A Side Scan Sonar Image Denoising Algorithm Based on Compound of Fuzzy Weighted Average and Kalman F

Abstract

水下侧扫声纳图像的噪声来源：高斯噪声、脉冲、斑点噪声。

传统方法只能移除部分噪声，并且去噪后容易造成细节模糊。

本文在考虑到噪声的随机性以后，提出一种融合了模糊加权平均和卡尔曼滤波的去噪方法。

在最大化保留图像细节的基础上，同时去除高斯噪声和脉冲噪声

一．Introduction

由于海底环境和声波自身干涉的影响，声纳图像生成的图像难免会有噪点。声纳采集的图像通常会有高斯噪声、脉冲噪声以及斑点噪声。目前专门针对侧扫声纳图像去噪的方法不是很多，大多基于小波法（wavelet method）以及它的增强算法：

---

基于小波变换的例子：

/*

例如：//Shi.H提出的一种基于多形态小波包的声纳图像融合去噪方法

   //Alexandru-Isar等设计的双树复小波变换滤波器

*/

以上方法均基于小波变换的方法来去除图像上的噪点，缺点是处理结果很容易造成图像边缘模糊，这就是为什么传统的小波变换并不适用于水下声纳图像的处理，并且该方法计算量很大，也不满足实时处理的要求。

---

基于中值滤波的方法：

//Wei和Lai Xingyu等人

同样地，中值滤波会使图像模糊。

---

其他方法：

/*

Li Shengquan等人使用高通和低通滤波混合的方法处理声纳图片

该法仅仅适用于高斯噪声。

*/

---

综上所述，目前正缺少一种去噪和保留细节并举的声纳图像处理方法。

对此，我们提出了一种融合了模糊加权平均和卡尔曼滤波的方法，该方法融合了模糊加权平均和卡尔曼滤波估计，旨在医治声纳图像降噪处理时存在的旧疾（传统的算法不能同时处理高斯噪声和脉冲噪声，无法很好地保护图像细节）。

从文末的对比实验中，可以看出新方法的优越性。

本文分为四部分：

介绍声纳图像中存在的噪声，并对其建模。

介绍基于融合了模糊加权平均和卡尔曼滤波的去噪方法

给出新方法和传统方法的对比结果

总结

&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

二．THE ANALYSIS OF NOISE IN SONAR IMAGE

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

侧扫声纳图像的噪声主要由三部分组成:

环境噪声，例如波浪、海底生物发出的声音、船只的声音

设备噪声，托载声纳的设备在航行时会发出噪声

温度、盐分、海底水压变化带来的噪声，在传输过程中，这些因素会引起折射，从而产生噪声。

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

A.
Modeling the Noise

噪声的产生是一个随机过程，为了便于处理，水中噪声往往被看作是一个稳定的随机过程。

水中的噪声可以建模为高斯噪声和脉冲噪声。

对于高斯噪声，其概率密度可以表示为：

(1)

脉冲噪声的函数可以表示为：

（2）

当a<b时，图像中灰度值a和b分别显示为一个暗点和一个亮点；若Pa或Pb有一个为空，那么脉冲噪声就会变成单极脉冲噪声。如果Pa和Pb均不为零，并且近似相等，脉冲噪声值将类似于随机分布在图像上的胡椒和盐粉微粒。

当然，对于这些噪声还可以分别去研究，但这不是本文的重点。

&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

III. COMPOUND OF FUZZY WEIGHTED AVERAGE AND KALMAN

FILTER

A． Fuzzy Logic

模糊数学理论

其基本原则如下：

一个集合U中的模糊集A是一组有序对：

（3）

其中μA称为隶属度函数：

（4）

其中[0, 1]是U的每个元素映射到的成员空间。近年来，利用模糊推理进行图像滤波的研究开始兴起。

通过模糊原则和精确数学方法的结合，做到了在消除噪声的同时保护了图像边缘信息。

最常用的模糊滤波包括：模糊加权平均滤波，模糊中值滤波。

//备注：这一部分设计到模糊逻辑的知识，还需要看别的文章

B． Kalman filter

卡尔曼滤波是20世纪60年代发展起来的一种最优递归数据处理算法。

该算法提供了一种递归解决方法，使用最小均方误差的原则(mmse),通过带有连续预测和校正的循环处理，来求解线性的最优滤波问题。[The
algorithm provides a recursive solution to linear optimal filtering, getting
the optimal estimated value through a recurrent process with continuous
prediction and correcting, using the principle of minimum mean square error
(MMSE).]

发现卡尔曼滤波对于二维图像中的随机噪声具有很好的滤波效果。

离散随机过程的微分状态空间可以表示为：

（5）

（6）

其中，x(i,j)和z(i,j)分别是系统状态和输出观测值，v(i,j)和w(i,j)是过程噪声和观测噪声；

F和H分别是系统矩阵和观测矩阵。过程噪声和观测噪声是不相关的，所有状态都遵循一阶马尔可夫随机场模型。

二维微分Kalman滤波的算法可由方程组给出：

（7）

（8）

（9）

（10）

（11）

//备注：这一部分设计到卡尔曼的知识，还需要看别的文章

C. algorithm
based on compound of fuzzy weighted average and Kalman filter

目前
,模糊滤波和卡尔曼滤波主要用于光学图像和信号追踪。这一部分，充分考虑噪声的随机性和声纳图像信号的规律性，提出了一种结合模糊逻辑和卡尔曼滤波的声纳图像去噪新算法，用于去除高斯噪声和脉冲噪声。

Guo Haitao使用了模糊加权平均滤波进行图像去噪，但是没有考虑相邻像素之间的关系以及奇异点，造成该滤波算法对于脉冲噪声效果欠佳，下面给出对应的改进算法。

首先，输入带噪声的图像，设N’M窗口中的像素集为U,A是U中的模糊集，A中的样本是f(i,j)的灰度值 ，根据隶属度 d，隶属度函数给定如下：

（12）

 其中y是输出，f’(i,j)是图片像素的卡尔曼最优估计，β是尺度参数

计算窗口的平均值作为初始值y0，然后得到每个窗口中每个样本的隶属度。

从隶属度函数计算加权平均值y1。

让y1作为卡尔曼滤波的状态输入，然后得到滤波的输出值作为最优估计

隶属度函数是通过卡尔曼最优估计得到的，消除了相邻像素和奇异点的影响，因此具有更强的适用性。

&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

IV. EXPERIMENTAL RESULTS

实验给出了真实声纳图像的结果

图1给出了具有高斯噪声的图片，

使用中值滤波和低通滤波可以一定程度上去除噪声，但是会造成边缘和小的细节部分过度平滑；

小波滤波可以保留边缘信息，但是降噪效果又不明显。

图1e展示了我们提出的方法：降噪的同时保留了足够的细节。

图2展示了具有脉冲噪声的图片（类似于椒盐噪声）。

图2（c）和图2（d）是低通滤波和小波滤波的结果，可以看出效果不是很好；图2

（b）是中值滤波的结果，大多数噪声得到消除，但是一些小的细节也丢失了。

而我们的方法在去除脉冲噪声的同时很好的保留了细节。

图3展示了同时具有高斯和脉冲噪声的图片。

从3(b)可以看出，使用中值滤波会造成图像模糊；3(e)可以看出，我们的方法在去噪后保留了更多的边缘信息。

图4展示了放大后的细节部分，图4（a）是图3(b)的左上角的放大，图4(b)是图3(e)
的左上部分的放大。可以看出，我们的方法得到的结果更加清晰。

使用峰值信噪比PNSR[peak signal to noise ratio],其定义如下:

(13)

其中图像尺寸M’N,f(i,j)是没有噪声的图像像素，f’(i ,j)是经过滤波后的图像像素），f’和f 越接近，PSNR的值越大，说明滤波处理的效果果越好。

表1展示了不同的PSNR值，可以看出，本文的方法具有更高的PSNR值。

&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&

V. CONCLUSIONS

提出一种融合了模糊加权平均以及卡尔曼滤波的方法，用于低信噪比声纳图像的高斯噪声和脉冲噪声处理。该算法的特点是将模糊隶属度和Kalman优化理论相结合，将灰度值的加权平均隶属度作为Kalman滤波器的输入。递归运算后的结果是无噪声干扰的最优估计。PSNR值也表明了我们提出的算法，可以在保留边缘和细节信息的同时，很好的去除高斯和脉冲噪声。