CN103426145A - 一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法 - Google Patents

Abstract

本发明公开了一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法。该方法包括：步骤1：通过对数处理，将原始合成孔径声纳图像中的相干斑噪声转换成加性噪声，得到对数处理图像；步骤2：对所述对数处理图像进行小波阈值去噪处理，得到重构图像；步骤3：对所述重构图像进行指数处理。本发明解决了现有技术不能处理合成孔径声纳图像中的合成孔径相干斑噪声的问题。本发明提供的方法提高了含有目标的合成孔径声纳图像的目标与背景的灰度对比度，有利于后续的图像处理过程，还能够使地貌合成孔径声纳图像的不同底质区域之间的边缘更加明显，从而有利于后续的图像分割以及底质特性分析等图像处理。

Description

一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法

技术领域

本发明涉及SAS(synthetic aperture sonar，合成孔径声纳)图像处理领域，具体地说，本发明涉及一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法。

背景技术

合成孔径声纳是一种高分辨率的水下成像声纳，其可以获得高质量的水下图像数据。合成孔径技术利用多个回波相干叠加得到一个孔径，从而使合成孔径声纳设备在方位向保持较高的分辨率。在合成一个孔径的过程中，合成孔径声纳使用的声波波源具有相干性，从而导致相干斑噪声。相干斑噪声的存在使SAS图像不能正确反映目标的反射特性，严重影响了图像的质量，降低了对合成孔径声纳图像的分析和理解性能。相干斑噪声使边缘检测的结果不准确，影响图像分割效果；目标特征的稳定性受到干扰，分类正确率下降；相干斑噪声遮盖一些反射强度不大的真实目标和大部分点目标，给目标检测造成极大困难。因此，相干斑抑制是合成孔径声纳图像应用研究的重要课题，同时也是图像处理的一个重要环节。

一个良好的合成孔径声纳图像相干斑抑制算法必须在有效抑制相干斑噪声的同时，尽量保持图像中的边缘、点目标等细节信息，但是抑制相干斑噪声和保持图像细节信息是矛盾的两个方面。抑制相干斑噪声的方法有很多种，总的来说可以分为两类：空域方法和变换域方法。空域方法基本上可以分为两类：一类是没有利用相干斑噪声统计特性的滤波方法，如中值滤波、均值滤波等；另一类是基于图像局部统计特性的自适应滤波算法，如Gamma-MAP滤波、Lee滤波、Frost滤波、Kuan滤波等。

多尺度分析是指由粗到细或由细到粗地在不同尺度(分辨率)上对事物进行分析。小波变换具有多分辨特性。小波多尺度分析又称多分辨分析（MRA，MultipleResolution Analysis）。随着小波的出现以及多分辨分析的发展，许多学者提出变换域图像去噪方法，并应用于图像相干斑抑制。1995年D.D.Donoho在小波变换的基础上提出阈值去噪算法(David L.Donoho.De-noising by Soft-thresholding.IEEETransactions on Information Theory.1995.41(3).P613-627)，其主要理论依据是信号在小波域内，能量主要集中在有限的几个系数中，而噪声的能量却分布在整个小波域内，采用阈值方法可以保留大部分信号系数，而将大部分噪声系数减少到零。但Donoho阈值算法主要针对高斯白噪声，高斯白噪声是指噪声的幅度分布服从高斯分布，而噪声的功率谱密度又是均匀分布的一种噪声，高斯白噪声是加性噪声。合成孔径声纳图像主要是相干斑噪声，相干斑噪声是一种乘性噪声，在降低图像质量的同时，其还会增加SAS图像边缘检测、图像分割和目标识别等处理的难度。Donoho采用的方法无法抑制合成孔径相干斑噪声。

发明内容

本发明的目的在于，提供一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法，解决了现有小波阈值去噪算法不能处理合成孔径声纳图像中的合成孔径相干斑噪声的问题，实现了在保持合成孔径声纳图像边缘细节的基础上，对合成孔径声纳图像相干斑噪声进行有效抑制的目的。

为解决上述技术问题，本发明是通过以下方法来解决的：

步骤1：通过对数处理，将原始SAS图像的相干斑噪声转换成加性噪声；

步骤2：对所述加性噪声进行小波阈值去噪处理；

步骤3：对由上述小波阈值去噪处理得到的重构图像矩阵进行指数处理。

作为上述方法的一种改进，在所述步骤1中，将原始合成孔径声纳图像中的相干斑噪声转换成加性噪声得到对数处理图像的步骤为：

设合成孔径声纳图像中的相干斑噪声数学模型为：I(i,j)＝σ(i,j)·n(i,j)，其中，(i,j)是合成孔径声纳图像单个分辨单元内的方位向和距离向坐标，I(i,j)是观测到的合成孔径声纳图像强度，σ(i,j)代表随机的海底目标的散射特性，n(i,j)为成像过程中所造成的斑点噪声，可以将n(i,j)看成均值为1的平稳噪声；对I(i,j)＝σ(i,j)·n(i,j)进行对数处理得到：

logI(i,j)＝logσ(i,j)+logn(i,j)

令J(i,j)＝logI(i,j)，s(i,j)＝logσ(i,j)，noise(i,j)＝logn(i,j)，则原始图像变换为J(i,j)＝s(i,j)+noise(i,j)。

作为上述方法的另一种改进，上述步骤2还包括：

小波变换步骤：对对数处理图像矩阵进行小波分解，得到系数矩阵；

阈值去噪步骤：对所述系数矩阵进行阈值处理，得到系数收缩矩阵；

小波重构步骤：对所述系数收缩矩阵进行小波逆变换，得到逆小波变换矩阵。

作为上述方法的再一种改进，在阈值去噪步骤中，将小波变换矩阵中的每个小波系数分别与所选的阈值进行比较，将大于阈值的小波系数改为该小波系数与阈值之差，将小于负阈值的小波系数改为该小波系数与阈值之和，将小于阈值的小波系数改为0。

与现有技术相比，本发明具有以下优点：本发明将乘性噪声转化成加性噪声，然后利用小波阈值降噪的算法进行处理，能够显著降低SAS图像中的相干斑噪声；对于含有目标的SAS图像，可以提高目标与背景的灰度对比度，从而有利于后续的图像处理过程（比如目标检测、分类和识别等）；对于地貌SAS图像，能够使不同底质区域之间的边缘更加明显，从而有利于后续的图像分割以及底质特性分析等图像处理。

附图说明

图1为本发明的基于多分辨分析的合成孔径声纳相干斑噪声抑制流程图；

图2为本发明实施例1对含有目标的SAS图像进行处理的流程图；

图3为原始目标图像；

图4为相干斑噪声被抑制后的目标图像；

图5为原始地貌图像；

图6为相干斑噪声被抑制后的地貌图像。

具体实施方式

下面结合附图和具体实施例对本发明进行详细的说明。

小波阈值去噪的理论依据是小波变换具有能量集中性质。由于小波在时频域都具有良好的局部性，同时小波尺度特性使得信号在小波域的表示通常是简洁的。如果一个信号的能量在小波域集中在少数系数上，那么相对来说，这些系数的取值通常大于那些信号能量在小波域中分散于大量小波系数上的值。图像经过小波变换后，由图像得到的小波系数包含有关图像的重要信息，并且主要集中在幅值较高的少数小波系数中。噪声所对应的小波系数幅值较小，但噪声的能量却分布在整个小波域内，且小波系数幅值相差不大，尤其是在大尺度情况下，这时噪声的小波变换系数往往很小且数目很多；而信号变换后的小波系数幅值较大且数目较少。由此可利用信号小波系数幅值与噪声小波系数幅值的差异构造降噪方法。对于信号的小波系数，设定一个阈值，大于该阈值的系数认为是理想信号的小波系数，予以保留；而小于该阈值的系数则认为是噪声分量的小波系数，去除这些系数就可以达到降低噪声的目标。

小波相干斑去噪的本质就是对图像小波变换后的小波系数进行一定的处理，达到相干斑噪声抑制的目标。由于小波图像去噪针对的是加性噪声，而相干斑噪声为乘性噪声，通过对数变换把相干斑噪声转化为加性噪声，就可以利用现有的各种小波去噪方法进行处理了。小波阈值去噪算法不仅可以较好地抑制噪声，而且还可以很好地保留原始图像的特征，因而具有良好的去噪效果。事实上，在均方误差意义上可以证明阈值算法能够得到原始图像的最优估计。

图1显示了基于多分辨分析的合成孔径声纳相干斑噪声抑制流程图，下面对该抑制流程进行详细描述，其中图像可以用二维矩阵描述，在本发明中，对矩阵的处理等价于对图像的处理。

第一步：将原始SAS图像中的相干斑噪声转换成加性噪声：

由于SAS图像相干斑噪声具有乘性噪声的性质，而Donoho等人的模型建立在高斯加性噪声的基础之上，这就需要对原始SAS图像进行对数变换，以将SAS图像中的相干斑噪声转化为加性噪声，相干斑噪声为乘性噪声的理论推导过程为现有技术，在此不作详细描述。

将乘性噪声转化为加性噪声的具体步骤为：

SAS图像中的相干斑噪声数学模型为：I(i,j)＝σ(i,j)·n(i,j)，其中，(i,j)是SAS图像单个分辨单元内的方位向和距离向坐标，I(i,j)是观测到的SAS图像强度（含有乘性斑点噪声），σ(i,j)代表随机的海底目标的散射特性（不含乘性斑点噪声），也可以称之为场景，n(i,j)为成像过程中所造成的斑点噪声，可以将n(i,j)看成均值为1的平稳噪声。

对SAS图像进行对数处理的步骤如下：

logI(i,j)＝logσ(i,j)·n(i,j)

＝logσ(i,j)+logn(i,j)

令J(i,j)＝logI(i,j)，s(i,j)＝logσ(i,j)，noise(i,j)＝logn(i,j)，则原始图像变换为J(i,j)＝s(i,j)+noise(i,j)，从而将原始图像的乘性噪声转换为加性噪声，得到对数处理图像。

第二步：对对数处理图像进行小波阈值去噪处理

小波阈值去噪算法主要由三个步骤组成：

1、小波变换步骤：对含有相干斑噪声的SAS图像进行小波变换（也称小波分解），得到各分辨率下的小波系数，也即得到小波变换矩阵（也称系数矩阵）；

2、阈值去噪步骤：保留最低频近似系数，也就是保留大尺度低分辨率下的全部小波系数，对其它高频细节系数进行非线性阈值处理。这里采用的阈值算法为Visushrink阈值，阈值为其中σ是噪声标准差，N表示图像的像素数，Donoho等人在高斯噪声模型下，提出信号去噪的软阈值算法，并推导出计算Visushrink阈值的公式，并从理论上证明在均方意义下该阈值是最优解，设定一个阈值，阈值滤波就是把小波系数的幅值同一个阈值进行比较，把小于该阈值的小波系数置为零；对于大于或等于给定阈值的小波系数，则减去该阈值，得到系数收缩矩阵；本发明实施例采用软阈值算法,设I_i,j为原始小波系数，

表示阈值处理后的小波系数，λ表示阈值。

软阈值函数如下：

${\hat{I}}_{i,j}=\left\{\begin{array}{cc}{I}_{i,j}-\mathrm{\&lambda;}& I_{i,j}\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|I_{i,j}\right|<\mathrm{\&lambda;}\\ I_{i,j}+\mathrm{\&lambda;}& I_{i,j}\&le;\mathrm{\&lambda;}\end{array}\right.$

将含噪图像的小波系数与所选阈值λ进行比较，大于阈值λ的点收缩为该点的值与阈值的差；小于-λ的点收缩为该点的值与阈值的和；幅值小于阈值λ的点置为零，即：将小波变换矩阵中的每个小波系数分别与所选的阈值进行比较，将大于阈值的小波系数改为该小波系数与阈值之差，将小于负阈值的小波系数改为该小波系数与阈值之和，将小于阈值的小波系数改为0。

3、小波重构步骤：对系数收缩矩阵（也即进行阈值处理后的图像矩阵）做逆小波变换，由所有低频近似系数，已经经过阈值处理的细节系数进行小波重构，得到去噪后的重构图像矩阵。

第三步：对逆小波变换矩阵（也称重构图像矩阵）进行指数处理，于是得到抑制了相干斑噪声的图像。

实施例1：

采用本发明提供的方法对含有目标的SAS图像进行处理的步骤如下：

步骤1：使用Matlab软件读入一幅原始SAS图像A，如图2所示。在Matlab中，图像等价于二维矩阵，只要是矩阵都可以表示成图像。假设该原始SAS图像的矩阵形式用A[i，j]表示，其中i表示距离向坐标，取值范围是[1，512]；j表示方位向坐标，取值范围是[1，512]；

步骤2：对SAS图像矩阵A[i，j]做对数处理，得到对数处理图像矩阵B[i，j]，即B[i，j]=log A[i，j]，矩阵B中的每个元素都是矩阵A中对应元素的对数；

步骤3：对对数处理图像矩阵B[i，j]进行小波分解，得到小波变换矩阵C，即C=wdec(B)；

步骤4：对小波变换矩阵进行阈值处理，也就是说把小于给定阈值的小波系数置为零，对于大于或等于给定阈值的小波系数，则减去该阈值，从而可以得到新的系数矩阵D（也叫系数收缩矩阵）；

步骤5：对系数收缩矩阵D进行小波逆变换，可以得到小波阈值降噪后的逆小波变换矩阵E，即E=wrec(D)；

步骤6：对逆小波变换矩阵E进行指数处理，得到指数变换图像F，F=exp（E），也就是说，F是基于多分辨分析的合成孔径声纳图像相干斑噪声抑制的处理结果。对含有目标的SAS图像进行处理的结果如图3和图4所示，其中，图3是未经过处理的原始图像，从中可以看到显著的斑点噪声；图4是经过相干斑抑制处理后的图像，从中可以看出相干斑噪声得到很好的抑制。在使用相干斑噪声抑制算法处理后，图像中目标的灰度并没有受到很大影响，而背景中的相干斑噪声却受到很好的抑制，目标与背景的灰度对比明显增强。由于背景占据图像的绝大部分区域，因此，处理后的图像相对原始图像来说，图像的整体灰度下降。

实施例2：

采用本发明提供的方法还可以对地貌SAS图像进行处理，处理效果如图5和图6所示，处理过程与实施例1相同。其中，图5为SAS对一片地貌区域的成像结果，可以看到不同地质区域及其边缘，边缘受到相干斑噪声严重影响而呈现破碎现象；图6为经过相干斑抑制后的地貌图像，相干斑噪声得到很好的抑制。相干斑噪声处理后的地貌图像的不同底质区域之间的边缘更加光滑，而且边缘没有模糊，边缘破碎情况得到缓解。相干斑噪声抑制算法处理后，均匀底质区域的相干斑噪声受到抑制，使其灰度值降低，而边缘并没有受到显著影响，故边缘和均匀底质区域的灰度对比度得到增强。边缘在图像中占据的区域虽然没有均匀底质多，但是依然是较大的部分，因此，处理后的图像相对原始图像来说，图像的整体灰度上升。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于多分辨分析的合成孔径声纳相干斑噪声抑制方法，其包括以下步骤：

步骤1：通过对数处理，将原始合成孔径声纳图像中的相干斑噪声转换成加性噪声，得到对数处理图像；

步骤2：对所述对数处理图像进行小波阈值去噪处理，得到重构图像；

步骤3：对所述重构图像进行指数处理。

2.根据权利要求1所述的方法，其特征在于，在所述步骤1中，将原始合成孔径声纳图像中的相干斑噪声转换成加性噪声得到对数处理图像的步骤为：

设合成孔径声纳图像中的相干斑噪声数学模型为：I(i,j)＝σ(i,j)·n(i,j)，其中，(i,j)是合成孔径声纳图像单个分辨单元内的方位向和距离向坐标，I(i,j)是观测到的合成孔径声纳图像强度，σ(i,j)代表随机的海底目标的散射特性，n(i,j)为成像过程中所造成的斑点噪声，可以将n(i,j)看成均值为1的平稳噪声；对I(i,j)＝σ(i,j)·n(i,j)进行对数处理得到：

logI(i,j)＝logσ(i,j)+logn(i,j)

令J(i,j)＝logI(i,j)，s(i,j)＝logσ(i,j)，noise(i,j)＝logn(i,j)，则原始图像变换为J(i,j)＝s(i,j)+noise(i,j)。

3.根据权利要求1或2所述的方法，其特征在于，所述步骤2还包括：

小波变换步骤：对所述对数处理图像的矩阵进行小波变换，得到系数矩阵；

阈值去噪步骤：对所述系数矩阵进行阈值处理，得到系数收缩矩阵；

小波重构步骤：对所述系数收缩矩阵进行小波逆变换，得到逆小波变换矩阵。

4.根据权利要求3所述的方法，其特征在于，在所述阈值去噪步骤中，将小波变换矩阵中的每个小波系数分别与所选的阈值进行比较，将大于阈值的小波系数修改为该小波系数与阈值之差，将小于负阈值的小波系数修改为该小波系数与阈值之和，将小于阈值的小波系数修改为0。

Images