—种基于小波图像分解的侧扫声纳电源周期性噪声的去噪方法

韩冷 强发军 倪旭 韩文华 刘骁 陈思峰

摘要：该算法将小波分解方法用于侧扫声纳图像去噪的领域，提出了更加适合声纳电源所产生的周期性斜纹噪声的去噪方法。其过程是将带噪声图像经小波变换得到小波分解系数，利用分解系数的阈值筛选噪声点位置，筛选出的位置经形态学以及空间变换等修正后，以邻近点像素值替代该位置像素值，其余点判别为非噪声点，像素值保持不变，至此完成小波分解图像去噪。针对此类周期性条纹噪声，相较于常用去噪方法均值滤波、中值滤波等，在去噪效果和保证目标区域清晰度方面，该方法具有两大明显优势，去噪效果显著，同时完好的保留了原图像中感兴趣的部分，例如目标区域，轮廓，纹理等，为后续的特称提取、图像识别奠定了很好的基础，效果理想，实用性强。

关键词：侧扫声纳图像;斜纹噪声;小波变换;形态学;空间变换;临近像素替代

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2020）05-0121-03

1简介

声纳系统已经广泛应用在各种水下设备中，在军事船舶中更是发挥着重要的作用，声纳系统是船舶获取目标信息的主要手段。声纳图像是目标回波的可视化信息，由于侧扫声纳电源的干扰，声纳图像中存在周期性条纹噪声，给后续的分析工作带来困难，所以有效的去除噪声便成了准确获取信息的必要工作。声纳图像与传统光学图像的成像机制，成像环境不同，不能直接利用后者方法，所以本文提出一种针对声纳图像的去噪算法。

本算法主要提出的是一种基于小波图像分解的侧扫声纳电源周期性噪声的去噪方法。通过实验验证，证实了此方法可以有效的去除声纳图像中电源产生的周期性噪声。

2方法与原理

2.1中值滤波

中值滤波器，它是一种常用的非线性平滑滤波器，其基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代换，其主要功能是让周围象素灰度值的差比较大的像素改取与周围的像素值接近的值，从而可以消除孤立的噪声点，所以中值滤波对于滤除图像的椒盐噪声非常有效。

将3×3窗口中的九个像素值排序，取中值作为该窗口中间位置的像素值。

2.2均值滤波

均值滤波器，它是采用邻域平均法的均值滤波器，非常适用于去除通过扫描得到的图像中的颗粒噪声。领域平均法有力地抑制了噪声，同时也由于平均而引起了模糊现象，模糊程度与领域半径成正比。

其公式如下（以3×3模板为例）：

2.3基本小波变换

本算法所使用的去噪方法针对声纳电源产生的周期性噪声的特点，利用小波变换方法对图像进行去噪。其处理过程主要有3个步骤：

（1）对图像信号进行小波分解。（2）对经过分解后的系数进行阈值选择。（3）利用二维小波重构图像信号。

（1）对待处理图像进行预处理。待处理图像原图是由侧扫声纳获得的带周期性电源噪声的声纳图像，将原图像转换成双精度图像，如图2所示。其中侧扫声纳图像右舷左上角有两个亮点，这二者为经过去噪处理应保留下的目标区域。

（2）对图像做小波变换处理。对带噪声的双精度声纳图像做小波变换，得到各个方向上的小波分解系数。在实际处理过程中采用了离散化处理，此时小波分解相当于纵向分别通过高通与低通滤波器。绘制得到横向分解图像、纵向分解图像、斜向分解图像，分别如图3、图4、图5所示，然后采用适宜的阈值（阈值由图像的像素分布确定），找到符合要求的水平向小波系数位置，判定为噪声的位置，加以标记得到符合阈值要求的标记图像，处理结果如图6所示。

（3）形态学变换。根据上一步骤所得到的标记结果，选择适宜的结构元素对标记结果图像依次进行闭运算和多次膨胀运算，得到形态学变换后的图像如图7所示。

闭运算为先腐蚀后膨胀的过程，腐蚀是一种消除边界点，使边界向内部收缩的过程;膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。

（4）坐标变换。根据形态学变换结果，以中间位置为轴线将图像分为左右对称的两部分，将右半部分全部像素点竖直方向上移一个单位，作为右侧的变换结果;再将右侧图像镜像对称到左侧，作为左侧的变换结果，得到整幅图像坐标变换的结果，如图8所示。

（5）替换噪声位置像素。根据得到的标记结果，未标记的位置判定为非噪声点，像素值正常输出;标记位置为最终确定的噪声位置，选择其临近非噪声点像素值替代该位置的像素值Ⅱ伽，至此完成整个去噪过程，最终得到小波分解去噪后的声纳图像如图9所示。可以发现图像中的斜纹噪声已经被基本去除，而图像右舷左上角的两个目标区域被完整保留。

3处理结果对比

分别选择均值滤波（3×3模板）、均值滤波（7×7模板）、中值滤波（3×3模板）、中值滤波（7×7模板）作为对比算法。各对比算法处理结果如图10、图11、图12、图13所示。

通过对比几种算法处理结果可以发现，相同模板大小下，中值滤波的去噪效果要优于均值滤波;且对于相同算法，模板面積越大，去噪效果越好，同时目标区域损失的越多;但经以上处理算法处理后，图像中仍保有部分噪声，而利用本文所描述算法的处理结果如图9所示，可以基本消除噪声，且可以较为完整的保留目标区域，故处理效果优于以上对比算法。

4结语

就现有技术而言，本算法的有益效果是：本算法用小波分解的方法去除周期性的电源噪声，相比于常用的均值滤波、中值滤波等去噪方法，去噪效果显著。由图lO到图13的处理结果可以看出，随着模板尺寸的加大，条纹噪声被一定程度的模糊掉了，与此同时，整幅图像，尤其是感兴趣的目标区域同样产生很大程度的模糊，在7×7模板的中值滤波中尤为严重，去噪效果不理想的同时，牺牲目标区域清晰度，得不偿失。

比较之下，本算法的去噪效果非常突出，更为重要的是完好的保留了原图像中感兴趣的部分，为后续的特称提取、图像识别奠定了很好的基础。可以看出，本方法在处理带有这类噪声的声纳图像时具有突出的优势。