多波束和侧扫声呐图像融合的方法研究.docxVIP

多波束和侧扫声呐图像融合的方法研究

摘要

多波束测深系统和侧扫声呐作为海洋探测的重要工具，各自具有独特的优势与局限性。多波束能精确获取海底地形的三维坐标信息，而侧扫声呐可提供高分辨率的海底地貌纹理细节。本文围绕多波束和侧扫声呐图像融合方法展开研究，通过对数据预处理、特征提取与匹配、融合算法选择等关键环节的深入分析，探索提高图像融合质量的有效途径，旨在实现两种图像信息的优势互补，为海洋地质调查、海底资源勘探等领域提供更全面、准确的海底信息。

关键词

多波束；侧扫声呐；图像融合；数据预处理；特征提取

一、引言

在海洋科学研究与工程应用中，准确获取海底地形地貌信息至关重要。多波束测深系统通过发射多个波束，能够同时测量多个点的水深数据，快速生成高精度的海底三维地形模型，其测量结果在地形高度信息的准确性和全面性上表现出色。然而，多波束图像缺乏对海底表面纹理特征的细致描述。侧扫声呐则通过向海底发射声波并接收回波，以高分辨率呈现海底的地貌特征，如礁石、沉船、沙波等，能够清晰展现海底表面的纹理细节，但侧扫声呐在水深测量精度和地形建模能力方面相对较弱。将多波束和侧扫声呐图像进行融合，能够整合二者的优势，为海洋探测提供更丰富、更准确的信息，在海洋测绘、海洋资源开发、海洋环境监测等众多领域具有重要的应用价值和研究意义。

二、多波束和侧扫声呐图像数据预处理

2.1数据采集与格式转换

多波束和侧扫声呐在实际数据采集过程中，会因设备型号、工作模式等因素产生不同格式的数据。首先，需要对采集到的原始数据进行格式转换，将其统一为便于后续处理的标准格式，如通用的栅格图像格式（GeoTIFF等）。在格式转换过程中，要确保数据的空间参考信息（如坐标系统、投影方式等）准确无误，以便后续进行图像的空间配准操作。

2.2噪声去除

由于海洋环境的复杂性，多波束和侧扫声呐采集的数据中不可避免地会包含噪声。常见的噪声类型包括声波传播过程中的散射噪声、设备自身的电子噪声等。对于多波束数据，可采用中值滤波、高斯滤波等方法去除随机噪声，同时保留地形的边缘信息。中值滤波通过将图像中每个像素点的值替换为其邻域内像素值的中值，能够有效抑制椒盐噪声；高斯滤波则基于高斯函数对图像进行平滑处理，对于服从正态分布的噪声有较好的去除效果。对于侧扫声呐图像，由于其纹理信息丰富，在去除噪声时需要特别注意保护纹理细节，可采用非局部均值滤波算法，该算法通过计算图像块之间的相似性来进行加权平均，能够在去除噪声的同时较好地保留图像的纹理结构。

2.3数据归一化

多波束和侧扫声呐数据在数值范围和物理意义上存在差异。为了使两种数据在后续融合过程中能够更好地兼容，需要进行数据归一化处理。对于多波束水深数据，可将其归一化到[0,1]或[-1,1]的区间内，常见的归一化方法有线性归一化公式：

x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}

其中，x为原始数据值，x_{min}和x_{max}分别为原始数据的最小值和最大值，x_{norm}为归一化后的数据值。对于侧扫声呐图像的灰度值，同样采用类似的归一化方法，确保两种数据在数值尺度上的一致性。

三、多波束和侧扫声呐图像特征提取与匹配

3.1特征提取

特征提取是图像融合的关键步骤之一，准确提取图像的特征能够为后续的匹配和融合提供可靠的依据。

多波束图像特征提取：多波束图像主要反映海底地形的三维信息，可采用基于地形特征的提取方法，如提取地形的山脊线、山谷线、坡度变化剧烈的区域等特征。例如，通过计算地形表面的坡度和曲率，利用阈值分割的方法提取出坡度和曲率超过一定阈值的区域作为特征点或特征线。此外，也可以采用点云特征提取算法，如基于局部表面拟合的特征提取方法，通过拟合点云局部区域的平面或曲面，计算点云的法向量、曲率等特征。

侧扫声呐图像特征提取：侧扫声呐图像以纹理信息为主，可采用尺度不变特征变换（SIFT）、加速稳健特征（SURF）等算法提取图像的局部特征点。SIFT算法具有尺度不变性、旋转不变性和光照不变性等优点，能够在不同尺度和视角下准确提取图像的特征点；SURF算法则在SIFT算法的基础上进行了优化，计算效率更高，更适合实时处理。此外，还可以采用基于纹理分析的方法，如灰度共生矩阵（GLCM）提取图像的纹理特征，通过计算图像中像素灰度值的空间相关性，获取纹理的对比度、熵、能量等特征参数。

3.2特征匹配

在提取多波束和侧扫声呐图像的特征后，需要进行特征匹配，以建立两种图像之间的对应关系。常用的特征匹配方法包括基于欧氏距离的匹配方法、基于描述子相似性的匹配方法等。基于欧氏距离的匹配方法通过计算特征点之间的欧氏距离，将距离小于一定阈值的特征点视为匹配点。基于描述子相似性的匹配方法