CN105785349A - 一种相控阵三维声学摄像声呐的噪声去除方法 - Google Patents

Abstract

本发明公开了一种相控阵三维声学摄像声呐的噪声去除方法，包括：获取声呐数据，将每帧声呐数据对应的声呐图像转换为全局坐标系下的点云数据；针对声呐图像中某个数据点，求取该数据点的邻域中的每个数据点的加权系数；计算邻域的加权中心点；计算邻域中所有数据点的拟合平面方向以及法向量；将邻域的加权中心点沿拟合平面的法向量方向偏移；将偏移后的加权中心点沿拟合平面移动，得到拟合点；利用拟合点代替原数据点；对声呐图像中的所有数据点进行同样的替换操作，完成噪声去除。本发明速度快、计算量小，易于实现，细节保留较好，可以避免数据收缩问题，对孤立点具有良好的鲁棒性。

Description

一种相控阵三维声学摄像声呐的噪声去除方法

技术领域

本发明涉及相控阵三维声学摄像声呐技术领域，具体涉及一种相控阵三维声学摄像声呐的噪声去除方法。

背景技术

相控阵三维摄像声呐系统是一种新型的水下三维声学成像系统，与通用的图像声呐(如侧扫声呐、多波束声呐)相比具有图像清晰、实时性好等优点，在港口实时监测、自动报警系统及蛙人水下作业保护等方面具有广泛的应用价值。

但是在声呐图像采集计算过程中，由于水下环境的复杂性及系统本身的影响，采集到的声呐图像不可避免地会带有噪声干扰，因此，在后续的声呐图像处理中，如3D重建，目标识别，必须首先去除噪声的干扰。

目前的大多数声学摄像声呐噪声去除方法在保持细节及计算量上仍然存在一定的限制，因此，研究相控阵三维摄像声呐噪声去除方法具有重要的工程实用价值和理论指导意义。

发明内容

本发明提供了一种相控阵三维声学摄像声呐的噪声去除方法，速度快、计算量小，易于实现，细节保留较好，可以避免数据收缩问题，对孤立点具有良好的鲁棒性。

一种相控阵三维声学摄像声呐的噪声去除方法，包括：

步骤1，获取声呐数据，将每帧声呐数据对应的声呐图像转换为全局坐标系下的点云数据；

步骤2，针对声呐图像中某个数据点，求取该数据点的邻域中的每个数据点的加权系数；

步骤3，根据加权系数，计算对应邻域的加权中心点；

步骤4，依据加权中心点，以及加权系数获得协方差矩阵，并依据协方差矩阵求得邻域中所有数据点的拟合平面方向，以及拟合平面的法向量；

步骤5，将邻域的加权中心点沿拟合平面的法向量方向偏移，偏移量为邻域中所有数据点与加权中心点的距离在拟合平面法向量方向上的投影长度；

步骤6，将偏移后的加权中心点沿拟合平面移动，得到拟合点，移动量为原始数据点到偏移后的加权中心点的距离在拟合平面上的投影长度；

步骤7，利用拟合点代替原数据点；

步骤8，对声呐图像中的所有数据点进行步骤2～步骤7的操作，完成噪声去除。

步骤1中，通过网络逐帧获取声呐数据，将每帧声呐数据对应的范围图像依据多波束相控阵系统的位置信息和状态信息转换为全局坐标系下的点云数据；

每帧声呐图像的点云数据中任意选取一个数据点p进行步骤2～步骤7的操作，利用步骤7得到的拟合点替代原始的数据点p，对每帧声呐图像中的所有数据点进行步骤2～步骤7的操作，完成噪声的去除。

步骤2中对每帧声呐图像中的每个数据点进行邻域划分，并进行标记，数据点的邻域大小依据实验进行选择。

作为优选，步骤2中，依据下式计算加权系数w_i：

$w_i=\left\{\begin{array}{c}1,d_i=0\\ \frac{1}{d_i\·\mathrm{\Σ}Dmean\left(N_{\left(p_j\right)}\right)}\end{array}\right.,others$

式中，d_i表示数据点p_i到平均中心点的距离；

表示邻域中的所有数据点与平均中心点的距离和；

对邻域中所有数据点的坐标进行平均得到所述平均中心点。

作为优选，步骤3中，依据下式计算加权中心点

$\stackrel{\‾}{p_W}=\frac{{\mathrm{\Σw}}_i{p}_i}{{\mathrm{\Σw}}_i}$

式中：w_i为数据点p_i的加权系数。

作为优选，步骤4中，协方差矩阵C_w如下：

$C_w=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(p_i-\stackrel{\‾}{p_w}){(p_i-\stackrel{\‾}{p_w})}^T\{\sqrt{w_1},...\sqrt{w_n}\}$

式中，n为邻域中数据点的个数，T表示转置，w₁～w_n分别为数据点对应的权重系数。

作为优选，步骤4，计算协方差的特征值λ₁、λ₂、λ₃及对应的特征向量v₁、v₂、v₃，其中λ₁>λ₂>λ₃，v₁和v₂确定对应邻域的拟合平面方向，v₃为拟合平面的法向量。

作为优选，步骤5中，依据下式计算偏移后的加权中心点：

${\stackrel{\‾}{p}}^{\′}=\stackrel{\‾}{p_w}+d_m{n}_p$

式中，表示偏移后的加权中心点；

n_p为拟合平面的单位法向量，由v₃归一化后得到；

d_m为邻域中各数据点与加权中心点的距离在n_p上的投影长度的平均值。

作为优选，步骤6中，依据下式计算拟合点

${{\stackrel{\‾}{p}}^{\′}}_{new}=\left(\right(p-{\stackrel{\‾}{p}}^{\′}),T)\·T+{\stackrel{\‾}{p}}^{\′}$

式中，p为步骤2中所针对的数据点；

T表示拟合平面。

步骤2～步骤7中均针对同一数据点的邻域进行操作，本发明中，通过遍历每帧声呐图像中的所有数据点，利用加权PCA算法获得每个声呐数据点邻域中所有点的拟合平面及拟合平面的法向量，通过将邻域内所有数据点的平均坐标沿着拟合平面的法向量及拟合平面内做适当的偏移，替代原先的声呐数据点，完成噪声去除。

相对于现有技术，本发明具有以下有益的技术效果：

(1)进行噪声去除时，不需要预先的网格连接或局部的多项式拟合过程；

(2)使用加权PCA算法，可以有效消除孤立点的影响，通过将平均中心点在法向量和拟合平面的适当偏移，避免过度平滑和数据收缩。

(3)简单、快速，能较好的保证尖锐的细节，对孤立点具有良好的鲁棒性，有效地实现了相控阵三维声学摄像声呐的噪声去除功能。

附图说明

图1为本发明相控阵三维声学摄像声呐的噪声去除方法的流程图。

具体实施方式

下面结合附图，对本发明相控阵三维声学摄像声呐的噪声去除方法做详细描述。

如图1所示，一种相控阵三维声学摄像声呐的噪声去除方法，包括：

步骤1，采集声呐数据，并通过网络发送，通过网络逐帧获取声呐数据，将每一帧声呐数据对应的声呐图像依据声呐系统的位置信息和状态信息转换为全局坐标系下的点云数据，得到一帧声呐图像的点云数据。

步骤2，遍历一帧声呐图像的点云数据中的每一个数据点，寻找每个数据点的邻域，进行标记。

步骤3，计算每个数据点邻域(邻域包括数据点本身)的平均中心点，进行加权主成分分析(PCA)，得到该邻域内所有数据点的拟合平面及拟合平面的法向量，将平均中心点沿拟合平面的法向量方向及拟合平面方向做适当的偏移，以偏移后的拟合点代替原始的数据点。对一帧声呐图像的所有数据点进行处理后，完成去除噪声工作。

对每个邻域进行处理时，首先进行加权系数分配，对邻域中的所有数据点的坐标进行平均获取平均中心点，然后计算每个数据点与该平均中心点的距离，邻域中每个数据点的加权系数与该数据点到平均中心点的距离成反比，如式(Ⅰ)。

$w_i=\left\{\begin{array}{c}1,d_i=0\\ \frac{1}{d_i\·\mathrm{\Σ}Dmean\left(N_{\left(p_j\right)}\right)}\end{array}\right.,others---\left(I\right)$

式(Ⅰ)中，d_i表示数据点p_i到平均中心点的距离；表示邻域中的所有数据点与平均中心点的距离和；w_i为数据点p_i的加权系数。当邻域中的某个数据点到平均中心点的距离为0时，则加权系数为1；距离不为0，加权系数为距离的反比。

在得到加权系数后，重新计算加权后的加权中心点如式(II)

$\stackrel{\‾}{p_W}=\frac{{\mathrm{\Σw}}_i{p}_i}{{\mathrm{\Σw}}_i}---\left(II\right)$

式(II)中，w_i表示邻域中数据点p_i的加权系数，p_i表示邻域中的某一个数据点。

在获得加权中心点后，根据该加权中心点求该邻域中各数据点的协方差矩阵C_w，如式(III)。

$C_w=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(p_i-\stackrel{\‾}{p_w}){(p_i-\stackrel{\‾}{p_w})}^T\{\sqrt{w_1},...\sqrt{w_n}\}---\left(III\right)$

该协方差矩阵为对称半正定的3×3矩阵，n为邻域内所有数据点的个数；对该协方差矩阵求特征值λ₁、λ₂、λ₃及对应的特征向量v₁、v₂、v₃，其中λ₁>λ₂>λ₃，向量v₁和v₂表征了该邻域所有数据点的拟合平面方向，向量v₃为该拟合平面的法向量，对该法向量进行归一化处理得到该拟合平面的单位法向量。

获取单位法向量后，为保证声呐图像的细节部分，防止过度平滑，将邻域中的加权中心点沿拟合平面的法向量方向偏移，偏移的大小为邻域中各数据点与加权中心点的距离在单位法向量上的投影长度的平均值。根据式(IV)计算。

${\stackrel{\‾}{p}}^{\′}=\stackrel{\‾}{p_w}+d_m{n}_p---\left(IV\right)$

其中表示偏移后的加权中心点，为加权计算得到的加权中心点，n_p为拟合平面的单位法向量，d_m为邻域中各数据点与加权中心点的距离在n_p上的投影长度的平均值，采用式(Ⅴ)计算得到。

$d_m=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}\left|\right|n_p(p_i-{\stackrel{\‾}{p}}_w)\left|\right|---\left(V\right)$

当用偏移后的加权中心点代替原始数据点时，存在数据点位置的收缩现象，因此需对偏移后的加权中心点进行补偿。将偏移后的加权中心点沿着拟合平面移动，移动大小为原始数据点p到偏移后的加权中心点的距离在拟合平面的投影，采用式(VI)计算得到。

${{\stackrel{\‾}{p}}^{\′}}_{new}=\left(\right(p-{\stackrel{\‾}{p}}^{\′}),T)\·T+{\stackrel{\‾}{p}}^{\′}---\left(VI\right)$

式(VI)中表示经过修正后的拟合点，T表示上文中的拟合平面。

对邻域中的每个原始数据点p，用代替，对一帧声呐图像中的所有数据点采用相同的方式处理完毕后，噪声去除工作完成。

Claims (7)

1.一种相控阵三维声学摄像声呐的噪声去除方法，其特征在于，包括：

步骤1，获取声呐数据，将每帧声呐数据对应的声呐图像转换为全局坐标系下的点云数据；

步骤2，针对声呐图像中某个数据点，求取该数据点的邻域中的每个数据点的加权系数；

步骤3，根据加权系数，计算对应邻域的加权中心点；

步骤4，依据加权中心点，以及加权系数获得协方差矩阵，并依据协方差矩阵求得邻域中所有数据点的拟合平面方向，以及拟合平面的法向量；

步骤5，将邻域的加权中心点沿拟合平面的法向量方向偏移，偏移量为邻域中所有数据点与加权中心点的距离在拟合平面法向量方向上的投影长度；

步骤6，将偏移后的加权中心点沿拟合平面移动，得到拟合点，移动量为原始数据点到偏移后的加权中心点的距离在拟合平面上的投影长度；

步骤7，利用拟合点代替原数据点；

步骤8，对声呐图像中的所有数据点进行步骤2～步骤7的操作，完成噪声去除。

2.如权利要求1所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤2中，依据下式计算加权系数w_i：

$w_i=\left\{\begin{array}{c}1,d_i=0\\ \frac{1}{d_i\·\mathrm{\Σ}Dmean\left(N_{\left(p_j\right)}\right)}\end{array}\right.,others$

式中，d_i表示数据点p_i到平均中心点的距离；

表示邻域中的所有数据点与平均中心点的距离和；

对邻域中所有数据点的坐标进行平均得到所述平均中心点。

3.如权利要求2所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤3中，依据下式计算加权中心点

$\stackrel{\‾}{p_W}=\frac{{\mathrm{\Σw}}_i{p}_i}{{\mathrm{\Σw}}_i}$

式中：w_i为数据点p_i的加权系数。

4.如权利要求3所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤4中，协方差矩阵C_w如下：

$C_w=\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}(p_i-\stackrel{\‾}{p_w}){(p_i-\stackrel{\‾}{p_w})}^T\{\sqrt{w_1},...\sqrt{w_n}\}$

式中，n为邻域中数据点的个数，T表示转置，w₁～w_n分别为数据点对应的权重系数。

5.如权利要求4所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤4，计算协方差的特征值λ₁、λ₂、λ₃及对应的特征向量v₁、v₂、v₃，其中λ₁>λ₂>λ₃，v₁和v₂确定对应邻域的拟合平面方向，v₃为拟合平面的法向量。

6.如权利要求5所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤5中，依据下式计算偏移后的加权中心点：

${\stackrel{\‾}{p}}^{\′}=\stackrel{\‾}{p_w}+d_m{n}_p$

式中，表示偏移后的加权中心点；

n_p为拟合平面的单位法向量，由v₃归一化后得到；

d_m为邻域中各数据点与加权中心点的距离在n_p上的投影长度的平均值。

7.如权利要求6所述的相控阵三维声学摄像声呐的噪声去除方法，其特征在于，步骤6中，依据下式计算拟合点

${{\stackrel{\‾}{p}}^{\′}}_{new}=\left(\right(p-{\stackrel{\‾}{p}}^{\′}),T)\·T+{\stackrel{\‾}{p}}^{\′}$

式中，p为步骤2中所针对的数据点；

T表示拟合平面。