一種多波束水體圖像目標(biāo)綜合提取方法

丁德秋 ，唐秋華 ，陳建兵，李 杰

(1.山東科技大學(xué) 測(cè)繪與空間信息學(xué)院,山東 青島 266590；2.自然資源部 第一海洋研究所,山東 青島 266061；3.自然資源部 海洋測(cè)繪重點(diǎn)實(shí)驗(yàn)室,山東 青島 266590)

多波束測(cè)深系統(tǒng)是20世紀(jì)60年代興起的一種條帶式聲學(xué)探測(cè)系統(tǒng),憑借高分辨率、高精度和全覆蓋探測(cè)優(yōu)勢(shì),已逐漸成為海洋調(diào)查領(lǐng)域的主流設(shè)備[1]。傳統(tǒng)多波束聲吶系統(tǒng)測(cè)量采集海底的波束腳印(換能器在海底投射的一個(gè)有限面積)中心的平均往返時(shí)間和相位變化,根據(jù)振幅和相位變化確定水深點(diǎn)位置,從而獲得水深數(shù)據(jù)并繪制高分辨率的海底地形圖。伴隨水聲技術(shù)的發(fā)展和聲吶硬件設(shè)備的換代升級(jí),大多數(shù)多波束聲吶都支持水體數(shù)據(jù)的采集與存儲(chǔ)。聲波照射目標(biāo)物不同,反向散射強(qiáng)度會(huì)出現(xiàn)不同,根據(jù)這一特性,由水體數(shù)據(jù)生成的水體影像(Water Column Image,WCI)能直觀地展示水體內(nèi)部目標(biāo)。多波束水體數(shù)據(jù)不僅能形成二維強(qiáng)度圖像,更能直觀地反映物體在三維空間內(nèi)多尺度的位置和輪廓信息,因此國內(nèi)外的眾多學(xué)者致力于將多波束水體影像應(yīng)用到多領(lǐng)域的工程應(yīng)用中,如海洋地質(zhì)活動(dòng)監(jiān)測(cè)、航道疏浚、港口規(guī)劃建設(shè)、海事搜救和漁業(yè)捕撈[2-4]等方面。Clarke等采用多波束水體影像精確識(shí)別了海底沉船位置輪廓,并驗(yàn)證了對(duì)桅桿等細(xì)小的船體突起目標(biāo)有較好的展現(xiàn)效果[5-7]。Urban等使用了多幅WCI實(shí)現(xiàn)了水體中氣泡的自動(dòng)跟蹤并對(duì)水體中的氣體目標(biāo)物做出了定量分析[8]。目前,多波束水體數(shù)據(jù)的應(yīng)用已經(jīng)成為海洋研究領(lǐng)域的熱點(diǎn),但是水體數(shù)據(jù)的數(shù)據(jù)量巨大,采集數(shù)據(jù)的過程中,不同區(qū)間內(nèi)反向散射強(qiáng)度變化存在差異[9-10],海底波束強(qiáng)度和水體的回波強(qiáng)度在不同入射區(qū)間內(nèi)差異明顯,強(qiáng)度的分布異常和旁瓣的同距噪聲影響尤其明顯,同時(shí)海洋環(huán)境噪聲和測(cè)量設(shè)備的系統(tǒng)噪聲使噪聲抑制變得更加復(fù)雜,這些因素使得水體數(shù)據(jù)的處理方法仍然亟需改進(jìn)。張志剛等[11]引入鄰域平均法抑制旁瓣噪聲,結(jié)合底部檢測(cè)算法約束目標(biāo)檢測(cè)的準(zhǔn)確性,設(shè)計(jì)了一種基于多波束水體影像的海底天然氣管道泄漏檢測(cè)辦法,能有效提取聲吶圖像中的氣體疑似區(qū)域。汪詩奇等[12]獲取“弧圈”序列峰值點(diǎn)的均值和中誤差作為閾值,將旁瓣效應(yīng)歸化為背景噪聲級(jí)別；權(quán)永崢等[13]提出利用多Ping水體數(shù)據(jù)的中央波束計(jì)算均勻海水回波強(qiáng)度,以剔除大量背景噪聲和旁瓣干擾,但這種方法只適用于無明顯特征目標(biāo)物的平坦海底水體數(shù)據(jù)。

本文提出一種閾值降噪和形態(tài)學(xué)檢測(cè)相結(jié)合的目標(biāo)提取方法。首先針對(duì)旁瓣噪聲強(qiáng)度分布特點(diǎn)的閾值方法削弱干擾；其次通過圖像的交、差集運(yùn)算消除背景和系統(tǒng)噪聲；然后利用BM3D 算法平滑圖像得到高信噪比圖像,剔除背景消噪遺留的“斑點(diǎn)噪聲”；最后利用多尺度形態(tài)學(xué)處理獲取邊緣圖像,這種綜合性的目標(biāo)提取方法能大幅削弱孤立噪點(diǎn)的影響,有效提取邊緣完整連續(xù)的水體目標(biāo),處理后的EM 系列多波束數(shù)據(jù)證明了該方法的優(yōu)點(diǎn)和普適性。

1 旁瓣和背景噪聲抑制

1.1 多波束水體成像原理

多波束聲吶在工作時(shí),換能器利用米爾斯交叉效應(yīng)使發(fā)射波束與接收波束相交獲得多個(gè)窄波束,這組波束時(shí)間間隔很小且垂直于航線方向呈扇形分布(圖1)。波束攜帶的能量在水體傳播過程中會(huì)發(fā)生反向散射現(xiàn)象,產(chǎn)生的回波信號(hào)被接收換能器探測(cè)到并記錄在水體文件中,每一條波束的回波信號(hào)被記錄為一個(gè)時(shí)間序列,整個(gè)發(fā)射接收周期內(nèi)所有回波數(shù)據(jù)可根據(jù)波束角度和采樣頻率計(jì)算采樣點(diǎn)位置,從而生成一幅扇形水體影像(圖1),它反映了波束開角范圍內(nèi)從換能器至海底的聲傳播介質(zhì)連續(xù)變化情況。隨著測(cè)船的移動(dòng),即可獲得沿測(cè)線方向所有扇形圖像依照時(shí)間序列拼接起來呈三棱柱形的水體數(shù)據(jù),該柱體包含了這條測(cè)線上所有水體采樣點(diǎn)的反向散射強(qiáng)度和水深信息。

圖1 多波束水體數(shù)據(jù)成像機(jī)理Fig.1 Imaging mechanism by using multibeam water column data

1.2 旁瓣干擾處理

現(xiàn)階段大部分多波束系統(tǒng)都基于快速傅里葉變換(Fast Fourier Transform,FFT)開發(fā)波束形成算法,從而獲得實(shí)時(shí)采集大批量水體數(shù)據(jù)的能力。多波束系統(tǒng)在波束形成時(shí),由于接收換能器存在旁瓣效應(yīng)[14],在某一時(shí)間序列上這種干擾就體現(xiàn)為一個(gè)圓弧狀強(qiáng)反射帶,這個(gè)圓弧的半徑即換能器到其正下方的海底的最短距離(Minimum Slant Range,MSR)。MSR 范圍之內(nèi)的探測(cè)雖受到發(fā)射旁瓣的干擾,但該范圍海水回波強(qiáng)度穩(wěn)定,MSR 之外的范圍則受到接收旁瓣的干擾,影響尤為顯著,噪聲掩蓋了部分真實(shí)信號(hào)。如圖2a所示,接收主瓣接收的回波采樣點(diǎn)記錄為A點(diǎn),內(nèi)外側(cè)接收旁瓣則,分別記錄了B點(diǎn)和C點(diǎn)的反向散射強(qiáng)度,記錄水體數(shù)據(jù)時(shí)將B點(diǎn)和C點(diǎn)歸算到主波束的最大響應(yīng)軸上即為B′點(diǎn)和C′點(diǎn),隨之就會(huì)產(chǎn)生反向散射強(qiáng)度的異常增強(qiáng)。所以在多波束的一Ping水體數(shù)據(jù)中隨著波束角變大,這種線性干擾就會(huì)更強(qiáng)。外側(cè)的干擾在單Ping水體影像中體現(xiàn)為海底下方的干擾,不影響影像的判讀。

圖2 多波束旁瓣干擾示意圖Fig.2 Multibeam side-lobe interference

使用單一反向散射強(qiáng)度硬閾值會(huì)使得某些弱強(qiáng)度目標(biāo)被視作噪聲而被剔除,所以針對(duì)逐個(gè)角度序列選擇閾值、劃分目標(biāo)區(qū)域和背景噪聲混合區(qū),能有效抑制噪聲。使用閾值C劃分真實(shí)目標(biāo)和噪聲的反向散射強(qiáng)度:

式中:F為原始角度序列的均值；α為標(biāo)準(zhǔn)差參數(shù)；σ為原始角度序列的標(biāo)準(zhǔn)差。針對(duì)不同的水體數(shù)據(jù)可以調(diào)節(jié)標(biāo)準(zhǔn)差參數(shù)控制旁瓣噪聲的抑制效果[15]。

1.3 相鄰奇數(shù)Ping的圖像邏輯運(yùn)算

利用局部的角度序列閾值抑制多波束旁瓣效應(yīng)后,MSR 內(nèi)仍然有大量的背景噪聲需要剔除,其中大部分來自于電子設(shè)備以及多個(gè)設(shè)備配合工作引起的系統(tǒng)噪聲以及海洋中如浮游動(dòng)植物、污染顆粒物等多種散射體和海洋介質(zhì)引起的海洋環(huán)境噪聲。大部分多波束系統(tǒng)在不同扇區(qū)的工作模式中,頻率及增益等參數(shù)都不同,導(dǎo)致背景噪聲強(qiáng)度值出現(xiàn)差異,在水體影像中體現(xiàn)為灰度值不一致,因此籠統(tǒng)地對(duì)逐Ping處理難度較大,但在相鄰奇數(shù)Ping中由于工作模式相同,背景噪聲的復(fù)雜性明顯被削弱[12]。

即使假設(shè)船速不變且海洋環(huán)境穩(wěn)定,相鄰Ping間的水體影像包括的背景噪聲強(qiáng)度值仍然不可能完全相同,水體影像由采樣點(diǎn)強(qiáng)度值轉(zhuǎn)換成的每個(gè)像素點(diǎn)的灰度值就會(huì)出現(xiàn)差異,所以需要求取2幅圖像之間每個(gè)像素位置的灰度差值作為閾值來判斷是否為相同的背景,然后通過圖像的邏輯運(yùn)算消除這些背景噪聲:

①提取某一奇數(shù)Ping圖像I d；然后提取相鄰奇數(shù)Ping圖像I d－2和I d＋2,并分別與圖像I d兩兩進(jìn)行“與”運(yùn)算,得出2幅圖像I1和I2:

②圖像I1和I2進(jìn)行“與”運(yùn)算,求得I d的背景噪聲I3:

③圖像I d與I3做差集運(yùn)算,求得提出大部分背景噪聲的圖像I去噪:

2 BM3D 算法原理

現(xiàn)階段的圖像處理方法中,加強(qiáng)圖像稀疏表達(dá)的去噪平滑算法,更容易保留和還原檢測(cè)目標(biāo)的邊界紋理信息。2005年Baudes提出NL-Means算法[16],以圖像塊為單位在整幅圖像中尋找相似的區(qū)域,再對(duì)這些區(qū)域求平均值,能較好地去除圖像加性噪聲,起到平滑的作用。BM3D(Blocking-Matching and 3D filtering,BM3D)算法基于尋找相似圖像塊的基礎(chǔ)進(jìn)行分組整合[17],再加以濾波操作加強(qiáng)圖像的稀疏表達(dá),最終達(dá)到平滑的效果。BM3D 算法主要思想分為基礎(chǔ)估計(jì)和最終估計(jì)2部分。

2.1 基礎(chǔ)估計(jì)

基礎(chǔ)估計(jì)首先通過對(duì)原噪聲圖進(jìn)行參考?jí)K匹配,經(jīng)過聯(lián)合濾波處理后再對(duì)每個(gè)像素的強(qiáng)度值依照對(duì)應(yīng)位置的塊的值加權(quán)平均,獲取較好的去噪效果?；A(chǔ)估計(jì)的具體步驟如下:

①相似圖像塊匹配。在噪聲圖像中選擇一個(gè)k×k大小的參照塊,在參照塊的周圍適當(dāng)大小的范圍內(nèi)搜索差異不大的圖像塊。將匹配結(jié)果與參考?jí)K組合成三維矩陣,使用三維的濾波器更易于篩選相似性更高的圖像塊組,提高估計(jì)真實(shí)信號(hào)的效率。

②聯(lián)合濾波處理。匹配三維圖像塊后,應(yīng)用3D 線性變換。變換完成后,對(duì)三維矩陣使用硬閾值濾波器過濾,閾值通常使用噪聲的標(biāo)準(zhǔn)差,將小于閾值的系數(shù)置0,再使用反3D 線性變換獲得處理后的圖像塊,返回到初始的圖像塊位置。3D 線性變換為二維變換(如小波變換或DCT 變換)復(fù)合一維變換(Hadamard 變換)而成的,反3D 線性變換同理。

③聚合。處理后的圖像塊代表對(duì)原圖像的噪聲估計(jì),因圖像塊會(huì)重疊,為保持信息的完整性,每個(gè)像素的灰度值需要通過對(duì)應(yīng)位置塊的強(qiáng)度值加權(quán)平均,權(quán)重的取值由數(shù)值0的個(gè)數(shù)和噪聲強(qiáng)度決定。

2.2 最終估計(jì)

與基礎(chǔ)估計(jì)步驟類似,但塊匹配結(jié)果需要在基礎(chǔ)估計(jì)的基礎(chǔ)上完成,所以匹配的差異上限比第一步小一些。區(qū)別于基礎(chǔ)估計(jì)中硬閾值的濾波方法,使用維納濾波能更好去除白噪聲影響,最后的加權(quán)求和方式大致相同。經(jīng)過最終估計(jì),該算法已經(jīng)顯著去除原圖噪聲,將進(jìn)一步提高去噪圖像的峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)。最終估計(jì)的具體步驟如下:

①相似圖像塊匹配。與基礎(chǔ)估計(jì)相同的是都要匹配搜索得到三維矩陣,但是這步工作需要分別得到原噪聲圖像和基礎(chǔ)估計(jì)后的三維矩陣。

②聯(lián)合濾波處理。對(duì)2個(gè)三維矩陣使用3D線性變換,對(duì)噪聲圖形通過維納濾波器進(jìn)行系數(shù)放縮,系數(shù)通過三維矩陣值和噪聲強(qiáng)度計(jì)算得出,在三維變換域中進(jìn)行反3D線性變換,將真實(shí)估計(jì)值返回到初始的圖像塊位置。

③聚合。每個(gè)像素的灰度值由對(duì)應(yīng)位置塊的強(qiáng)度值加權(quán)平均得出,權(quán)重取決于維納濾波器的系數(shù)和噪聲強(qiáng)度。

由原始數(shù)據(jù)解析得到的單Ping水體影像為RGB圖像,若使用BM3D 算法還需要將RGB 的色彩空間轉(zhuǎn)換為YUV 色彩空間,Y 分量包含圖像幾乎全部的邊緣和紋理信息且擁有更高的信噪比,使用Y 分量搜尋相似塊,其他步驟與原始BM3D 去噪處理算法大致相同。BM3D 處理“斑點(diǎn)噪聲”優(yōu)于傳統(tǒng)平滑圖像的濾波方法,易于得到高信噪比圖像。

3 基于多尺度形態(tài)學(xué)的圖像分割

數(shù)學(xué)形態(tài)學(xué)應(yīng)用于圖像處理中,形態(tài)學(xué)算子能表達(dá)物體形狀的集合與結(jié)構(gòu)元素間的相互作用。形態(tài)學(xué)圖像處理是在圖像中移動(dòng)一個(gè)結(jié)構(gòu)元素,然后將結(jié)構(gòu)元素與下面的圖像進(jìn)行交、并集運(yùn)算。結(jié)構(gòu)元素的形狀和尺寸會(huì)影響圖像邊緣檢測(cè)的效果:小尺寸的結(jié)構(gòu)元素去噪聲能力弱,但能檢測(cè)到邊緣細(xì)節(jié)；大尺寸的結(jié)構(gòu)元素去噪聲能力強(qiáng),但檢測(cè)的邊緣較粗。多尺度形態(tài)處理方法及作用與傳統(tǒng)方法比較見表1。

表1 多尺度形態(tài)學(xué)與傳統(tǒng)形態(tài)學(xué)不同點(diǎn)Table 1 Differences between multi-scale and traditional morphologies

使用多尺度結(jié)構(gòu)元素n B檢測(cè)出原始圖像F(x,y)不同尺度下的邊緣信息E n(x,y),用多尺度結(jié)構(gòu)元素合成新的邊緣檢測(cè)圖像f(x,y):

式中,ωn為各個(gè)尺度下的圖像的標(biāo)準(zhǔn)差比例決定權(quán)值,取值范圍為[k,l]。然后對(duì)圖像f(x,y)進(jìn)行二值化,得到最終的邊緣圖像E(x,y)。

應(yīng)用該套完整的噪聲處理方法(圖3),大部分同距噪聲和斑點(diǎn)噪聲等被剔除,可以獲取高信噪比的水體影像,精準(zhǔn)識(shí)別目標(biāo)信息。

圖3 檢測(cè)方法流程Fig.3 Flow chart for test method

4 試驗(yàn)分析

為驗(yàn)證本文的目標(biāo)識(shí)別方法,利用EM 系列多波束聲吶系統(tǒng)采集的實(shí)測(cè)數(shù)據(jù)開展試驗(yàn)。解析原始水體數(shù)據(jù),將一整Ping內(nèi)所有水體數(shù)據(jù)采樣點(diǎn)的反向散射強(qiáng)度轉(zhuǎn)化為相應(yīng)的灰度值,形成扇形垂向影像圖(圖4)。由于邊緣波束的波束角變大,旁瓣效應(yīng)增強(qiáng),兩側(cè)的發(fā)射旁瓣效應(yīng)噪聲強(qiáng)度較高,解得的實(shí)際水體影像數(shù)據(jù)MSR 外接收旁瓣噪聲影響顯著,MSR 內(nèi)發(fā)射旁瓣噪聲與海洋環(huán)境和系統(tǒng)噪聲干擾混合,多種噪聲駁雜使得圖像質(zhì)量較差。在波束入射角－30°～30°范圍內(nèi)可大致發(fā)現(xiàn)海底附近的柱狀氣流,但氣流的輪廓和紋理信息損失嚴(yán)重,導(dǎo)致無法對(duì)目標(biāo)物體進(jìn)行精準(zhǔn)識(shí)別和判讀。而采用上述方法對(duì)噪聲進(jìn)行了有效地抑制,得到了清晰的邊緣圖像,證明了該算法的可行性。

圖4 第283 Ping水體影像Fig.4 The 283rd Ping water column image

4.1 抑制旁瓣效應(yīng)和背景噪聲

使用局部標(biāo)準(zhǔn)差閾值算法(式1),針對(duì)每個(gè)角度序列計(jì)算均值和標(biāo)準(zhǔn)差,當(dāng)標(biāo)準(zhǔn)差參數(shù)α＝1.3時(shí),處理后的水體影像數(shù)據(jù)如圖5。MSR 外接收旁瓣干擾得到很好的抑制,去噪效果明顯,MSR 內(nèi)的噪聲大部分歸化為背景噪聲級(jí)別,目標(biāo)物體的信息保留得也較為完整。

圖5 抑制旁瓣噪聲后圖像Fig.5 Image after side lobe noise being suppressed

雖然旁瓣效應(yīng)產(chǎn)生的“弧圈”噪聲得到了明顯的抑制,但是MSR 內(nèi)的混合噪聲仍然造成水體影像不清晰,兩側(cè)噪聲同樣會(huì)造成對(duì)目標(biāo)物體的誤讀。使用相鄰奇數(shù)Ping圖像邏輯運(yùn)算方法削弱背景噪聲。為了計(jì)算不同Ping圖像的閾值,選取20組連續(xù)奇數(shù)Ping圖像,任意2幅連續(xù)奇數(shù)Ping圖像的灰度值相減,計(jì)算對(duì)應(yīng)像素位置灰度值的差值,求得這些差值的平均值22作為閾值。從中選取第281 Ping、第283 Ping和第285 Ping三幅圖像,重復(fù)進(jìn)行交集運(yùn)算(圖6),最后第283 Ping與得到的背景噪聲差集運(yùn)算,削弱了第283 Ping大部分的背景噪聲,只遺留了部分“斑點(diǎn)噪聲”。

圖6 背景噪聲削弱過程Fig.6 Process for reducing background noise

4.2 噪聲水平估計(jì)和平滑圖像

為進(jìn)一步濾除MSR 之內(nèi)的“斑點(diǎn)噪聲”,利用加強(qiáng)圖像稀疏表達(dá)的BM3D 算法。BM3D 算法使用之前首先對(duì)噪聲水平進(jìn)行估計(jì),計(jì)算背景噪聲標(biāo)準(zhǔn)差,將其作為輸入?yún)?shù)。本文篩選了3種方法估計(jì)處理過的第283 Ping 水體影像數(shù)據(jù)的噪聲水平,分別為:Pyatykh 等提出的影像塊主成分分析方法(Principal Component Analysis,PCA)[18]；Liu等提出的基于弱紋理塊的主成分分析法[19]；Aja-Fernandez等用樣本方差分布眾數(shù)估計(jì)標(biāo)準(zhǔn)差的方法[20]。根據(jù)圖7a的統(tǒng)計(jì)結(jié)果分析得出結(jié)論:基于弱紋理的PCA 方法隨著背景噪聲標(biāo)準(zhǔn)差的增大,估計(jì)值與真值的誤差變化相對(duì)更穩(wěn)定,對(duì)水體影像的噪聲估計(jì)效果明顯最好。PCA 法和樣本方差眾數(shù)估計(jì)法計(jì)算的偏差在標(biāo)準(zhǔn)差超過80后,振動(dòng)幅度急劇增加,魯棒性較差。將參數(shù)輸入作為Sigma值,對(duì)噪聲圖像進(jìn)行平滑操作(圖7b),該算法實(shí)現(xiàn)了水體影像的高度稀疏化,MSR 內(nèi)的“斑點(diǎn)噪聲”基本被濾除,圖像中的目標(biāo)物細(xì)節(jié)特性保留得較為完整,且具有更高的運(yùn)行效率。選取3 Ping水體影像數(shù)據(jù)使用本文方法處理,計(jì)算峰值信噪比(PSNR)比較圖像質(zhì)量,再選取傳統(tǒng)的中值和均值濾波器處理圖像與(BM3D)方法進(jìn)行對(duì)比。從表2可以看出,雖然3種方法處理后圖像質(zhì)量均得到優(yōu)化,但BM3D 算法處理后的圖像PSNR 指標(biāo)獲得了顯著提高,提高百分比最高達(dá)到65%,優(yōu)于其他2種方法。

表2 平滑圖像質(zhì)量比較Table 2 Smooth image quality comparison

圖7 第283 Ping BM3D 算法處理過程Fig.7 The 283rd Ping BM3D algorithm processing

4.3 多尺度形態(tài)學(xué)處理

對(duì)平滑得到的高信噪比圖像進(jìn)行邊緣檢測(cè)后,目標(biāo)的邊緣信息和紋理信息能得到完整的復(fù)現(xiàn)。如圖8所示,分別用一階sobel算子、canny算子和二階Log算子進(jìn)行邊緣檢測(cè)的對(duì)比:sobel算子邊緣檢測(cè)的連續(xù)性略差,導(dǎo)致部分信息有漏檢的現(xiàn)象；canny算子產(chǎn)生的邊緣較細(xì),沒有體現(xiàn)出噪聲和目標(biāo)物體的強(qiáng)弱差別,影響判讀；Log算子對(duì)噪聲敏感,邊緣連續(xù)性也較好,但和canny算子一樣都出現(xiàn)了過檢現(xiàn)象,噪聲邊緣也被提取出來。多尺度形態(tài)學(xué)邊緣檢測(cè)相比于這些算子邊緣檢測(cè)算法,能消除孤立噪點(diǎn),提高任意兩點(diǎn)間的邊緣點(diǎn)占比,邊界信息的連續(xù)性更好。多尺度形態(tài)學(xué)邊緣檢測(cè)無明顯噪聲點(diǎn)且目標(biāo)保留完整,噪聲點(diǎn)邊緣與目標(biāo)物邊緣區(qū)分度較高,可以快速準(zhǔn)確識(shí)別目標(biāo)物體。

圖8 邊緣檢測(cè)結(jié)果對(duì)比Fig.8 Comparison of edge detection results

5 結(jié)語

多波束水體影像中海洋環(huán)境噪聲、系統(tǒng)噪聲和旁瓣干擾是圖像污染的主要來源,在應(yīng)用水體數(shù)據(jù)進(jìn)行水下目標(biāo)物體的識(shí)別和判斷之前,利用去噪處理方法獲取高信噪比圖像,是必不可少的手段。本文使用的目標(biāo)識(shí)別方法,在使用閾值去除旁瓣噪聲的基礎(chǔ)上,利用增強(qiáng)圖像稀疏表達(dá)的BM3D 算法和多尺度形態(tài)學(xué)約束方法處理水體影像,能有效去除“斑點(diǎn)噪聲”。聯(lián)合三者的處理方法在保留細(xì)節(jié)信號(hào)方面,與傳統(tǒng)濾波相比同樣具有一定的優(yōu)勢(shì)。利用多Ping數(shù)據(jù)實(shí)驗(yàn)證明了該方法的可行性和普適性,為多波束水體影像的后續(xù)處理和目標(biāo)物體的提取等應(yīng)用型研究提供了一個(gè)較為新穎的思路。但該方法在選取背景噪聲的閾值方面仍有很大改進(jìn)空間,可以更大幅度提高去噪效果,BM3D 所需的噪聲水平估算精度和消耗的時(shí)間未來還需要做出更多的改進(jìn),需要開展進(jìn)一步研究。