章 寧，金紹華，邊 剛，肖付民

海軍大連艦艇學(xué)院軍事海洋與測(cè)繪系，遼寧 大連 116018

多波束測(cè)深系統(tǒng)(MBES)通過精確測(cè)量聲波往返的時(shí)間和到達(dá)角度，可以得到高精度的海底位置和深度信息，同時(shí)獲得海底聲強(qiáng)圖像。然而，受成像原理的限制，多波束聲圖的分辨率較低，圖像質(zhì)量較差，難以反映海底地貌的紋理信息。側(cè)掃聲吶系統(tǒng)(SSS)通過接收海底反向散射的時(shí)序回波信號(hào)，可以繪制高分辨率、高質(zhì)量的海底回波圖像。但是，為了提高探測(cè)的分辨率并減弱船體噪聲的影響，側(cè)掃聲吶通常采用拖曳式安裝，導(dǎo)致側(cè)掃圖像位置信息不準(zhǔn)確。基于此，將多波束和側(cè)掃聲吶圖像配準(zhǔn)融合，可獲取位置信息準(zhǔn)確且紋理信息豐富的聲吶圖像，有助于提高海底地形地貌及障礙物的探測(cè)精度及海底底質(zhì)分類能力[1]。

對(duì)于多波束與側(cè)掃聲吶圖像的配準(zhǔn)，由于其成像原理的差異性以及海洋環(huán)境的復(fù)雜性，其配準(zhǔn)方法較為復(fù)雜[2]。國(guó)內(nèi)外專家學(xué)者大多采用基于特征的圖像配準(zhǔn)方法[3]。文獻(xiàn)[4]利用SURF算法實(shí)現(xiàn)了多波束與側(cè)掃聲吶圖像區(qū)域的配準(zhǔn)和融合。文獻(xiàn)[5]利用改進(jìn)的SURF算法實(shí)現(xiàn)高分辨率側(cè)掃圖像與低分辨率多波束圖像的自動(dòng)配準(zhǔn)。文獻(xiàn)[6]通過人為選擇特征點(diǎn)對(duì)，建立多項(xiàng)式模型來配準(zhǔn)多波束和側(cè)掃聲吶圖像。文獻(xiàn)[7]提出了一種基于等深線和輪廓線的同名特征點(diǎn)配準(zhǔn)方法，但此方法需要具有測(cè)深功能的新型側(cè)掃聲吶。文獻(xiàn)[8]采用chamfer算法實(shí)現(xiàn)多波束側(cè)掃圖像自動(dòng)配準(zhǔn)。文獻(xiàn)[9]利用成對(duì)目標(biāo)的陰影進(jìn)行側(cè)掃聲吶圖像的配準(zhǔn)。雖然這些方法很大程度上實(shí)現(xiàn)了多波束和側(cè)掃聲吶圖像的配準(zhǔn)，但存在特征點(diǎn)對(duì)要求高、圖像變換形式簡(jiǎn)單，以及未顧及圖像細(xì)節(jié)差異等問題。為了顧及聲吶圖像的細(xì)節(jié)信息，文獻(xiàn)[10]利用改進(jìn)的非剛性變換算法(Demons算法)對(duì)聲吶圖像進(jìn)行配準(zhǔn)，該配準(zhǔn)方法屬于基于物理模型的配準(zhǔn)方法，能夠?qū)崿F(xiàn)圖像的自適應(yīng)配準(zhǔn)。但該算法未考慮多波束圖像與側(cè)掃圖像之間的分辨率差異，若直接利用Demons算法將側(cè)掃聲吶圖像配準(zhǔn)到多波束圖像上，會(huì)損失側(cè)掃圖像的細(xì)節(jié)信息，降低融合聲吶圖像的質(zhì)量。

為了減弱多波束和側(cè)掃聲吶圖像分辨率差異對(duì)配準(zhǔn)融合的影響，同時(shí)盡可能保留側(cè)掃聲吶圖像的細(xì)節(jié)信息，本文嘗試綜合利用小波變換、仿射變換和Demons算法實(shí)現(xiàn)多波束和側(cè)掃聲吶圖像的配準(zhǔn)和融合。

1 本文方法

1.1 Demons非剛性配準(zhǔn)算法

文獻(xiàn)[11]首次提出Demons非剛性配準(zhǔn)算法。它最早來自光流(optical flow)算法，光流是用來估計(jì)視頻影像中相鄰的兩幀圖像目標(biāo)間的微小位移量。Demons算法根據(jù)圖像間對(duì)應(yīng)像素點(diǎn)的灰度梯度計(jì)算出位移向量v，通過每一次移動(dòng)向量v，使待配準(zhǔn)圖像逐像素地配準(zhǔn)到參考圖像。該算法的前提假設(shè)是圖像灰度在變換過程中保持不變即

I(x(t),y(t),t)=c

(1)

式中，I表示圖像灰度；t表示圖像變換經(jīng)歷的時(shí)間；x(t)、y(t)表示t時(shí)間內(nèi)圖像橫、縱方向上的變化；c表示一個(gè)常量。對(duì)式(1)求微分得

(2)

假設(shè)兩圖變換時(shí)間t為單位時(shí)間，則有

(3)

式中，s表示參考圖像灰度信息；m表示待配準(zhǔn)圖像灰度信息，將其代入式(2)可得

v·?s=m-s

(4)

式中，v=(?x/t,?y/t)；?s表示參考圖像灰度的梯度向量。進(jìn)一步變換可得到經(jīng)典Demons算法的基本方程

(5)

(6)

式(6)得到的位移量v能夠準(zhǔn)確描述圖像間灰度的變化情況。為了提高Demons算法的收斂速率及配準(zhǔn)精度，文獻(xiàn)[12]提出了Active Demons算法，該算法結(jié)合牛頓第三定律，將原始算法中移動(dòng)圖像的單側(cè)力驅(qū)動(dòng)改成合力驅(qū)動(dòng)，即

(7)

式中，參數(shù)α為均化系數(shù)，用于調(diào)節(jié)圖像單次位移的幅度，α越大單次位移量越小，收斂速度越慢，每次調(diào)節(jié)的幅度越細(xì)微；反之則算法收斂越快，但配準(zhǔn)越粗糙。

為此，在進(jìn)行圖像配準(zhǔn)時(shí)，一般先采用較大的α值迭代，然后再使用小的α值繼續(xù)精化迭代，這樣設(shè)置的配準(zhǔn)算法收斂速度快且配準(zhǔn)精度高。

在Demons算法中，待配準(zhǔn)圖像中的每一個(gè)像素點(diǎn)都能夠隨著灰度梯度自由移動(dòng)，這樣會(huì)出現(xiàn)圖像變換不夠平滑的現(xiàn)象。因此需要在每一次迭代中利用高斯濾波器對(duì)位移場(chǎng)進(jìn)行平滑處理，從而得到配準(zhǔn)所需的最佳圖像變換模型[13]。

1.2 聲吶圖像的多尺度分解與重構(gòu)

Demons配準(zhǔn)算法可以實(shí)現(xiàn)像素級(jí)別的圖像配準(zhǔn)，但是對(duì)于多波束和側(cè)掃聲吶圖像配準(zhǔn)而言，側(cè)掃聲吶圖像具有更加豐富的細(xì)節(jié)信息，若利用Demons算法將尺度較小的側(cè)掃聲吶圖像配準(zhǔn)到尺度較大的多波束圖像上，將會(huì)損失側(cè)掃圖像的細(xì)節(jié)信息，為此，本文在圖像配準(zhǔn)前先對(duì)側(cè)掃聲吶圖像進(jìn)行多尺度分解，利用分解得到的低頻信息重構(gòu)圖像，將大尺度的側(cè)掃聲吶圖像與多波束圖像進(jìn)行配準(zhǔn)。

小波變換由于能夠解決時(shí)間域與頻率域分辨率的矛盾[14]，可以將圖像在獨(dú)立頻帶和不同空間上分解為低頻信息和高頻信息，因此廣泛應(yīng)用于圖像處理[15]。目前，基于小波變換的多尺度分解算法主要有金字塔狀結(jié)構(gòu)算法(PWT)[16]和樹狀結(jié)構(gòu)算法(TWT)[17]，本文采用經(jīng)典的PWT算法[18]。如圖1所示，每一次變換，可以將圖像分解成4個(gè)相同尺寸的小波分解圖像，分別表示低頻部分信息(LL)、水平方向高頻信息(HL)、豎直方向高頻信息(LH)和對(duì)角方向的高頻信息(HH)。

圖1 小波分解Fig.1 Wavelet decomposition

由此可見，采用PWT算法可將圖像分成低頻信息和高頻信息，前者表示圖像的總體輪廓即大尺度信息，后者體現(xiàn)圖像的紋理細(xì)節(jié)即小尺度信息。

進(jìn)一步，將側(cè)掃聲吶圖像小波分解后得到的LL部分進(jìn)行重構(gòu)，得到與原側(cè)掃圖像尺寸相同的大尺度圖像，將其與尺度相近的多波束圖像實(shí)施配準(zhǔn)。

1.3 仿射變換

傳統(tǒng)的利用Demons算法進(jìn)行圖像配準(zhǔn)時(shí)，使用的參考圖像和待配準(zhǔn)圖像之間存在的差異較小，因此可以直接利用該算法求得的位移場(chǎng)進(jìn)行配準(zhǔn)[19]。然而在多波束圖像和側(cè)掃聲吶圖像中，由于海洋環(huán)境等因素的影響，圖像中會(huì)存在較多噪聲，使得圖像的可視性差且灰度變化復(fù)雜[20]。如果直接使用Demons算法的結(jié)果只會(huì)配準(zhǔn)到全局圖像每個(gè)像素點(diǎn)灰度差異較小的位置，而對(duì)于整體框架的配準(zhǔn)并不準(zhǔn)確。為此，本文首先利用仿射變換對(duì)二者聲吶圖像進(jìn)行粗配準(zhǔn)。

仿射變換是一種常用的基于特征的圖像變換方法，它利用匹配的特征點(diǎn)對(duì)解算配準(zhǔn)變換矩陣，該方法能夠保證圖像中線條的平行關(guān)系不變，且所需要的控制點(diǎn)對(duì)數(shù)較少，但是其配準(zhǔn)較為粗糙，且配準(zhǔn)效果與特征點(diǎn)的選擇密切相關(guān)[21]。

1.4 顧及尺度差異的迭代自適應(yīng)配準(zhǔn)方法

基于上述算法模型，綜合考慮多波束和側(cè)掃聲吶圖像特點(diǎn)及配準(zhǔn)融合目標(biāo)，構(gòu)建了顧及尺度差異的迭代自適應(yīng)配準(zhǔn)方法，方法流程如圖2所示。

圖2 顧及尺度差異的迭代自適應(yīng)配準(zhǔn)方法Fig.2 Iterative adaptive registration method considering scale difference

(1) 對(duì)側(cè)掃聲吶圖像進(jìn)行PWT小波分解，將提取的LL層低頻信息重構(gòu)成與原圖像大小一致的側(cè)掃聲吶低頻圖像。

(2) 提取多波束圖像與原始側(cè)掃聲吶圖像的匹配特征點(diǎn)對(duì)，并利用仿射變換得到粗配準(zhǔn)的旋轉(zhuǎn)變換矩陣。

(3) 將側(cè)掃聲吶低頻圖像經(jīng)過矩陣旋轉(zhuǎn)變換，得到粗配準(zhǔn)側(cè)掃聲吶低頻圖像。

(4) 以多波束圖像作為參考圖像，粗配準(zhǔn)側(cè)掃聲吶低頻圖像作為待配準(zhǔn)圖像，利用Demons配準(zhǔn)算法進(jìn)行迭代自適應(yīng)配準(zhǔn)，累積每一次迭代的位移場(chǎng)作為Demons配準(zhǔn)變換模型。

(5) 將原始側(cè)掃聲吶圖像先后經(jīng)過矩陣變換模型和Demons配準(zhǔn)變換模型，得到最終的融合配準(zhǔn)聲吶圖像。

針對(duì)上述步驟，式(7)可進(jìn)一步改化為

(8)

式中，T表示由仿射變換得到的變換矩陣；T(m)表示經(jīng)過仿射變換粗配準(zhǔn)后的圖像。

由此可見，與現(xiàn)有的多波束與側(cè)掃圖像配準(zhǔn)算法相比，本文提出的迭代自適應(yīng)配準(zhǔn)方法充分考慮到了兩者圖像尺度的差異，將小波變換算法融入配準(zhǔn)算法中，并結(jié)合仿射變換與Demons算法進(jìn)行配準(zhǔn)。利用較少的特征點(diǎn)對(duì)，就可以實(shí)現(xiàn)同時(shí)考慮圖像整體框架和細(xì)節(jié)特征的配準(zhǔn)，最終得到高質(zhì)量的多波束與側(cè)掃聲吶配準(zhǔn)圖像。

2 實(shí)例驗(yàn)證與分析

為了驗(yàn)證本文配準(zhǔn)方法的有效性，特采用實(shí)測(cè)數(shù)據(jù)進(jìn)行分析說明。

2.1 實(shí)測(cè)圖像的選擇

實(shí)測(cè)數(shù)據(jù)來源于青島膠州灣海域的同一海底區(qū)域，由Klein 4000側(cè)掃系統(tǒng)采集的側(cè)掃聲吶數(shù)據(jù)和R2Sonic 2024淺水多波束系統(tǒng)采集的多波束數(shù)據(jù)組成。為了減小海底復(fù)雜環(huán)境的影響，以達(dá)到最佳匹配效果，首先將測(cè)區(qū)進(jìn)行分塊，對(duì)每一塊區(qū)域單獨(dú)進(jìn)行配準(zhǔn)。在兩幅聲吶圖像中分別選取320×320像素的小區(qū)域，對(duì)多波束和側(cè)掃聲吶圖像進(jìn)行輻射畸變改正、幾何畸變改正、圖像增強(qiáng)、回波異常值改正和噪聲抑制等預(yù)處理后[22]，得到改正后的多波束和側(cè)掃聲吶圖像分別如圖3和圖4所示。

圖3 多波束圖像Fig.3 MBES image

圖4 側(cè)掃聲吶圖像Fig.4 SSS image

對(duì)比圖3和圖4可以看出，側(cè)掃聲吶圖像紋理信息特別豐富，多波束圖像的位置信息相對(duì)準(zhǔn)確，兩者融合，可實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)。

2.2 圖像的配準(zhǔn)

按照本文提出的配準(zhǔn)方法，首先采用小波變換對(duì)側(cè)掃聲吶圖像進(jìn)行處理。

聲學(xué)儀器的水下分辨率受多種因素的影響，不同測(cè)量?jī)x器在不同水深的橫、縱分辨率都不相同。本文試驗(yàn)所使用的側(cè)掃聲吶和多波束數(shù)據(jù)分別由Klein 4000側(cè)掃系統(tǒng)和R2Sonic 2024淺水多波束系統(tǒng)采集得到，通過儀器的參數(shù)說明以及關(guān)于聲吶圖像分辨率的相關(guān)文獻(xiàn)，可以得到Klein4000側(cè)掃聲吶的橫向分辨率約為2.0 cm，縱向分辨率約為2.4 cm[23]，R2Sonic 2024在40 m左右水深(本次試驗(yàn)水深約為40 m)的橫向分辨率約為40 cm，縱向分辨率約為34 cm[24]。

對(duì)于二維小波分解而言，每一次分解得到的低頻圖像，其橫向分辨率與縱向分辨率較變換前的圖像均增大一倍。因此，若要將多波束圖像與側(cè)掃聲吶圖像歸到同一級(jí)別的分辨率，則需將側(cè)掃聲吶圖像進(jìn)行4層小波分解后，提取第4層圖像的低頻信息，并用其重構(gòu)得到低頻圖像，這樣得到的低頻側(cè)掃聲吶圖像與多波束圖像在同一尺度，其結(jié)果如圖5所示。

圖5 側(cè)掃聲吶低頻圖像Fig.5 Low frequency image of SSS

其次，根據(jù)海底特征物的特點(diǎn)，通過人工選取特征點(diǎn)對(duì)的方式，在兩幅原始的聲吶圖像中選取陰影的上下邊界點(diǎn)和陰影橫向最寬點(diǎn)構(gòu)成4對(duì)匹配特征點(diǎn)對(duì)，如圖6所示。

圖6 特征點(diǎn)對(duì)匹配Fig.6 Matching of feature point pairs

利用圖6選擇的配準(zhǔn)點(diǎn)對(duì)結(jié)合仿射變換對(duì)圖3和圖5兩幅聲吶圖像進(jìn)行粗配準(zhǔn)，得到變換矩陣為

(9)

進(jìn)一步，對(duì)側(cè)掃聲吶的低頻圖像進(jìn)行仿射變換，得到圖7所示的變換結(jié)果。

由圖7可以看出，經(jīng)過仿射變換粗配準(zhǔn)后，側(cè)掃聲吶圖像的整體框架已經(jīng)基本與多波束圖像匹配，但一些細(xì)微的地方匹配并不完善。進(jìn)一步利用Active Demons算法對(duì)粗配準(zhǔn)圖像進(jìn)行自適應(yīng)迭代精配準(zhǔn)。利用模板尺寸60×60、標(biāo)準(zhǔn)差為10的高斯低通濾波器進(jìn)行平滑處理，設(shè)置迭代次數(shù)150次，其中α=1.0的120次，α=1.5的30次，最終得到的低頻精配準(zhǔn)圖像如圖8所示。Active Demons算法的變換模型如圖9所示，左側(cè)表示未經(jīng)變換的標(biāo)準(zhǔn)格網(wǎng)，右側(cè)表示迭代150次后所有位移場(chǎng)的疊加。

圖7 仿射變換后的側(cè)掃低頻圖像Fig.7 Low frequency SSS image after affine trans-formation

圖8 經(jīng)Demons算法配準(zhǔn)后的側(cè)掃低頻圖Fig.8 Low frequency SSS images after registration by Demons algorithm

圖9 Active Demons算法變換模型Fig.9 Active Demons algorithm transformation model

2.3 配準(zhǔn)評(píng)價(jià)指標(biāo)

為了定量評(píng)價(jià)配準(zhǔn)效果，采用均方差(mean square error,MSE)和互信息值(mutual information,MI)作為評(píng)價(jià)指標(biāo)[25-26]

(10)

式中，n和m分別表示橫縱方向上圖像的像素點(diǎn)個(gè)數(shù)；s(i,j)與m(i,j)表示兩圖中每個(gè)像素點(diǎn)對(duì)應(yīng)的灰度值。MSE值越小，表示圖像之間差異越小，配準(zhǔn)效果越好

MI(s,m)=H(s)+H(m)-H(s,m)

(11)

式中，H(s)、H(m)、H(s,m)分別表示參考圖像的信息熵、待配準(zhǔn)圖像的信息熵及兩圖之間的聯(lián)合信息熵。對(duì)于2維圖像，信息熵的計(jì)算方式如下

(12)

(13)

式中，i表示圖像中的灰度值；hi表示圖像中灰度i對(duì)應(yīng)的像素點(diǎn)個(gè)數(shù)；N表示圖像的灰度級(jí)數(shù)；pi表示灰度i出現(xiàn)的概率。聯(lián)合信息熵則需要利用兩幅圖像的聯(lián)合直方圖，基本方式與計(jì)算信息熵類似。MI值越大，表示兩圖像相關(guān)性越大，配準(zhǔn)效果越好。

在每一次迭代之后，分別計(jì)算得到MI和MSE，如圖10和圖11所示。

圖10 MI變化曲線Fig.10 MI change curve

圖11 MSE變化曲線Fig.11 MSE change curve

由圖10和圖11可以看出，隨著迭代次數(shù)的增加，MI值不斷增大，表示多波束和側(cè)掃圖像相關(guān)性增強(qiáng)；MSE值不斷減小，說明兩圖像之間的差異變小，以上均表明，隨著迭代次數(shù)的增加，配準(zhǔn)效果越來越好，這也充分證明了迭代自適應(yīng)配準(zhǔn)方法的有效性。

最后，將之前的仿射變換模型及保存的Demons配準(zhǔn)變換模型先后用于原始的側(cè)掃聲吶圖像上，最終得到側(cè)掃聲吶圖像的配準(zhǔn)結(jié)果如圖12所示。

圖12 最終配準(zhǔn)結(jié)果圖像Fig.12 Final registration result image

比較圖12和圖3可以看出，配準(zhǔn)后的圖像既獲得了多波束聲吶圖像準(zhǔn)確的位置信息，還保留了側(cè)掃圖像豐富的紋理信息。

為了進(jìn)一步說明本文方法的有效性，本文分別計(jì)算了原始側(cè)掃聲吶圖像與多波束圖像在配準(zhǔn)前、仿射變換粗配準(zhǔn)后、Demons算法精配準(zhǔn)后3個(gè)階段的MI和MSE值(表1)。

表1 配準(zhǔn)算法各階段的MI和MSETab.1 MI and MSE of each stage of the registration algorithm

由表1可以看出，較配準(zhǔn)前，經(jīng)仿射變換粗配準(zhǔn)后MI提高了41.6%，MSE降低了25.6%，經(jīng)Demons算法精配準(zhǔn)后MI提高了45.2%，MSE降低了28.2%。

為進(jìn)一步說明本文配準(zhǔn)方法的有效性與可行性，在同一測(cè)區(qū)不同條帶選擇另外一處特征地物進(jìn)行重復(fù)試驗(yàn)，其多波束圖像與側(cè)掃聲吶圖像分別如圖13和圖14所示。

圖13 試驗(yàn)2多波束圖像Fig.13 MBES image in the second experiment

圖14 試驗(yàn)2側(cè)掃聲吶圖像Fig.14 SSS image in the second experiment

重復(fù)上述試驗(yàn)步驟，利用本文提出的顧及多波束與側(cè)掃聲吶圖像尺度差異的迭代自適應(yīng)配準(zhǔn)方法對(duì)以上兩幅圖像進(jìn)行配準(zhǔn)，最終得到的配準(zhǔn)結(jié)果如圖15所示。

圖15 試驗(yàn)2最終配準(zhǔn)結(jié)果Fig.15 Final registration result image in the second experiment

為進(jìn)一步說明本文配準(zhǔn)方法與其他基于特征的配準(zhǔn)算法相比效果更佳，將兩次試驗(yàn)的多波束與側(cè)掃聲吶圖像采用文獻(xiàn)[1]使用的多項(xiàng)式配準(zhǔn)模型進(jìn)行配準(zhǔn)，同樣利用MI和MSE兩個(gè)指標(biāo)對(duì)配準(zhǔn)效果進(jìn)行衡量，最終得到的對(duì)比試驗(yàn)結(jié)果見表2。

表2 對(duì)比試驗(yàn)結(jié)果Tab.2 Result of contrast experiment

由表2可以看出，在兩次試驗(yàn)中，相比于仿射變換與多項(xiàng)式配準(zhǔn)方法，利用本文配準(zhǔn)方法得到的圖像MI值最大且MSE值最小，這表明其最終得到的配準(zhǔn)結(jié)果效果最佳，配準(zhǔn)質(zhì)量最好，進(jìn)一步驗(yàn)證了本文方法的有效性。

由此可見，與直接使用基于特征的配準(zhǔn)方法相比，本文提出的顧及多波束與側(cè)掃聲吶圖像尺度差異的迭代自適應(yīng)配準(zhǔn)方法可以有效提高二者圖像配準(zhǔn)質(zhì)量，最終得到既有準(zhǔn)確的位置信息又有豐富紋理信息的聲吶圖像。

3 結(jié)束語

多波束和側(cè)掃聲吶圖像配準(zhǔn)融合是獲取高質(zhì)量聲吶圖像的有效途徑。本文提出的迭代自適應(yīng)配準(zhǔn)方法，充分顧及了多波束與側(cè)掃聲吶圖像的特點(diǎn)，引入小波變換算法提取側(cè)掃圖像的低頻信息，并進(jìn)行大尺度側(cè)掃圖像重構(gòu)；提出利用仿射變換對(duì)聲吶圖像進(jìn)行粗配準(zhǔn)，減少配準(zhǔn)的框架差異；利用Demons算法對(duì)重構(gòu)的低頻側(cè)掃圖像和多波束圖像進(jìn)行迭代自適應(yīng)配準(zhǔn)，并給出了詳細(xì)的操作流程及評(píng)價(jià)指標(biāo)。通過兩次實(shí)例數(shù)據(jù)驗(yàn)證分析表明：本文方法在保留側(cè)掃聲吶圖像紋理細(xì)節(jié)的基礎(chǔ)上實(shí)現(xiàn)位置配準(zhǔn)。對(duì)比兩次試驗(yàn)配準(zhǔn)前的評(píng)價(jià)指標(biāo)，經(jīng)仿真仿射變換后MI分別提高了41.6%和93.1%，MSE分別降低了25.6%和18.4%，經(jīng)多項(xiàng)式模型配準(zhǔn)后MI分別提高了37.7%和95.4%，MSE分別降低了25.6%和19.1%，經(jīng)本文的配準(zhǔn)方法后MI分別提高了45.2%和96.7%，MSE分別降低了28.2%和19.9%，進(jìn)一步驗(yàn)證了本文方法的有效性與準(zhǔn)確性。

本文研究成果實(shí)現(xiàn)了多波束與側(cè)掃聲吶圖像的配準(zhǔn)與融合，獲得位置準(zhǔn)確且紋理豐富的聲吶圖像，有望提高海底地貌探測(cè)、障礙物探測(cè)和海底底質(zhì)分類的精度及可靠性。