用于水下机器人的主动侧扫声呐图像预处理技术_高延增

第38卷 第2期2009年4月 船海工程SH IP &OCEA N ENG IN EERI NG V ol.38 N o.2A pr.2009Feature Ex traction of Ship Weld Flaw Image Based on H u p s M oment InvariantGAO Lan,ZHAO Yong -zhu,FAN Sh-i dong,LUO Wen -feng(Schoo l o f Ener gy and Po wer Eng ineer ing,Wuhan U niv ersity of T echnolog y,W uhan 430063,China)Abstract:A metho d o f flaw feature ex tractio n of ship w eld imag e based o n Hu p s mo ment invar iant w as intro duced.Ex periment show ed that H u p s mo ment invar iants picked up sat isfy geomet ric invar iance after zo om,mot ion and eddy o f image,with st rong ant-i no ise perfo rmance.T o the complex ship weld imag e flaw ,mo ment inva riants can sho w the featur e informat ion of image effectively,on a cer tain ext ent,it can be an impor tant g ist o f flaw identificatio n.Key words:moment invariants;featur e extr action;weld imag e;sample bases收稿日期:2008-09-02修回日期:2008-11-17作者简介:高延增(1982-),男,博士生。

研究方向:水下机器人的三维声视觉系统人工智能技术。

E -mail:gao yangzeng @fox DOI:10.3963/j.issn.1671-7953.2009.02.028用于水下机器人的主动侧扫声呐图像预处理技术高延增,叶家玮,陈爱国(华南理工大学土木与交通学院,广州510641)摘 要:分析了侧扫声呐接收机的噪声来源:自噪声和水体噪声,概括了它们影响声呐接收机的辐射路径;求出回波噪声的数字特征,在此基础上给出单扫描角度上声呐图像数据的递归最小二乘滤波算法,可提高水下机器人路径规划算法的实时性。

使用超小型远程操纵机器人(RO V )搭载SeaSpr ite 声呐在船池中实验,对比给出预处理前后的声呐回波数据的还原图像,显示效果明显改善。

关键词:侧扫声呐;噪声模型;递归最小二乘滤波;图像声呐中图分类号:U 666.7 文献标志码:A 文章编号:1671-7953(2009)02-0097-04光学成像系统易受光线、水质混浊度、流水中气泡等因素影响,而声呐设备能克服这些限制,在海底矿物质勘探、目标探测、海洋工程等方面的应用越来越广泛,为水下机器人作业、海洋工程、海洋测绘等提供第一手数据。

在自主水下机器人(AUV )导航的应用中,可将声呐图像中出现的障碍物分成独立的、星群状的和过大的三类,然后利用特征匹配归类声呐图像中的障碍物[1],文献[2]提出一种声呐图像中密集障碍物的避让方法。

但声呐图像存在图像背景复杂、噪声污染严重等缺点,而大多图像处理算法又对图像噪声敏感,所以有必要对声呐图像进行预处理。

声呐图像预处理算法应能够:改善声呐图像显示效果;纠正声呐图像中的波束模式异常;平抑表面反射的影响;自动调节声呐数据获取过程中由软、硬件增益改变引起的像素点亮度变化。

文献[3]介绍了使用扫描声呐进行目标跟踪、识别时的图像预处理方法,其中用到小波技术,文献[4]中还将其与Fourier 变换进行比较,它的作用对象是冰下侧扫声呐图像。

但前面提到的预处理方法都是针对整幅声呐图像的,限制了侧扫声呐图像的处理时间,影响水下机器人的决策速度。

本文将影响声呐接收机的噪声分为自噪声和水体噪声,分析了噪声对声呐接收机的辐射路径,根据瑞利法则给出噪声的条件密度模型;在此基础上对单扫描角度的声呐数据进行递归最小二乘滤波后还原为声呐图像,最后将各扫描角度上的图像镶嵌组成整幅图像,而在镶嵌的同时将单扫描角度图像实时传给水下机器人路径规划的决策模块,保证了路径选择算法的实时性。

97第2期船 海 工 程第38卷1 声呐回波信号噪声分析1.1 声呐信号噪声源分析声呐信号的噪声来源主要有两个部分:自噪声和水体噪声。

自噪声主要为声呐设备自身的电噪声和载体的噪声;水体噪声主要为水域内的航运噪声、环境噪声和生物噪声。

本文使用的声呐设备载体是Video Ray Pr o Ó型ROV,可将噪声影响声呐设备的辐射路径概括为图1[5]。

图1 噪声源对声呐的辐射路径1.2 声呐噪声数学模型假设声呐信号的噪声为加性噪声[6],如式(1):r (k)=X (k )s(k)+n(k),有障碍物信息r (k)=s(k),无障碍物信息(1)式中:s(k))))信号级;n(k))))噪声级。

对于噪声级,K.C.Yao 等人提出声呐信号噪声的高斯模型N (L ,R 2)[7],若N 0为处在阴影区的像素个数,则:L (ML =1N 0E s I S B x S =e 0y s R 2ML =1N 0-1E s I S B x S =e(y s -L (ML )2(2)噪声背景掩蔽时,有:R 2ML =12N 1E s I S B x s =e(y s -min ML )2(3)式中:x s )))采样数据;y s )))采样中的障碍物信息;min ML U L (min -1。

若要突出回波中的点状噪声,可根据瑞利法则R(min ,A 2)将回波的条件密度函数模型定义为:P(y s /x s =e 1)=y s -min A 2exp -(y s -min )2A2(4)由式(1),主动声呐回波数据的协方差:R r (m)=E(r(k-m)r *(k ))=R s (m)+R n (m),m =0,1,2,,(5)R s r (m)=E(s(k -m)r *(k ))=R s (m )+R sn (m),m =0,1,2,,(6)由式(2)、(3)确定的参数可得声呐回波噪声的模型N (L ,R 2),然后和式(4)一起带入式(5)、(6)即可得声呐回波信号协方差。

2 回波数据预处理2.1 声呐数据的最小二乘滤波图2为声呐信号最小二乘滤波框图。

图2中,y (k)作为d(k)的最佳估计:图2 声呐信号最小二乘滤波框图d^(k)=y (k )=X TX =((s(k)+n)#A )TX (7)式中:A )))电机噪声等引起的乘性干扰系数向量。

理想情况是毫无干扰地接收到回波信号,即d(k)=s(k ),有:E (k)=s(k)-X T X(8)所以:E 2(k)=s 2(k)-2s(k)X T X +X T XX T X (9)其均方误差为:E(E 2(k))=E(s 2(k))-2R sX X +X TR XX X(10)式(10)为最小二乘权系数向量X 的二次函数,表示一个中间上凹的曲面,用梯度法可求其最小值得X opt 。

在实时声呐图像处理中不可能知道R sX 、R XX的先验统计知识,W idrow and H o ff LM S 算法可解决这一矛盾,它是一种最优化方法中的最速下降法,其迭代寻优公式为:X (k +1)=X (k)-L (k)¨(E (E 2(k)))(11)98用于水下机器人的主动侧扫声呐图像预处理技术)))高延增,叶家玮,陈爱国式中常直接使用E2(k)作为E(E2(k))的无偏估计,L(k)是收敛因子。

寻优速度由R XX的特征值决定。

2.2递归最小二乘滤波Widrow and H off LMS算法收敛速度慢,不能满足声呐图像处理的实时性要求。

RLS采用递归方法求取滤波器的最佳权系数向量,收敛速度快。

声呐回波数据中的噪声主要为点状噪声。

由式(1)、(2)、(3)、(4)确定的声呐噪声模型,及式(8)的误差函数可定义递归最小二乘权系数向量的代价函数C(X):C(X)=E n k=0K n-k|E(k)|2=E n k=0K n-k E(k)E*(k)(12)式中:K)))递归算法中的遗忘因子,0<K[1。

令:5C(X) 5X n(i)=E nk=0K n-k E(k)5E*(k)5X n=E nk=0K n-k E(k)x(k-i)=0(13)式(13)中,E(k)由式(8)替代,并整理得:E n k=0K n-k X T X x(k-i)=E nk=0K n-k S(k)x(k-i)(14)进一步整理,并由W oodbury矩阵恒等式可得滤波器权系数递推公式(推导过程参考文献[8]):X(k)=X(k-1)+g(k)(x T(k)X(k-1))(15)式中:g(k)=P(k-1)x*(k)(K+x T(k)@P(k-1)x*(k))-1P(k)=K-1P(k-1)-g(k)x T(k)K-1P(k-1)P(0)=D-1I其中:D)))设定的初始值。

3滤波器仿真及应用效果分析使用V ideo Ray ProÓ型ROV搭载Sea-Sprite声呐在船池中进行实验,以其单扫描角度上的声呐回波数据(如图3a))作为滤波器输入。

输入向量的长度N由所设定的扫描距离S、间隔时间T以及水声速度v共同决定,有:图3RLS滤波性能测试图N=2@S@103@103v@T@640(16)在此声呐回波数据的基础上加入由式(4)决定其条件密度函数模型的噪声干扰,如图3b),然后通过文章第3节确定的RLS滤波器,滤波后数据如图3c)。

图3d)、e)、f)分别为Kernel平滑法求得的各自的概率密度,对比图3a)、c)的数据波形及其概率密度看出,滤波器较好地复原了原始声呐回波数据。

图4a)、c)分别为未经滤波处理的单扫描角度和半个圆周上的声呐数据还原图像,图4b)、d)为对应的滤波处理后的声呐数据还原图像。

99第2期船海工程第38卷d)波后的声呐图像图4扫描声呐实验图像图4a)反映单个扫描角度上船池壁,离散点为反射噪声,而在图4b)中得到较好地滤除;图4c)中为ROV悬停时一侧的船池壁,由于船池中水的波动(造波机模拟),图像中表现为孤立的噪声点,而这些在图4d)中都得以滤除。