侧扫声呐图像的3维块匹配降斑方法

　　0 引言

　　侧扫声呐是一种高分辨率的水下成像工具，在海底勘探、底质分类、水下目标探测等方面具有重要的作用。侧扫声呐图像(SSI) 可分为目标高亮区、阴影区和海底混响区(背景)3类。由于海洋环境的多变性、人为干扰以及声波自身传播特性等多方面因素的影响，SSI 往往伴有严重且相当复杂的噪声。这些噪声主要包括设备噪声，海水盐度、温度变化所造成的海洋噪声以及声音散射所引起的混响噪声。对于侧扫声呐系统而言，海洋中各种散射体和起伏不平的海底介质形成的混响噪声尤为突出[1]，严重时还会歪曲和遮盖海底的真实地貌，导致图像误读。因此，对侧扫声呐图像进行降噪处理十分必要，可为图像的后续判别和分析奠定基础。

　　图像去噪技术通常可分为空间域去噪和变换域去噪。空间域去噪有传统的中值滤波、均值滤波和维纳滤波等[2-3]。这些方法虽然可以取得一定的平滑效果，但边缘保持较差，不利于后续的分割与识别。文献[4-5]提出的非局部平均算法(NLM) 滤波及其快速算法(NLF)，取得了很好的去噪效果。此外，最小化全变差法(TVM)[6]和基于偏微分(PDE)的图像去噪[7]也是颇受关注的空间滤波方法。变换域去噪包括基于傅里叶变换的频域降噪法和小波降噪法。Foi等人提出的逐点自适应余弦降噪法(SA-DCT)[8]是目前较为优秀的频域降噪方法。

　　近年来，基于小波域的去噪算法得到很多学者的关注，文献[9]提出3种基于小波域的去噪算法，其在边缘保持上取得了一定的效果。但小波在表示具有奇异性的目标函数时是最优基，而在表示线和超平面奇异性时并不是最优的[10]。因此，小波去噪在边缘保持上仍然不尽理想。Curvelet、Contourlet等多尺度几何变换的提出解决了小波变换不能有效表示 2 维或更高维奇异性的缺点，能够更有效地表示图像的纹理结构，在图像去噪方面得到广泛应用。但是由于侧扫声呐图像特性与光学图像不同，直接将较为先进的光学图像去噪方法用于侧扫声呐图像，得到的去噪效果一般不会太好，且普遍存在以下两个问题:

　　1) 缺乏有针对性地对侧扫声呐图像斑点噪声的产生机理和分布特性的分析。当前大多数的去噪方法针对高斯分布的加性噪声效果较好。然而文献[11-12]已经用大量的数据证明，用瑞利分布描述侧扫声呐图像的混响噪声更为合适。

　　2) 侧扫声呐图像本身是一种低频图像，细节特征较少，而混响噪声由于海洋各种散射体以及海底散射介质的复杂性，其产生的灰度级比较丰富。对声呐图像做小波变换后得到的稀疏表示，其系数对噪声与边缘的区分不是很有效，作阈值处理后得到的效果也不是很好。