一种弹载线阵激光雷达距离像噪声的抑制算法

2020-04-08李泰华刘荣忠武军安

激光与红外 2020年3期

姜云,李泰华,郭锐,刘荣忠,武军安

(1.南京理工大学智能弹药技术国防重点学科实验室,江苏南京 210094；2.辽沈工业集团有限公司,辽宁沈阳 110000)

1 引言

随着激光雷达相关技术的长足发展,其应用的领域也在不断地扩展。因为激光成像雷达采集信息速度快,三维点云所含信息丰富,所以能够极大地提升末敏弹的探测性能,丰富其多模探测制导方式。末敏弹一般采用线阵列激光雷达,配合其边旋转边下落的工作方式,能够对地面装甲目标进行扫描成像。在弹载的应用条件下,激光雷达功率和大小受到限制,进而得到距离像中的噪声干扰问题也尤为突出。因此在对扫描得到的数据进行成像研究之前,必须首先对噪声进行抑制。

激光雷达距离像噪声产生原因可以分为:内部因素和外部因素。内部因素包括激光雷达内部热噪声和系统噪声[1]等,这种噪声对测距结果影响很小,与激光雷达自身的测距精度类似,激光雷达内部也有对其进行调整的算法；外部噪声主要包括:信息丢失和距离异常值。信息丢失表现为:测得的距离值为空白,主要原因是激光雷达没有接受到脉冲反射回波或者在距离像进行距离通道选通滤掉的数据也表现为空白。距离异常值表现为:测得距离像数值和真实情况相差甚远。主要原因是相干激光雷达在测量距离时散斑噪声和散粒噪声会是的测量值远离真实值。Green[2]等分析在噪声影响下的距离像数据,得到了测量正确值的概率密度函数:

Pr|r′(R|R′)=[1-Pr(A)]

(1)

其中,R为测量距离值;R′为真实距离值;Pr(A)表示反常概率;δR为测距精度;ΔR为距离像中的距离值最大差值,以变量r表示测量距离值;变量r′表示真实距离,将作为连续随机变量,则在r=R时,r′=R′成立的概率密度函数。由此可见距离反常噪声出现的概率相对较小。

激光雷达距离像的噪声抑制处理,主要影响因素是外部因素中的距离反常噪声,而信息丢失在处理时可以看作为偏差巨大的距离反常噪声。

国内外研究人员在这方面研究取得了很多成果。MIT林肯实验室的Verly[3]等通过检查漏值、替换漏值、清除孤立像素点等步骤来去除激光雷达距离像中的噪声,采用两步收缩、三步扩展、数学形态学膨胀和腐蚀等操作多次进行处理；李自勤[4]等采用目标与背景间概率密度分布的方法,并且使用这些概率分布熵最大的灰度值最为分割阈值,对抑制噪声有较好的效果；李琦[5]等采用多级中值滤波的方法,对距离像的距离反常噪声进行抑制；邓礼茂[6]等提出了一种利用局部直方图的激光雷达距离像噪声抑制方法；陈晓清[7]等采用通过对窗口内的数据进行排序差分,通过设置门限长度值来提取距离反常噪声,然后对提取出的距离反常像素点采用自适应中值滤波,从而抑制距离反常噪声；于加其[8]等提出了一种改进环圈滤波算法,通过计算后选取校正系数,在保留目标细节的同时,滤除部分极端值,从而在保护图像细节的同时抑制噪声。

由于末敏弹一边旋转一边下落,所以尽管上述各种抑制距离反常噪声方法可以取得很好的效果,但很难适用于末敏弹弹载激光雷达探测的特殊工作条件。旋转扫描得到的距离像具有如下特点:①距离像点云密度低；②扫描线上相邻脚点间距离较远,相关性较差。为了解决这个问题,本文提出在末敏弹的扫描路径线上采用线形滤波窗口,多重条件判断当前像素是否为距离反常点,然后采用二次中值滤波的方式抑制距离反常噪声的算法,进而为新型末敏弹的目标识别提供理论支持。

2 噪声抑制算法应用背景与分析

末敏弹稳态扫描阶段时以V0的速度、ω0的转速边旋转边下落,扫描转角为β,视场角为ρ,扫描线nm形成的扫描区域如图1所示,实际截取视场可近似为矩形。

图1 末敏弹扫描示意图

对于距离反常这种非线性噪声,传统的方法是采用中值滤波的方法进行抑制。随着问题的不断复杂化和技术的不断发展,产生了很多围绕中值滤波方法的滤波思路。中值滤波的基本原理是把滤波窗口当前的像素值用邻域内所有像素值的中值替代,

定义为:

g(i,j)=median{f(i-x,j-y)},(x,y)∈S

(2)

其中,g(i,j)与f(i,j)分别为处理前后像素灰度值;S为滤波窗口。

图2为理论计算在不同高度下相邻激光脚点间距,由图中数据可以看出,在纵向方向上的距离是横向方向上的8倍左右,纵向上相邻点的距离很大,相关性差,无法对相邻的点进行估计。所以末敏弹扫描得到的距离像数据对于传统的中值滤波方法而言,很难取得好的效果。

(a)

(b)

3 噪声抑制算法流程

首先对当前像素点是否为距离反常进行判断。判定步骤分为三个部分。

(1)设线形窗口为:S(i,k),k=2n-1,n∈N*,对线形窗口内部的数据进行升序排序:

T(i,k)=sorting{S(i,k)}

(3)

求窗口内数据的中值med_i并与目标像素点进行比较:

med_i=median{T(i,k)}

(4)

若目标像素点N(i,j)=med_i那么该点是正常值,算法自动对下一个点进行处理；不然,则进入二次判别。

(2)比较目标像素点与窗口内数据中值的差值是否小于S1:

|N(i,a)-med_1|≤S1

(5)

若小于S1,则该点不为距离反常点；不然,则进行再次判别。

(3)求窗口内原序数据的距离梯度:

G(i,m)=S(i,k+1)-S(i,k)

(6)

其中,m=1～k-1,梯度值反映了路径线上距离值的幅度变化,距离反常点两侧幅度变化是异常的,会远远大于正常波动。所以求取梯度矩阵中每个点的绝对幅度变化J:

J(i,n)=|G(i,m+1)×G(i,m)|

(7)

其中,n=1～m-1,若目标像素点的绝对变化幅度是远大于其他点,则该点为距离反常点,进行噪声抑制；不然,则为正常值。

然后,对于被判断为距离反常的目标像素点,进行多次中值滤波处理抑制距离反常噪声。本文的多次中值滤波是先采用1×5线形滤波窗口(如图3所示),按照激光脚点扫描路径线方向,逐个像素点判断,然后进行中值滤波,得到第一次的中值Mval1。

图3 中值滤波窗口和像素位置

由图3所示,f(i,j) 为目标像素点,在一次滤波过后,滤波窗口再扩大到1×7线形窗口再次进行中值滤波,得到Mval2,比较前后两次中值大小:若相等则该值即为目标像素点的替换值；若不相等,计算目标像素点的欧式空间反距离加权估计值。欧式空间估计值是目标像素点周围的点,对其值有影响,影响程度和实际距离成反比。首先计算目标像素点其邻域点到目标像素点的欧式空间下的实际距离di,然后计算每个点的权重γi:

(8)

其中,邻域点剔除距离反常点,保证用于估计的相关值的正确性。欧式空间估计值为:

(9)

两次得到的中值和估计值Emi误差较小的即为最终替换值。图4为算法整体流程图。

图4 算法实现流程

4 算法效果与评估分析

本文实验数据是在实验室以1∶29模型模拟末敏弹工作状态下采集的。为了研究此算法的适用性,在不同高度,不同坡形,不同角度的条件下进行实验采集了线阵激光雷达的原始距离像。采用控制变量法研究单一变量下算法的效果。高度分别为120 cm、140 cm、160 cm、190 cm；坡形分为:平面(P)、正左斜(L)、斜左斜(LF)、正仰斜(F)；坡面角度分为:0°、10°、20°、30°。

图5是原始带有噪声的距离像数据,图中可以看出有距离反常点和信息丢失空白。

图5 混杂距离反常噪声的原始距离像

图6中的a、b、c三幅图分别是采用3×3滤波窗口、5×5滤波窗口和本文采用的算法处理后的距离反常噪声抑制效果图。从图中可以直观的看出本文提出的算法要比传统方法效果更好,数据更加平整,目标边缘轮廓更清晰,噪声抑制效果较好,边缘细节得到保护。

图6 噪声算法抑制效果图

距离像噪声抑制效果的评判方法一般为RMES(均方根误差)法[9],RMES更适用与评价距离像,其评价效果与图像视觉效果基本吻合,是一种客观有效的评价方法。均方根误差定义为:

(10)

本文对上面列举的多种情况进行了多组数据采集并处理,计算了传统3×3,5×5滤波窗口中值滤波以及本文提出的线形窗口多次中值滤波算法在上述情况下的RMES值,以及相对于传统3×3,5×5滤波窗口中值滤波效果的提升比率RIP_3×3与RIP_5×5。

从表1、表2、表3中的数据可以看出,在不同高度,不同坡形,不同角度的情况下,本文的算法对距离像距离反常噪声的抑制效果要优于传统算法,且效果提升幅度明显,各种情况约为30 %左右。虽然本文算法细节效果可能不如各种自适应、精细化的滤波算法,但是精细化、准确化的代价就是时间久,精度和时间本身就是矛盾体。对于末敏弹弹载应用而言,在保证一定精度的情况下,其时效性是更为重要的。