一种自适应门限时间方位历程显示背景均衡算法

2019-07-16邱家兴王易川程玉胜

舰船科学技术 2019年6期

邱家兴，王易川，丁超，程玉胜

(海军潜艇学院，山东青岛 266000)

0 引言

声呐自20世纪初问世以来，一直是水下目标探测的主要工具，其探测对象主要是海洋中的各种目标。声呐显示系统作为声呐人机交互的媒介，是声呐系统必不可少的一部分，行之有效的声呐图像处理方法也就成为了声呐功能发挥的关键环节。

时间方位历程（Bearing Time Recording，BTR）作为一种累积式显示方式，以时间方位作为横纵坐标、以灰度级表示信号幅度，能够反映目标信号和背景噪声的时域空域信息，是声呐基阵目标警戒探测画面最重要的显示方式之一。历程显示是检测微弱信号的有效技术，相比于传统方位幅度显示，在弱信号检测方面，高灰度级的方位历程显示可以提高5～7 dB的显示性能[1]。但随着声呐向远距离探测发展，监听到的目标不断增多，声呐在目标跟踪时，往往需要从多目标、强干扰中提取弱目标轨迹，这就要求更加有效的图像处理手段[2]。声呐BTR处理过程中还存在许多待解决的问题，例如，如何在尽量保护弱目标轨迹的情况下更干净地滤除背景噪声，即背景均衡问题，仍需要不断探索进步。

本文主要研究声呐BTR图的背景均衡方法。

1 背景均衡处理意义

海洋背景噪声在时空分布上具有非平稳性和非均匀性[3 – 4]，在不同的时空点具有不同的分布特性。BTR显示方式涉及时间、空间的二重累积排列，在不同时间、频率和方位上的波束输出受到背景噪声的影响不同，弱目标轨迹提取难度大。

背景均衡处理能够实现恒虚警检测，降低背景噪声的起伏，实现数据动态范围的压缩，从而提高BTR图像中弱目标轨迹的提取效果。

为对比显示背景均衡的重要性，本小节对归一化的BTR峰值图在不进行背景均衡的情况下，直接进行高通滤波。

图1为某海试数据逐秒进行归一化后的BTR图（方位分辨率1°，时间分辨率1 s）。

图1 归一化 BTR 图Fig. 1 The normalized BTR

图2（a）是图1的峰值图，为显示明显，将非零点幅值调整为1，得到图2（b）的等幅值峰值图。图中 70°~130°方位有大量背景噪声，250°~300°方位则有数条弱目标轨迹。该段信号强目标、弱目标与强噪声共存，十分具有典型性和代表性，适合用来验证各算法的处理能力。

图2 BTR 峰值图Fig. 2 BTR peak figure

图中右侧弱目标的幅度甚至低于背景噪声，在处理过程中易被滤除，造成信息的损失。如何在保护弱目标轨迹的同时滤除背景噪声，是背景均衡处理的重点和难点。

未经背景均衡，设置不同阈值，直接对图2进行高通滤波处理，得到图3结果（为显示明显，将非零点幅值调整为1），两幅图的滤波阈值分别为0.2和0.3。

图3 高通滤波后的峰值图Fig. 3 High-pass filtered peak figure

将图3（a）和3（b）与图2（b）进行比较，可以发现，未经背景均衡，直接高通滤波的方法处理效果并不理想。若滤波阈值设置较低，则会遗留很多背景噪声；若滤波阈值设置较高，又会对弱目标轨迹造成较大破坏。在此情况下，需要一种有效的背景均衡处理手段，自动区别背景噪声与目标信号，滤除噪声，同时保护弱目标轨迹。

2 常用背景均衡方法

Struzinski W.A.和 Lowe E.D.研究了 S3PM（Split Three-Pass Mean）、排序截断平均（OTA：Order Truncate Average）等4种背景均衡算法，并比较了各种算法的性能[5]。Joo J.H.和 Jum B.D.在此基础上对 S3PM 和OTA算法进行了深入分析，并分别比较了窗长、门限等参数对这2种算法性能的影响[6]。Kuhn J.P.和Heath T.S.根据宽带干扰谱和窄带信号谱的自相关函数不同，将自适应背景均衡算法应用于浅海多途环境下的噪声均值估计，提高宽带干扰背景下窄带信号检测能力[7]。Stergiopoulos S.提出了一种新的波束噪声归一化方法，并分别对波束域和频域进行噪声均值估计，该方法基于背景噪声具有一定的指向性[8]。

综合而言，目前BTR中较为常用的背景均衡方法是OTA算法[9]和各种OTA改进算法。本小节将对2种OTA改进算法进行比较分析。

2.1 中值滤波OTA算法

文献[10]提出一种中值滤波OTA算法，把OTA算法和中值滤波相结合，对波束域中非均匀、非平稳的背景进行均衡处理。通过设置系数K调整窗口宽度，通过设置系数α调整滤波阈值。中值滤波在抑制随机起伏方面效果较好，阈值比较在去除大范围起伏方面效果较好，结合之后可以得到良好的均衡结果。

对图1进行中值滤波OTA算法处理可以得到如图4所示处理结果，处理中根据实际情况，K取值10，α取值1。

图4 中值滤波 OTA 算法处理结果Fig. 4 The result of median filtering OTA algorithm

图5是图4的峰值图（为显示明显，将非零点幅值调整为1）。

图5 图4 峰值图Fig. 5 The peak figure of Fig. 4

对比图5与图2（b）可以发现，该算法在过滤背景噪声的同时，使得250°~300°方位上的弱目标轨迹损失严重，强目标轨迹也偶有丢失，这对后续轨迹提取有不利影响。且该算法需要人工设置参数，不断进行尝试调整，不利于机器自动进行弱目标轨迹的提取。

2.2 自动加窗OTA算法

在常用的背景均衡算法中需要不断尝试确定窗长、门限等参数，这为在实际应用中增加了难度[11]。一旦参数设置不合适，将会大大影响背景均衡效果[12]。基于此，文献[13]提出一种自动加窗OTA算法，通过计算局部峰值与其相邻两谷值的间距，实现自动加窗；根据目标信号和背景噪声特点，设置缩放系数r，对窗口内的数据进行放缩：

其中，p为峰值， vL和 vR分别为与p左右相邻的谷值。

波束形成过程中，目标波束沿时间轴的切面形状基本对称[14]，峰值与2个相邻谷值的差值基本相等，因此r接近于1；背景噪声在空间谱上表现随机，峰值与2个相邻谷值的差值通常相差较大，r往往远小于1。将窗口中的数据乘以系数r，目标信号幅度将基本保持不变，背景噪声幅度将会被抑制。

对图1进行自动加窗OTA算法处理，可以得到如图6所示处理结果。

图7为图6的峰值图（为显示明显，将非零点幅值调整为1）。

图6 自动加窗 OTA 算法处理结果Fig. 6 The result of automatic window OTA algorithm

图7 图6 峰值图Fig. 7 The peak figure of Fig. 6

对比图7与图2（b）可以发现，该算法能够较完整地保留弱目标轨迹，同时在一定程度上抑制背景噪声。但该算法对噪声仅是“抑制”，而非“滤除”。经算法处理之后，背景噪声幅度降低但仍然存在，不满足机器自动滤除噪声的需求，且由于背景噪声的空域随机性，该算法对背景噪声的抑制效果也具有一定的随机性。

3 自适应门限背景均衡方法

针对现有算法的不适用性，需要一种新的背景均衡方法，能够根据信号特点自动生成滤波门限，在尽量不破坏弱目标轨迹的前提下，对背景噪声进行过滤，以求得到纯净而完整的BTR峰值图。

针对以上需求，本文设计了一种自适应门限背景均衡算法（Adaptive Threshold Background Normalization，ATBN算法）。利用BTR图像中目标信号与背景噪声的不同特点，ATBN算法能够自适应生成滤波门限，抑制背景噪声、保护目标信号，在尽可能保护弱目标轨迹的情况下对背景噪声进行滤除。