邱家興，王易川，丁 超，程玉勝

(海軍潛艇學(xué)院，山東 青島 266000)

0 引 言

聲吶自20世紀(jì)初問(wèn)世以來(lái)，一直是水下目標(biāo)探測(cè)的主要工具，其探測(cè)對(duì)象主要是海洋中的各種目標(biāo)。聲吶顯示系統(tǒng)作為聲吶人機(jī)交互的媒介，是聲吶系統(tǒng)必不可少的一部分，行之有效的聲吶圖像處理方法也就成為了聲吶功能發(fā)揮的關(guān)鍵環(huán)節(jié)。

時(shí)間方位歷程（Bearing Time Recording，BTR）作為一種累積式顯示方式，以時(shí)間方位作為橫縱坐標(biāo)、以灰度級(jí)表示信號(hào)幅度，能夠反映目標(biāo)信號(hào)和背景噪聲的時(shí)域空域信息，是聲吶基陣目標(biāo)警戒探測(cè)畫面最重要的顯示方式之一。歷程顯示是檢測(cè)微弱信號(hào)的有效技術(shù)，相比于傳統(tǒng)方位幅度顯示，在弱信號(hào)檢測(cè)方面，高灰度級(jí)的方位歷程顯示可以提高5～7 dB的顯示性能[1]。但隨著聲吶向遠(yuǎn)距離探測(cè)發(fā)展，監(jiān)聽(tīng)到的目標(biāo)不斷增多，聲吶在目標(biāo)跟蹤時(shí)，往往需要從多目標(biāo)、強(qiáng)干擾中提取弱目標(biāo)軌跡，這就要求更加有效的圖像處理手段[2]。聲吶BTR處理過(guò)程中還存在許多待解決的問(wèn)題，例如，如何在盡量保護(hù)弱目標(biāo)軌跡的情況下更干凈地濾除背景噪聲，即背景均衡問(wèn)題，仍需要不斷探索進(jìn)步。

本文主要研究聲吶BTR圖的背景均衡方法。

1 背景均衡處理意義

海洋背景噪聲在時(shí)空分布上具有非平穩(wěn)性和非均勻性[3 – 4]，在不同的時(shí)空點(diǎn)具有不同的分布特性。BTR顯示方式涉及時(shí)間、空間的二重累積排列，在不同時(shí)間、頻率和方位上的波束輸出受到背景噪聲的影響不同，弱目標(biāo)軌跡提取難度大。

背景均衡處理能夠?qū)崿F(xiàn)恒虛警檢測(cè)，降低背景噪聲的起伏，實(shí)現(xiàn)數(shù)據(jù)動(dòng)態(tài)范圍的壓縮，從而提高BTR圖像中弱目標(biāo)軌跡的提取效果。

為對(duì)比顯示背景均衡的重要性，本小節(jié)對(duì)歸一化的BTR峰值圖在不進(jìn)行背景均衡的情況下，直接進(jìn)行高通濾波。

圖1為某海試數(shù)據(jù)逐秒進(jìn)行歸一化后的BTR圖（方位分辨率1°，時(shí)間分辨率1 s）。

圖1 歸一化 BTR 圖Fig. 1 The normalized BTR

圖2（a）是圖1的峰值圖，為顯示明顯，將非零點(diǎn)幅值調(diào)整為1，得到圖2（b）的等幅值峰值圖。圖中 70°~130°方位有大量背景噪聲，250°~300°方位則有數(shù)條弱目標(biāo)軌跡。該段信號(hào)強(qiáng)目標(biāo)、弱目標(biāo)與強(qiáng)噪聲共存，十分具有典型性和代表性，適合用來(lái)驗(yàn)證各算法的處理能力。

圖2 BTR 峰值圖Fig. 2 BTR peak figure

圖中右側(cè)弱目標(biāo)的幅度甚至低于背景噪聲，在處理過(guò)程中易被濾除，造成信息的損失。如何在保護(hù)弱目標(biāo)軌跡的同時(shí)濾除背景噪聲，是背景均衡處理的重點(diǎn)和難點(diǎn)。

未經(jīng)背景均衡，設(shè)置不同閾值，直接對(duì)圖2進(jìn)行高通濾波處理，得到圖3結(jié)果（為顯示明顯，將非零點(diǎn)幅值調(diào)整為1），兩幅圖的濾波閾值分別為0.2和0.3。

圖3 高通濾波后的峰值圖Fig. 3 High-pass filtered peak figure

將圖3（a）和3（b）與圖2（b）進(jìn)行比較，可以發(fā)現(xiàn)，未經(jīng)背景均衡，直接高通濾波的方法處理效果并不理想。若濾波閾值設(shè)置較低，則會(huì)遺留很多背景噪聲；若濾波閾值設(shè)置較高，又會(huì)對(duì)弱目標(biāo)軌跡造成較大破壞。在此情況下，需要一種有效的背景均衡處理手段，自動(dòng)區(qū)別背景噪聲與目標(biāo)信號(hào)，濾除噪聲，同時(shí)保護(hù)弱目標(biāo)軌跡。

2 常用背景均衡方法

Struzinski W.A.和 Lowe E.D.研究了 S3PM（Split Three-Pass Mean）、排序截?cái)嗥骄∣TA：Order Truncate Average）等4種背景均衡算法，并比較了各種算法的性能[5]。Joo J.H.和 Jum B.D.在此基礎(chǔ)上對(duì) S3PM 和OTA算法進(jìn)行了深入分析，并分別比較了窗長(zhǎng)、門限等參數(shù)對(duì)這2種算法性能的影響[6]。Kuhn J.P.和Heath T.S.根據(jù)寬帶干擾譜和窄帶信號(hào)譜的自相關(guān)函數(shù)不同，將自適應(yīng)背景均衡算法應(yīng)用于淺海多途環(huán)境下的噪聲均值估計(jì)，提高寬帶干擾背景下窄帶信號(hào)檢測(cè)能力[7]。Stergiopoulos S.提出了一種新的波束噪聲歸一化方法，并分別對(duì)波束域和頻域進(jìn)行噪聲均值估計(jì)，該方法基于背景噪聲具有一定的指向性[8]。

綜合而言，目前BTR中較為常用的背景均衡方法是OTA算法[9]和各種OTA改進(jìn)算法。本小節(jié)將對(duì)2種OTA改進(jìn)算法進(jìn)行比較分析。

2.1 中值濾波OTA算法

文獻(xiàn)[10]提出一種中值濾波OTA算法，把OTA算法和中值濾波相結(jié)合，對(duì)波束域中非均勻、非平穩(wěn)的背景進(jìn)行均衡處理。通過(guò)設(shè)置系數(shù)K調(diào)整窗口寬度，通過(guò)設(shè)置系數(shù)α調(diào)整濾波閾值。中值濾波在抑制隨機(jī)起伏方面效果較好，閾值比較在去除大范圍起伏方面效果較好，結(jié)合之后可以得到良好的均衡結(jié)果。

對(duì)圖1進(jìn)行中值濾波OTA算法處理可以得到如圖4所示處理結(jié)果，處理中根據(jù)實(shí)際情況，K取值10，α取值1。

圖4 中值濾波 OTA 算法處理結(jié)果Fig. 4 The result of median filtering OTA algorithm

圖5是圖4的峰值圖（為顯示明顯，將非零點(diǎn)幅值調(diào)整為1）。

圖5 圖4 峰值圖Fig. 5 The peak figure of Fig. 4

對(duì)比圖5與圖2（b）可以發(fā)現(xiàn)，該算法在過(guò)濾背景噪聲的同時(shí)，使得250°~300°方位上的弱目標(biāo)軌跡損失嚴(yán)重，強(qiáng)目標(biāo)軌跡也偶有丟失，這對(duì)后續(xù)軌跡提取有不利影響。且該算法需要人工設(shè)置參數(shù)，不斷進(jìn)行嘗試調(diào)整，不利于機(jī)器自動(dòng)進(jìn)行弱目標(biāo)軌跡的提取。

2.2 自動(dòng)加窗OTA算法

在常用的背景均衡算法中需要不斷嘗試確定窗長(zhǎng)、門限等參數(shù)，這為在實(shí)際應(yīng)用中增加了難度[11]。一旦參數(shù)設(shè)置不合適，將會(huì)大大影響背景均衡效果[12]。基于此，文獻(xiàn)[13]提出一種自動(dòng)加窗OTA算法，通過(guò)計(jì)算局部峰值與其相鄰兩谷值的間距，實(shí)現(xiàn)自動(dòng)加窗；根據(jù)目標(biāo)信號(hào)和背景噪聲特點(diǎn)，設(shè)置縮放系數(shù)r，對(duì)窗口內(nèi)的數(shù)據(jù)進(jìn)行放縮：

其中，p為峰值， vL和 vR分別為與p左右相鄰的谷值。

波束形成過(guò)程中，目標(biāo)波束沿時(shí)間軸的切面形狀基本對(duì)稱[14]，峰值與2個(gè)相鄰谷值的差值基本相等，因此r接近于1；背景噪聲在空間譜上表現(xiàn)隨機(jī)，峰值與2個(gè)相鄰谷值的差值通常相差較大，r往往遠(yuǎn)小于1。將窗口中的數(shù)據(jù)乘以系數(shù)r，目標(biāo)信號(hào)幅度將基本保持不變，背景噪聲幅度將會(huì)被抑制。

對(duì)圖1進(jìn)行自動(dòng)加窗OTA算法處理，可以得到如圖6所示處理結(jié)果。

圖7為圖6的峰值圖（為顯示明顯，將非零點(diǎn)幅值調(diào)整為1）。

圖6 自動(dòng)加窗 OTA 算法處理結(jié)果Fig. 6 The result of automatic window OTA algorithm

圖7 圖6 峰值圖Fig. 7 The peak figure of Fig. 6

對(duì)比圖7與圖2（b）可以發(fā)現(xiàn)，該算法能夠較完整地保留弱目標(biāo)軌跡，同時(shí)在一定程度上抑制背景噪聲。但該算法對(duì)噪聲僅是“抑制”，而非“濾除”。經(jīng)算法處理之后，背景噪聲幅度降低但仍然存在，不滿足機(jī)器自動(dòng)濾除噪聲的需求，且由于背景噪聲的空域隨機(jī)性，該算法對(duì)背景噪聲的抑制效果也具有一定的隨機(jī)性。

3 自適應(yīng)門限背景均衡方法

針對(duì)現(xiàn)有算法的不適用性，需要一種新的背景均衡方法，能夠根據(jù)信號(hào)特點(diǎn)自動(dòng)生成濾波門限，在盡量不破壞弱目標(biāo)軌跡的前提下，對(duì)背景噪聲進(jìn)行過(guò)濾，以求得到純凈而完整的BTR峰值圖。

針對(duì)以上需求，本文設(shè)計(jì)了一種自適應(yīng)門限背景均衡算法（Adaptive Threshold Background Normalization，ATBN算法）。利用BTR圖像中目標(biāo)信號(hào)與背景噪聲的不同特點(diǎn)，ATBN算法能夠自適應(yīng)生成濾波門限，抑制背景噪聲、保護(hù)目標(biāo)信號(hào)，在盡可能保護(hù)弱目標(biāo)軌跡的情況下對(duì)背景噪聲進(jìn)行濾除。

3.1 算法原理

在聲吶BTR圖像的實(shí)際處理中，發(fā)現(xiàn)其具有以下特點(diǎn)：

1）隨時(shí)間變化，目標(biāo)信號(hào)在幅度和方位上具有一定的穩(wěn)定性，其幅度維持在一定范圍內(nèi)，其方位保持不變或近似緩慢均勻變化。但隨時(shí)間變化，背景噪聲在幅度和方位上表現(xiàn)出很大的隨機(jī)性。這為本算法的鄰域相乘處理提供了依據(jù)。

通過(guò)相鄰三幀數(shù)據(jù)相乘，目標(biāo)處幅值接近于該目標(biāo)平均幅值的三次方。而由于非平穩(wěn)性和非均勻性，噪聲處幅值將小于噪聲平均幅值的三次方，從而達(dá)到抑制背景噪聲、提高目標(biāo)信號(hào)與背景噪聲區(qū)分度的目的。

2）雖然在不同時(shí)刻，目標(biāo)信號(hào)幅度和背景噪聲幅度會(huì)有所變化，但目標(biāo)信號(hào)最大幅度與噪聲平均幅度的比值會(huì)保持在一定范圍內(nèi)。這為本算法的自適應(yīng)門限設(shè)計(jì)提供了依據(jù)。

通過(guò)統(tǒng)計(jì)該段信號(hào)內(nèi)每一時(shí)刻的目標(biāo)信號(hào)最大幅值和背景噪聲平均幅值，合理計(jì)算之后，可以求得一個(gè)合理門限。

3.2 算法設(shè)計(jì)

根據(jù)聲吶BTR圖像的具體特點(diǎn)，設(shè)計(jì)ATBN算法具體流程如下：

1）歸一化處理

將原始的BTR圖逐幀進(jìn)行歸一化處理，得到歸一化后的BTR圖（見(jiàn)圖1）。

2）自適應(yīng)求取過(guò)濾門限

3）鄰域相乘

將歸一化BTR圖從第2行開(kāi)始，將第i行與i-1行和i+1行相乘（），將得到的結(jié)果再次進(jìn)行歸一化處理后，作為新的第i行數(shù)據(jù)，直至倒數(shù)第2行結(jié)束，得到圖8。

圖8 再次歸一化 BTR 圖Fig. 8 The normalized BTR again

4）濾除噪聲

利用自適應(yīng)門限S對(duì)于圖P3進(jìn)行濾波，大于等于自適應(yīng)門限S的值，調(diào)整為1；小于自適應(yīng)門限S的值，則予以置零，得到圖9。

5）求取峰值

圖9 濾除噪聲圖Fig. 9 Reduce noise

將圖9與歸一化峰值圖2進(jìn)行同位置點(diǎn)相乘運(yùn)算，得到最終所需的峰值圖10。

圖10 最終峰值圖Fig. 10 The final peak figure

3.3 算法處理效果

對(duì)圖1進(jìn)行ATBN算法處理可以得到如圖11所示處理結(jié)果（為顯示明顯，將非零點(diǎn)幅值調(diào)整為1）。

圖11 ATBN 算法處理結(jié)果Fig. 11 The result of ATBN algorithm

ATBN算法能夠根據(jù)信號(hào)自適應(yīng)地生成濾波門限，自動(dòng)識(shí)別背景噪聲并進(jìn)行抑制，實(shí)現(xiàn)了在盡量減少弱目標(biāo)軌跡損失的前提下，對(duì)背景噪聲進(jìn)行自動(dòng)過(guò)濾的過(guò)程。

將圖11與圖5、圖7比較可以發(fā)現(xiàn)，ATBN算法的處理結(jié)果更適合用于聲吶NTR中機(jī)器自動(dòng)提取弱目標(biāo)軌跡。圖11中，背景噪聲基本被濾除干凈，剩余噪聲呈零散分布，易于后續(xù)的機(jī)器自動(dòng)過(guò)濾；弱目標(biāo)軌跡保存較為完整，大致上呈現(xiàn)出連續(xù)線狀分布，易于后續(xù)的機(jī)器自動(dòng)提取。

4 結(jié) 語(yǔ)

1）對(duì)于從多目標(biāo)、強(qiáng)干擾的聲吶BTR中提取弱目標(biāo)軌跡，背景均衡處理具有重要作用；

2）針對(duì)機(jī)器自動(dòng)提取BTR弱目標(biāo)軌跡的需求，算法不僅需要實(shí)現(xiàn)自適應(yīng)門限的功能，而且需要實(shí)現(xiàn)自動(dòng)識(shí)別背景噪聲予以抑制、自動(dòng)識(shí)別目標(biāo)信號(hào)予以放大或保護(hù)的功能，目前算法大多不能同時(shí)具備這2個(gè)功能；

3）本文提出的自適應(yīng)門限背景均衡算法（ATBN）能夠同時(shí)實(shí)現(xiàn)自適應(yīng)門限設(shè)置與噪聲抑制，對(duì)于從強(qiáng)干擾、多目標(biāo)的BTR中提取弱目標(biāo)軌跡有很大幫助。