0 引　言

近年来，水下目标精确判断及定位等成为较热门的研究领域，同时衍生了多种类型的水下探测设备，伴随着深水可视范围较低且电磁波的衰减率较高的客观因素影响，水下探测设备大部分采用声学装置。根据其成像原理大致可分为单波束测深声呐、多波束测深声呐、侧扫声呐以及合成孔径声呐^[1]4种类型，而侧扫声呐也因其综合经济成本相对较低以及扫测效率高而得到广泛的应用^{[2 − 6]}。

侧扫声呐的作业方式一般有随船拖曳扫测作业或搭载在水下智能平台同步扫测作业2种方式，但由于水体状态多变且复杂，设备下水作业时受环境变量影响较大，同时伴随着设备系统本身的不稳定因素，往往采集而来的数据会因干扰造成图像质量降低，所以要想精确完成对水下目标搜索及识别需面临较多困难。现阶段已有许多优化声呐图像效果以及对图像进行精处理的研究先例。例如，王晓^[7]提出的卡尔曼滤波提取海底线的方式，可用于优化自动提取海底线后的修正，提高图像镶嵌后的成像效果；王晓等^[8]提出用综合均衡的降噪方式，可在图像充满横向杂波的情况下进行滤波处理；腾惠忠等^[9]基于原声呐数据本身声波强度来进行增益控制，适用于需快速处理图像数据的场景中使用；阳凡林等^[10]利用声线跟踪法对斜距进行二次修正，一定程度上减少了原图像灰度不均的问题；王玉峰等^{[11 − 12]}直接从声呐声波中引入一维离散的小波变换法，抑制特征敏感的外来噪声PING值，实现了降噪功能；郭继昌等^{[13 − 14]}则是研究图像处理算法对水下光学图像的增强作用，其能一定程度上提高水下光学仪器的成像效果，但无法直接应用于水下声学图像中。这些研究的对象大都针对单一场景的图像处理，面对多种复杂干扰源下对侧扫图像进行优化处理仍存在问题。

本文引入几种在图像处理领域中被广泛利用的算法，以实际作业中数个真实场景下的数据作为分析样本，通过实验研究出图像处理算法对侧扫声呐图像结果的优化能力，分析不同的处理算法在面对不同的场景下的应用。

1 图形处理算法概述

现阶段的图像处理方式主要分为空间域处理以及频率域处理2个大类，空间域的处理方式是将原始图片拆分为二维单像素点灰度值的数组，通过一系列数学运算来达到改善图像质量的目的，常用的空间域处理方式有点运算、形态学运算、临域运算3种；频率域处理方式是将原始图片通过函数转换为频谱图，频谱将反应出输入图像灰度值的变化程度，通过修正频率值来完成对图像的处理，常用的频率域运算有傅里叶变换法以及小波变换法^[15]。

1.1 空间域处理 1.1.1 直方图均衡法

直方图均衡法的处理方式在于将输入图像的灰度值分布图进行再次分配，非线性拉伸局部灰度域较高且密集的部分，从而使输出图像在直方图上所呈现的灰度范围像素点数量分布均匀化，减少灰度值的过度跳跃，能一定程度改善图像的明暗色差。

1.1.2 自适应直方图均衡（Ahe）

自适应直方图均衡是在原直方图均衡法上做出改进，其处理方式为设置好固定的移动模块，并对原始图像做全图像素的滑动遍历，在每一模板中进行直方图均衡，且图中每一像素点的赋值均为多次取值后的均值运算结果。其方法能在直方图均衡法的处理方式上更加突显声呐图像上特征点细节。

1.1.3 限制对比度自适应直方图均衡（Clahe）

限制对比度自适应直方图均衡在传统ahe的基础上做出了进一步的优化，其处理方式共分为两步，首先在灰度直方图中设定一定的阈值，超过阈值的部分等面积移至原直方图零值梯度以下，实现灰度值的再分配，对图像进行分块处理，块内中心点赋予当前的直方均衡值，遍历全图除4个角落外的每个点并取其双线性的插值，此处理方式能进一步解决图像因处理问题导致的像素点不连续等影响。

1.1.4 形态学运算

形态学运算分为形态学膨胀与形态学腐蚀2种方式。形态学膨胀是指图像中以特定高亮部分围绕图形周围做反复遍历运动，实现领域上的扩张；形态学腐蚀利用高亮部分围绕图形做反复遍历后实现领域的蚕食；应用场景中通常会利用这2种方式组合成开运算或闭运算，实现减少高亮特征外的杂波点以及去除目标内的缺帧和孔洞等的问题。

1.1.5 卷积运算

卷积运算的处理方式是运用卷积核在原始图像上对每个点进行基于临域的滤波函数运算，根据调节函数能完成平滑、梯度、边缘、提特征点等的功能。

滤波公式如下式：

$ {{h}}[x,y] = \sum\limits_{k,l} {\int {[k,l]} } I[x + k,y + l] 。$

(1)

式中：$ [x,y] $为代图像转化为二维坐标系中的像素点位置；$ [k,l] $为卷积核的坐标；$\int {[k,l]} $为卷积核的可调权重参数；$ I $为输入图像上的像数值；$ h $为卷积的输出结果。

基于式(1)研究人员将传统的卷积运算发展至今较为广泛使用的2种变换方式分别为平滑中值卷积变化以及拉普拉斯滤波变换，前者本质的操作原理为更改卷积核的赋值方式，从原本设定固定值变为从模板领域内取值，并进行重新排序，取其中值做运算输出，完成噪声点的过滤。后者则利用二阶微分算子得出输入图像上灰度值变化导数的导数，从而得到图像上灰度域变化较为剧烈的部分，应用于特征提取以及特征突出的场景。

1.2 频率域处理 1.2.1 傅里叶变换

傅里叶变换法利用二维离散傅里叶变化公式进行时域与频域间的转换，公式如下：

$ F(u,v) = \sum\limits_{x = 0}^{M - 1} {\sum\limits_{y = 0}^{N - 1} {f(x,y){e^{ - 2{\text{π}} i \left( \frac{{ux}}{M} + \frac{{vy}}{N}\right)}}}} 。$

(2)

式中：N为二维像素数组的行数；M为二维像素数组的列数；u、v为转换后二维像素数组的位置；x、y为图像上的坐标位置；$ {f (x,y)} $为原空间域矩阵的值。

原始图像输入式(2)后将会对信号进行拆解，形成二维对称的频段图，中心位置表示低频信号，外围数据表示高频信号，高频部分一般为特征点或噪点，而低频部分一般能量占比较高。考虑其变换的目的在于优化计算机运算过程，提高应对大量图像处理的能力，本文后续实验将不引用分析。

2 实验与分析

本文所有的数据样本均为国外Klein系列的侧扫声呐采集所得，采集场景分为船侧拖曳所采的内湖数据以及挂载在深海拖曳系统上所采的深海数据。实验结果由基于Python语言下的Opencv框架构建4种算法模型所得。

2.1 特征物提取性能对比

场景1为内河水域发现的1辆落水车辆，为方便实验算法的计算，所示图像均进行灰度化处理，由图1(a)原声呐图像中可见一特征高亮块旁侧伴随着阴影块，但由于周围的水底结构偏向硬质石底，同时附近凸起物较多，由图1(e)原图灰度曲线可见，灰度尖峰密集集中在0~50的灰度值区间内，且分布较为不均匀，因此在图像上的呈现效果一般，特征物轮廓不明显。

图1(b)和图1(f)图像为原图运用Clahe算法后的输出结果，为解决原图像灰度分布较不均的问题，在Clahe的算法中设置的灰度对比阈值为2、直方图的移动模板为10×10的像素块，对比原图像的灰度曲线有了明显的提升且灰度值分布更连续，在图像上的效果提升较明显，特征点边缘轮廓也被凸显提亮。

图1(c)和图1(g)图像为运用形态学运算后的图像，虽经过了开闭运算后，特点被明显的突出，但周遭的环境因素也被模糊处理了，在实际水下搜寻领域中，测量人员往往需要参考特征点的外部环境因素来推测出高亮点的疑似程度，因此形态学运算的处理方式并不适用于此类声呐图像判物场景中运用。

图1(d)和图1(h)图像为原图经拉普拉斯变化处理后的输出图像，定义的拉普拉斯算子为3×3的卷积核，核的大小为1，在完成变换后与原图进行叠加并输出结果，根据其灰度曲线对比可知，虽然整体的灰度值仍较多的集中在0~50区间，但经过像素点再分配后中部的灰度像素数量得到提升，反馈到图像上的效果可以明显看到亮点周遭轮廓得到提升，周围干扰因素被衰弱。

在面对单一亮点特征的情况下可采取Clahe处理法或拉普拉斯变换处理法进行精处理，原图像中的特征点轮廓均能得到较明显的优化，周围环境反射强度较高的情况下，拉普拉斯变换的处理方式要优于clahe的处理方式，而在一些亮点周围普遍较暗的场景中，使用clahe的算法会更优。

2.2 去噪点的能力对比

场景2的数据为深拖系统于南海某海区水深近2 km处采集所得，从图2(a)中原图的瀑布图上能观测到此处有较明显的地形地貌特征，但由于设备作业过程中遇突发干扰，可能为环境噪声或者设备本身不稳定性导致，其表现的特征为声呐图像上左右两侧同时出现较为密集且有规律的白噪点，实验分别用中值平滑卷积算法、Clahe自适应直方图均衡算法以及拉普拉斯变换法来分别对原图进行处理，验证3种算法去噪降噪的同时保留原特征能力的对比分析。

图2(b)图像为原图使用中值卷积后的效果，从输出图像中可以明显看出减噪效果明显，两侧基本无白噪点。实验初给定的卷积核为5×5的补零填充类型，呈现的效果中降噪的同时也把需要的地形底图模糊处理了，并不利于数据的使用，后续通过将卷积核类型更改为3×3的边界复制类型后，处理的效果如图2(f)的灰度曲线可见，即实现对白噪点过滤又保留原有的底图属性。

图2(c)和图2(g)所示的图像为原图运用Clahe算法后的输出结果，考虑实验优先去除噪点，在算法模型中设置的灰度对比阈值为40、直方图的移动模板为50×50，但输出结果可以看出底部背景环境与噪点本身进行了同步的加强，无法达到降噪去噪的目的。

图2(d)和图2(h)所示的图像为原图经拉普拉斯变化处理后的输出图像，定义的拉普拉斯算子为3×3的卷积核，核的大小为3，考虑此处为降噪的应用场景，故不采用与原图叠加的方式，根据输出图像显示，虽然噪点得到了一定层度的衰减，但仍可通过肉眼识别到有噪点的存在，并且通过灰度曲线可见因白噪点的存在干扰了算法在分配灰度值上的能力，灰度变化变得无序混乱，使得需要获取的地形数据被破坏。

面对去噪点的场景中，通过实验分析得出中值卷积性能明显要优于Clahe算法和拉普拉斯变化，而Clahe与拉普拉斯算法在进行多次微调参数后的实验中也仍未能获取到较优的数据。综合分析，在仅用一种算法处理去噪场景的情况下中值卷积处理为最优模型。

2.3 去条纹的能力对比

场景3属于深拖系统作业中较为常见的情况，由于海底地形起伏不定，且设备采集过程需要稳定在一定的离底高度区间内，所以往往在作业中需要频繁收放拖曳缆来调整设备的离底高度，同时也因拖体姿态的变换导致声呐图像上出现一系列连续波纹状的条纹。如图3(a)可见原图中部有较多密集条纹，同时附近海底地形呈现为多段沟壑状分布，实验中分别用中值平滑卷积算法、Clahe算法以及拉普拉斯变换法来对原图进行处理，验证3种算法面对沟壑地形干扰因素下的去条纹能力对比。

图3(b)和图3(f)图像为原图使用中值卷积后的结果，卷积核使用的是3×3的补零填充类型，明显看到条纹的数量减少，与原图的灰度曲线对比可明显观测到在完成变换后图像整体的能量减弱，反馈到视觉上的效果为原图像上的明显特征点被轻度模糊处理。

图3(c)和图3(g)图像为原图运用Clahe算法后的输出结果，在灰度对比阈值中设置为5、直方图的移动模板为50×50、移动步长为1，从输出图像可见其条纹上的处理能力虽不如中值卷积，但其也完成了一定层度的平滑处理，同时从灰度曲线可见灰度值的变化更连续，图片右侧地形分布的轮廓边界得到了加强。

图3(d)和图3(h)所示图像为拉普拉斯变化处理后的输出图像，对比图3(a)~图3(c)的图像效果可发现其去条纹能力最优越，但同时观察灰度曲线中发现灰度经过再分配后其值较集中的部分被重新组合，整体的效果较均衡，图像上的反馈效果为左右两侧原本的沟壑地貌被一并抹去。

综上，在面对沟壑干扰的条件下要实现条纹的平滑处理十分困难，拉普拉斯变换与中值卷积虽然具备较强的条纹处理能力，但同时也破坏原有的地形地貌，不利于对数据的利用，综合分析Clahe处理模型在应对去条纹场景中应用会更优。

3 结　语

针对侧扫声呐图像上出现的噪声干扰、姿态扰动、特征提亮等的问题，本文共引用了3种不同场景下的数据作为实验对象，分别利用Clahe限制对比度自适应直方均衡算法、形态学处理、中值卷积、拉普拉斯变换4种算法模型进行实验分析，根据实验样本情况多次调节算法模型的参数设置，通过对图像处理算法的再优化后，结果表明Clahe算法能更适合地运用在有单一亮点的特征提亮以及连续条纹的平滑处理场景中，其能优化特征点的轮廓边缘显示，抑制无关干扰元素的尖峰生成；而形态学处理能把特征高亮提取，但考虑其输出结果中往往会把周围有用的信息模糊处理，不利于在水下搜索时进行精确判图中应用；拉普拉斯变换在背景具有较强反射的情况下，其对单一亮点的提亮能力要优于其他几种模型；中值卷积算法具备优越的降噪去噪能力，结合算法参数的微调，其能更好地运用在去噪且保留特征物的场景中。实验成功验证了图形算法应用于侧扫声呐图像增强处理上的能力，分析出三类较常见的场景下各算法性能优劣，对后续面对大范围水下目标侦察后图像判别及声呐图像的精处理具有一定的实际指导意义。