劉光宇，卞紅雨，沈鄭燕，石 紅

（1.哈爾濱工程大學(xué)水聲工程學(xué)院，黑龍江 哈爾濱 150001;2.總裝備部，北京 100000）

0 引言

聲納圖像處理包含了光學(xué)圖像處理領(lǐng)域中的去噪、融合、分割、分類、識別、檢索等各個方面。聲納圖像與光學(xué)圖像在成像原理與機制上有著本質(zhì)的區(qū)別，雖然數(shù)字圖像處理、模式識別與人工智能等學(xué)科已經(jīng)發(fā)展比較成熟，但是很多可以用于光學(xué)圖像處理的技術(shù)并不見得對聲納圖像可行，并且有一些前沿的圖像處理技術(shù)并沒有在聲納圖像處理中得到應(yīng)用，因此，對聲納圖像處理的研究工作是迫切需要的。圖像去噪又是圖像識別定位等后期處理的基礎(chǔ)和前提，偏微分方程（partial differential equation，PDE）方法［1～7］在光學(xué)圖像去噪中已有很多成功的應(yīng)用，本文嘗試將PDE模型用于聲納圖像去噪處理，驗證其有效性。

1 ROF模型

ROF 模型［8］是由 Fatemi，Osher和 Rudin 于 1992 年提出的一類典型的去噪方法，該模型是經(jīng)典的變分偏微分方程針對“加性噪聲”的去噪模型。

經(jīng)典的TV模型［9］認為有噪聲圖像的全變分比無噪聲圖像的全變分大很多，因此，最小化全變分可以消除噪聲。而在圖像恢復(fù)中，為了在去噪的同時能夠更有效地保留邊緣，Rudin，Osher和Fatemi提出通過引入拉格朗日乘子，用BV空間的半范數(shù)——全變差來作為正則項來正則化TV模型，即ROF模型。

由此可得，ROF去噪模型可歸結(jié)為如下能量泛函最小值問題

其中，第一項為保真項，它是根據(jù)噪聲方差而定的逼近項，它使迭代后恢復(fù)的圖像u盡可能保存原圖像u0的特征;第二項為正則化項（regularized），它使得該模型在去噪的同時盡可能地保留圖像的邊緣特征信息;λ＞0為規(guī)整參數(shù)，在保真項和正則項之間起著平衡作用，對圖像平滑意義重大。該模型的解是存在且唯一的，其能量泛函導(dǎo)出的Euler-Lagrange方程為

即

結(jié)合邊界條件和初始條件由Euler-Lagrange方程得到的變分問題對應(yīng)的梯度下降流方程為

該模型在去噪的同時，能夠很好地保持圖像邊緣，它的出現(xiàn)極大地推動了基于變分方法圖像去噪的研究，但在去噪的同時會造成對比度丟失和階梯效應(yīng)等問題。

2 四階擴散模型

ROF模型所對應(yīng)的是二階偏微分方程，而二階偏微分方程處理圖像時容易產(chǎn)生階梯效應(yīng)，而You-Kaveh模型應(yīng)用四階偏微分方程［10］，避免了二階偏微分方程的階梯效應(yīng)問題。模型中，圖像的正則能量為

其對應(yīng)的Euler-Lagrange方程為

梯度下降流為

1）計算u二階差分

2）求函數(shù)g（s）

3）計算g（s）的二階差分

4）離散格式

3 實驗結(jié)果與分析

選取如圖1所示的大小為256×256的一幅側(cè)掃聲納圖像，分別加入均值為零，標(biāo)準(zhǔn)差為σn=0.1～0.6的高斯白噪聲，利用ROF模型和四階算子（FOD）模型進行去噪實驗，噪聲標(biāo)準(zhǔn)差為0.3時的去噪結(jié)果如圖2所示。

圖1 原始聲納圖像Fig 1 Original sonar images

從圖中可以明顯看出:當(dāng)噪聲標(biāo)準(zhǔn)差比較大時，ROF模型去噪后的圖像具有階梯效應(yīng)，圖像細節(jié)非常模糊。四階算子則避免了階梯效應(yīng)，圖像細節(jié)更為清晰，但當(dāng)受噪聲污染嚴(yán)重時，四階擴散模型的抗噪聲能力明顯下降，噪聲去除的效果不很理想。

同樣從客觀角度對ROF和四階算子的去噪性能進行比較，分別統(tǒng)計以上圖像去噪前后的信噪比（SNR），峰值信噪比（PSNR），均方誤差（MSE），得到的結(jié)果如表1所示，表中，NI為噪聲圖像，ROF_DI為ROF模型去噪圖像，YK_DI為四階擴散模型去噪圖像。

圖2 去噪效果比較Fig 2 Comparison of denoising effect

表1 SNR，PSNR及MSE比較Tab 1 Comparison of SNR，PSNR and MSE

從表中數(shù)據(jù)可以看出:ROF模型去噪后圖像較四階算子去噪后圖像具有較高信噪比、峰值信噪比和較小的均方誤差。所以，雖然四階擴散模型有效避免了ROF模型的階梯效應(yīng)，一定程度上保持了邊緣細節(jié)，但是該模型的抗噪聲能力沒有二階的ROF模型好。

4 結(jié)束語

本文介紹了兩種偏微分方程去噪模型—ROF模型和四階擴散模型，并將這兩種模型用于聲納圖像去噪處理。ROF模型與四階擴散模型的不同之處在于:ROF模型以二階偏微分方程為基礎(chǔ)，因此，不可避免地在去噪后產(chǎn)生明顯的階梯效應(yīng)，圖像出現(xiàn)模糊;實驗中四階擴散模型一定程度上改善了這種階梯效應(yīng)，但隨著噪聲標(biāo)準(zhǔn)差的增大，去噪效果急劇降低，當(dāng)噪聲標(biāo)準(zhǔn)差為0.6時，四階擴散去噪后的SNR比ROF模型去噪低了近10 dB，已經(jīng)不能滿足聲納圖像的去噪需要。綜合來看，實際中的聲納圖像去噪需要根據(jù)具體情況選擇合適的模型進行處理。

［1］李蘭蘭.基于偏微分方程的圖像復(fù)原和增強算法研究［D］.南京:東南大學(xué)，2004:1 －2.

［2］Barash D.A fundamental relationship between bilateral filtering，adaptive smoothing，and the nonlinear diffusion eqaution［J］.IEEE Transactions on PAMI，2002，24（6）:844 －847.

［3］Barash D，Comaniciu D.A common framework for nonlinear diffusing，adaptive smoothing，bilateral filtering and mean shift［J］.Image and Vision Computing，2004，22:73 －81.

［4］Black M J，Sapiro G，Marimont D H，et al.Robust anistropic diffusion［J］.IEEE Transactions on Image Processing，1998，7（3）:421－432.

［5］Perona P，Malik J.Scale-space and edge detection using anisotropic diffusion［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1990，12（7）:629 －639.

［6］楊 新.圖像偏微分方程的原理與應(yīng)用［M］.上海:上海交通大學(xué)出版社，2003.

［7］Witkin.A scale-space filtering［C］//International Joint Conference on Artificial Intelligence，1983:1091 －1092.

［8］杜宏偉.基于偏微分方程的圖像去噪綜合模型［J］.計算機工程與應(yīng)用，2008，44（20）:198 －201.

［9］李忠偉，潘振寬，倪明玖.基于TV模型的多相圖像分割變分水平集方法［C］//第五屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議，北京，2010:43－50.

［10］曾 超，王美清.一個基于四方向的拉普拉斯算子的四階偏微分去噪方法［J］.福州大學(xué)學(xué)報:自然科學(xué)版，2008（1）:52－54.