基于自適應(yīng)BM3D的側(cè)掃聲納圖像散斑降噪

陳 朋，蔡烜偉，趙冬冬*，梁榮華，郭新新

基于自適應(yīng)BM3D的側(cè)掃聲納圖像散斑降噪

陳 朋1，蔡烜偉2，趙冬冬1*，梁榮華1，郭新新3

1浙江工業(yè)大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，浙江 杭州 310023；2浙江工業(yè)大學(xué)信息工程學(xué)院，浙江 杭州 310023；3中國科學(xué)院深?？茖W(xué)與工程研究所，海南 三亞 572000

側(cè)掃聲納(SSS)是一種利用聲波的水下傳播特性完成水下探測的電子設(shè)備。因為側(cè)掃聲納利用回波強(qiáng)度成像，所以不可避免地引入散斑噪聲。本文針對散斑噪聲，提出了基于自適應(yīng)三維塊匹配濾波(BM3D)的側(cè)掃聲納圖像散斑降噪方法。該算法首先對SSS圖像進(jìn)行冪變換和對數(shù)變換，采用小波變換估計整體圖像噪聲，同時用局部噪聲估計結(jié)果更新BM3D算法的參數(shù)。然后本文算法比較全局估計和局部估計的結(jié)果，選擇最合適的參數(shù)解決噪聲分布不均勻的問題。實驗結(jié)果表明，本文改進(jìn)的BM3D算法能有效地降低SSS圖像中的散斑噪聲，獲得良好的視覺效果。本文算法的等效視數(shù)至少提高了6.83%，散斑抑制指數(shù)低于傳統(tǒng)方法，散斑抑制和平均保存指數(shù)至少減少了3.30%。該方法主要用于聲納圖像降噪，對于超聲、雷達(dá)或OCT圖像等受散斑噪聲污染的信號也有一定的實用價值。

側(cè)掃聲納；散斑噪聲；圖像降噪；BM3D

1 引 言

側(cè)掃聲納(Side-scan soanr, SSS)在水下救援、海洋研究和水雷排查中起到了重要的作用。側(cè)掃聲納發(fā)射超聲波頻率通常在100 kHz到2 MHz，部分能量會被海底地形以及海底各種物體反射，再由換能器接收轉(zhuǎn)換為相應(yīng)電信號。換能器發(fā)出的聲波為沿著拖魚移動方向窄、垂直方向?qū)挼纳刃?，因此一次掃描的范圍為垂直于拖魚移動方向的海底狹長地帶。在拖魚被拖拽過程中，側(cè)掃聲納收集每一幀數(shù)據(jù)，按順序沿垂直軌跡顯示，生成側(cè)掃聲納圖像，是側(cè)掃聲納成像的基本原理[1]。

然而SSS圖像受尾流、混響及儀器自身等因素影響，導(dǎo)致圖像存在噪聲干擾和畸變。側(cè)掃聲納圖像可分為目標(biāo)高亮區(qū)、陰影區(qū)和海底混響區(qū)三類，海底環(huán)境復(fù)雜，造成聲納圖像有各種噪聲，如高斯噪聲、脈沖噪聲和散斑噪聲，其中最突出的是散斑噪聲[2]。乘性散斑噪聲表現(xiàn)為聲納圖像中較亮和較暗像素的隨機(jī)顆粒，會導(dǎo)致圖像細(xì)節(jié)的缺失，降低對比度，使物體形變，邊緣模糊，嚴(yán)重影響側(cè)掃聲納圖像的圖像匹配、目標(biāo)識別和特征提取等圖像的處理和應(yīng)用。側(cè)掃聲納圖像去噪的目標(biāo)在于去除散斑噪聲，同時盡可能保留紋理、邊緣和其他細(xì)節(jié)[3]。

聲納圖像降噪的傳統(tǒng)方法一般是Lee濾波器[4]、Kuan濾波器[5]、Frost濾波器[6]、中值濾波和均值濾波。傳統(tǒng)空域算法通過調(diào)節(jié)濾波窗口大小來實現(xiàn)濾波，理論上在均勻區(qū)域可以達(dá)到較好的濾波效果，但是在非均勻區(qū)域會模糊邊界，不能很好地保持邊緣，對于紋理信息和邊緣信息豐富的側(cè)掃聲納圖像來說會丟失很多有效信息。因此，為保持邊緣信息，在去噪算法中引入了非局部的思想。Antoni等[7]提出非局部平均算法(non-local means denoising, NLM)濾波，Wang等[8]提出快速非局部平均算法(fast non-local algorithm for image denoising, NLF)，均在去噪保邊中有出色的表現(xiàn)。在頻域上去噪方法有小波閾值去噪法。李世文[9]提出了基于波原子閾值去噪算法去除散斑噪聲并能很好地保持圖像邊緣細(xì)節(jié)特征；王帆[10]提出基于字典算法的散斑降噪方法，在光學(xué)相干斷層掃描(optical coherence tomography, OCT)圖像的散斑降噪中也取得了很好的效果。

塊匹配三維濾波(Block-matching and 3D filtering, BM3D)是一種非局部均值方法，基于NLM思想發(fā)展而來，結(jié)合了空間域和變換域的光學(xué)圖像去噪方法[11]。BM3D方法的優(yōu)點是能充分利用聲納圖像自身的結(jié)構(gòu)相關(guān)性和冗余性，經(jīng)過三維變換得到的圖像稀疏表示能更好地描述聲納圖像的特性，對噪聲和邊緣的區(qū)分效果更加明顯。

同時BM3D算法也存在著一些缺點。BM3D算法基于高斯加性噪聲開發(fā)，對不同于高斯模型的冪律噪聲處理效果不好[12]。BM3D算法中的塊匹配和三維變換部分十分耗時，計算復(fù)雜度高[13]。

部分研究者對BM3D進(jìn)行改進(jìn)并在不同的領(lǐng)域中使用。Dabov等[14]提出基于主成分分析(principal component analysis，PCA)的形狀自適應(yīng)算法，可以較好地保護(hù)邊緣。Zhong等[15]提出了一種基于非局部集中先驗信息改進(jìn)的BM3D算法。Devapal等[3]提出使用曼哈頓距離改進(jìn)分組方法，曲波變換代替小波變換提高精度，使用無跡卡爾曼濾波代替維納濾波的算法(curvelet-ISUKF-Manhattan BM3D, CIM-BM3D)，該BM3D算法適用于合成孔徑雷達(dá)圖像，并且得到了較好的去噪效果。Zhao等[16]提出BM3D算法中的維納濾波部分通過數(shù)據(jù)統(tǒng)計改進(jìn)，應(yīng)用于醫(yī)療中的CT圖像去噪，在低劑量X光情況下得到的圖像去噪效果中有明顯提高。Cheng等[17]提出基于曼哈頓距離的自適應(yīng)BM3D算法(Manhattan distance based adaptive BM3D, MD-ABM3D)，用于激光散斑對比度成像(LSCI)，大大減少了LSCI得到清晰圖像的時間。

然而針對聲納圖像的BM3D去噪方法的研究比較少。范習(xí)健等[18]提到通過將瑞利分布的散斑噪聲轉(zhuǎn)化為正態(tài)分布的高斯噪聲再通過自適應(yīng)BM3D處理，從而達(dá)到提高BM3D對聲納圖像的去噪效果。

本文針對目前沒有先進(jìn)的BM3D算法適用于側(cè)掃聲納圖像的問題，提出了基于自適應(yīng)BM3D的側(cè)掃聲納圖像散斑降噪方法。該算法對側(cè)掃聲納圖像進(jìn)行冪變換和對數(shù)變換，把瑞利分布的散斑噪聲轉(zhuǎn)化為正態(tài)分布的高斯噪聲，每一個區(qū)域參數(shù)估計對比全局參數(shù)實現(xiàn)更細(xì)致的參數(shù)自適應(yīng)。

2 算法總體設(shè)計

BM3D算法[19]采用非局部均值NLM方法的非局部塊匹配的思想，在此基礎(chǔ)上，它把圖像相似塊堆疊成三維圖像，并且使用了變換域方法。該算法分基本估計和最終估計兩個過程，基本估計的協(xié)同濾波使用硬閾值濾波去除大量噪聲，在最終估計協(xié)同濾波中使用維納濾波進(jìn)一步壓制噪聲同時恢復(fù)邊緣紋理。BM3D算法在高斯噪聲去噪中有很好的效果，并被廣泛應(yīng)用。

本文在該算法的基礎(chǔ)上，對圖像進(jìn)行冪變換和對數(shù)變換實現(xiàn)噪聲的性質(zhì)變化，更加符合BM3D去噪條件；同時借助小波噪聲估計方法估計全局噪聲作為去噪?yún)?shù)；在相似塊匹配部分使用曼哈頓距離代替歐幾里德距離，在相同范圍內(nèi)找到更多相似區(qū)域；最后在協(xié)同濾波過程中，對每一個匹配塊進(jìn)行噪聲估計和全局噪聲估計對比，實現(xiàn)對每一個區(qū)域的BM3D去噪?yún)?shù)自適應(yīng)。

圖1為本文的算法流程圖，該算法主要分為四個部分。第一步，圖像預(yù)處理部分，包括高斯函數(shù)冪域變換和對數(shù)變換；第二步，BM3D算法的基本估計，其中添加了對輸入圖像的每個圖像塊的噪聲，估計達(dá)到硬閾值濾波的閾值自適應(yīng)；第三步，BM3D算法的最終估計過程，其中添加了基本估計的圖像塊與原始圖像的對比，達(dá)到維納濾波參數(shù)的自適應(yīng)；第四步，對最終估計的圖像進(jìn)行預(yù)處理的逆變換，實現(xiàn)圖像的恢復(fù)。

2.1 圖像預(yù)處理

如引言中所提到，聲納系統(tǒng)的原理是靠換能器發(fā)射超聲波，經(jīng)過海底反射，接收器接收的回波成像。因為聲納系統(tǒng)所成的圖像被乘性的散斑噪聲嚴(yán)重污染，而BM3D算法本質(zhì)上是基于高斯噪聲開發(fā)的，對高斯噪聲的去噪效果好，所以本文需要通過建立噪聲模型，經(jīng)過冪變換和對數(shù)變換把乘性的非正態(tài)分布的噪聲轉(zhuǎn)化為加性的正態(tài)分布的高斯噪聲，再進(jìn)行下一步去噪操作。

圖1 算法流程圖

側(cè)掃聲納圖像的散斑噪聲與SAR圖像以及醫(yī)學(xué)超聲圖像相似，其噪聲模型可以描述為

其中：為被噪聲污染的圖像，為真實圖像，為服從瑞利分布的散斑噪聲。

首先本文算法需要把側(cè)掃聲納圖像的散斑噪聲分布從瑞利分布轉(zhuǎn)化為近高斯分布，其公式為

其中：為變換后的圖像，為轉(zhuǎn)換前的圖像，為轉(zhuǎn)化系數(shù)。范習(xí)健等[18]通過實驗得到，當(dāng)約為0.35時，通過該公式可以把瑞利分布的噪聲轉(zhuǎn)化為正態(tài)分布的，本文算法取為0.35。

圖像中的噪聲從瑞利分布轉(zhuǎn)化為近高斯分布，本文算法對SSS圖像進(jìn)行對數(shù)變化，使噪聲從乘性轉(zhuǎn)換為加性。結(jié)合式(1)、式(2)，得到如下公式：

其中：為含噪圖像的任意一個像素的灰度值。

所以最終轉(zhuǎn)換之后進(jìn)行歸一化得到的ln為

2.2 基本估計

圖像大部分噪聲已經(jīng)轉(zhuǎn)化為高斯加性噪聲的同時，因為側(cè)掃聲納圖像噪聲復(fù)雜，有一部分均勻噪聲同時也被轉(zhuǎn)化為非均勻噪聲。原始BM3D使用歐幾里德距離進(jìn)行塊匹配，在偏差的二次求和中增大了較大的偏差。而曼哈頓距離以相同的權(quán)重對偏差進(jìn)行求和，不會擴(kuò)大較大的偏差。為了應(yīng)對這部分非均勻噪聲，本文算法在尋找匹配塊的時候使用曼哈頓距離來替代原先的歐幾里德距離。理論上曼哈頓距離在處理非均勻噪聲時優(yōu)于歐幾里德距離。

然后將set與一起放到三維矩陣中，用3D表示，接下來要進(jìn)行協(xié)同濾波。首先對3D進(jìn)行三維線性變換，先進(jìn)行二維線性變換，再進(jìn)行一維線性變換，然后在變換域中進(jìn)行硬閾值濾波，之后再依次逆變換得到經(jīng)過處理的三維矩陣3D：

三維變換后，在變換域?qū)υ撊S矩陣進(jìn)行硬值域濾波：

通過協(xié)同濾波，可以得到三維塊中每一個二維圖像塊的估計，對于，每個像素的估計都是相似圖像塊的估計通過加權(quán)來累計的：

當(dāng)遍歷完全部圖像塊之后，輸出基本估計為

2.3 最終估計

基本估計的目的在于通過多幀平均的方式濾除大量噪聲，而最終估計是結(jié)合原圖恢復(fù)除噪聲外的細(xì)節(jié)部分。最終估計是在基本估計的基礎(chǔ)上，結(jié)合基本估計前的聲納圖像通過維納協(xié)同濾波恢復(fù)圖像細(xì)節(jié)。

最終估計的過程與基本估計的過程基本一致，如圖1所示。其中不同的地方有以下幾點：

2) 下一步為維納濾波，和經(jīng)典算法一致，公式為

2.4 去噪圖像還原

因為第一部分，本文對原圖進(jìn)行了對數(shù)變換和冪變換，不光改變了噪聲的性質(zhì)，也同樣改變了真實圖像的性質(zhì)。所以根據(jù)同態(tài)濾波的要求，本文需要通過冪逆變換和指數(shù)變換，把去除噪聲的圖像恢復(fù)到原來的狀態(tài)。

結(jié)合式(4)，可以得到此時的模型為

經(jīng)過指數(shù)變換和冪逆變換，圖像的像素灰度值均發(fā)生了變化，所以需要歸一化。本節(jié)最終需要求解作為本算法的最終去噪結(jié)果：

所以最終轉(zhuǎn)換之后進(jìn)行歸一化得到的ln為

3 實驗結(jié)果與分析

為了驗證本文提出算法的優(yōu)越性，選擇了真實的側(cè)掃聲納圖像進(jìn)行主觀和客觀指標(biāo)的評價。主觀上，通過視覺檢查一些可視特點，包括邊緣保持能力、模糊程度、點目標(biāo)保持以及客觀上難以被察覺的細(xì)節(jié)等等；客觀上，視覺評估可以通過公認(rèn)的圖像評價手段，包括全參考圖像質(zhì)量指標(biāo)，半?yún)⒖紙D像質(zhì)量指標(biāo)和無參考評價指標(biāo)[20]。

3.1 無參考圖像質(zhì)量評價指標(biāo)

因為真實的側(cè)掃聲納圖像是沒有參考圖像比較的，所以本文采用了三種無參考圖像質(zhì)量評價指標(biāo)來驗證本文算法，其中包括等效視數(shù)(equivalent number of looks，ENL，用ENL表示)、散斑抑制指數(shù)(speckle suppression index，SSI，用SSI表示)和散斑抑制和均值保持指數(shù)(speckle suppression and mean preservation index, SMPI，用SMPI表示)[20]。

1) 等效視數(shù)(ENL)

2) 散斑抑制指數(shù)(SSI)

3) 散斑抑制和平均保存指數(shù)(SMPI)

3.2 實驗設(shè)計

本文選擇的真實側(cè)掃聲納圖像位于英吉利海峽中部，位于懷特島的圣凱瑟琳角和法國北部科廷半島的巴弗勒角之間懷特島巴富勒礁中。

該地帶側(cè)掃聲納數(shù)據(jù)于2013年由英國政府主持獲取Wight-Barfleur Reef SCI海床數(shù)據(jù)，以更好地劃定區(qū)域內(nèi)(基巖和石質(zhì))的范圍，用于協(xié)助制定與保護(hù)區(qū)域和特征有關(guān)的管理建議，以jsf文件格式存儲并公開于英國政府公開數(shù)據(jù)網(wǎng)。

本文使用EdgeTech公司公開的上位機(jī)讀取其文件，并顯示和截圖用于本文的實驗驗證。其中，聲納頻率以較低頻率發(fā)射聲波218.7 kHz~241.7 kHz獲取聲納圖像。

本文對100張存在明顯目標(biāo)的分辨率為320′320的聲納圖像進(jìn)行兩組實驗。

第一組實驗中，本文用基于歐幾里德距離匹配的本文算法和基于曼哈頓距離匹配的本文算法在同參數(shù)的情況下對同一張聲納圖像進(jìn)行去噪實驗，比較評價指標(biāo)，驗證使用曼哈頓距離尋找匹配塊優(yōu)于使用歐幾里德距離。

第二組實驗中，本文分別用傳統(tǒng)算法的中值濾波、原始BM3D算法、Fan等[18]的BM3D算法、MD-ABM3D和本文算法對每張聲納圖像進(jìn)行去噪實驗，比較評價指標(biāo)，驗證本文算法去噪效果優(yōu)于傳統(tǒng)算法和一些改進(jìn)BM3D算法。

本節(jié)隨機(jī)抽取其中3張實驗圖像如圖2所示。圖2(a)疑似沉船，圖2(b)為海底凸起，圖2(c)則為海底石塊群或者坑洞聚集，原圖均呈現(xiàn)出或明或暗的斑點分布的噪聲，對基于這些側(cè)掃聲納圖像的水底底質(zhì)和目標(biāo)識別等的水下研究造成了不便。

3.3 塊匹配方法對比實驗

本節(jié)對這三幅原圖分別進(jìn)行使用歐幾里德距離塊匹配的本文算法和使用曼哈頓距離塊匹配的本文算法去噪，效果圖如圖3所示。

原始BM3D算法使用歐幾里德距離進(jìn)行塊匹配，在偏差的二次求和中放大了較大的偏差；本文算法使用曼哈頓距離進(jìn)行塊匹配，以相同的權(quán)重進(jìn)行求和，不會放大偏差，在算法工程中體現(xiàn)為算法可以在有非均勻噪聲的情況下找到更多的相似圖像塊用于相似塊的多幀平均。

圖3為使用曼哈頓距離和歐幾里德距離的對照實驗的圖像去噪結(jié)果。

從圖3可以看到，本文使用曼哈頓距離和歐幾里德距離都得到了理想的去噪效果，也有較好的保邊能力。濾波結(jié)果質(zhì)量評價如表1所示，其中粗體的數(shù)值為最優(yōu)值。等效視數(shù)(ENL)越大表示平滑效率越高，散斑抑制指數(shù)(SSI)越小，說明散斑濾波性能越好；散斑抑制和平均保存指數(shù)(SMPI)數(shù)值越低，說明該濾波器的平均保存性和降噪性能越好。塊匹配使用曼哈頓距離相比歐幾里德距離，ENL平均提高了0.95%，SSI平均降低了0.19%，SMPI平均降低了0.25%。這結(jié)果證明了本文算法使用曼哈頓距離進(jìn)行塊匹配很好地處理了算法第一步遺留下的少量非均勻噪聲。

圖2 實驗原圖。(a) 疑似船體圖；(b) 海底凸起圖；(c) 海底起伏地貌圖

圖3 算法處理結(jié)果圖。(a)~(c) 原圖；(d)~(f) 歐幾里德距離用于匹配；(g)~(i) 曼哈頓距離用于匹配

表1 圖像質(zhì)量評價表

3.4 多算法降噪對比實驗

對圖2的三幅原圖分別進(jìn)行傳統(tǒng)算法的中值濾波、NLM算法、原始BM3D算法、Fan等[18]的BM3D算法、MD-ABM3D和本文算法，效果圖如圖4所示。

主觀感受上，圖4(a)、4(g)、4(m)為中值濾波的濾波結(jié)果，雖然相對原圖，不僅去除了大量噪聲，還模糊了邊緣，這對于后期目標(biāo)識別帶來了麻煩；圖4(b)、4(h)、4(n)為NLM算法濾波結(jié)果，可以明顯看到暗部分仍然存在或明或暗相間的斑點噪聲，去除效果并不好。圖4(c)、4(i)、4(o)為原始BM3D算法濾波結(jié)果，原始BM3D算法不含噪聲估計的功能，所以在實驗中為了公平起見，和其他自適應(yīng)算法設(shè)置一樣的噪聲估計值進(jìn)行試驗，可以看到對大部分區(qū)域有涂抹痕跡，并且保留了大部分邊緣，但是噪聲最強(qiáng)烈的地方去噪效果不理想；圖4(d)、4(j)、4(p)為Fan等人的BM3D算法得到的圖像，對強(qiáng)烈噪聲的抑制效果相對原始BM3D要高，平滑效果明顯；圖4(e)、4(k)、4(q)為MD-ABM3D濾波結(jié)果，表現(xiàn)效果類似于原始BM3D但是對噪聲抑制的能力強(qiáng)于原始BM3D。圖4(f)、4(l)、4(r)為本文算法結(jié)果，在視覺效果上也達(dá)到了抑制強(qiáng)烈噪聲，平滑均勻區(qū)域的效果，并很好地保護(hù)了邊緣和細(xì)節(jié)。

因為中值濾波得到的圖像不僅模糊，而且仍然能看到或明或暗相間的斑點噪聲，所以在之后的無參考圖像質(zhì)量評價中將不參加對比。

圖4 實際側(cè)掃聲納圖像算法處理效果圖。(a), (g), (m) 中值濾波；(b), (h), (n) NLM；(c), (i), (o)原始BM3D算法；(d), (j), (p) Fan等人[18]；(e), (k), (q) MD-ABM3D算法；(f), (l), (r) 本文算法

表2為NLM算法、原始BM3D、Fan等人BM3D、MD-ABM3D和本文算法處理原圖得到的圖像的質(zhì)量評價表。其中粗體的數(shù)值為最優(yōu)值。等效視數(shù)(ENL)越大表示平滑效率越高，散斑抑制指數(shù)(SSI)越小，說明散斑濾波性能越好；散斑抑制和平均保存指數(shù)(SMPI)數(shù)值越低，說明該濾波器的平均保存性和降噪性能越好。

對比范習(xí)健等人用在聲納圖像上的算法，本文算法實現(xiàn)了BM3D算法在尋找匹配塊中使用曼哈頓距離找到更多相似圖塊，同時協(xié)同濾波實現(xiàn)針對每一個去噪?yún)^(qū)域的參數(shù)自適應(yīng)。通過表2的ENL、SSI、SMPI指標(biāo)可以得到，本文算法的評價指標(biāo)均高出范習(xí)健的BM3D算法處理圖像的評價指標(biāo)，ENL平均高出約36.9%，SSI平均降低約6.046%，SMPI平均降低約9.86%。所以相對范習(xí)健的BM3D算法，本文算法優(yōu)化自適應(yīng)BM3D達(dá)到更好的平滑效果，散斑抑制能力和去噪保存細(xì)節(jié)的效果。

對比MD-ABM3D算法，本文算法實現(xiàn)了對圖像的噪聲近似高斯化。通過表2的ENL、SSI、SMPI指標(biāo)可以得到，除了SSI參數(shù)兩者基本近似，本文算法的其他評價指標(biāo)均高出MD-ABM3D處理圖像的評價指標(biāo)，ENL平均高出約6.5%，SMPI平均降低約3.01%。所以相對MD-ABM3D算法，本文算法對含噪聲圖像進(jìn)行預(yù)處理，變化噪聲性質(zhì)為近高斯加性噪聲，雖然散斑抑制能力近似，但是有更好的平滑效果和去噪保存細(xì)節(jié)的能力。

表2 各算法圖像質(zhì)量評價表

本文算法參考非線性系統(tǒng)濾波，通過冪變換和對數(shù)變換改變噪聲性質(zhì)使圖像適用于線性系統(tǒng)濾波，經(jīng)過改進(jìn)的自適應(yīng)BM3D濾波，最后通過冪逆變換和指數(shù)變換實現(xiàn)對去噪后的圖像的恢復(fù)，相比于LNM的多幀平均方法(如表2所示)，各項評價指標(biāo)都得到很大的提高。現(xiàn)在的超聲、雷達(dá)和OCT圖像因為成像原理，往往都被嚴(yán)重的散斑噪聲所污染，本文算法不僅適用于聲納圖像，對于被同類型噪聲污染的圖像去噪方面，也有參考的價值。

4 結(jié) 論

針對側(cè)掃聲納圖像特性，本文提出一種基于自適應(yīng)的BM3D的圖像去噪算法。先通過冪變換函數(shù)將大部分非均勻分布的散斑噪聲轉(zhuǎn)化為近高斯白噪聲，在相似塊匹配時使用曼哈頓距離作為參考，實現(xiàn)對小部分非高斯噪聲的適應(yīng)，結(jié)合對每一圖像塊都進(jìn)行噪聲評估和參數(shù)自適應(yīng)的BM3D算法濾波。對實際的側(cè)掃聲納進(jìn)行實驗。實驗結(jié)果表明，本文算法在噪聲較強(qiáng)情況下在去噪和邊緣保持兩方面都取得了很好的結(jié)果。本文算法和其他BM3D算法比較得到，ENL平均至少提高了6.83%，SSI在數(shù)值上與MD-ABM3D十分相近，SMPI平均至少減少了3.30%。雖然該方法主要用于聲納圖像降噪，但對于超聲、雷達(dá)或OCT圖像等受散斑噪聲污染的信號也有一定的實用價值。

[1] Blondel P.[M]. Berlin: Springer, 2009: 1–6.

[2] Ye X F, Li P, Deng Y Y. A side scan sonar image denoising algorithm based on compound of fuzzy weighted average and Kalman filter[C]//, Chengdu, China, 2012: 720–724.

[3] Devapal D, Kumar S S, Sethunadh R. Discontinuity adaptive SAR image despeckling using curvelet-based BM3D technique[J]., 2019, 17(3): 1950016.

[4] Lee J S, Grunes M R, De Grandi G. Polarimetric SAR speckle filtering and its implication for classification[J]., 1999, 37(5): 2363–2373.

[5] Kuan D T, Sawchuk A A, Strand T C,. Adaptive noise smoothing filter for images with signal-dependent noise[J]., 1985, PAMI-7(2): 165–177.

[6] Frost V S, Stiles J A, Shanmugan K S,. A model for radar images and its application to adaptive digital filtering of multiplicative noise[J]., 2009, PAMI-4(2): 157–166.

[7] Buades A, Coll B, Morel J M. Non-local means denoising[J]., 2011, 1: 208–212.

[8] Wang J, Guo Y W, Ying Y T,. Fast non-local algorithm for image denoising[C]//, Atlanta, GA, USA, 2006: 1429–1432.

[9] Li S W, Zhang B, Liu Z M,. Noise reduction for OCT images based on wave-atom thresholding algorithm[J]., 2014, 41(7): 75–80.

李世文, 張彬, 劉澤民, 等. 基于波原子閾值算法的OCT圖像降噪技術(shù)[J]. 光電工程, 2014, 41(7): 75–80.

[10] Wang F, Chen M H, Gao N J,. OCT image speckle sparse noise reduction based on dictionary algorithm[J]., 2019, 46(6): 180572.

王帆, 陳明惠, 高乃珺, 等. 基于字典算法的OCT圖像散斑稀疏降噪[J]. 光電工程, 2019, 46(6): 180572.

[11] Lebrun M. An analysis and implementation of the BM3D image denoising method[J]., 2012, 2: 175–213.

[12] Gao J B, Chen Q, Blasch E. Image denoising in the presence of non-Gaussian, power-law noise[C]//(), Dayton, OH, USA, 2012: 103–108.

[13] Yang J Y, Zhang X, Yue H J,. IBM3D: integer BM3D for efficient image denoising[J]., 2019, 38(2): 750–763.

[14] Dabov K, Foi A, Katkovnik V,. BM3D image denoising with shape-adaptive principal component analysis[C]//(), Saint-Malo, France, 2009: 1–6.

[15] Zhong H, Ma K, Zhou Y. Modified BM3D algorithm for image denoising using nonlocal centralization prior[J]., 2015, 106: 342–347.

[16] Zhao T T, Hoffman J, McNitt‐Gray M,. Ultra‐low‐dose CT image denoising using modified BM3D scheme tailored to data statistics[J]., 2019, 46(1): 190–198.

[17] Cheng W M, Zhu X, Chen X,. Manhattan distance-based adaptive 3D transform-domain collaborative filtering for laser speckle imaging of blood flow[J]., 2019, 38(7): 1726–1735.

[18] Fan X J, Li Q W, Huang H,. Side-scan sonar image despeckling based on block-matching and 3D filtering[J]., 2012, 17(1): 68–74.

范習(xí)健, 李慶武, 黃河, 等. 側(cè)掃聲吶圖像的3維塊匹配降斑方法[J]. 中國圖象圖形學(xué)報, 2012, 17(1): 68–74.

[19] Dabov K, Foi A, Katkovnik V,. Image denoising by sparse 3-D transform-domain collaborative filtering[J]., 2007, 16(8): 2080–2095.

[20] James R, Supriya M H. Blind estimation of single look side scan sonar image from the observation model[J]., 2016, 93: 336–343.

[21] Zhang H K. Suppression of Noise in Digital Holography[D]. Harbin Engineering University, 2014.張洪科. 數(shù)字全息再現(xiàn)像中的噪聲抑制[D]. 哈爾濱工程大學(xué), 2014.

Despeckling for side-scan sonar images based on adaptive block-matching and 3D filtering

Chen Peng1, Cai Xuanwei2, Zhao Dongdong1*, Liang Ronghua1, Guo Xinxin3

1College of Computer Science & Technology, Zhejiang University of Technology, Hangzhou, Zhejiang 310023, China;2College of Information Engineering, Zhejiang University of Technology, Hangzhou, Zhejiang 310023, China;3Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences, Sanya, Hainan 572000, China

An example of denoised result by improved BM3D algorithm

Overview:An understanding of the ocean and its changing environment is increasingly important. Scientific, economic, and political decision-making depends to some extent on this knowledge. However, even lasers can penetrate through only a few tens of meters in very clear water. Acoustic waves, by contrast, can travel over long distances without much attenuation. Therefore, all kinds of sonars play an important role in ocean research. Side-scan sonar (SSS) is an electronic device that utilizes the propagation characteristics of sound waves under water to complete underwater detection and communication tasks through electro-acoustic conversion and information processing. Because the SSS produces images and maps according to the intensity of acoustic echo, speckle noise will inevitably be involved due to the complex underwater environments. Block-matching and 3D filtering (BM3D) is an advanced denoising method based on the fact that an image has a locally sparse representation in transform domain. This sparsity is enhanced by grouping similar 2D image patches into 3D groups. This algorithm performs well in dealing images polluted by Gaussian additive noise. The BM3D algorithm was originally designed for Gaussian additive noise, therefore, it is not reasonable to denoise the side-scan sonar images polluted by speckle noise. In this paper, a speckle denoising method based on BM3D is proposed to filter the multiplicative speckle noise in side-scan sonar images. First, the SSS image is transformed by power and logarithm. The multi-scale two-dimensional discrete wavelet transform is used to estimate the general noisy level of the polluted image. Second, the parameters of the BM3D algorithm are updated according to the noise estimation results of each local patch. Third, after comparing the general noise estimation and the local noise estimation, the proposed algorithm chooses the best estimation to filter every patch separately to solve the problem that the noise is not evenly distributed. Finally, the image properties are recovered by exponential transformation and inverse power transformation. The experimental results show that the improved BM3D algorithm can effectively reduce the speckle noise in SSS images and obtain good visual effects. In this paper, three non-reference image quality evaluation parameters, namely the equivalent noiseof looks (ENL), speckle reduction index (SSI), speckle suppression and average preservation index (SMPI), are used to evaluate the noise reduction effect. Compared with two kinds of improved BM3D algorithms and a traditional algorithm, the ENL of the proposed algorithm is at least 6.83% higher than that of others, its SSI is very similar to that of Manhattan distance-based adaptiveblock-matching and 3D filtering(MD-ABM3D), and its SMPI is reduced by at least 3.30%. This method is mainly used for sonar image noise reduction, and has certain practical values for ultrasonic, radar or OCT images polluted by speckle noise.

Citation: Chen P, Cai X W, Zhao D D,Despeckling for side-scan sonar images based on adaptive block-matching and 3D filtering[J]., 2020, 47(7): 190580

Despeckling for side-scan sonar images based on adaptive block-matching and 3D filtering

Chen Peng1, Cai Xuanwei2, Zhao Dongdong1*, Liang Ronghua1, Guo Xinxin3

1College of Computer Science & Technology, Zhejiang University of Technology, Hangzhou, Zhejiang 310023, China;2College of Information Engineering, Zhejiang University of Technology, Hangzhou, Zhejiang 310023, China;3Institute of Deep-sea Science and Engineering, Chinese Academy of Sciences, Sanya, Hainan 572000, China

Side-scan sonar (SSS) is an electronic device that utilizes the propagation characteristics of sound waves under water to complete underwater detection. Because the SSS produces images and maps according to the intensity of acoustic echo, speckle noise will be inevitably involved. A speckle denoising method based on block-matching and 3D filtering (BM3D) is proposed to filter the multiplicative speckle noise in SSS images. First, the SSS image is transformed by power and logarithm. The wavelet transform is used to estimate the general noisy level of the polluted image. Second, the parameters of the BM3D algorithm are updated according to the noise estimation results of each local patch. At last, after comparing the general noise estimation and the local noise estimation, the proposed algorithm chooses the best estimation to filter every patch separately to solve the problem that the noise is not evenly distributed. The experimental results show that the improved BM3D algorithm can effectively reduce the speckle noise in SSS images and obtain good visual effects. The Equivalent Number of Looks of the proposed algorithm is at least 6.83% higher, the Speckle Suppression Index is lower than traditional algorithm, and the Speckle Suppression and Mean Preservation Index is reduced by at least 3.30%. This method is mainly used for sonar image noise reduction, and has certain practical values for ultrasonic, radar or OCT images polluted by speckle noise.

side scan sonar; speckle noise; image denoising; BM3D

TN911.73；TP391

A

10.12086/oee.2020.190580

: Chen P, Cai X W, Zhao D D,. Despeckling for side-scan sonar images based on adaptive block-matching and 3D filtering[J]., 2020,47(7): 190580

陳朋，蔡烜偉，趙冬冬，等. 基于自適應(yīng)BM3D的側(cè)掃聲納圖像散斑降噪[J]. 光電工程，2020，47(7): 190580

Supported by the National Key Research and Development Program of China (2016YFC0301604), Sanya City Special Scientific Research Project (2017KS13), and the Fundamental Research Funds for the Provincial Universities of Zhejiang (RF-C2019001)

* E-mail: zhaodd@zjut.edu.cn

2019-09-26；

2019-12-24

國家重點研發(fā)計劃資助項目(2016YFC0301604)；三亞市專項科研試制資助項目(2017KS13)；浙江省屬高校基本科研業(yè)務(wù)費專項資助項目(RF-C2019001)

陳朋(1981-)，男，教授，博士生導(dǎo)師，主要從事嵌入式系統(tǒng)設(shè)計、圖像處理和模式識別等的研究。E-mail：chenpeng@zjut.edu.cn

趙冬冬(1990-)，男，講師，主要從事圖像處理和信號處理等的研究。E-mail：zhaodd@zjut.edu.cn