葛錫云，魏檸陽，周宏坤，李 錦，高宇航

（1. 中國船舶科學(xué)研究中心，江蘇 無錫 214082；2. 深海技術(shù)科學(xué)太湖實(shí)驗(yàn)室，江蘇 無錫 214082）

0 引言

水下成像技術(shù)是當(dāng)前海洋探測的常用主要技術(shù)手段之一。當(dāng)前，水下成像技術(shù)主要包括光學(xué)成像和聲吶成像：光學(xué)成像分辨率較高，但作用距離較近，一般在幾米至幾十米之間，而且在渾水場合基本失效；聲吶成像具有作用距離遠(yuǎn)、穿透能力強(qiáng)等優(yōu)點(diǎn)，特別適用于渾水域，因而在水下地質(zhì)地貌勘測、水下丟失物尋找、水雷探測（含錨雷、沉底雷和泥沙掩埋的沉底雷）、壩基檢測等領(lǐng)域得到了廣泛應(yīng)用[1]。

然而，水聲信道的水介質(zhì)及其邊界具有復(fù)雜多變的特性，聲波本身的傳播損失和透射、散射，導(dǎo)致采集得到的聲吶圖像往往具有對(duì)比度低、斑點(diǎn)噪聲強(qiáng)和目標(biāo)邊緣模糊等特點(diǎn)，這給聲吶圖像的人工判讀和自動(dòng)解譯帶來了極大的困難，不利于聲吶成像在水下目標(biāo)探測與定位、堤壩安全檢測與修復(fù)、海上資源勘探與管道敷設(shè)、水庫清淤與航道疏浚等國防民生領(lǐng)域發(fā)揮更為重要的作用[2]。

側(cè)掃聲吶是利用回聲測深原理對(duì)水下目標(biāo)及水下地形地貌進(jìn)行成像的探測設(shè)備。鑒于其技術(shù)成熟、性價(jià)比高等特點(diǎn)，廣泛應(yīng)用于海洋地形地貌調(diào)查、海底礁石、沉船、管道、電纜等水下目標(biāo)的探測[3]。

針對(duì)側(cè)掃聲吶圖像的特點(diǎn)進(jìn)行圖像處理，旨在將水下場景信息更加清晰、真實(shí)地呈現(xiàn)在聲吶操作員面前，提高人工判讀的準(zhǔn)確性，降低目標(biāo)漏判、誤判的概率。DOBECK 等人針對(duì)聲吶圖像中水雷的自動(dòng)檢測與識(shí)別進(jìn)行了研究，開發(fā)了一種基于多種分類器與特征提取方法相結(jié)合的綜合模型，優(yōu)化了檢測與分類的準(zhǔn)確度，并最大限度減少了誤報(bào)的情況[4]。REED 等人針對(duì)側(cè)掃聲吶圖像似雷目標(biāo)的識(shí)別提出了一種自動(dòng)分類的無監(jiān)督模型，開發(fā)了一種面向檢測的無監(jiān)督馬爾科夫隨機(jī)場模型，提出了一種新穎的協(xié)同統(tǒng)計(jì)模型用以提取圖像中的高光和陰影部分，實(shí)驗(yàn)證明要比該領(lǐng)域內(nèi)其他模型性能較好 。吳濤等人針對(duì)聲吶圖像使用傳統(tǒng)的圖像分割方法產(chǎn)生的魯棒性差及精度不高的問題提出了基于樹結(jié)構(gòu)馬爾可夫隨機(jī)場的聲吶圖像分割新方法，該方法能有效地保存圖像目標(biāo)基本信息，同時(shí)減少分割誤差，具有較高的處理精度和魯棒性[6]。

本文通過對(duì)側(cè)掃聲吶圖像進(jìn)行非局部均值濾波、膨脹算法與Canny 目標(biāo)邊緣分割算法相結(jié)合的方法，進(jìn)而獲得區(qū)域一致性好、邊緣定位準(zhǔn)確的自動(dòng)檢測結(jié)果，對(duì)側(cè)掃聲吶圖像中目標(biāo)的自主識(shí)別至關(guān)重要，有助于進(jìn)一步發(fā)揮聲吶成像在水下目標(biāo)檢測等領(lǐng)域的重要作用。

1 研究方案

基于側(cè)掃聲吶的海底目標(biāo)檢測技術(shù)研究方案包括圖像采集與解析、圖像濾波去噪、目標(biāo)提取和目標(biāo)測量。

聲吶數(shù)據(jù)采集與解析。聲吶數(shù)據(jù)解析主要包括實(shí)時(shí)聲吶數(shù)據(jù)采集與解析以及對(duì)離線文件數(shù)據(jù)解析。主要通過讀取XTF（eXtended Triton Format）格式的數(shù)據(jù)流，將其轉(zhuǎn)換為ma（tMATLAB Format）進(jìn)行處理，之后轉(zhuǎn)換為數(shù)組送入OpenGL（Open Graphics Library）進(jìn)行顯示。

圖1 XTF 文件整體架構(gòu)Fig. 1 Overall architecture of XTF file

圖像濾波。側(cè)掃聲吶圖像分辨率低，干擾噪聲大，常規(guī)濾波方法不僅難以清除圖像中存在的噪聲，而且造成圖像質(zhì)量的下降，影響視覺感觀和目標(biāo)追蹤功能的實(shí)現(xiàn)。鑒于此種情況，采用非局部均值濾波和GPU（Graphics Processing Unit）三維線程加速的方法，實(shí)現(xiàn)良好濾波效果的同時(shí)，保證了實(shí)時(shí)性。

目標(biāo)提取。目標(biāo)提取分為手動(dòng)目標(biāo)提取與自動(dòng)目標(biāo)提取。其中手動(dòng)目標(biāo)提取采用框選的方法選中目標(biāo)。對(duì)于自動(dòng)目標(biāo)提取，系統(tǒng)利用算法自動(dòng)在圖像中框選中目標(biāo)、跟蹤目標(biāo)。采用Canny 邊緣檢測的方法，將當(dāng)前幀的圖像中的目標(biāo)進(jìn)行邊緣提取。由于圖像中存在不連續(xù)的位置，這里首先使用膨脹算法，將不連續(xù)的位置進(jìn)行連接，然后對(duì)當(dāng)前幀的圖像進(jìn)行目標(biāo)提取。經(jīng)過對(duì)目標(biāo)的幾何特征進(jìn)行判斷，剔除一些不符合條件的假目標(biāo)，提高了目標(biāo)提取的準(zhǔn)確性。

目標(biāo)測量。在完成目標(biāo)識(shí)別提取的基礎(chǔ)上，結(jié)合從聲吶設(shè)備本身提供的信息與XTF 文件獲取的信息，建立坐標(biāo)系，完成目標(biāo)位置信息測量的任務(wù)。

圖2 總體方案架構(gòu)圖Fig. 2 Overall solution architecture diagram

2 圖像預(yù)處理

2.1 濾波算法

對(duì)于圖像濾波算法有多種，比如均值濾波、自適應(yīng)均值濾波、高斯濾波、非局部均值濾波算法等。

對(duì)比聲吶圖像濾波去噪方法，選取聲吶圖像進(jìn)行濾波試驗(yàn)。濾波窗口尺寸均設(shè)為5 × 5。

采用均方誤差（MSE）、信噪比（SNR）2 個(gè)指標(biāo)對(duì)去噪結(jié)果進(jìn)行量化分析[7]：

式中，x、y為每個(gè)像素點(diǎn)在圖像中的二維坐標(biāo)。上述評(píng)價(jià)標(biāo)準(zhǔn)中，均方誤差（MSE）值越小越好，說明濾波效果越好，反之越差；信噪比（SNR）值越大越好，說明濾波效果越好，反之越差。

對(duì)比分析表1 中數(shù)據(jù)可以得出非局部均值濾波均方誤差值最小，信噪比最大，但運(yùn)行時(shí)間較長。

表1 濾波算法評(píng)價(jià)表Table 1 Evaluation table of filtering algorithm

2.2 非局部均值濾波

非局部均值濾波[8]是利用整張圖像的像素點(diǎn)進(jìn)行濾波。圖3 中所示后點(diǎn)A 為待濾波點(diǎn)，綠色窗口MA為A 的鄰域窗口。紅色窗口為需要遍歷的窗口，B 點(diǎn)為(i,j)的起點(diǎn)，C 點(diǎn)為W(i,j)的終點(diǎn)。A 處的像素點(diǎn)由下式確定：

圖3 非局部均值濾波原理及濾波后的圖像Fig. 3 Non-local means filtering principle and filtered image

式中：P(A) 為A 點(diǎn)的像素值；w、h為搜索窗口Ds的寬和高，一般w=h；W(i,j)為(i,j)點(diǎn)像素值的權(quán)重；P(i,j)為(i,j)點(diǎn)像素值。

權(quán)重W(i,j)由A 點(diǎn)所在鄰域MA以及(i,j)點(diǎn)所在鄰域Mx的相似度確定：

MSE 為均方誤差，可用下式表示：

式中，m×n為鄰域的像素點(diǎn)總數(shù)。

sum 為所有權(quán)重之和：

非局部均值濾波算法無論是圖像視覺處理效果，還是評(píng)價(jià)指標(biāo)，均為最優(yōu)，因此選擇非局部均值濾波算法作為側(cè)掃聲吶圖像濾波處理算法。

但是其存在大量的加法運(yùn)算，具有極高的運(yùn)算復(fù)雜度。

2.3 算法加速

非局部均值濾波在不同數(shù)據(jù)量下，在 CPU（Central Processing Unit）端運(yùn)行時(shí)間為25 000 ms。其中搜索窗口大小為15×15，鄰域窗口大小為11×11。因此，考慮采用GPU 三維線程進(jìn)行加速。

圖4 非局部均值濾波在CPU 端運(yùn)行結(jié)果Fig. 4 Results of non-local means filter on CPU

GPU 采用NVIDIA（NVIDIA Corporation）的顯卡，使用 CUDA（Compute Unified Device Architecture）運(yùn)算平臺(tái)。CUDA 是一種通用并行計(jì)算架構(gòu)，該架構(gòu)使GPU 能夠解決復(fù)雜的計(jì)算問題。

它包含了CUDA 指令集架構(gòu)以及GPU 內(nèi)部的并行計(jì)算引擎。開發(fā)人員可以使用類C 語言來為CUDA 架構(gòu)編寫程序，所編寫出的程序可以在支持CUDA 的處理器上以超高性能運(yùn)行。它是一個(gè)完整的GPU 解決方案，提供了硬件的直接訪問接口，而不必像傳統(tǒng)方式一樣必須依賴圖形API 接口來實(shí)現(xiàn)GPU 的訪問。在架構(gòu)上采用了一種全新的計(jì)算體系結(jié)構(gòu)來使用GPU 提供的硬件資源，從而給大規(guī)模的數(shù)據(jù)計(jì)算應(yīng)用提供了一種比CPU 更加強(qiáng)大的計(jì)算能力。因此，使用CUDA 對(duì)我們的算法進(jìn)行加速。

1）首先是在算法上進(jìn)行優(yōu)化。由上述計(jì)算過程可知原始非局部均值濾波算法存在諸多計(jì)算均方差的步驟，算法主要是對(duì)這一步進(jìn)行優(yōu)化，縮減計(jì)算均方差耗費(fèi)的時(shí)間。采用積分圖的方法來優(yōu)化計(jì)算過程，使計(jì)算時(shí)間大大縮減。

2）將基于積分圖計(jì)算的非局部均值算法由CPU 平臺(tái)運(yùn)行改為GPU 平臺(tái)運(yùn)行。GPU 擁有眾多的加法器，依靠其大量的加法器實(shí)現(xiàn)并行運(yùn)算，從而提高計(jì)算速度。

3）在計(jì)算過程中將積分圖計(jì)算分塊計(jì)算，充分利用GPU 線程。

4）改進(jìn)GPU 線程分配。GPU 可以依靠CUDA進(jìn)行驅(qū)動(dòng)。CUDA 在編程層面將GPU 線程分為三維，需要充分利用了GPU 的三維線程，將速度進(jìn)一步提升。

非局部均值濾波在GPU 加速下使用三維線程并且使用分塊計(jì)算的方法來計(jì)算積分圖。在713×256 像素的數(shù)量下，時(shí)間控制在了30 ms 左右，滿足實(shí)時(shí)性的要求，如圖5 所示。

圖5 非局部均值濾波采用GPU 三維線程分塊計(jì)算結(jié)果Fig. 5 Non-local means filter calculated by 3D thread block on GPU

3 目標(biāo)提取

3.1 目標(biāo)圖像提取算法

側(cè)掃聲吶圖像主要由目標(biāo)高亮區(qū)、目標(biāo)陰影區(qū)和海底背景區(qū)組成[9]。常用的目標(biāo)圖像提取算法主要由C-means 算法[10]、FCM 算法[11]和Canny算法[12]。從分割準(zhǔn)確率、計(jì)算時(shí)間2 個(gè)指標(biāo)來評(píng)價(jià)分割算法的優(yōu)劣[13]，分割算法如公式（7）所示，分割評(píng)價(jià)如表2 所示。

表2 目標(biāo)圖像提取算法對(duì)比Table 2 Comparison table of target image extraction algorithms

式中：S1為2 幅比較圖像的目標(biāo)區(qū)；S2為2 幅比較圖像的陰影區(qū)。

在對(duì)運(yùn)算速度要求不高時(shí)，用Canny 算法能夠很好地提取出多個(gè)目標(biāo)和陰影，并在去除噪聲干擾的同時(shí)保持圖像的邊緣信息，便于進(jìn)一步的目標(biāo)識(shí)別與測量；Canny 算法對(duì)不同尺寸、不同背景、不同噪聲環(huán)境的單個(gè)聲吶目標(biāo)圖像進(jìn)行大量的計(jì)算仿真，均能獲得較好的分割結(jié)果，且Canny 算法對(duì)單一目標(biāo)具有很強(qiáng)的適應(yīng)性和魯棒性。

3.2 膨脹算法與Canny 算法

采用膨脹算法與Canny 算法相結(jié)合的方式。首先用膨脹算法，依次遍歷整個(gè)圖片的像素，分析每個(gè)像素的周圍8 個(gè)像素，從而實(shí)現(xiàn)將目標(biāo)不連續(xù)像素有序地連接起來，再利用Canny 算法對(duì)目標(biāo)進(jìn)行分割提取。

Canny 算法是找尋一幅圖相中灰度強(qiáng)度變化最強(qiáng)的位置。所謂變化最強(qiáng)，即指梯度方向。對(duì)濾波去噪后的圖像使用Sobel 算子計(jì)算水平方向和豎直方向的一階導(dǎo)數(shù)（圖像梯度）。根據(jù)得到的這2幅梯度圖（Gx和Gy）找到邊界的梯度G和方向θ。

在獲得梯度的方向和大小之后，對(duì)整幅圖像做一個(gè)掃描，保留每個(gè)像素點(diǎn)上梯度強(qiáng)度的極大值，而刪掉其他的值。

分割后的圖像，采用二值化處理，將圖像中所有亮點(diǎn)目標(biāo)與暗目標(biāo)利用閾值分割，區(qū)分陰影與目標(biāo)，并通過閾值選取，匹配目標(biāo)亮點(diǎn)與陰影，最終實(shí)現(xiàn)目標(biāo)的正確提取。

圖6 Canny 算法目標(biāo)提取Fig. 6 Canny algorithm for target extraction

4 實(shí)驗(yàn)測試

4.1 實(shí)驗(yàn)數(shù)據(jù)采集

利用北京海卓同創(chuàng)科技有限公司生產(chǎn)的SS900型側(cè)掃聲吶已有SDK 開發(fā)包，實(shí)現(xiàn)聲吶設(shè)備實(shí)時(shí)連接與控制，SDK 提供設(shè)備工作參數(shù)設(shè)置接口功能、獲取工作命令功能和聲吶數(shù)據(jù)接口功能，因此可基于SDK 開發(fā)包實(shí)現(xiàn)與聲吶端的網(wǎng)絡(luò)連接、網(wǎng)絡(luò)通信功能，為聲吶端端口進(jìn)行IP 分配，為上位機(jī)客戶端配置對(duì)應(yīng)IP、子網(wǎng)掩碼、網(wǎng)關(guān)，并基于RS 系列串口通信標(biāo)準(zhǔn)可實(shí)現(xiàn)與側(cè)掃聲吶端的連接。

4.2 軟件界面顯示

基于C++開發(fā)語言，Win10 QT5.9 環(huán)境實(shí)現(xiàn)界面開發(fā)，通過QT 界面顯示聲學(xué)圖像處理軟件輸出的聲學(xué)圖像，并具備基本的視頻讀取模塊、視頻播放以及導(dǎo)出模塊、參數(shù)設(shè)置模塊和目標(biāo)測量顯示（距離、方位、尺度）。

4.3 目標(biāo)檢測測試

為了評(píng)估該目標(biāo)檢測方法的有效性，采用服務(wù)器使用Intel? CoreTM i7-10700 CPU 處理器，配備NVIDIA GeForce RTX 3070TI 顯卡，顯卡內(nèi)存8 G，Win7 64 位操作系統(tǒng)。具體流程圖如圖7 所示。

圖7 測試流程圖Fig. 7 Test flow chart

如圖8 所示藍(lán)色框?yàn)樘崛〕龅陌的繕?biāo)，綠色框?yàn)樘崛〕龅牧聊繕?biāo)。紅色框?yàn)閷⒕G色框加長后的框。當(dāng)紅色框與藍(lán)色框的IOU 超過某閾值時(shí)，對(duì)應(yīng)綠色框被保留。

圖8 閾值未設(shè)置時(shí)的目標(biāo)提取Fig. 8 Target extraction when threshold is not set

圖9 設(shè)置閾值后的目標(biāo)提取Fig. 9 Target extraction after threshold setting

在低混響條件下，對(duì)57 張測掃聲吶圖像的目標(biāo)個(gè)數(shù)進(jìn)行了統(tǒng)計(jì)，共包含75 個(gè)目標(biāo)，在IOU 為0.7的時(shí)候，有67 個(gè)目標(biāo)被正確框選，目標(biāo)的檢測成功率為89.3%。實(shí)驗(yàn)結(jié)果表明：側(cè)掃聲吶目標(biāo)檢測系統(tǒng)能夠較好地滿足水下測掃聲吶目標(biāo)檢測的實(shí)際需求。

5 結(jié)束語

針對(duì)水下小目標(biāo)探測識(shí)別難的問題，開展基于側(cè)掃聲吶的目標(biāo)檢測方法研究，主要對(duì)側(cè)掃聲吶圖像濾波算法和目標(biāo)圖像提取算法進(jìn)行研究，主要成果如下：

1）聲吶圖像預(yù)處理采用非局部均值濾波算法與GPU 加速相配合的方法。通過改進(jìn)非局部均值濾波算法的運(yùn)行順序，使其運(yùn)行于GPU 這類并行處理器件上，同時(shí)優(yōu)化GPU 線程分配，進(jìn)一步提高聲吶圖像預(yù)處理的運(yùn)行速度。30 ms 的圖像預(yù)處理時(shí)間，滿足實(shí)時(shí)性的要求。

2）提出膨脹算法搭配目標(biāo)分割與輪廓檢測的辦法用于目標(biāo)提取。通過2 種算法的取長補(bǔ)短達(dá)到了較好的目標(biāo)提取效果。低混響條件下，目標(biāo)的檢測成功率為89.3%。