主動聲吶B顯圖像中的疑似目標(biāo)自動拾取算法

余杰， 蔡志明， 王平波

(1.海軍工程大學(xué) 電子工程學(xué)院，湖北 武漢 430030； 2.中國船舶集團公司 第715研究所，浙江 杭州 310012)

B顯是現(xiàn)代主動聲吶的主要顯示圖像，它在方位(波束)-距離(時間)平面上以亮度或偽彩形式給出回波強度展示[1-3]，可視為一種空間能量譜。聲吶操作員根據(jù)B顯圖，并結(jié)合聽音結(jié)果，進行目標(biāo)判型。隨著主動聲吶向低頻、大功率、大孔徑方向發(fā)展[4]，其探測范圍不斷擴大，但識別能力卻提高有限，導(dǎo)致聲吶B顯圖像呈現(xiàn)的“滿天星”狀日趨嚴(yán)重，操作員難以從中辨識出目標(biāo)亮點。B顯圖像中所謂“亮點”，是依據(jù)能量聚集性規(guī)則挑選出的局部極值點(或塊)。其中，目標(biāo)和雜波亮點被界定為疑似目標(biāo)，物理上對應(yīng)于潛艇、水面艦艇等運動目標(biāo)，或海底大型結(jié)構(gòu)物、海上固定作業(yè)平臺等靜止目標(biāo)。疑似目標(biāo)亮點的結(jié)構(gòu)與位置相對穩(wěn)定，從B顯圖像中拾取這些亮點，是目標(biāo)跟蹤與辨識的前提基礎(chǔ)。

傳統(tǒng)上，需訓(xùn)練提高聲吶操作員的識圖與聽音能力，使其能依靠經(jīng)驗與觀感，手動對B顯圖像做合適調(diào)亮，用肉眼觀察篩選出疑似目標(biāo)亮點，并在其方位上進行聽測，然后綜合多幀(也稱PING)情況做出判決。此方法人為因素大、耗時長、效率低，且往往伴隨較高的漏警或虛警，亟待優(yōu)化[5-6]。

為更好解決B顯圖像中疑似目標(biāo)拾取問題，提高聲吶系統(tǒng)操作效率和自動化水平，本文提出一種疑似目標(biāo)自動拾取算法，包括：圖像自動調(diào)亮、自適應(yīng)二值化、形態(tài)學(xué)閉運算、連通區(qū)域標(biāo)測與前景/背景標(biāo)定、全域極值點遍歷提取、極值點視在信噪比計算、亮點檢取雙閾值計算、亮點閾值檢測與綜合篩判等處理環(huán)節(jié)，有機運用圖像分割[7]、圖像形態(tài)學(xué)[8-9]、統(tǒng)計模型[10]擬合等通用方法，并基于主動B顯疑似目標(biāo)拾取對這些方法做適應(yīng)性設(shè)計。

該方法無需人工干預(yù)，調(diào)亮、二值化、雙檢取閾值等參數(shù)的計算都是自適應(yīng)的。由于自動劃分了前景與背景2個區(qū)域，且分別賦予不同檢取閾值，因此較全局單閾值法漏報率低，為后續(xù)PING間累積和跟蹤識別打下良好基礎(chǔ)。

1 B顯圖像的一般特性與調(diào)亮處理

1.1 B顯圖像的一般特性

以拖線陣主動聲吶為例，典型B顯圖像如圖1，其上呈現(xiàn)出多種回波樣態(tài)。依圖像直觀，這些回波樣態(tài)大致可分為：目標(biāo)亮點(TP)、雜波亮點(CP)、混響亮點(RP)、混響亮區(qū)(RZ)、強輻射源亮條(VB)、拖船亮條(PB)和直達波亮區(qū)(DZ)等。

圖1 典型的主動聲吶B顯圖像

TP、CP在物理上對應(yīng)于運動或靜止的實體目標(biāo)，是B顯圖像上的疑似目標(biāo)；RP無實體目標(biāo)對應(yīng)，而RZ為大量混響亮點疊加。VB為遠場艦船輻射噪聲在主動聲吶匹配頻段上的泄漏，而PB為近場拖船噪聲在匹配頻段和近端射指向上的泄漏。DZ則為發(fā)射聲直達波及其一次海底反射波，往往是最強亮區(qū)。

這些回波樣態(tài)強度不同。圖像亮度合適時，TP或CP能量聚集性較好，VB和PB的縱向尺度接近貫通，PB更寬且近距離處更強，RZ及DZ具有較大散布面積，RP也有聚集性，但亮度較小或略大?？芍鸩胶Y取此類回波樣態(tài)圖像特征，來拾取疑似目標(biāo)。

上面提及的樣態(tài)特征，是對單幀B顯圖像而言，是本文研究利用的對象。通過對多幀圖像特征挖掘，可進一步明確疑似目標(biāo)，比如通過連續(xù)多幀間亮點重復(fù)性考察，可排除混響亮點，本文不作展開。

1.2 B顯圖像的調(diào)亮處理

因距離近衰減小且近端向指向性差等因素，PB和DZ共同作用，會在B顯圖像的近端射方向近距離處形成一塊很強的亮區(qū)，整幅B顯圖像的自然動態(tài)范圍很大，如圖2所示。

圖2 B顯圖像原始數(shù)據(jù)

圖2中中下方(對應(yīng)小掠射方位和很近距離)有一塊極強亮區(qū)，能量高出其他區(qū)域數(shù)個數(shù)量級。受此處極值影響，在全局線性歸一化下，圖像的大部分區(qū)域都處于低量化值水平，無法觀察到圖像細節(jié)和其余亮點。

因此，在分析、拾取疑似目標(biāo)前，需首先對B顯圖像調(diào)亮處理(截斷式非線性放大與歸一化操作)，遍歷其圖像中每個點Pi，將其乘以適當(dāng)?shù)南禂?shù)：

(1)

式中：α為調(diào)亮步進幅度參數(shù)，α∈(1,2]∩R；n為調(diào)亮系數(shù)；α越大，則改變n引起的調(diào)亮變化率越大；Dmax為結(jié)果量化的最大值，結(jié)果中大于Dmax的值被截斷處理。傳統(tǒng)主動聲吶裝備的調(diào)亮過程由人工操作，每次操作，n增大或減小1，全局遍歷求取Pi值，圖像亮度整體變化一次，直至找到適合操作員研判的圖像亮度。未被合理調(diào)亮的B顯圖像可能處于欠亮或者過亮的狀態(tài)，其外觀如圖3所示。

圖3 調(diào)亮不合適的B顯圖像

欠亮狀態(tài)，某些低強度疑似目標(biāo)亮點無法被拾??；過亮?xí)r，某些高強度疑似目標(biāo)亮點可能被截斷，使面積擴散失去點狀特征，又或因其他高強度干擾亮條/亮區(qū)的截斷擴散被掩蓋。對某一強度疑似目標(biāo)合適的亮度選擇，可能對其余強度疑似目標(biāo)并不合適，需反復(fù)調(diào)整。因此，手工調(diào)亮耗時耗力，難以形成一致的亮度設(shè)置和統(tǒng)一拾取效果。為實現(xiàn)疑似目標(biāo)自動拾取，首先需構(gòu)建B顯圖像自動調(diào)亮算法。

2 疑似目標(biāo)自動拾取算法

本文提出的B顯圖像中疑似目標(biāo)自動拾取算法，包括圖像自動調(diào)亮、自適應(yīng)二值化、形態(tài)學(xué)閉運算、連通區(qū)域標(biāo)測與前景/背景標(biāo)定、全域極值點遍歷提取、極值點視在信噪比計算、亮點檢取雙閾值計算、亮點閾值檢測與綜合篩判等環(huán)節(jié)。算法流程如圖4。

圖4 本文算法流程

2.1 圖像自動調(diào)亮

1.2節(jié)介紹了B顯圖像自動調(diào)亮算法的重要性。其關(guān)鍵在于自適應(yīng)選取調(diào)亮系數(shù)n；考察一組以連續(xù)調(diào)亮系數(shù)處理后結(jié)果的直方圖，如圖5。

圖5 合理調(diào)亮結(jié)果及其直方圖特征對比

如圖5所示，若近0值總數(shù)(N0)和近超大值總數(shù)(Nmax)處于N0?Nmax，如圖5(a)，則繼續(xù)增大調(diào)亮系數(shù)n，直到當(dāng)Nmax>N0第1次發(fā)生，如圖5(c),則對應(yīng)的n可視為最優(yōu)調(diào)亮系數(shù)；相應(yīng)的，圖5(d)為合理調(diào)亮的B顯圖像。若繼續(xù)調(diào)亮，則B顯圖像會趨于過亮狀態(tài)，其直方圖如圖5(b)所示。

2.2 自適應(yīng)二值化

經(jīng)合理調(diào)亮后，根據(jù)圖像中每個點的能量大小，將每個點自然區(qū)分為“亮”與“暗”2態(tài)。此處理過程對應(yīng)圖像二值化算法。本文應(yīng)用最大熵二值分割算法，利用圖像熵為準(zhǔn)則做圖像分割。給定一特定閾值q(0≤q

式中：P0(q)、P1(q)分別表示q閾值分割的背景和前景像素的累計概率，兩者之和為1。背景和前景對應(yīng)的熵為：

(2)

(3)

處于該分割閾值時，圖像總熵為：

H(q)=H0(q)+H1(q)

(4)

遍歷找到圖像總熵的最大值，將其對應(yīng)的分割閾值q作為自適應(yīng)二值化閾值，結(jié)果如圖6所示。

圖6 二值化處理結(jié)果

圖6中大部分目標(biāo)、雜波、混響亮點、混響亮區(qū)，強輻射亮條都作為“亮”狀態(tài)與其他部分區(qū)分。

2.3 形態(tài)學(xué)閉運算

考察二值化處理結(jié)果可見，一些 “亮”態(tài)點趨于連片，而另外一些“亮”態(tài)點相對孤立。運用數(shù)學(xué)形態(tài)學(xué)，填充趨于連片的“亮”態(tài)點間孔隙，形成圖像上的連通區(qū)域。

數(shù)學(xué)形態(tài)學(xué)利用探針(結(jié)構(gòu)元素)收集圖像信息，當(dāng)探針在圖像中按某種規(guī)則不斷移動時，便可獲得圖像內(nèi)部各個形狀間的關(guān)系，從而了解圖像的結(jié)構(gòu)特征。

設(shè)f(x,y)是輸入圖像，b(x,y)是結(jié)構(gòu)元素，用結(jié)構(gòu)元素b對圖像f進行膨脹和腐蝕運算，算子分別定義為：

(f⊕b)(s,t)=max[f(s-x,t-y)-b(x,y)]

(f?b)(s,t)=min[f(s+x,t+y)-b(x,y)]

f關(guān)于b的開運算和閉運算算子分別定義為：

f°b=f?b⊕b

(5)

f·b=f⊕b?b

(6)

式中：?、⊕、·和°分別是腐蝕、膨脹、開運算和閉運算的運算符。

形態(tài)學(xué)算法中，結(jié)構(gòu)元素選擇為關(guān)鍵環(huán)節(jié)?？疾霣顯二值化圖，可觀察到2種典型孔隙：被動豎狀干擾孔隙以及連片干擾孔隙，如圖7(b)。設(shè)計結(jié)構(gòu)元素1(豎線型)和結(jié)構(gòu)元素2(菱形)，如圖7(a)；結(jié)構(gòu)元素1用于前者填充，其閉運算效果如圖7(d)；結(jié)構(gòu)元素2用于后者填充，其閉運算效果如圖7(f)；處理全過程如圖7(b)～(f)所示。

圖7 結(jié)構(gòu)元素設(shè)計及閉運算算法示意

進一步考慮結(jié)構(gòu)元素設(shè)計，可認為結(jié)構(gòu)元素1與2組合類似于紡錘型，符合主動回波內(nèi)在構(gòu)型，波束維有展寬，距離維有多途效應(yīng)與脈壓；形成了此部分理論分析的縱深空間，本文不再贅述。

2.4 連通區(qū)域標(biāo)測與前景/背景標(biāo)定

經(jīng)形態(tài)學(xué)閉運算處理，“連片”之間的孔隙已被填充，在圖像上形成連通區(qū)域。提取每個連通區(qū)域并標(biāo)記，并做適當(dāng)篩選即可標(biāo)定出前景與背景區(qū)域。

應(yīng)用區(qū)域生長法標(biāo)定每一連通區(qū)域。其基本原理如圖8。圖8(a)灰色區(qū)域為待遍歷的連通區(qū)域。任選其中一點，如圖8(e)黑點，若其8鄰域中有灰點，則標(biāo)記，得到圖8(f)，而后考察被標(biāo)注所有點的連通區(qū)域中是否有灰點，依此類推，直到被標(biāo)注所有點的8鄰域中沒有灰點，如圖8(h)。

圖8 區(qū)域生長法步驟示意

標(biāo)出所有連通區(qū)域，并統(tǒng)計各連通區(qū)域的面積(總點數(shù))。以面積均值為閾值，保留大于閾值的連通區(qū)域，將其全集定義為前景區(qū)，并將B顯圖中非前景區(qū)的部分定義為背景區(qū)，如圖9。

圖9 雙區(qū)域劃分結(jié)果示意

2.5 全域極值點遍歷提取

通過逐點掃描整幅方位距離能量圖，提取每個中心點八鄰域點的值，若中心點的值為這9點中最大，則該點被視為一個局部極值被提取。

2.6 極值點視在信噪比計算

遍歷所有被提取的局部極值，計算每個局部極值的視在信噪比。視在信噪比表示局部極值“所在區(qū)域”相較于其“周邊參照區(qū)域”的“凸顯”程度。

局部極值“所在區(qū)域”，可確定為極值點及其八鄰域。一般地，方位維與距離維上的圖像點即對應(yīng)信號處理輸出的方位分辨元與距離分辨元，所以極值點的八鄰域點分別對應(yīng)2個維度上的三分辨元，這是合理的。局部極值的“周邊參照區(qū)域”可一般性地取“所在區(qū)域”的八鄰域區(qū)域，如圖10所示。并且一般地，八鄰域區(qū)域的大小可與局部極值所在區(qū)域的大小一致?？紤]到不同距離上目標(biāo)能量所占據(jù)的方位分辨元數(shù)量不同，那么距離近的周邊參照區(qū)域或許應(yīng)相應(yīng)大些。

圖10 局部亮點的視在信噪比計算示意

為簡化處理，本文的周邊參照區(qū)域大小與局部極值所在區(qū)域的大小一致。截取B顯圖像中包含單個疑似目標(biāo)的“所在區(qū)域”及其“參照區(qū)域”的部分進行觀察，如圖11所示。顯然，這2個疑似目標(biāo)的能量相對集中于方位維上約2～3個點、距離維上約3個點，說明上述區(qū)域大小的分析是符合現(xiàn)實的。

圖11 疑似目標(biāo)鄰域形態(tài)示意

視在信噪比的具體算法為：對于任意一個局部極值點，取其所在區(qū)域的9個點計算能量均值，作為視在信噪比中的“信”部分，記作tar；統(tǒng)計周邊參照區(qū)域的72個點的能量均值，作為視在信噪比中的“噪”部分，記作back。如圖11所示。

任一局部亮點p的視在信噪比計算為：

(7)

將比值取ln，使backtar的局部極值點在視在信噪比尺度規(guī)格上一致。

2.7 亮點撿取雙閾值計算

一幅B顯圖像中，局部極值點數(shù)量可達幾千個。針對B顯中的背景與前景區(qū)域，分別統(tǒng)計所有局部極值點視在信噪比，形成2個統(tǒng)計分布結(jié)果。由于任意2個極值點的選取不發(fā)生相互影響，且其視在信噪比計算方法統(tǒng)一，可視為相互獨立同分布的隨機過程，根據(jù)大數(shù)定律，可視為高斯分布形態(tài)。用高斯分布擬合這2個統(tǒng)計分布結(jié)果，其示意圖如圖12。

圖12 2個區(qū)域局部極值視在信噪比分布

圖12(a)、(b)中，2區(qū)域的極值點視在信噪比均值μ都接近0，即大多都非疑似目標(biāo)亮點，而為隨機起伏；畢竟，疑似目標(biāo)出現(xiàn)為小概率事件。疑似目標(biāo)視在信噪比應(yīng)處于上述高斯分布右拖尾區(qū)。此外，B顯圖像自動數(shù)據(jù)處理不能替代前端信號處理，即不打算拾取弱小能量目標(biāo)，只在意孤立的點目標(biāo)。

經(jīng)統(tǒng)計運算，圖12所對應(yīng)B顯圖像中，前景區(qū)域標(biāo)準(zhǔn)差σ為0.26，背景區(qū)域為0.38，兩者差異明顯，體現(xiàn)出此2區(qū)域能量起伏程度特性上的差異。

應(yīng)用高斯分布特性，計算亮點撿取閾值：統(tǒng)計前景/背景區(qū)極值點視在信噪比均值，記為μ1與μ2；其標(biāo)準(zhǔn)差，記作σ1與σ2，則雙閾值DT1與DT2為

(8)

式中：β1和β2分別為前景與背景區(qū)檢取閾值的微調(diào)系數(shù)，默認為0。

2.8 亮點閾值檢測與綜合篩判

按所在區(qū)域，將所有局部極值與對應(yīng)檢取閾值DT1、DT2進行大小比較，檢取所有大于閾值的局部極值，其結(jié)果如圖13所示。

圖13 雙閾值能量檢測結(jié)果

圖13中，方形框標(biāo)注背景區(qū)中撿取結(jié)果；圓形框標(biāo)注前景區(qū)中撿取結(jié)果，作為初篩疑似目標(biāo)。經(jīng)觀察，在被動豎狀干擾波束上往往存在較多成排點被檢取，若不加以處理，顯然增加了疑似目標(biāo)虛警。然而，疑似目標(biāo)卻可能在被動豎狀干擾波束上，不可一刀切全部排除，可通過能量排序方式處理，即限定單條強輻射源亮帶上的初篩疑似目標(biāo)最大數(shù)量為M個(M是小的正整數(shù))。其物理意義是，強輻射源信號作為遠方平面波入射，在亮帶上是方位聚集的，而亮帶整體是距離平穩(wěn)的；疑似目標(biāo)則一般同時在方位和距離上聚集，若恰有疑似目標(biāo)位于亮帶上，則一般是有限的聚集，就可與亮帶相區(qū)分。

綜合判篩后，得出最終疑似目標(biāo)的拾取結(jié)果，如圖14所示，其中圓形標(biāo)注即被拾取的疑似目標(biāo)。

圖14 綜合判篩后的拾取結(jié)果

經(jīng)上述多環(huán)節(jié)處理，最終自動地從主動B顯圖像中拾取出疑似目標(biāo)。為后續(xù)的基于多PING方法進一步篩選研判提供基礎(chǔ)。

3 算法效能驗證與性能對比

利用2019年7月南海某海域?qū)嶒灁?shù)據(jù)驗證本文算法有效性，本次實驗包含5個確定目標(biāo)，分別為水面活動目標(biāo)、水下活動目標(biāo)以及水面靜止目標(biāo)。

3.1 算法性能比較研究

通過去除自動調(diào)亮及雙閾值撿取過程，即使用手動調(diào)亮與全局圖像單閾值撿取，可視為去除了本文算法核心機制，保留其他處理機制與其一致，作為對比算法，也可視為近似于人工拾取法的模擬。

分別使用本文算法與對比算法對實驗數(shù)據(jù)中相同B顯圖像做處理，拾取結(jié)果如圖15所示。

圖15 不同算法的處理結(jié)果對照

如圖15，本文算法拾取到所有5個確定目標(biāo)，對比算法(手動調(diào)亮+單閾值法)漏檢目標(biāo)3與目標(biāo)5。

3.2 利用連續(xù)多個單幀圖像驗證本算法效能

應(yīng)用本文算法處理實驗數(shù)據(jù)，共處理連續(xù)54幀B顯圖像數(shù)據(jù)。結(jié)果中，每幀拾取的疑似目標(biāo)總數(shù)約二十幾個。其中包括非確定疑似目標(biāo)，這些非確定疑似目標(biāo)或許是本文算法不應(yīng)拾取的虛假點，亦或是海上的確存在的疑似目標(biāo)，只是我們未知。

對于單幀處理，本算法力求拾取全部疑似目標(biāo)，并限制虛警最大值。在對此實驗數(shù)據(jù)處理中，限制單幀拾取疑似目標(biāo)最大數(shù)量為32,這是基于探測場景的經(jīng)驗值，同時就限制了單幀拾取的最大虛警。后續(xù)可觀察連續(xù)多幀處理結(jié)果，以進一步排除虛警。

因?qū)嶒灁?shù)據(jù)中存在較多非確知疑似目標(biāo)，因此，對疑似目標(biāo)拾取虛警的準(zhǔn)確判定與定量研究需依賴多幀幀間信息，本文算法尚未涉及，不做詳細展開。

對于連續(xù)多個單幀的處理，統(tǒng)計了本文算法與對比算法對確定目標(biāo)的拾取率以及對確定目標(biāo)的拾取虛警率，如圖16所示。

圖16 連續(xù)多個單幀拾取結(jié)果統(tǒng)計

結(jié)果表明，本文算法在連續(xù)54幀拾取到幾乎所有確定目標(biāo)(僅在其中2幀各有1個目標(biāo)遺漏)，確定目標(biāo)平均拾取率高于99%；而對比算法則具有相對較高的確定目標(biāo)漏報率，如圖16(a)。當(dāng)然，本文算法與對比算法在連續(xù)54幀處理中，都表現(xiàn)出相對較高的確定目標(biāo)拾取虛警率，其中本文算法對確定目標(biāo)拾取虛警率穩(wěn)定在75%左右，略低于對照算法。因處理的實驗數(shù)據(jù)中確定目標(biāo)為5個，則綜合表明，本文算法中疑似目標(biāo)拾取虛警最大值得到了限制。

4 結(jié)論

1)本文提出一種主動B顯圖像中疑似目標(biāo)自動拾取方法。該方法屬于信號處理之后的數(shù)據(jù)處理，基于數(shù)據(jù)處理實現(xiàn)目標(biāo)信息的自動提取。本文的數(shù)據(jù)處理不打算彌補或提升信號處理，即不打算實現(xiàn)檢測信噪比增益，只在意從信號處理大量的檢測分辨單元中自動發(fā)現(xiàn)與報告孤立亮點。這是針對單PING數(shù)據(jù)的處理，以此為基礎(chǔ)可進一步實現(xiàn)多PING數(shù)據(jù)連續(xù)處理，并由此可實現(xiàn)目標(biāo)疑似程度的甄別、目標(biāo)運動要素提取、目標(biāo)形態(tài)提取以及目標(biāo)識別等。

2)本文算法包括圖像自動調(diào)亮、自適應(yīng)二值化、形態(tài)學(xué)閉運算、連通區(qū)域標(biāo)測與前景/背景標(biāo)定、全域極值點遍歷提取、極值點視在信噪比計算、亮點檢取雙閾值計算、亮點閾值檢測與綜合篩判等處理環(huán)節(jié)；并利用海試數(shù)據(jù)，通過算法對比驗證了本文算法效能。結(jié)果表明，本文算法在確定目標(biāo)的檢測率上比傳統(tǒng)類人工拾取方法優(yōu)越，并且，因為將拾取范圍分為前景背景2區(qū)域考慮，具有低漏報率。

關(guān)于形態(tài)學(xué)結(jié)構(gòu)元素的精細化選取以及與分辨元相結(jié)合的局部極值點視在信噪比計算在本文中尚未展開討論，將于后續(xù)研究工作中繼續(xù)開展。