0 引　言

水下无人潜航器在探测识别水下沉底小目标中得到越来越广泛的应用。潜航器携带的水下电视性能受海水透明度的影响极大，仅能作为最后阶段抵近确认目标来使用，目标搜索识别常采用搭载的小型前视声呐进行，但由于小型声呐水平分辨率较低，再加上水底砂石混响信号干扰，在识别小目标时易出现同一个目标的回波区域不连续、声呐图像上的目标边缘模糊等问题^[1]。水下沉底小目标的声呐图像一般是由高亮区、声影区和混响区3部分叠加组成，其中高亮区不一定是真实目标的回波，可能由强海底混响和假目标等组成。声呐目标识别的目的就是排除假目标干扰，准确找出真实目标的高亮区。由于沉底小目标信混比低，沉底小目标的识别至今仍是一个难题，寻求高效的声呐图像识别方法具有重要意义。

在声呐图像目标识别领域，根据声呐图像的区域分割方法成为学者们研究的重点之一^[2]。韩婷婷等^[3]提出模糊聚类算法与水平集算法相结合的分割方法，提高了声呐图像分割的速度和准确性。刘琳等^[4]采用图像分割和色彩过滤等方法实现声呐图像中水雷目标的检测识别。田原嫄^[5]提出基于小波包变换的声呐图像检测方法，该方法抵抗噪声背景干扰能力强。

基于上述情况，本文针对沉底圆柱状目标的识别问题提出多尺度匹配的水下沉底小目标声呐图像识别方法。首先对图像进行灰度归一化处理，得到能够反映回波强度信息的标准图像；再对图像进行滤波，消除噪点干扰，提升强回波区边缘清晰度；然后采用自适应阈值法分割图像，得到相对独立的连通域；最后根据目标尺度特征、回波信息和声影区进行判别，实现目标的识别。

1 声呐图像预处理 1.1 归一化处理

声呐采用声呐信号的发射与接收对水下目标进行探测，发射的声呐信号遇到物体后，会被反射回来，不同外形的物体对声信号的反射程度是不同的，从而会形成不同的反射特性。对于典型的水下圆柱状目标，其反射信号具有一定的强度特征。但是回波信号经过声呐信号处理后会形成一种伪彩色图像，不利于图像处理。因此，首先需要将伪彩色图像处理成能够反映回波信号强度的灰度图像。

本文所使用的声呐伪彩色图像的色标是由黑到黄再到白，像素点越亮代表声呐的回波强度越高。其RGB图像模式中的$ R $值（红色值）和LAB模式中的$ L $值（明度值）能够很好表征回波强度信息，同时又不会大量丢失数据，如RGB图像模式中的$ B $值（蓝色值）虽然强回波区很明显，但是丢失大量弱回波区数据。因此，选择从声呐图像中分别提取RGB模式中的$ R $值和LAB模式中的$ L $值并作归一化处理：

$ F=R\cdot L/\left(255\times100\right) 。$

(1)

式中：$ F $为归一化后的声呐图像灰度矩阵。图1为声呐初始伪彩色图像和处理之后的灰度图像。在进行归一化处理后，目标的成像颜色就转化为明暗相间的灰度，就可以根据图像中各个区域的明暗程度对目标、阴影区和混响区进行区分。

1.2 高斯滤波

对声呐灰度图像基本能反映物体的反射强度，而水底混响区则形成大范围强回波区域，这种回波特征与水下沉底小目标的反射特征一致，掩盖了真实目标的尺度信息。需要进一步对声呐图像进行卷积处理，通过滤波降低图像中的噪点信号，增加图像的平滑度，还原目标原有尺度信息。高斯滤波低通滤波是一种线性平滑滤波，原理是采用指定模板对图像中一定范围内的像素加权平均灰度值去取代区域中心像素点的值，从而实现图像的去噪。高斯低通滤波器函数$ H\left( {x,y} \right) $表达式为：

$ H\left( {x,y} \right) = {e^{\frac{{ - {D^2}\left( {x,y} \right)}}{{2{\sigma ^2}}}}} 。$

(2)

式中：$ x $和$ y $分别为二维图像的2个维度，$ D\left( {x,y} \right) $为该像素到频率矩形中心的距离，$ H $为高斯分布的标准差，即频率中心的半径。图2给出了声呐灰度图像经过高斯低通滤波处理后的去噪效果。经过滤波之后，声呐图像中的孤立噪点得到有效消除，同时强回波区域边缘不连续现象也得到有效缓解。

1.3 图像分割

将目标从声图混杂的背景中分割出来是目标识别的最重要工作之一。Otsu自适应阈值法^[6]能够适应声呐俯仰角度变化、水底杂波干扰造成的目标图像轮廓不稳定问题，可以很好的保留目标的形状，有利于后续的处理工作。因而本文选择采用Otsu自适应阈值法来进行图像分割。

图3为对高斯低通滤波后的图像进行自适应阈值分割后形成的二值化图像。可以看出，经过自适应分割后，包括目标在内的高亮度区域得以保留，形成相对独立的连通域，在一定程度上消除大范围的混响对目标检测带来的干扰。在后续的处理中，进一步对自适应分割后形成的独立连通域进行逐个判别，以排除尺度与目标不相匹配的高亮区域。

2 目标多尺度匹配识别

图像的目标识别一般根据纹理、颜色和形状等特征进行判别。但是声呐图像是根据目标回波强度进行成像的，颜色信息无法获取。另外，由于阵元数量、基阵尺寸、频率和功率的限制，波束宽度、脉冲宽度不宜过小，这就限制了成像分辨率，尤其对于沉底小目标，表面较为光滑，纹理信息弱，只能选择目标的形状特征。

对于长度为$ W $，直径为$ D $的典型圆柱状小目标，其在声呐图像上的回波信号具有典型的特征主要包括：

1）尺寸匹配。在声呐图像中的轮廓具有一定的稳定性，基本近似为四边形，且长边比短边长的多，经过换算后的长度、宽度和长宽比在一定范围内。

2）回波强度匹配。真实目标在声图上的亮度明显高于混响背景，但不一定高于水底砂石等较大目标；

3）声影区匹配。区别于强噪声、强混响干扰，真实目标在远离声呐源的一侧有形状近似为四边形的规则声影区，且声影区回波强度明显低于混响背景。

按照以上判据顺序，逐步排除干扰连通域，直至保留最终的疑似目标。

2.1 目标尺寸匹配

通常情况下，图像分割后形成的各个独立的连通域形状不是很规则，需要用一个统一的形状描述其尺度。在二值图像中，与连通域具有相同二阶中心矩的椭圆面积与连通域相同，其长短轴能够反映目标形状特征^[7]。因此，采用与连通域具有相同二阶中心矩的椭圆的长短轴来表征连通域的尺度信息。连通域的长边长度用拟合椭圆的长轴长度$ w $来表征，短边长度用拟合椭圆的短轴长度$ d $来表征，则连通域的长宽比可以用$ {w \mathord{\left/ {\vphantom {w d}} \right. } d} $来近似表征。针对典型的圆柱体外形目标，考虑声呐探测角度影响，声呐图像上的连通域经过换算成真实尺寸后的范围为：

$ \left\{ \begin{gathered} w \in \left( {0.5W,1.5W} \right)，\\ d \in \left( {0.5D,1.5D} \right)，\\ {w \mathord{\left/ {\vphantom {w {d \in \left( {{\varphi _1},{\varphi _2}} \right)}}} \right. } {d \in \left( {{\varphi _1},{\varphi _2}} \right)}}。\\ \end{gathered} \right. $

(3)

式中：$ {\varphi _1} $和$ {\varphi _2} $需要根据真实目标长宽比确定。以声图中需要探测的目标为例，圆柱状小目标长度为0.35 m，直径为0.08 m，代入目标识别程序后，将图3中的大部分不符合尺寸范围的干扰连通域排除，图4中留下图像1和图像2各有3个疑似目标。可以看出，尺寸匹配判据能够很好地排除大多数无效区域的干扰。

经过目标尺寸匹配滤除尺寸不符合的假目标后，仍有数量较多的疑似目标，需要进一步的剔除假目标。

2.2 目标回波强度匹配

在对图像进行自适应阈值分割时，为最大限度保证真实目标不被排除以及保留图像轮廓信息，阈值设定一般较高，这就会导致回波强度较低的区域也会被保留下来，形成的连通域也可能满足尺度要求。为了弥补这一缺陷，需要对疑似目标区域在原始声呐图像中的回波强度进行匹配。如前文所述，LAB模式中的$ L $值（明度值）能够很好表征回波强度信息^[8]。因此，求取疑似目标连通域内的明度信息均值：

$ {l_k} = \frac{{\sum\limits_1^n {{L_i}} }}{{n \times 255}} \geqslant {\psi _1}。$

(4)

式中：$ {l_k} $为第$ k $个连通域的平均明度；$ n $为该连通域的像素点数量；$ {L_i} $为第$ i $个像素的明度值；$ {\psi _1} $为设定的明度阈值。图5为进行回波强度匹配后的结果，可以发现，原本图像1中的3个疑似目标缩减为2个，图像2中原本3个疑似目标回波强度均满足阈值要求，所以无假目标排除。

2.3 声影区回波强度匹配

声呐图像的强回波区可能是无人潜航器自身的噪声干扰或者体积混响的影响，形成的部分假目标的尺寸与真实目标相近，回波强度很大，甚至高于真实目标，经过尺寸匹配和回波强度匹配处理后，仍然难以从疑似目标中排除。

无人潜航器是潜入水下工作的，其距离水底的目标一般较近，声呐能量集中，真实目标一般会在声呐图像中存在声影。因此，对于沉底目标还有声影区这一显著特征可以作为辅助判别依据。在目标远离声呐的一侧，由于目标的遮挡，其后侧存在规则的弱回波区，声影的范围可以根据声呐高度$ h $、目标距离$ r $、目标姿态以及目标尺寸计算确定范围。

圆柱状目标沉在水底，其左右两侧的声影长度$ {s_{{L}}} $和$ {s_{{R}}} $及延伸方向是不同的，与声呐的距离$ {r_{{L}}} $、$ {r_{{R}}} $和声呐距离水底的高度$ h $以及该侧高度$ {d_{{L}}} $和$ {d_{{R}}} $有关，计算得到如下公式：

$ \left\{ \begin{gathered} {s_{{L}}} = \frac{{{r_{{L}}}{d_{{L}}}}}{{h - {d_{{L}}}}}，\\ {s_{{R}}} = \frac{{{r_{{R}}}{d_{{R}}}}}{{h - {d_{{R}}}}}。\\ \end{gathered} \right. $

(5)

式中：下标L和R表示圆柱状目标的左右两侧。以上公式可以大致计算出声影区的范围，再将其换算到声呐图像的相应坐标即可获取声影区像素坐标。声图中，连通域的最左侧和最右侧坐标$ {C_{{L}}} $、$ {C_{{R}}} $，声呐原点坐标$ {C_{{S}}} $，$ x $轴正向单位向量$ I $，左右两侧的声影区长度$ {s_{{L}}} $和$ {s_{{R}}} $，经过坐标转换得到声图中声影顶点坐标$ {C_{{{SL}}}} $和$ {C_{{{SR}}}} $分别为：

$ {\left\{ \begin{array}{l}{C}_{{SL}} = {C}_{{L}}+\left({s}_{{L}}\displaystyle\frac{\left({C}_{{L}}-{C}_{{S}}\right)\cdot I}{\left|{C}_{{L}}-{C}_{{S}}\right|},-{s}_{{L}} \ \mathrm{sin}\left(\mathrm{arc}\mathrm{cos}\left(\frac{\left({C}_{{L}}-{C}_{{S}}\right)\cdot I}{\left|{C}_{{L}}-{C}_{{S}}\right|}\right)\right)\right)，\\ {C}_{{SR}} = {C}_{{R}}+\left({s}_{{R}}\displaystyle\frac{\left({C}_{{R}}-{C}_{{S}}\right)\cdot I}{\left|{C}_{{L}}-{C}_{{S}}\right|},-{s}_{{R}}\ \mathrm{sin}\left(\mathrm{arc}\mathrm{cos}\left(\frac{\left({C}_{{R}}-{C}_{{S}}\right)\cdot I}{\left|{C}_{{R}}-{C}_{{S}}\right|}\right)\right)\right)。\end{array} \right.}$

(6)

得到声影远端坐标，与连通域左右两端坐标围成四边形，排除连通域内的像素，即可得到声影像素坐标。提取对应像素区域的明度，计算该范围内的平均明度与混响区的平均明度的比值。若平均明度比值小于设定的阈值$ {\psi _2} $，则可认为该疑似目标在远离声呐一侧有声影，该目标为真实目标，否则为干扰目标。如图6所示，经过声影区回波强度匹配后，最终确定左侧疑似目标为真实目标并锁定方位，疑似目标在远离声呐一侧不存在声影区，被有效排除。

3 结　语

本文根据无人潜航器搭载声呐图像的基本特征，采用图像回波强度变换、图像滤波去噪和声影区判别等关键技术，提出一种多尺度匹配的声呐图像识别方法。从图像实验结果可以得出以下结论：

1）采用自适应阈值图像分割技术对不同的区域进行图像分割，使得图像分割更加合理；

2）根据目标参数和声呐高度等尺度信息进行目标尺寸匹配，能够有效排除声图中大多数假目标的干扰；

3）声影区是真实目标的显著特征，声影区回波强度判别在存在多个疑似目标的潜航器搭载声呐图像识别有效，可以作为辅助识别手段；

4）对该方法对混响强度大、范围广，底噪明显的声呐图像进行了实验，得到正确的识别结果，验证了方法的有效性。