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。