基于数学形态学的侧扫声呐图像轮廓自动提取

罗进华，蒋锦朋，朱培民

（1.中海油田服务股份有限公司，天津300451；2.中国地质大学（武汉）地球物理与空间信息学院，湖北武汉430074）



基于数学形态学的侧扫声呐图像轮廓自动提取

罗进华1，蒋锦朋2，朱培民2

（1.中海油田服务股份有限公司，天津300451；2.中国地质大学（武汉）地球物理与空间信息学院，湖北武汉430074）

摘要：侧扫声呐图像特征自动提取的难点在于特征地貌边缘检测较困难，依据图像灰度突变检测得到的边缘比较粗糙、不连续，而且有断口和小洞。本文在对图像进行预处理和阈值化的基础上，采用数学形态学方法对图像进行处理，即用具有一定形态的结构元素去量度和提取图像中的对应形状，得到连续化、粗化、圆滑的特征区域边缘填充目标内部阴影且消除背景噪声。基于数学形态学的侧扫声呐图像特征自动提取的主要步骤为：首先对侧扫声呐图像进行预处理，然后进行灰度阈值化，接着采用数学形态学方法进行处理，最后对处理后的图像进行边缘检测，提取出特征地貌边缘。实验表明，采用数学形态学方法进行处理后，错断、离散的海底目标物变得连续，背景噪声大大减少，自动提取结果准确可靠。

关键词：侧扫声呐图像；数学形态学；海底地貌特征；自动提取

1　引言

目前的海底探测主要依赖于声学探测技术［1］。侧扫声呐成像技术是一种重要的海底声成像技术，它运用海底地物对入射声波反向散射的原理来探测海底微地形和底质特性。即使在能见度非常低的浑浊海水中，侧扫声呐系统也能直观地提供海底的高精度声成像［2］。高精度的侧扫声呐系统已经在海底科学研究、海底资源勘查、海洋工程和海洋开发，以及海洋军事活动等方面发挥出极其重要的作用［1］。直至目前，对侧扫声呐图像（Side-scan Sonar Image，SSI）的解释和判读依然主要靠人工进行。当扫测海域面积大、特征地貌数量庞大时，使用手工识别效率太低，且难以精确勾勒目标物轮廓，这就迫切需要寻找一种高效的特征地貌自动识别方法。

对水下目标的正确识别是建立在有效的特征提取基础之上的，而图像特征提取中的关键是图像分割，即将图像分为各具特色的区域并把“感兴趣的目标物体”从复杂的景象中提取出来的过程［3］。由于SSI信噪比低，且往往成像残缺不全、轮廓不连续，自动分割效果不佳，对SSI的分割没有完全可靠的模型进行指导，各种算法在SSI分割中存在的主要共性问题是图像分割算法的适用面有限、分割效果较差等［4］。在光学图像处理中广泛应用的边缘检测技术，在SSI中得到的往往是断续的、不完整的结构信息［5］，且易受噪声干扰而出现伪边缘［6］，或是存在斑点噪声抑制效果较差与边缘定位不准的问题［5］。基于小波理论的小波模极大值边缘检测方法由于并不适合描述多方向的线奇异，检测的边缘结果通常并不理想［5］。

本文主要基于数学形态学的方法，对声呐图像自动分割的结果做进一步处理，使错断、离散的海底目标物变得连续，同时削弱了背景噪声，目标物参数的自动提取结果更为准确、可靠。

2　原理和算法

基于数学形态学的SSI特征自动提取的主要步骤为：首先对SSI进行预处理，然后进行灰度阈值化，接着采用数学形态学方法进行处理，最后对处理后的图像进行边缘检测，提取出特征地貌边缘。

2.1图像预处理

SSI通常可分为目标高亮区、目标阴影区和海底混响区［7］。水底硬或凸起的物质回波强，软或凹陷的回波弱，被遮挡的海底无回波［8］。混响由海洋中大量无规则散射体对声呐入射信号产生的散射信号在接收点叠加而形成。原始SSI直接用来自动识别效果不佳［4］，因此对SSI进行预处理十分必要。预处理的目的是最大限度的消除高斯噪声，同时尽量保留或增强目标区域边界，以便于后续参数提取的需要。

2.1.1SSI降噪处理

混响造成的SSI高斯噪声服从瑞利分布，表现为许多随机、离散或小区域分布的“斑点”，目标物则以大区域聚集的形式呈现［9］。通常人们希望在滤除噪声的同时保留图像的“大区域聚集”信息。范习健等提出了SSI的3维块匹配降斑方法［10］，霍冠英等提出了Curvelet域贝叶斯估计SSI降斑方法［11］，均取得了较好效果。事实上，图像处理中常用的中值滤波［12—14］方法，对于抑制斑点噪声和校验噪声效果显著，且运算简单、快速。

2.1.2灰度增益和均衡

除了随机噪声外，SSI通常会出现整体横向灰度不均的现象。海水对声波的吸收、声波的扩散、声呐换能器发射声脉冲的指向性以及波束与海底表面掠射角的变化均会造成SSI横向灰度差异。此外，声呐仪姿态倾斜等常常导致左右两通道能量不均衡。这些因素造成的影响应尽量予以消除，以凸显我们主要关注的海底底质反向散射能力。常见的时变增益（T V G）很难完全消除上述影响，甚至可能会造成新的灰度畸变［15］。本文采用了振幅增益控制和斜坡加权平均两种方法结合的方法［16］，将灰度调整到一定的水平。另外，本文还对SSI进行直方图均衡可提高图像对比度。

2.2特征提取与处理

2.2.1图像分割

由于SSI目标所在的高亮区提取的特征有限，而阴影部分包含了待识别物体的一些特征，所以对SSI进行分割的目的就是要从复杂的海底混响中提取出目标物的阴影区域，并尽量保留图像原始边缘信息［4］。SSI分割可归纳为基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等［4］。现存的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。本文采用了图像分割中应用数量最多的一类——灰度阈值分割法。灰度阈值分割法利用图像中目标物体和背景在灰度上的差异，通过设置阈值把像素点按灰度级分为若干类，从而实现图像分割。它特别适用于目标和背景占据不同灰度级的图像，且计算简单、运算效率较高。

阈值分割方法实际上是输入图像f到输出图像g的如下变换：

式中，T为阈值，对于物体的图像元素g（i，j）= 1，对于背景的图像元素g（i，j）= 0。

阈值分割方法通常分为全局阈值、自适应阈值、最佳阈值等。阈值分割的难点和关键是确定合适的阈值，即使图像中目标和背景分割错误最小的阈值［17］。由于已对全区SSI做个直方图均衡，因此本文采用全局阈值法中的一种——大津法［18］（又叫Otsu法）来自动确定阈值。大津法是一种全局化的动态二值化方法。该算法的基本思想是设使用某一个阈值将灰度图像根据灰度大小分成目标部分和背景部分两类，在这两类的类内方差最小且类间方差最大的时候，得到的阈值是最优的二值化阈值。

2.2.2数学形态学原理

数学形态学（M athematical M orphology）是分析几何形状和结构的数学方法［19—21］，它建立在集合代数的基础上，是用集合论方法定量描述目标几何结构的学科。数学形态学利用一个称作结构元素的“探针”收集图像的信息，当探针在图像中不断移动时，便可考察图像各个部分之间的相互关系，从而认识图像或改变图像的结构特征。它的基本运算有四种：膨胀、腐蚀、开运算（开启）和闭运算（闭合）。

SSI中目标体往往呈现不连续性，而且混响噪声比较严重，形态学算法可以解决这些问题。其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状，来连续化、粗化、圆滑特征区域边缘并消除背景噪声。

这些运算在二值图像和多值图像中各有特点，本文只讨论基于二值的形态学方法。数学形态学具有算法简单、可并行处理、速度快、易于实现等特点［22］。

设A、B为二维平面空间Z2中分布的点集合，例如A可以是一幅图像，B是一幅很小的图像，特别地称B为结构元素；结构元素可定义为具有一定的几何形状（如方形、十字形、菱形等）和不同大小的点集合（图1）。

图1　不同形状和大小的算子Fig.1 M athematics morphological operator of different shapes and sizes

运用不同结构元素对图像进行形态学处理能够得到不同的结果。若x表示结构元素起始点，是相对于坐标原点的位移，则A被B膨胀记为A⊕B，⊕为膨胀算子，其定义为：

A被B腐蚀记为AΘB，Θ为腐蚀算子，定义为：

A被B作开运算，记为A。B，其定义为：

A被B作闭运算，记为A·B，其定义为：

由公式（3）、（4）易知，A被B开运算就是A先被B腐蚀，再被B膨胀；A被B闭运算则是相反的过程。

2.2.3图像特征提取处理

基于数学形态学的SSI目标物的自动提取算法，主要由阈值分割和数学形态学处理两部分组成。阈值分割主要是将SSI中的目标物和背景混响分割开来，数学形态学处理则是进一步过滤残留的噪声，同时熔合目标物中的小洞，让断开的目标物得到连接，边缘变得光滑。

本文设计的算法步骤如下：

（1）对SSI进行增益和均衡，使目标物体显示更清晰；

（2）选取合理的滤波窗口，对步骤（1）处理后的SSI进行中值滤波压制混响噪声；

（3）对步骤（2）处理后的SSI进行大津法阈值分割处理得到二值图像；

（4）选取合理的数学形态学算子，对步骤（3）处理后的图形进行腐蚀、膨胀、开运算、闭运算等操作，消除残留干扰，同时让目标物不连续部分得到连接；

（5）对步骤（4）处理的结果采用边缘检测算子，获取目标边缘。

2.2.4数学形态学处理实验与分析

实验数据使用某海域一艘沉于海底的小渔船的SSI（图2），其分辨率约为0.2 m，船长约13 m，宽约3 m，船体较完整，适合进行自动提取。

图2a为原始的SSI，图2b是对其进行了均衡和增益处理后的结果，图2c是在图2b基础上使用了5 ×5窗口的中值滤波处理后的结果，海底混响造成的斑点噪声得到减弱。图2d是在图2c的基础上进行大津法分割得到二值化图像。

图2d中目标背景噪声已大部分被消除，但剩余一部分海底散射强度与目标物相近的残余干扰依然较明显。为了减弱图像中的残余干扰，采用3×3正方形算子对图2d进行数学形态学的腐蚀运算得到图2e。图2e除去了部分小的残余干扰，较大的残余干扰得以缩小但依然存在。改用5×5正方形算子对图2d重新进行数学形态学的腐蚀运算得到图2f，较好的除去了残余干扰，但同时目标物沉船不连续部分也有所增加，船体有所缩小。为了使目标物轮廓更完整、连续，又采用3×3十字形算子对图2f进行膨胀处理得到了图2g。从中可看出目标物沉船的空隙得到一定闭合，轮廓更完整、连续，缩小的船体在一定程度上得到膨胀。

图2　海底沉船声呐图像处理与自动提取结果示意图Fig.2 Image processing and automatic detection results of a wreck SSI

为了能进一步凸显目标，抑制噪声干扰，可反复多次进行数学形态学腐蚀、膨胀和开、闭运算处理。处理时，膨胀和腐蚀可交替进行，一般首先采用腐蚀以去除细小干扰，然后根据处理后效果采用合适的算子，或是再次进行腐蚀以进一步消除细小干扰，或是进行膨胀以填补目标空隙。通常情况下，腐蚀和膨胀次数，以及采用的结构元素可根据经验确定。

相比于未使用数学形态学处理的图2d，图2g中背景噪声大大减少，边缘提取效果好。

3　应用实例

3.1研究区背景

荔湾3-1（L W 3-1）气田位于中国南海珠江口盆地珠二坳陷内，该气田开发建设拟采用铺设海底管线的输气方式，路由区经过一段16 k m的埋藏较浅或完全裸露的珊瑚礁或胶结砂的海底，如图3所示。由于铺设在硬质海底区域的管道难以自沉埋入土中，不仅可能会发生管道悬跨，而且管道可能会受到周围坚硬珊瑚礁的磨损，影响海底管道的寿命［23］。因此查明研究区的海底地貌状况，精确绘制古珊瑚礁、硬质海底等灾害地质要素的形态、分布范围，对海底挖沟方案制定和海底管道铺设设计有直接影响。路由区已识别出数千目标物，如此多的目标物，使用手工提取效率太低，且难以精确勾勒出目标物轮廓。

3.2处理结果

使用本文基于数据形态学自动识别目标体的方法对上述研究区的一幅侧扫声呐图像进行了处理，得到了古珊瑚礁、硬质海底等目标物的位置和形态。图4a为原始侧扫声呐图像，图像中有一些古珊瑚礁、硬质海底等目标物，目标物体边缘比较模糊。对原始图像先进行了预处理（均衡和中值滤波处理）得到图像图4b，图像中目标物体变得相对清晰，但边缘连续性较差。然后，对图4b进行大津法分割得到二值化图像图4c。图4c中残留较多背景噪声且目标物不连续，直接对其进行边缘检测效果较差，如图4d所示。对图4c进行了多次形态学处理（膨胀、腐蚀、开运算和闭运算）后，熔合了目标物中的小洞，目标物变得连续，背景噪声得到很好的消除，边缘检测的结果和原图中的目标物匹配程度高，这说明数学形态学处理发挥了很好的作用。

图3　研究区地理位置图Fig.3 Study area

4　结语

本文的实验和应用效果表明基于数学形态学的侧扫声呐目标物提取算法是可行的。通过试验得到以下几点结论：

（1）在提取目标物边缘之前经过图像加强和滤波等预处理消除图像噪声是必要的，可为目标识别提供更好的条件。

（2）运用数学形态学方法能够消除不感兴趣的小目标，光滑目标边缘，闭合目标中间细小空洞，使得提取的目标边缘更连续。

（3）数学形态学算法具有实现简单、运算快、存储空间小等特点，具有良好的实用性。

形态学处理能够达到好的效果，结构元素的尺寸、形状需要根据目标体的大小进行选取，用不同大小和形状的结构元素处理将得到不同的效果。在进行膨胀、腐蚀、开闭运算过程中，有时需要进行多次操作，操作次数需要根据目标物的图像质量凭经验确定，尚不能完全自动完成数学形态学处理。

图4　图像处理与自动提取结果Fig.4 Image processing and automatic detection results

参考文献：

［1］金翔龙.海洋地球物理研究与海底探测声学技术的发展［J］.地球物理学进展，2007，22（4）：1243-1249.Jin Xianglong.The development of research in marine geophysics and acoustic technology for sub marine exploration［J］.Progress in Geophysics，2007，22（4）：1243-1249.

［2］Celik T，Tjahjadi T.A novel method for sidescan sonar image segmentation［J］.IEEE Journal of Oceanic Engineering，2011，36（2）：186-194.

［3］Sonka M，Hlavac V，Boyle R.Image processing，analysis，and machine vision［M］.北京：人民邮电出版社，2003.Sonka M，Hlavac V，Boyle R.Image processing，analysis，and machine vision［M］.Beijing：Post & Telecom Press，2003.

［4］王兴梅.水下声呐图像目标分割方法的研究及应用［D］.哈尔滨：哈尔滨工程大学，2008.W ang Xingmei.Research and application of the underwater object segmentation algorith m based on the sonarimagery［D］.Harbin：Harbin Engineering U niversity，2008.

［5］王敏，李庆武，程晓轩.侧扫声纳图像的NSC T域模极大值边缘检测［J］.计算机工程，2011，37（24）：207-209.W ang Min，Li Qingwu，Cheng Xiaoxuan.NSC T domain modulus maximu m edge detection in side-scan sonar image［J］.Computer Engineering，2011，37（24）：207-209.

［6］郭芳侠，梁娟，王晅.基于模糊推理的噪声图像边缘检测［J］.计算机工程，2010，36（15）：194-195.Guo Fangxia，Liang Juan，W ang Xuan.Edge detection for noisy images based on fuzzy reasoning［J］.Computer Engineering，2010，36（15）：194-195.

［7］Reed S，Petillot Y，Bell J.An automatic approach to the detection and extraction of mine features in sidescan sonar［J］.IEEE Journal of Oceanic Engineering，2003，28（1）：90-105.

［8］蒋立军，杜文萍，许枫.侧扫声纳回波信号的增益控制［J］.海洋测绘，2002，22（3）：6-8.Jiang Lijun，Du W enping，Xu Feng.Signal gain adjustment for side scan sonar［J］.H ydrographic Surveying and Charting，2002，22（3）：6-8.

［9］Hellequin L，Boucher J M，Lurton X.Processing of high-frequency multibeam echo sounder data for seafloor characterization［J］.IEEE Journal of Oceanic Engineering，2003，28（1）：78-89.

［10］范习健，李庆武，黄河，等.侧扫声呐图像的3维块匹配降斑方法［J］.中国图象图形学报，2012，17（1）：68-74.Fan Xijian，Li Qingwu，H uang He，et al.Side-scan sonar image despeckling based on block-matching and 3 D filtering［J］.Journal of Image and Graphics，2012，17（1）：68-74.

［11］霍冠英，李庆武，王敏，等.Curvelet域贝叶斯估计侧扫声呐图像降斑方法［J］.仪器仪表学报，2011，32（1）：170-177.H uo Guanying，Li Qingwu，W ang Min，et al.Side-scan sonar image despeckling based on Bayesian estimation in curvelet domain［J］.Chinese Journal of Scientific Instru ment，2011，32（1）：170-177.

［12］Bednar J B.Applications of median filtering to deconvolution，pulse estimation，and statistical editing of seismic data［J］.Geophysics，1983，48：1598-1610.

［13］Duncan G，Beresford G.Some analyses of 2-D median fk filters［J］.Geophysics，1995，60（4）：1157-1168.

［14］Ng P E，M a K K.A switching median filter with boundary discriminative noise detection for extremely corrupted images［J］.IEEE Transactions on Image Processing，2006，15（6）：1506-1516.

［15］滕惠忠，严晓明，李胜全，等.侧扫声纳图像增强技术［J］.海洋测绘，2004，24（2）：47-49.Teng H uizhong，Yan Xiaoming，Li Shengquan，et al.Processing techniques of enhancementfor side scan sonarimages［J］.H ydrographic Surveying and Charting，2004，24（2）：47-49.

［16］张济博，潘国富，丁维凤.侧扫声纳图像改正研究［J］.声学技术，2009，28（6）：44-47.Zhang Jibo，Pan Guofu，Ding W eifeng.Research on side-scan sonar images' correction［J］.Technical Acoustics，2009，28（6）：44-47.

［17］Boulinguez D，Quinquis A.3-D underwater object recognition［J］.IEEE Journal of Oceanic Engineering，2002，27（4）：814-829.

［18］李了了，邓善熙，丁兴号.基于大津法的图像分块二值化算法［J］.微计算机信息，2005，21（14）：76-77.Li Liaoliao，Deng Shanxi，Ding Xinghao.Binarization algorith m based on image partition derived from Da-Jing method［J］.Control & Automation，2005，21（14）：76-77.

［19］Soille P.M orphologicalimage analysis：principles and applications［M］.New York：Springer-Verlag，2003.

［20］Haralick R M，Sternberg S R，Zhuang X H.Image analysis using mathematical morphology［J］.IEEE Journal of Oceanic Engineering，1987，9 （4）：532-550.

［21］袁悦锋，朱培民，赵娜，等.基于数学形态学的月海圆形撞击坑自动识别方法［J］.中国科学：物理学，力学，天文学，2013（3）：324-332.Yuan Yuefeng，Zhu Peimin，Zhao Na，et al.Automaticidentification of circular mare craters based on mathematical morphology［J］.Scientia Sinica Physica，M echanica & Astronomica，2013（3）：324-332.

［22］Serra J.Introduction to mathematical morphology［J］.Computer Vision Graphics & Image Processing，1986，35（3）：283-305.

［23］朱林.南海北部荔湾3-1气田管道路由区灾害地质特征研究［D］.青岛：国家海洋局第一海洋研究所，2013.Zhu Lin.Geological hazardsin the northern South China Sea Liwan 3-1 gas field pipeline route［D］.Qingdao：First Institute of Oceanography，State Oceanic Administration，2013.

罗进华，蒋锦朋，朱培民.基于数学形态学的侧扫声呐图像轮廓自动提取［J］.海洋学报，2016，38（5）：150-157，doi：10.3969/j.issn.0253-4193.2016.05.014

Luo Jinhua，Jiang Jinpeng，Zhu Peimin.Automatic extraction ofthe side-scan sonarimagery outlines based on mathematical morphology［J］.Haiyang Xuebao，2016，38（5）：150-157，doi：10.3969/j.issn.0253-4193.2016.05.014

Automatic extraction of the side-scan sonar imagery outlines based on mathematical morphology

Luo Jinhua1，Jiang Jinpeng2，Zhu Peimin2
（1.China Oilfield Services Limited，Tianjin 300451，China；2.Instituteof Geophysics & Geomatics，China University of Geosciences，Wuhan 430074，China）

Abstract：Automatic extraction ofthe side-scan sonarimagery outlinesis difficult.The results extracted by edge detection based on sharp gray-scale gradient ofimage are discontinuous and rough，and also have gaps and holes edge detection.After preprocessing the side-scan sonarimage and thresholding，some processings are carried outto take the smooth and continuous rims ofthe geological objectives，and to eliminate the background noises，by measuring and extracting the corresponding shape from the image with a certain form of structural element according to thebook=157,ebook=160basic idea of mathematical morphology.The algorith m of feature extraction for the side-scan sonar imagery based on mathematical morphology is as follows：firstly，preprocess the image and do thresholding it；then process the image by mathematical morphology；finally obtained the edges of the geological objectives by edge-detection technology.The nu merical experiments show that this method leads to smooth and continuous and accurate detection，meanwhile，greatly reduced background noise.

Key words：side-scan sonar；mathematical morphology；seabed feature；automatic extraction

作者简介：罗进华（1983—），男，湖北省仙桃市人，工程师，主要从事海洋地球物理探测方面的工作与研究。E-mail：luojinhua001＠163.com

基金项目：中海油田服务股份有限公司科研项目——A U V调查数据处理解释系统开发（E-23132019）。

收稿日期：2015-05-12；

修订日期：2016-01-29。

中图分类号：P714+.7

文献标志码：A

文章编号：0253-4193（2016）05-0150-08