0 引　言

侧扫声呐图像是开展海底地形测量^{[1 - 3]}、海洋工程建设^[4,5]和军事侦察^[6,7]的重要数据来源。但侧扫声呐通常也会因外界环境以及其自身工作机理等干扰造成图像出现辐射畸变^[8]和几何畸变^[9]等，使得图像呈现出辐射不均衡、斑点噪声强、特征轮廓不清晰、水柱区割裂图像区、图像区被压缩等缺陷，丢失了图像的有用信息，直接影响了海底信息的准确获取，无法满足三维地形反演、海洋工程建设等应用需求。因此，如何复原侧扫声呐图像来提高检测精度，已经成为声学研究领域的研究热点。

王爱学等^[10]先基于能量传播损失公式进行辐射补偿以实现声呐图形的辐射校正，然后基于三角斜距法进行了斜距校正，但图像存在特征轮廓模糊、噪点多且图像衔接处存在阴影等不足。焦俊俊等^[11]基于斜距、平距和侧扫深度的三者关系进行了斜距校正，但图像衔接区也存在阴影，且两侧图案特征衔接不佳。此外由于辐射校正是在斜距校正后进行，破坏了图像原有辐射分布特点，使得图像中间还存在辐射高强度区域。Pavin等^[12]根据侧扫声呐信号随距离呈指数级下降特点，采用指数加权移动平均法进行了侧扫声呐图像的辐射校正，但所得图像存在局部辐射非均衡化、图像两端模糊等辐射校正不足。此外在几何畸变方面，图像存在纵向拖拽阴影，两舷图像衔接处裂纹明显的不足。Peng等^[13]利用 Retinex弥补时变增益来实现辐射校正，但局部暗沉区未得到增强，其周围特征轮廓也模糊。此外由AUV航行速度波动造成的图像压缩也依然存在。

由上可以看出，现有声呐图像的畸变校正多是针对单一扰动因素进行，未考虑实际中多源扰动对侧扫声呐图像畸变的影响，且各单一校正质量也有待进一步提高。如何结合多扰动因素对侧扫声呐进行综合、系统的畸变校正是提高声呐检测精度的关键。侧扫声呐通常会因海洋环境干扰造成辐射畸变，会因斜距信号接收造成横向几何畸变，以及因AUV航行速度波动造成纵向几何畸变。由于侧扫声呐原始图像保留着起初的辐射分布特点，若先几何畸变校正，则会破坏原有辐射分布，不利于获取更加均衡的辐射图像。而在几何畸变中，横向畸变是由于声呐机理造成，在工作过程中自始至终存在，而纵向畸变仅是在AUV航行过程中因速度波动而造成，因此相比起纵向畸变，横向畸变是几何畸变中主要组成。鉴于此，文中基于上述3种干扰对声呐造成畸变影响的主次性，依次通过辐射、斜距和速度的综合性校正来复原侧扫声呐图像以提高检测精度。

1 侧扫声呐图像辐射校正 1.1 辐射均衡化算子

海洋环境噪声往往会造成原始侧扫声呐图出现密集噪点，因此图像处理前需要进行均值滤波。但去噪后图像往往还存在局部高亮区和暗沉区，使得辐射整体呈现出非均衡状态，因此需要进一步进行图像辐射的均衡化调整。文中采用双伽马函数进行辐射均衡化调整，基本双伽马函数表达式如下^[14]：

$ {G_1}({{k}}) = {k^{1/{{\gamma }}}} ,$

(1)

$ {G_2}({{k}}) = 1 - {(1 - {{k}})^{1/{{\gamma}}}} ,$

(2)

$ G({{k}}) = a \cdot {G_1}({{k}}) + (1 - a) \cdot {G_2}({{k}}) 。$

(3)

式中：γ为图像校正强度值；a为可调节参数，a∈[0,1]；k为双伽马函数自变量。

设k为辐射输入值，G(k)为辐射输出值，双伽马函数G(k)与过原点且斜率45°的直线相交于点(k₀, G(k₀))，当辐射输入值k∈[0, k₀]时，辐射输出值满足G(k)> k，实现输入辐射值k的增强；当辐射输入值k∈[k₀, 1]时，辐射输出值满足G(k)< k，实现输入辐射值k的削弱。以上双伽马函数特性可以实现侧扫声呐图像辐射值的增强和削弱，满足图像辐值均衡化需要，图像辐射校正的双伽马表达式如下：

$ \begin{split} &\psi(L(x{,}y))={a}\cdot[L(x{,y})]^{1/{\gamma}}+ \\ & (1-{a})\cdot[{E}-({\boldsymbol{E}}-L(x{,y}))^{1/{\gamma}}])。\end{split} $

(4)

式中：L(x,y) 为去噪后侧扫声呐图像；ψ(L(x,y))为双伽马作用后图像；E为与L(x,y)维数相同的全1矩阵。

但对于复杂地貌声呐图像而言，全局性地使用双伽马调整，会造成图像局部过调整或欠调整，因而文中采用滑动窗口进行侧扫声呐图像辐射调整，即对归一化侧扫声呐图像L(x,y)按下式进行辐射均衡化：

$ \begin{split} &\psi(L(x{,}y))=\sum\limits_{i=1}^{\xi}({a}\cdot[{\boldsymbol{\delta}}(i)\odot {\boldsymbol{L}}(x{,y})]^{1/{\gamma }}+ \\ & (1-{a})\cdot[{{\boldsymbol{E}}}-({{\boldsymbol{E}}}-{\boldsymbol{\delta}}(i)\odot {\boldsymbol{L}}(x{,y}))^{1/{\gamma}}])。\end{split} $

(5)

式中：☉为Hadamard乘积；δ(i)为与L(x,y) 维数相同的矩阵；e×e滑动窗口对应元素为1，其它元素为0；ξ为历遍整幅图像的滑动窗口数。

此外，在基本双伽马函数中参数a是固定常数，不同的参数值将会直接影响图像均衡化效果，为此文中按式(6)对参数a进行自适应调节，从而使得图像辐射值增强和抑制达到良好平衡状态。

$ {{a}}({{i}}){{ = }}1 - \frac{{\dfrac{1}{{{e^2}}} \cdot \displaystyle\sum\limits_{i = 1}^{{e^2}} {(\delta (i) \odot L(x{{,}}y))} }}{{\max (\delta (i) \odot L(x{{,}}y)) + \omega }}。$

(6)

式中：max为最大值函数；由于窗口辐射值存在全为零情况，设置ω为远小于max(δ(i)☉L(x,y))的实数。

为此文中提出了基于滑动窗口的局部自适应均衡化算子，即对归一化侧扫声呐图像L(x,y)按下式进行辐射均衡化：

$ \begin{split} \psi_a(L(x{,}y))= &\sum\limits_{i=1}^{\xi}({a}(i)\cdot[\delta(i)\odot L(x{,y})]^{1/{\gamma}}+ \\ & (1-{a}(i))\cdot[{E}-({E}-\delta(i)\odot L(x{,y}))^{1/{\gamma}}])。\end{split} $

(7)

式中：ψ_a(L(x,y))为局部自适应均衡化后图像。

当窗口内辐射均值大于最大值0.5倍时，图像会呈现出高辐值状态，此时a(i)通过双伽马变换对高辐射值实现抑制；反之则会对低辐射值进行增强。完成后将窗口内辐射值调整至正常灰度值范围内。

1.2 轮廓清晰化算子

基于局部自适应的辐射均衡化算子实现了L(x,y)的辐射非线性均衡，但图像局部轮廓特征仍然模糊，为此文中进一步引入Retinex^[15,16]理论，在辐射均衡化基础上提出了如式(8)所示的图像轮廓清晰化算子，通过侧扫声呐图像的实际景象反射率图获取来强化图像轮廓特征。

$ S(x,y) = {e^{\ln (\lambda \cdot {{L}}({{x}},y)) - \ln ({\psi _a}({{L}}(x,y)) + E \cdot c)}}。$

(8)

式中：S(x,y)为轮廓清晰化后侧扫声呐图像；c为降噪系数；λ为亮度调整系数。

图1(a)为水下某原始风电桩基侧扫声呐图像，且呈现出明暗区域辐射差异明显、轮廓特征模糊、噪点较多等特点。图1(b)为文中辐射校正后结果，由图可以看出，基于滑动窗口的局部自适应均衡化算子使得图像明暗区域辐射均衡，而轮廓清晰化算子通过实际景象反射率图获取强化了图像轮廓特征，进而使得校正后图像呈现整体均衡化、轮廓清晰和噪点较少的优点。

2 侧扫声呐图像斜距校正

经辐射校正后，侧扫声呐图像的几何畸变还存在。由于搭载侧扫声呐的AUV距离海底有一定高度，侧扫声呐获取的是倾斜方向信号，所获取斜距与反映实际海底信息的平距存在差异。此外，侧扫声呐接收海底反射信号需要一定时间，这会造成空窗期无对应信号数据。

上述情况主要由侧扫声呐工作机理所造成，但会使声呐图像形成水柱区，左右两舷区域被压缩，进而造成如图2所示的横向几何畸变。该横向几何畸变若不消除，则侧扫声呐图像无法准确反映海底信息。

2.1 海底点检测因子设计

侧扫声呐的左右舷图像区与黑色水柱区会形成如图3所示的交界即海底线。而侧扫声呐图像的斜距校正是以海底线为基准，因此需要对侧扫声呐图像海底线进行提取。但受复杂海洋环境干扰，水柱区通常并不明朗，目前常用阈值法和图像边缘检测算法已经不适用于海底线的准确提取。

图4为复杂环境干扰下单帧回波序列曲线，由图可知，海底点附近强度值存在波峰和波谷，即便在环境干扰下该特征也明显区别于其它区域强度值的波动特征。从数据分析来看，波峰和波谷不一定相邻，但其会在一定范围内呈现。针对某帧回波序列,定义{I₁, I₂,…I_z,…, I_b}为其一组强度值，且I_z为位于航迹线上的强度值。以位置区间[m,n]为单位，设计如下所示向两端检测的海底点检测因子ξ。

$ {{\xi}} = |{{I}}_{[{{m}},{{n}}]}^s - {{I}}_{[{{m}},{{n}}]}^e| \cdot {{\sigma + }}\dfrac{1}{q} 。$

(9)

式中：${{I}}_{[{{m}},{{n}}]}^s $、${{I}}_{[{{m}},{{n}}]}^e $分别为位置区间[m,n]内波峰值、波谷值；σ为位置区间[m,n]内强度值的标准差；q为当前区间中点与航迹线的像素距离。

由于海底线位于水柱区与图像区的交界处，所处位置靠近航迹线而又远离图像两端，因此文中利用区间中点与航迹线的距离q来降低图像外侧辐射对检测因子的干扰。待所有位置区间检测完毕后，找出最大因子ξ'对应的波峰位置W(I s [m,n])、波谷位置W(I e [m,n])，并将位置(W(I s [m,n])+ W(I e [m,n]))/2处确定为海底点。

依次检测出单帧回波序列的海底点，即可获得侧扫声呐图像海底线。侧扫声呐安装于AUV两舷对称位置，两舷距离很近其海底高度近似相同，因此反映在侧扫声呐图像上就是海底线关于航迹线对称，在单侧海底线不明朗情况下，文中根据此特点进行海底线正确性检验。

2.2 基于Snell法则的斜距校正

侧扫声呐的数据采集顺序由信号返回单程距离的远近决定，该顺序反映了图像横向像素点的位次。由于搭载侧扫声呐的AUV距离海底有一定高度，且侧扫声呐换能器存在固定倾斜角度，这造成图像横向像素点位次是斜距而非平距。如图5所示，以像素点A'、B'为例，其越靠近AUV航迹线，对应开角θ越小，斜距OA'(OA)、OB'(OB)变化越大，图像压缩越严重，因此需用反映海底实际情况的平距位次O'A'、O'B'来表示图像，若该侧扫声呐数据未被校正则易造成图像失真。

常用斜距校正方法将换能器发出的声波信号视为直线传播，而实际声波信号在不同介质中传播时不仅会发生折射，而且传播速度也会改变。不同海水层的介质不同，为了更好表达声波在不同层时折射情况，文中采用Snell法则^[17]表示声波束折射。

如图6所示，当第i海水层介质中声速V_i>第i+1层V_i+1，声波束折射角为α_i+1，反之为α'_i+1。设第i和i+1海水层高度分别为ΔH_i、ΔH_i+1。文中利用2.1节中的海底点横向像素距离(W(${{I}}_{[{{m}},{{n}}]}^s $+ W(${{I}}_{[{{m}},{{n}}]}^e $))/2作为总海水层深度，则声波束经历所有海水层对应水平位移w为：

$ w = \sum\limits_{i = 1}^z {\frac{{{V_i} \cdot {P_{{i}}} \cdot {{{\lambda}}_i} \cdot (W({{I}}_{[{{m}},{{n}}]}^\text s) - W({{I}}_{[{{m}},{{n}}]}^\text e))}}{{2 \cdot {{(1 - {{({V_i} \cdot {P_i})}^2})}^{1/2}}}}} ，$

(10)

$ \frac{{\sin {\alpha _i}}}{{V{}_i}} = \frac{{\sin {\alpha _{i + 1}}}}{{V{}_{i + 1}}} = {p_i}。$

(11)

式中：z为海水层数；λ_i为当前海水层高度与总深度之比；P_i为当前海水层的snell常数。

以第j帧某像素点(x_j, y_j)为例，其经斜距校正后的位置($x'_j $, $y'_j $)可表示为：

$ {x'_j} = \frac{B}{2} \pm \sum\limits_{i = 1}^z {\frac{{{V_i} \cdot {P_i} \cdot {{{\lambda}}_i} \cdot (W({{I}}_{[{{m}},{{n}}]}^\text s) - W({{I}}_{[{{m}},{{n}}]}^\text e))}}{{2 \cdot {{(1 - {{({V_i} \cdot {P_i})}^2})}^{1/2}}}}}，$

(12)

$ {{{\alpha}}_1} = \arctan \frac{{ \pm ({{B}} - 2 \cdot {x_j}) - (W({{I}}_{[{{m}},{{n}}]}^s) - W({{I}}_{[{{m}},{{n}}]}^e))}}{{W({{I}}_{[{{m}},{{n}}]}^\text s) - W({{I}}_{[{{m}},{{n}}]}^\text e)}} ，$

(13)

$ {y'_j} = {{{y}}_j} = j 。$

(14)

式中：B为图像宽度；±分别对应右舷、左舷的位置计算式；α₁为声波束入射角。

待第j帧所有像素点完成校正后，再依次进行其它帧的斜距校正，进而即可完成侧扫声呐图像斜距校正。

图7(a)为经辐射校正后的水下风电桩基图像，该图像中间存在明显水柱区，不仅割裂了左右舷图像且压缩了图像区，从而使得侧扫声呐图像横向几何畸变。由图7(b)文中斜距校正结果所示，水柱区已基本消除，航迹线附近无阴影区，且两舷图案特征平滑过渡，这得益于文中所设计的海底点检测因子，获取了复杂环境干扰下侧扫图像的海底点，以及依据snell法则获取了更符合实际的平距，从而实现了斜距校正。文中方法更贴合海底环境特点，有利于解决复杂海洋环境下侧扫图像的横向几何畸变。

3 侧扫声呐图像速度校正

经辐射校正和斜距校正后，侧扫声呐图像质量虽进一步得到提升，但由于AUV航行过程中的速度波动，使得侧扫声呐图像还存在纵向几何畸变。侧扫声呐以垂直于航迹线方向完成单位扫描，并沿着航迹线完成全程扫描，先斜距校正再速度校正更加符合侧扫声呐工作特点，有利于避免图像二次畸变。

3.1 AUV航行速度对侧扫声呐图像的影响

侧扫声呐信号发射频率虽然是固定的，但AUV航行速度并不均匀，易造成侧扫声呐图像沿航迹线方向的比例不协调。若AUV速度V_c＞V_r时，则会出现遗漏扫描某区域而直接进入下一区域，进而造成实际地形与扫描数据不相符，使得声呐图像呈现压缩畸变；反之，某区域会被重复扫描，即单位扫描数据持续被记录，从而造成图像呈现拉伸的畸变。因此AUV速度过快或过慢都会造成如图8所示的图像纵向几何畸变，因此合理而稳定的AUV航行速度，有利于侧扫声呐图像正确反映海底信息，因此对存在纵向畸变的侧扫图像进行速度校正有助于复原图像。

3.2 基于经纬度航行速度的速度校正

可知，稳定的AUV航行速度V_r有利于获取精确的侧扫声呐图像，但对于已经畸变的图像还需通过求取AUV实际速度来校正。目前常规求取方法是通过调取声呐文件中每帧图像的速度和时间来计算实际速度。由于受海洋环境干扰，AUV的速度记录并不准确，若以此速度进行图像校正势必会引起新的畸变，为此文中引入侧扫声呐的经纬度数据来作为AUV实际速度计算依据。以第i到i+ε 帧图像为例，AUV的实际速度V_c计算式为：

$\begin{split} & {V_c} = [r \cdot \arccos (\sin ({{{D}}_{\rm lat}}({{i}})) \cdot \sin ({{{D}}_{\rm lat}}({{i}} + {{\varepsilon }})) \cdot \cos ({{{D}}_{\rm lon}}({{i}}) -\\& {{{D}}_{\rm lon}}({{i}} + {{\varepsilon }})) + \cos({{{D}}_{\rm lat}}({{i}})) \cdot \cos({{{D}}_{\rm lat}}({{i}} + {{\varepsilon }}))) \cdot (\pi /180)]/{{\Delta T_i^{i + \varepsilon }}} 。\end{split}$

(15)

式中：D_lon(i)、D_lat(i)、D_lon(i+ε)、D_lat(i+ε)分别为第i、i+ε帧图像对应位置处经纬度；${{\Delta T_i^{i + \varepsilon }}} $为第i到i+ε帧图像的时间间隔；r为地球半径。

因单帧时间间隔太短且速度变化不大，所以速度校正过程中将多帧作为单位块进行。以第i到i+ε帧为例，将AUV实际速度V_c与合理速度V_r之比作为校正比例系数，校正后单位块纵向像素距离$N'_{dir} $为：

$ {N'_{dir}} = ({{\varepsilon }} + 1) \cdot \frac{{{V_c}}}{{{V_r}}} = \frac{{({{\varepsilon }} + 1) \cdot {N_{tra}} \cdot Q}}{{2 \cdot U \cdot {N_{{{dir}}}}}}。$

(16)

式中：U为侧扫声呐单舷侧扫宽度；N_tra为横向像素距离；N_dir为纵向像素距离；Q为AUV从第i到i+ε 帧图像所经过的距离。

在获得纵向像素距离N'_dir后，即可通过对单位块进行插值或重新采样取值，从而实现图像单位块的拉伸或压缩复原，依次对航迹线上的单位块进行速度校正，即可完成整幅侧扫声呐图像的速度校正。

图9(a)为经斜距校正后的水下风电桩基图像，由图可以看出，经斜距校正的侧扫声呐图像的中间图案特征呈现压缩状态，这主要是因为侧扫频率跟不上AUV航行速度而造成的图像压缩。图9(b)为文中基于AUV航行的经纬度以及校正比例系数而实现的速度校正，由图可以看出，图像压缩区域被有效复原。

4 实验测试及分析

针对因海洋环境和侧扫声呐工作机理等干扰造成的图像辐射和几何畸变问题，文中提出了多源干扰下侧扫声呐图像复原的综合校正方法。为了验证该方法的有效性，选取由侧扫声呐完成测量的两类环境(水下桩基及海底地形)共4组数据，在CPU i5-11400 H、主频2.7 GHz、内存16 GB的计算机上进行文中综合校正，并将校正结果与常用综合校正(即依次伽马辐射校正、三角斜距校正以及基于AUV航速的校正)的结果进行对比。

图10～图17为4组声呐数据的原图和不同校正方法的对比。图10(a)和图12(a)为2张水下桩基侧扫图像，都存在水柱区不明朗的缺陷，这主要是由水下悬浮物等干扰所造成。侧扫声呐图像Ⅰ的桩基边缘与水柱区相切，而侧扫声呐图像Ⅱ的桩基被水柱区割裂开，这主要是由于AUV航迹线距离桩基远近造成的。图13(a)和图14(a)为复杂海底地形的侧扫图像，由于侧扫区的水下悬浮物等干扰较少使得水柱区较为清晰，但海底地形相对密集且复杂。

由于受海洋环境噪音影响以及水体对声呐信号的消弱和散射，4组原始声呐图总体上存在着明暗区域辐射差异明显、轮廓特征模糊、噪点较多等辐射畸变。在辐射校正时，常规综合校正方法中全局伽马校正造成了风电桩基侧扫图的明暗区域辐射不均衡，且噪点多等不足，如图10(b)和图12(b)所示，在海底地形侧扫图的辐射校正中虽缓解了图像暗沉区，但整体依然存在中间辐射较强、两端辐射较弱的不足，如图14(b)和图16(b)所示。造成上述不足的原因主要是由于全局伽马校正实现的是图像全局增强，但对局部细节调整有限，进而会出现图像辐射过校正或欠校正。而文中基于双伽马函数和Retinex理论设计的辐射均衡化和轮廓清晰化算子，实现了图11(b)和图13(b)中明暗区域辐射均衡和桩基边缘特征的清晰，以及图15(b)和图17(b)中间高亮区有效抑制、两端暗沉区有效增强。

辐射校正后由声呐工作机理造成的水柱区及两舷图像压缩等横向畸变依然存在，图10(c)、图12(c)、图14(c)和图16(c)为常规综合校正方法中三角斜距校正结果。由于该方法只是利用斜距、海底高度、平距三者关系进行斜距校正，无法获取较为准确的平距，从而造成斜距校正后的像素间距增大，以至于使得校正后图像中间衔接处仍然存在残留阴影，被水柱区割裂的桩基、地形特征衔接不佳等不足。图11(c)、图13(c)、图15(c)、图17(c)是文中斜距校正结果。由图可以看出，图像水柱区基本消除，左右两舷割裂的桩基、地形特征得到较好衔接并平滑过渡，图像横向压缩区得到复原，这主要得益于文中设计的抗干扰海底点检测因子，基于区间辐值离散程度及距航迹线远近来获取海底点位置，并依据snell法则获取更符合实际的平距，进而实现了有效斜距校正。

纵向几何畸变的校正效果受AUV速度影响较大。图10(d)、图12(d)、图14(d)和图16(d) 为常规速度校正结果。其中图10(d)和图12(d)中桩基区域变形严重，出现桩基中间、桩基上方区域异常拉伸，这是因为受海底环境干扰造成AUV速度记录并不准确，以至于速度校正后出现图像二次畸变，而图14(d)和图16(d) 中地形变化不大且无异常，这是因为侧扫声呐图像Ⅲ、Ⅳ中速度记录无异常且AUV速度均匀，所以速度校正结果并无太大变化。图11(d)、图13(d)、图15 (d)和图17(d)为文中速度校正结果。图11(d)和图13(d)中桩基中间、桩基下方的海缆得到合理拉伸复原，桩基横截面近似圆形，符合桩基实际外形特点，这主要是因为文中设计了经纬度航行速度，并利用校正比例系数对图像校正，减少了海底环境干扰对速度校正的影响。同样侧扫声呐图像Ⅲ、Ⅳ因为AUV速度均匀，所以图15(d)和图17(d)的校正结果并无太大变化。

为了进一步评估文中方法与对比方法的优劣，引入信噪比（SNR）、信息熵（ENT）、标准差（SD）、等效视数（ENL）测试评价指标。其中信噪比（SNR）定义如式（17）所示，主要用于评价输出图像相对于原有图像的噪音抑制能力，且SNR值越大，图像噪音抑制效果较好。

$ SNR = 10 \cdot \lg \frac{{\sum\limits_{i = 0}^{M - 1} {\sum\limits_{j = 0}^{B - 1} {g{{(i,j)}^2}} } }}{{\sum\limits_{i = 0}^{M - 1} {\sum\limits_{j = 0}^{B - 1} {{{[g(i,j) - f(i,j)]}^2}} } }} 。$

(17)

式中：M、B分别为图像长、宽对应的像素距离；g(i, j)、f (i, j)分别为原始图像、输出图像在(i, j)位置的像素值。

信息熵(ENT)定义如式(18)所示，主要用于衡量图像信息的混乱程度，且ENT值越小图像越清晰。

$ ENT = - \sum\limits_{{{u}} = 0}^{255} {{p_u}} \cdot \log {p_u} 。$

(18)

式中：p_u为某像素值在图像中出现的概率。

标准差定义如式(19)所示，反映了图像像素值的离散情况，且SD值越小图像像素值分布越均衡。

$ SD = {\Bigg(\frac{1}{{M \cdot B}} \cdot \sum\limits_{u = 1}^{M \cdot B} (f(i,j) - \bar f)^2}\Bigg)^{1/2} 。$

(19)

式中：$\bar f $为图像平均像素值。

图像的异变信息可以用等效视数(ENL)评价，其定义如式(20)所示，可以有效描述区域的均衡化效果，且ENL值越大图像均衡化效果越好。

$ ENL = \frac{{\bar f}}{{SD}}。$

(20)

4种侧扫声呐图像的校正性能对比如表1所示。由表可知，文中综合校正方法的SNR、ENT 、SD、ENL指标均处于最优，且相较于常用综合方法，SNR平均提升了6.060%，这得益于文中针对海洋环境噪音干扰造成侧扫声呐图像密集噪点，采用高效去噪的均值滤波来处理图像。相较于原始图像、常用综合方法，文中综合方法的ENT分别平均降低了21.744%、11.421%，SD分别平均降低了64.345%、35.462%，ENL分别平均增加了89.404%、67.289%，这主要得益于文中通过基于滑动窗口的局部自适应均衡化算子实现了图像明暗区域辐射的均衡化，并通过清晰化算子获得实际景象反射率图，强化了侧扫声呐图像轮廓特征，进而使得图像均衡化指标SD和ENL有所降低。

5 结　语

受海底环境干扰以及声呐自身工作机理影响，侧扫声呐图像通常会出现辐射和几何畸变，影响了海底信息的检测精度。为此，文中针对多源干扰开展了侧扫声呐图像复原的综合校正方法研究。通过理论分析和实验测试可以得出以下结论：

1）在辐射校正中，基于双伽马函数并通过滑动窗口进行声呐图像局部自适应均衡，并通过获取实际景象反射率图来强化图像轮廓特征，实现了图像辐射均衡，噪点抑制以及轮廓特征清晰化；

2）在斜距校正中，基于设计的抗干扰海底点检测因子获取海底点位置，并结合侧扫声呐信号波束在不同水层折射来获取符合实际的平距进行校正，实现了图像水柱区去除、图像横向压缩区复原，以及左右两舷图像的较好衔接；

3）在速度校正中，基于AUV的经纬度设计航行速度，并利用校正比例系数对图像块复原，实现了图像纵向异常拖拽和压缩的复原，避免了常规速度校正后的图像二次畸变。

侧扫声呐工作过程中通常受包括海洋环境干扰在内的多种干扰，其图像通常也包括辐射、横向和纵向畸变，开展包括辐射、斜距和速度校正在内的综合校正有助于实现图像的精确复原，从而提升声呐信息检测精度。