【关键字】方法
卞红雨 罗明愿
城市三维建模（哈尔滨工程大学水声工程学院，哈尔滨 150001）
摘要：基于序列图像的运动目标轨迹合成在水下探测领域有着重要的应用。本文研究的是通过图像处理的方法利用水下运动目目标连续声图像合成目目标运动轨迹。为了在增强目标区域的同时更好地抑制噪声干扰，对灰度形态学进行了改进，取得了较好效果。 关键词：轨迹合成，图像去噪。
1 引言
图像声纳可以获得水下目标及环境的声图像，近年来被越来越多的应用于海洋探测中需要精细探测的场合。为了实现目目标自主探测，要利用数字图像处理技术对声纳图像进行处理。然而由于传输介质的特性以及水下环境的复杂性，声图像中目标常常只表现为很少的几个像
实验室用振荡器素，并伴随有大面积的、亮度很强的噪声区域，这给目目标自主探测带来困难。
本文利用运动目目标序列声图像，按照降噪处理——轨迹合成——后续降噪处理的思路，实现轨迹合成，并可进一步实现目标定位。在降噪处理中，对灰度形态学进行了改进，更好地滤除噪声、增强目标区域。
2 本文所处理的声图像的特点
本文的研究对象是运动目目标序列多波束前视声纳图像，如图1所示。目的是尽可能的抑制掉背景噪声，获得直观显示的目标合成轨迹。该合成轨迹可用于目标定位。
在每一帧图像中运动目标只是很小的区域，亮度也不高，包含的信息量很少；同时由于水下环境的复杂性，混响与噪声的干扰使图像中噪声区域的面积比目标区域要大得多，同时亮度值也较目标亮度为高。在图像序列中，不仅仅只有目标在动，背景噪声也在慢变，这更增加了处理的的难度。总结水声序列图像的特点如下：
(1) 目标信号的区域小，亮度值低，且目标区域亮点与暗点不均匀。
(2) 背景噪声的区域大，亮度值高，且慢变（即噪声的区域面积的大小和位置在发生变化）。
(3) 水下环境的复杂性，导致图像中的随机噪声亮点多。
(4) 图像的整体均值小。
针对水声序列图像的以上特点，作者采用下面的思路来合成水下运动目目标轨迹：在序列图像每一帧中目目标位置在发生着相对变化，即可以直接将序列图像进行累加，来显现运动目目标轨迹；为了尽可能地抑制噪声，要进行两次降噪处理。
3 运动目标轨迹合成
运动目标轨迹合成的流程为：
（1）图像的预处理，主要目的是尽可能的滤掉随机噪声干扰，同时还要使目标区域的像素值得到一定的增强。
（2）将经过预处理的序列水声图像做累加处理。
（3）图像的后续降噪处理，对已合成轨迹的图像进行再次降噪处理。
3.1 图像的预处理
常用去噪算法分析
针对各种不同的噪声，图像去噪的方法很多。
图像平均处理方法可以比较好地滤掉随机噪声。进行平均处理后，任何像素点处的像素值会更加接近其真实值，且各个像素点的噪声变化率会随着图像数目的增加而减小。但是这种方法要求同一场景的图像达到一定的数目才会产生预期的效果，因而有其自身的局限性。如前所述，我们要处理的序列图像中目标和背景均在变化，显然该种方法不适合此处的降噪处理。
空间平滑滤波方法是一种基于邻域的去噪方法，使用该方法可以使随机噪声在一定程度上得到削弱，但很难使随机噪声得到根本的滤除。而且由于本文处理的图像目标像素很少，会使目标区域整体变暗，效果并不是很理想。频域的平滑处理也不适合此处的降噪处理。
基于邻域的非线性滤波包括统计排序滤波的中值滤波，最大值滤波，最小值滤波。统计排序中的最大值滤波，会使一个亮点覆盖邻域大小的范围，这种方法可以使目标区域的像素值增大，但代价是很惨重的。最小值滤波会使一个暗点覆盖邻域大小的范围，这种方法可以滤去随机噪声，同时整个目标区域的像素值变小，此种方法亦不可取。中值滤波适于滤除脉冲噪声，对大面积的背景噪声效果不好。
灰度形态学中的膨胀和腐蚀运算，当其结构元素为平坦算子时，其本质上就是统计排序滤波中的最大值滤波和最小值滤波，也是不可取的。灰度形态学中的开运算可以用来除去小的亮点，同时保持所有的灰度级较大的亮区特性相对不变，但是由于水声图像中目标区域像素值不均匀，使用开运算会使目标区域变小，而这不是所希望的。
基于改进的灰度形态学方法的去噪处理
基于水声图像的特点以及预处理的要求，作者提出一种改进的灰度形态学的方法，既可以滤除随机噪声，同时还能使目标区域的像素值整体增大。这种方法有机地融合了局部统计理论、基于邻域的最大值滤波、基于邻域的最小值滤波三种方法，从而滤除随机噪声和增强目标区域。
在图像处理中使用局部平均值和局部方差的一个重要优点是提供了开发简单而功能强大的处理技术的灵活性。
令为图像中某一像素的坐标，令为已确定大小的邻域（可以理解为子图像），其中心为。邻域的平均值为：
此处的是在邻域中坐标处的灰度，且是该邻域内的概率分布。区域中像素灰度级的方差为：
针对水声图像目标区域面积小，整体均值小，有大块的背景噪声，且随机噪声大量存在的特点，对于某一像素点处的邻域不能取得太大，掩膜即可（考虑一个像素点的邻域）。
在一个像素点的的邻域内，当邻域均值与整体均值的比值小于门限，则基本上可判定该像素点处于背景区；若由于目标或噪声的存在使邻域均值与整体均值的比值大于门限，则需要进一步考虑邻域方差与整体方差的比值与门限的关系。因为目标区域亮度通常大于背景区域亮度，所以门限的取值一般要大于1，而门限的选取会因图像而异。
综上考虑得到了下面的改进的灰度形态学处理方法：
上式中，是邻域均值，是邻域方差，和分别是全局均值和方差。针对本文所处理的图像，选取、。
图1（a）为图像序列中的一帧原始图像，图1（b）为经过改进的灰度形态学处理后的图像，作为对比，图1（c）、1（d）分别给出中值滤波和常规灰度形态学的处理结果。可以看到改进的灰度形态学算法对滤除随机噪声和增强目标区域起到很好的效果。
（a）原始图像
（b）改进的灰度形态学处理
（c）中值滤波处理
百花仙酒（d）常规灰度形态学处理
图1原始图像和去噪处理结果
3.2 图像累加
将水声序列图像中连续20帧的图像进行累加处理。在这里作者将二进制的或运算推广到8比特灰度图像中：
上式中，为进行累加的两幅图像处的像素值；门限要依据图像特点确定。这种处理必须保证目标区域能够得到保留。将20帧连续的图像用上述处理思想进行累加得到结果如图2所示。
图2轨迹合成图像
可以看到用上述处理方法得到了运动目目标轨迹；但是除了运动目目标轨迹外图像中的噪声也进行了累加，而且噪声经过累加之后其所占的面积区域比目标区域要大，这给后续的降噪处理带来了难度。
3.3合成轨迹的后续降噪处理
轨迹合成图像具有以下特点：
（1）目标轨迹区域明显；
（2）存在与目标区域相近或更大的噪声区域；
（3）小面积的噪声区域大量存在。
综合以上三点作者采取了基于目标特征的提取目标轨迹方法。处理步骤：图像二值化处理——基于目标轨迹特征的击中变换——目标轨迹恢复。
利用二值化处理可以除去灰度值较低的噪声，如图3所示。
图3 轨迹合成的二值化图像
从图3双端面机械密封可以看到目标轨迹十分清晰，但是还有几块噪声区域也十分明显，这给目标轨迹提取带来难度。
在二值图像中提取某一区域，必须利用该区域有别于其它区域的特征才能实现。二值图像的特征一般包括几何特征（如区域面积、中心和端点）、形状特征（如环形、长条形的测度）等。
洗肠器
本文以基于目标运动方向的线性结构元素作为击中变换的探针，去探测目标轨迹。得到的“
腐蚀”图像如图4所示。
再用得到的“腐蚀”图像和图3恢复出目标轨迹，如图5所示。
图4 目标轨迹图像
图5按键板 目标轨迹图像
只有当目标轨迹有噪声区域所没有的特征时，上述处理才可以得到完全去噪的目标轨迹图像；否则只能滤去比目标轨迹小的噪声区域，而滤除比目标轨迹大的噪声区域将是棘手的工作。
4 结论
本文针对序列声纳图像的特点，按照预处理——轨迹合成——后续降噪处理的思路，得到了直观的运动目标合成轨迹，又为后续的目标定位做好了准备。论文提出的改进的灰度形态学降噪方法在处理中起到了重要作用。
