圖8b顯示ENL(等效視數(shù)/同質(zhì)性)的比較結(jié)果，可看出評價區(qū)域中本文方法對應(yīng)的ENL值最大，說明區(qū)域同質(zhì)性更好，均衡效果更優(yōu)。

圖8c的PSNR比較結(jié)果表明，本文方法具有比其他方法更高的峰值信噪比，僅區(qū)域4數(shù)值略小于HM算法，可見本文算法噪聲抑制能力更強，均衡后圖像質(zhì)量更高。

從各算法的SSIM比較結(jié)果(圖8d)可見，本文方法與原始圖像的結(jié)構(gòu)相似性最大，說明了本文算法對圖像結(jié)構(gòu)(邊緣、細節(jié)等)信息的保持度更好。

圖8 四種算法的局部區(qū)域SIG2(a)、ENL(b)、PSNR(c)和SSIM(d)等四項性能指標對比

因此，綜合來看，本文算法均衡效果最優(yōu)，既有效消除了暗條紋干擾，也保護了圖像細節(jié)與紋理，使得圖像顯示效果更優(yōu)。

2.4 均衡算法在聲吶圖像分割中的應(yīng)用

為了進一步說明圖像均衡的意義，分別對均衡前、后圖像進行目標分割處理。針對原始圖像(圖9a)存在近端亮、遠端暗的灰度不均衡現(xiàn)象，進行均衡處理。可見處理結(jié)果(圖9b)的整個背景變得更均衡平整，黑色暗條紋干擾被濾除，遠端的紋理細節(jié)變得清晰明了，整個圖像的對比度得到較大提高，整體圖像信息也更豐富。

圖9 SAS圖像均衡前、后對比圖及對應(yīng)的閾值分割和線狀目標提取對比

分別對圖9a、圖9b進行雙閾值分割處理。從處理結(jié)果可看出，均衡后的圖像分割結(jié)果(圖9d)背景分割完整、線狀目標清晰明了，陰影與高亮更易識別；而原始圖像的分割(圖9c)效果較差，無法有效區(qū)分高亮、背景和陰影。

3 結(jié)束語

根據(jù)聲吶圖像的特點及不均衡問題，本文將圖像均衡的問題轉(zhuǎn)化為隨時間演化的非線性濾波的累積問題，進而提出一種新的自適應(yīng)均衡算法。該算法在實現(xiàn)聲吶圖像均衡的同時,也能較充分地保護原始圖像細節(jié)，并有效濾除暗條紋干擾，得到高質(zhì)量的均衡聲吶圖像。需要指出的是，由于該算法采用迭代方式進行自適應(yīng)均衡處理，耗時較長，不利于實時處理，這將在后續(xù)研究中進行優(yōu)化。

針對各類圖像的不同特點，通過構(gòu)造不同的均衡函數(shù)或其他功能的濾波函數(shù)，以泛化算法的適用性，這也已列入后續(xù)深入研究的重要內(nèi)容。