一种基于meyer窗函数的剪切波变换的声呐图像降噪方法和系统
技术领域
1.本发明属于声呐图像处理技术领域，特别涉及一种基于meyer窗函数的剪切波变换的声呐图像降噪方法及系统。
背景技术：2.随着人们对海洋资源需求的逐渐增大，声呐探测技术已然变成当前的重点研究方向。声呐探测技术在海底地形测绘、水下搜救、水下目标探测以及潜艇等可疑目标勘测上起着关键作用。其中声呐成像作为当前探测技术的一种，能够直观反应水下的场景信息，但是受海洋噪声、设备噪声、声波传播散射等影响，导致声呐图像带有严重的噪声干扰。在声呐图像上主要以斑点噪声的形式呈现，该现象导致图像质量的严重下降，为后续的目标的准确探测起到了很强的阻碍。因此，对声呐图像进行有效的降噪在水下目标检测的预处理上具有重要作用。
3.声呐图像的主要降噪技术主要可以分为空间域降噪(如线性滤波和非线性滤波)和变换域降噪(如傅里叶变换和小波变换)。其中小波变换具有低熵性、基函数选择灵活，多分辨率降噪、原理较为简单等优点，在声呐图像降噪技术中被大量应用。其中，kumudham比较了中值滤波器和对称小波滤波器的性能，发现对称小波滤波器在声呐图像去噪上具有优异的性能。zhang提出一种基于方向滤波器和形态小波的声呐图像融合方法，不同视图下采集的声呐图像通过形态小波进行多尺度分解，再将分解的高频部分输入方向滤波器来提供图像的精确细节，最后融合不同尺度不同方向的低频和高频部分进行重构。该方法在船舶检测的图像中取得了不错的修复效果，但是该方法需要不同视图的图像序列进行融合，以及方向滤波器的方向个数受限无法提高更高的分辨率。priyadharsini提出使用平稳小波变换对声呐图像进行降噪处理，使用拉普拉斯滤波器锐化低频分量，通过计算锐化结果与低频的差值来获取低频分量的细节，添加到原始图像上用来增强低频部分。通过结果研究该方法相比于离散小波变换取得了更优异的性能。sang结合形态小波分解和隐马尔科夫树模型对声呐图像进行降噪处理，通过隐马尔科夫树训练噪声声呐图像，采用贝叶斯估计去除噪声，在去除声呐图像的高斯噪声中表现出不错的性能。huang结合小波变换和k-svd字典学习，在各分辨率分量上实现了字典的自适应学习，具有不错的散斑抑制能力和边缘细节保持特性，但是受到ksvd字典训练的影响，该方法的运算速度具有较大的挑战。总之，无论是对小波变换的应用还是与其他算法的结合，当前基于小波变换的声呐图像降噪方法都无法较好的表示声呐图像和图像中模糊的边缘细节。而剪切波变换呈现出与小波变换不同的方向特征，可以提供多尺度多方向的细节表示，相比于小波变换在抑制噪声的同时能够具有更好的边缘、细节信息保持能力。当前最新研究中，王磊将剪切波变换运用于侧扫声呐图像降噪上，取得一定的降噪效果，但是该研究者未曾考虑声呐图像的混响特性，仅对剪切波变换的去噪性能在声呐图像的降噪上进行一个仿真验证。刘光宇结合密度聚类、灰度变换与剪切波变换对声呐图像进行去噪，虽然考虑到声呐图像的特性，但考虑的是对声呐图
像上的仿真混响噪声去除，仅是对剪切波变换的去噪性能的一个仿真测试。
4.通过以上分析，当前的最新研究是基于剪切波变换对声呐图像进行去噪处理，但当前研究者未针对实际声呐图像中的混响噪声出发，未考虑到声呐图像没有参考图像的特性。为此，本发明将剪切波变换应用于声呐图像的降噪技术中，提出将声呐图像噪声变换与剪切波变换相结合。其中，剪切波滤波器由连续小波进行尺度、平移和旋转得到，考虑到meyer的小波函数和尺度函数在时域和频域上的连续性、光滑性和紧支撑的优异性能，提出基于meyer窗函数的剪切波滤波器构建。为了避免声呐图像中像素灰度溢出的问题，针对不同频域系数提出一种基于弱纹理块噪声方差估计的声呐图像滤波阈值。本发明算法首先从声呐图像的噪声特性出发，将声呐图像中的瑞利乘性噪声转化为近似高斯随机分布的加性噪声。其次，构造meyer窗函数并变换形成不同尺度不同方向上的剪切波滤波器，并对噪声变换图像进行剪切波变换得到不同频域的系数。之后，将本发明提出的基于弱纹理块的估计方差，与从模拟高斯噪声图像上得到的不同尺度不同方向上的均方系数结合，进而得到尺度各方向上的滤波阈值。最后，对各尺度各方向的系数进行滤波，再通过剪切波逆变换和噪声模型逆变换得到最终的降噪结果。
技术实现要素：5.有鉴于此，本发明的目的在于提出一种基于meyer窗函数的剪切波变换的声呐图像降噪方法和系统，提高微弱运动目标运动轨迹识别的准确性。
6.基于上述目的，本发明提出了一种基于meyer窗函数的剪切波变换的声呐图像降噪方法，包括：
7.对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像；
8.通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像；
9.根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器；
10.对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数；
11.模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项；
12.将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波；
13.对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进行对数反
变换，得到降噪后的结果声呐图像。
14.在一些实施例中，噪声图像剪切波分解，包括：
15.通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；
16.根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；
17.对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。
18.在一些实施例中，l取值为5。
19.在一些实施例中，根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并通过将所述meyer窗函数所述尺度分解图像集合从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器，包括：
20.根据不同尺度的分解方向个数2j构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；
21.将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个数由分解方向个数2j决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。在一些实施例中，对所述时域滤波器进行频域变换和归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数，包括：
22.所述剪切波分解系数的维度为w
×h×2j
(j∈l)，其中w为所述原始声呐图像的宽度，h为所述原始声呐图像的高度，j为分解方向系数，l为分解水平系数。
23.基于上述目的，本发明还提出了一种基于meyer窗函数的剪切波变换的声呐图像降噪系统，包括：
24.准备模块，用于对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像；
25.分解模块，用于通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像；
26.转换模块，用于根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器；
27.卷积模块，用于对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数；
28.加权模块，用于模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项；
29.滤波模块，用于将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波；
30.结果模块，用于对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进行对数反变换，得到降噪后的结果声呐图像。
31.在一些实施例中，加权模块，包括：
32.尺度分解单元，用于通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；
33.坐标转换单元，用于根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；
34.噪声卷积单元，用于对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。
35.在一些实施例中，转换模块，包括：
36.窗函数构建单元，用于根据不同尺度的分解方向个数2j构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；
37.滤波器构建单元，用于将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个数由分解方向个数2j决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。
38.总的来说，本发明提出了一种基于meyer窗函数剪切波变换的声呐图像降噪方法。具体来说，本发明算法有三个改进。首先，为了在声呐图像上有效应用基于剪切波变换的降噪方法，提出将混响噪声模型到高斯加性噪声模型的变换与剪切波变换相结合。其次，在剪切波变换过程中，考虑到小波函数和尺度函数在时域和频域上所表现的连续性、光滑性和紧支撑的性能，本发明提出基于时域和频域所表现的性能均比较优异的meyer窗函数进行剪切波滤波器构造。最后，为避免声呐图像中灰度溢出的影响，以及实现更好的混响抑制效果，本发明提出基于弱纹理块的噪声方差估计，并将其与模拟噪声经过剪切波变换得到的均方根系数结合，得到各尺度各方向的自适应滤波阈值。仿真实验和实测实验结果表明，本发明提出的方法可以更为有效的抑制混响噪声，并具有较好的边缘保持效果。与其他比较算法相比，所提算法的降噪图像在psnr(峰值信噪比)和ssmi(结构相似性)上取得了最佳的结果。
附图说明
39.在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
40.图1示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法的流程图。
41.图2示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪系统的构成图。
42.图3示出根据本发明实施例的加权模块的构成图。
43.图4示出根据本发明实施例的转换模块的构成图。
44.图5示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法的流程图。
45.图6a示出无噪参考图像仿真图像。
46.图6b示出高斯复噪声图像δ＝2仿真图像。
47.图7a示出d4_3小波变换-硬阈值算法降噪结果可视化。
48.图7b示出d4_3小波变换-软阈值算法降噪结果可视化。
49.图7c示出dct算法降噪结果可视化。
50.图7d示出ksvd算法降噪结果可视化。
51.图7e示出nlm算法降噪结果可视化。
52.图7f示出fnlm算法降噪结果可视化。
53.图7g示出tv算法降噪结果可视化。
54.图7h示出shearlet算法降噪结果可视化。
55.图7i示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法降噪结果可视化。
56.图8a示出psnr算法在不同信噪比下的性能曲线。
57.图8b示出ssim算法在不同信噪比下的性能曲线。
58.图9a示出飞机残骸侧扫声呐图像d4_3小波变换-硬阈值算法降噪结果。
59.图9b示出飞机残骸侧扫声呐图像d4_3小波变换-软阈值算法降噪结果。
60.图9c示出飞机残骸侧扫声呐图像dct算法降噪结果。
61.图9d示出飞机残骸侧扫声呐图像ksvd算法降噪结果。
62.图9e示出飞机残骸侧扫声呐图像tv算法降噪结果。
63.图9f示出飞机残骸侧扫声呐图像nlm算法降噪结果。
64.图9g示出飞机残骸侧扫声呐图像fnlm算法降噪结果。
65.图9h示出飞机残骸侧扫声呐图像anlm算法降噪结果。
66.图9i示出飞机残骸侧扫声呐图像shearlet算法降噪结果。
67.图9j示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法的飞机残骸侧扫声呐图像降噪结果。
68.图10a示出人体残骸侧扫声呐图像。
69.图10b示出人体残骸侧扫声呐图像d4_3小波变换-硬阈值算法降噪结果。
70.图10c示出人体残骸侧扫声呐图像d4_3小波变换-软阈值算法降噪结果。
71.图10d示出人体残骸侧扫声呐图像dct算法降噪结果。
72.图10e示出人体残骸侧扫声呐图像ksvd算法降噪结果。
73.图10f示出人体残骸侧扫声呐图像tv算法降噪结果。
74.图10g示出人体残骸侧扫声呐图像nlm算法降噪结果。
75.图10h示出人体残骸侧扫声呐图像fnlm算法降噪结果。
76.图10i示出人体残骸侧扫声呐图像shearlet算法降噪结果。
77.图10j示出示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法的人体残骸侧扫声呐图像降噪结果。
具体实施方式
78.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
79.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
80.声呐图像的噪声特性
81.声呐通过发射声波进行水下目标探测，但声波在水下往往会受到目标、海面、海底和各类散射物的散射作用，导致接收到的声波包含了大量的散射波。其中海底混响的影响占据主导，根据middlenton提出的海底混响模型，假设发射的声波信号为s(t)，其t时刻的混响为：
[0082][0083]
其中，n为t时刻有贡献的散射微元总数；g(rn)为位于rn处的每个微元δvn中的散射体个数；f(rn)为每个散射体的双程传播衰减因子；|αn|为散射体的散射系数幅度；tn为回波到达时刻；ω0为声波的中心角频率；为αn的相位。且g(rn)、|αn|和相互独立。
[0084]
若以vn(t)表示t时刻的第n个散射体的散射波瞬时幅度，φn(t)为其对应的瞬时相位值，则有：
[0085]vn
(t)＝g(rn)f(rn)|αn||s0(t-tn)|
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0086][0087]
则t时刻的混响可表示成(4)式的复数形式。
[0088][0089]
根据中心极限定理，当n足够大时，r(t)和i(t)服从均符合高斯分布，且相互独立。所以可得每个时刻的混响幅值根据概率分布可得混响幅值服从瑞利分布。其概率密度函数为：
[0090]
[0091]
其中σ为瑞利分布的衰减系数。由于接收机具有一定的增益，混响的均值发生改变但不会改变分布的特性，当引入增益的偏移量k之后，混响幅度的概率密度函数变为：
[0092][0093]
根据以上分析，可以得到混响噪声的乘法噪声模型，
[0094]
g(x,y)＝f(x,y)n(x,y)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0095]
其中f(x,y)是理想的声呐图像，n(x,y)是混响噪声，g(x,y)是接收到的真实声呐图像，x,y分别代表声呐探测到的距离和方位上的坐标。
[0096]
剪切波变换
[0097]
剪切波变换具有较好的时频局部特性和极高的方向敏感特性，是一种接近最优的多维稀疏表示方法。该变换具有与小波变换相同的思想，通过对一个函数的伸缩、平移和旋转来产生其基函数。
[0098]
对任意a》0和a代表缩放矩阵，b代表剪切矩阵，且a,b均为2
×
2可逆矩阵，|detb|＝1。通常设定和和其中a0,b0是用来表示水平锥区域d0的缩放矩阵和剪切矩阵；a1,b1是用来表示垂直锥区域d1的缩放矩阵和剪切矩阵。对若小波母函数在d0和d1满足下面的等式条件：
[0099][0100][0101]
其中为ψ的傅里叶变换。ψ1、ψ2为连续小波，其频率支撑为连续小波，其频率支撑在(-1,1)上且‖ψ2‖＝1。为此，根据相应的小波母函数，不同区域的时域剪切波函数可以被定义为：
[0102][0103]
其中ψ
a,s,t
(x)为剪切波函数，d＝0,1，和分别代表的是水平锥区域和垂直锥区域上的剪切波系统。从而对输入函数来说，其连续剪切波变换表达式为：
[0104]
sh
ψ
f(a,s,t)＝《f,ψ
a,s,t
》
ꢀꢀꢀꢀꢀꢀ
(11)
[0105]
图1示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪方法的流程图。如图1所示，该基于meyer窗函数的剪切波变换的声呐图像降噪方法包括：
[0106]
步骤s11、对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像。
[0107]
步骤s12、通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像。
[0108]
在一种实施方式中，l取值为5。
[0109]
步骤s13、根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器。
[0110]
在一种实施方式中，根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并通过将所述meyer窗函数所述尺度分解图像集合从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器，包括：
[0111]
根据不同尺度的分解方向个数2j构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；
[0112]
将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个数由分解方向个数2j决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。
[0113]
步骤s14、对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数。
[0114]
在一种实施方式中，剪切波分解系数的维度为w
×h×2j
(j∈l)，其中w为所述原始声呐图像的宽度，h为所述原始声呐图像的高度，j为分解方向系数，l为分解水平系数。
[0115]
步骤s15、模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项。
[0116]
在一种实施方式中，噪声图像剪切波分解，包括：
[0117]
通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；
[0118]
根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；
[0119]
对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。
[0120]
步骤s16、将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波。
[0121]
步骤s17、对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进
行对数反变换，得到降噪后的结果声呐图像。
[0122]
通过图5及以下描述还可以更加具体地理解上述步骤s11-s17。
[0123]
噪声转换
[0124]
当前声呐图像的降噪研究主要分为两个方向，一是对无参考图像的声呐图像添加高斯白噪声，进而进行降噪处理，并评估性能；二是对无参考图像的声呐图像本身进行降噪处理，旨在削弱复杂背景噪声(如海底混响)的干扰。为此本发明旨在研究第二类情况，然而根据声呐图像的噪声特性部分的海底混响噪声模型的分析可得，声呐图像的中混响噪声是服从瑞利分布的乘性噪声，而剪切波变换适用于去除加性的高斯噪声。为此，本发明需要将混响噪声模型的转换与剪切波变换相结合，保证剪切波变换适用于声呐图像降噪处理。
[0125]
根据研究证明，服从瑞利分布的乘性噪声经过对数变换之后的fisher-tippet分布，与加性高斯随机噪声近似。为此，可以将声呐图像的混响噪声模型(7)式进行对数变换之后的得到变换后的加性噪声模型，如(8)式：
[0126][0127]
其中是原始期望信号的对数变换结果，是服从瑞利分布的混响噪声模型n(x，y)的对数变换结果，其近似服从高斯分布。为此，变换之后的声呐图像可以作为基于剪切波变换的降噪系统的处理对象。
[0128]
剪切波滤波器构造
[0129]
根据剪切波变换部分介绍，剪切波变换是由连续小波作为基函数进行尺度变换、剪切变换和平移变换来处理数据，为此，本发明考虑到小波函数和尺度函数在时域和频域上所表现的连续性、光滑性和紧支撑的性能比较时，由于haar小波频域局域性差，shannon小波时域局域性差，而meyer小波的时域、频域的局域性性能在二者之间。所以，本发明选择将meyer小波作为剪切波基函数加以应用，并进行剪切波滤波器构造。
[0130]
meyer小波函数ψ和尺度函数φ都是在频率域进行定义的，是具有紧支撑的正交小波。其中meyer小波函数频域的表达式为：
[0131][0132]
其中v(ω)是满足下列条件的任一光滑函数：
[0133][0134]
v(ω)+v(1-ω)＝1，0≤ω≤1
ꢀꢀꢀꢀ
(14)
[0135]
其中daubechies提出了这样的光滑函数：
[0136]
v(ω)＝ω4(35-84ω+70ω
2-20ω3)
ꢀꢀꢀꢀꢀꢀꢀ
(15)
[0137]
至此，剪切波滤波器的小波函数ψ得以构建。而通过剪切波变换的图像去噪需要对式(10)的剪切波函数进行离散化处理。首先，对连续波剪切波变换进行采样得到在上的紧框架，具体为对缩放矩阵进行二进制采样，对剪切矩阵进行整数采样，即令a＝2-j
，s＝-l(j，l∈z)，在离散坐标z2上的点k∈z代替连续平移的最终得到离散剪切波函
数如下：
[0138][0139]
其次，通过d0、d1区域的缩放矩阵和剪切矩阵的定义，我们可以得到d0、d1区域的一个紧框架为函数集：
[0140][0141][0142]
其中j≥0，-2j≤l≤2
j-1，k∈z2，d＝0，1。之后，再根据式(11)，二维图像的剪切波变换可以等效于到上的映射，最终得到了采样后的时域剪切波变换。
[0143]
但meyer的尺度函数和小波函数是定义在频域上的，根据剪切波滤波器的定义，式(19)和式(20)，进行剪切波滤波器构建：
[0144][0145][0146]
其中为此我们可以在各个分解水平l上构造2j个方向的meyer窗口函数，并通过从伪极坐标系转换为笛卡尔坐标系的特定离散重采样来得到各尺度各方向的剪切波滤波器。通过剪切波滤波器可以得到频域下的剪切波函数为：
[0147][0148]
其中，最终二维函数的剪切波变换形式可以表示为：
[0149][0150]
剪切波降噪与噪声估计
[0151]
剪切波变换通过多尺度多方向的剪切波滤波器实现噪声图像的多尺度分解和方向局部化，为图像的边缘细节提供几乎最佳的表示。噪声图像经过分解在频域得到不同尺度和不同方向上的系数，对这些分解系数进行阈值处理，进而达到图像降噪的目的。
[0152]
在阈值的选取上，考虑到噪声图像经过剪切波变换之后得到的不同频域系数分量较小，为了能够对各频域系数进行自适应的降噪处理，本发明选取阈值如下：
[0153]
[0154]
其中，t(l,j)表示的是尺度l上的j方向系数的阈值；k为常数；为输入图像的噪声标准差；ε
l,j
为均方根系数。均方根系数是通过构建与输入图像相同维度的零均值，方差为1的高斯随机噪声图像，使用所构建的剪切波滤波器进行变换，之后根据式(24)进行非线性变换得到的频域系数：
[0155][0156]
其中为高斯随机噪声进行剪切波变换之后的各尺度各方向的频域系数,med代表取中值。根据(23)(24)式可得，该阈值能够针对噪声图像分解得到的不同频域分量的系数进行适应性的降噪处理。另外，由于该阈值是通过高斯随机变量进行处理的，所以在噪声转换部分中对噪声图像的噪声模型进行高斯化处理是必要的。
[0157]
然而，在实际场景中图像的噪声标准差是未知的，所以我们需要估计(23)式中的图像噪声标准差由于声呐图像中存在目标，图像中的目标回波区域在乘性噪声作用下可能导致灰度值溢出。具体地，受图像灰度上限的影响，混响在目标回波区域的影响可能会超出灰度上限255，然而图像中灰度图像呈现的上限值为255，所以选取目标回波区域的灰度进行噪声估计会存在较大的误差。而且，由于混响噪声模型是乘性的，所以在选取阴影区作为估计对象时，0像素值的存在会消除混响的作用。所以，为解决以上问题的存在以及考虑到计算量的因素以及对实际场景的快速应用，本发明提出声呐图像中的弱纹理块的噪声标准差统计估计。如公式(25)所示，其中弱纹理块选取的是声呐图像中混响背景的区域，不受阴影区和高亮区的影响。
[0158][0159]
其中为声呐图像进行对数处理之后选取的弱纹理块。联合(23)、(24)和(25)式，各频域分量系数能够得到相应的阈值。
[0160]
基于meyer窗函数剪切波变换的声呐图像降噪算法
[0161]
根据前面的理论分析，本发明最终提出了基于meyer窗函数剪切波变换的声呐图像去噪算法。如图1和图5所示，首先，对接收到的声呐图像进行灰度变换；第二，为了适应于基于剪切波变换去噪的性质，对灰度声呐图像进行对数变换，使得服从瑞利分布的乘性噪声模型进一步转化成近似服从高斯随机分布的加性噪声模型，之后我们提出混响噪声变换与剪切波变换相结合，我们将经过变换之后的混响噪声模型在尺度分解模块中通过非下采样拉普拉斯金字塔变换进行尺度分解，得到了l个尺度，其中设定分解的尺度l为5，其中包括一个低频尺度和l-1个高频尺度，并将l-1个高频尺度用于剪切波变换。
[0162]
第三，在图中的剪切波滤波器构造模块，本发明提出基于meyer窗函数的剪切波滤波器的构造。根据不同尺度l的分解方向个数2j构建相应的meyer窗函数，其维度为2l
×2j
。再将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，且滤波器个数由分解的方向个数2j决定。最终将滤波器进行频域变换并归一化得到频域下的剪切波滤波器。l-1个尺度通过与剪切波滤波器的卷积得到最终的不同尺度不同方向的剪切波分解系数，其维度为w
×h×2j
(j∈l)。
[0163]
第四，通过仿真噪声的剪切波变换结合本发明提出的基于弱纹理块的声呐图像噪声标准差估计，实现对各尺度各方向的分解系数进行自适应的噪声去除。具体地，首先模拟生成高斯随机噪声图像，之后该噪声经过与变换声呐图像的剪切波分解一致的过程，得到不同尺度不同方向的均方根系数ε
l，j
，再通过变换声呐图像的弱纹理块提取进行噪声标准差估计得到σ，随之对每个尺度的阈值赋予相应的常数项k，再根据(23)式得到各分解系数的阈值，并通过硬阈值函数进行滤波。最后对滤波器的各尺度各方向系数进行剪切波重构并进行对数反变换得到降噪后的声呐图像。
[0164]
图2示出根据本发明实施例的基于meyer窗函数的剪切波变换的声呐图像降噪系统的构成图。如图2所示，该基于meyer窗函数的剪切波变换的声呐图像降噪系统整体可以分为：
[0165]
准备模块21，用于对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像；
[0166]
分解模块22，用于通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像；
[0167]
转换模块23，用于根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器；
[0168]
卷积模块24，用于对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数；
[0169]
加权模块25，用于模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项；
[0170]
滤波模块26，用于将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波；
[0171]
结果模块27，用于对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进行对数反变换，得到降噪后的结果声呐图像。
[0172]
图3示出根据本发明实施例的加权模块的构成图。如图3所示，该加权模块25可以包括：
[0173]
尺度分解单元251，用于通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；
[0174]
坐标转换单元252，用于根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；
[0175]
噪声卷积单元253，用于对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。
[0176]
图4示出根据本发明实施例的转换模块的构成图。如图4所示，该转换模块23可以包括：
[0177]
窗函数构建单元231，用于根据不同尺度的分解方向个数2j构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；
[0178]
滤波器构建单元232，用于将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个数由分解方向个数2j决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。
[0179]
以下通过仿真实验的方式，验证本发明的可行性和有效性。
[0180]
实验验证
[0181]
1、仿真实验验证
[0182]
本发明提出的方法在实验环境为cpu型号intel(r)core(tm)i7-10710u的条件下进行实验。在仿真实验中，设定的分解水平l为5，其中包括低频部分，且对分解的每个高频部分的方向个数分别为2j为16，16，8，8，每个分解水下的剪切波滤波器维度分别为l1，l2分别为16,32，阈值表达式中的系数k为[2，3，4]，其中分别指定的是低频分量，中间分量和高频分量的系数。通过模拟混响噪声模型对本发明算法和当前其他主流的声呐图像降噪算法的性能进行比较。
[0183]
评价指标
[0184]
在仿真实验中，选择峰值信噪比(psnr)和结构相似性(ssim)两个标准作为仿真图像的降噪性能评价标准。其中psnr的定义为：
[0185][0186]
其中mse为均方误差，其定义为其中mse为均方误差，其定义为为噪声图像的降噪结果，m，n分别为图像的高度和宽度。由定义可得，当psnr越大时，代表降噪的结果越好。另外通过ssim指标来评价降噪结果与参考图像之间的结构相似性：
[0187][0188]
其中，μf，σf分别代表参考图像的均值和标准差，分别代表降噪结果的均值和标准差，c1，c2用来防止分母出现0项，其中ci＝(kil)2，i＝0，1，且k1＝0.01，k2＝0.03，l＝255。
[0189]
仿真噪声模型
[0190]
根据声呐图像的噪声特性部分对声呐图像的混响噪声模型的分析，声呐图像中的
混响噪声是乘性的瑞利噪声，为此构建仿真图像的噪声模型为。
[0191][0192][0193]
g(x，y)＝f(x，y)n(x，y)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(30)
[0194]
其中n1(x，y)，n2(x，y)为服从高斯分布的随机噪声，f(x，y)为仿真参考图像，g(x，y)为仿真噪声图像。
[0195]
仿真实验性能评估
[0196]
根据仿真噪声模型部分的仿真噪声模型构建可得，如图6a和6b所示，对无噪的参考图像进行混响噪声模拟。其中通过产生两个均值为0，方差为1的高斯白噪声，作为复高斯噪声的实部和虚部，根据概率分布原理可得，复噪声的方差为2。之后对复噪声进行幅值求取并作为无噪的参考图像的乘性噪声。
[0197]
首先本发明对图6中的噪声图像进行降噪处理，结果如图7所示，并对各算法的混响抑制效果进行分析。除了图7h结果意外，每种算法的噪声图像都进行了相应的噪声变换和噪声标准差估计。在图7a和7b中，本发明使用当前在降噪处理上应用较多的d4小波变换分别进行硬阈值和软阈值去噪方法进行实验，但是结果发现该方法在处理混响噪声模型时，图像经过降噪之后，图像整体的灰度值都进行了相应的减低。而且d4小波变换对混响噪声的抑制效果不佳。图7c是通过discrete cosine transform(dct)对噪声图像进行降噪处理的结果，该方法在仿真噪声图像经过噪声变换之后得到了不错的性能。图7d是进行ksvd变换的去噪结果，该方法是通过构建dct字典，对字典和稀疏矩阵进行更新，最后利用字典和稀疏矩阵对降噪结果进行重构。可以看出，其降噪结果与dct降噪结果相当,然而ksvd需要对dct字典和稀疏矩阵进行更新，这说明通过dct进行去噪已经达到了使用字典表示方法来去除混响噪声的上限。通过实验测试表明，ksvd方法在训练轮数达到10之后，图像的去噪性能趋于稳定。所以，本发明设定的字典更新轮次为10，由此可见ksvd方法在计算性能上远不如dct方法。图7e和7f都是基于nlm以及其改进算法的降噪结果，图7e是使用non linear minimization(nlm)算法的降噪结果，通过降噪结果可视，斑点噪声得到了一定的抑制，但是该方法在对每个像素点进行滤波的时候都需要遍历所有像素点，所以计算效率较低。图7f是改进的nlm算法fast pixelwise non-local means(fnlm)的降噪结果，其本质在于不像nlm那样逐个对点像素进行滤波，而是求得所有像素点相对位置的权重之后进行滤波，fnlm虽然在降噪的效果与nlm一样，但是在计算效率上得到了巨大的提升。图7g是基于total variation(tv)正则化的降噪结果，该方法对降噪图像的边缘保持效果较好，但是对斑点噪声的抑制效果不佳。图7h是剪切波变换直接处理混响噪声模型的图像的结果，然而通过噪声转换部分的描述，以及通过降噪结果可以看出，剪切波变换无法很好的直接应用于混响噪声模型的降噪上，其降噪结果还存在着一定的斑点噪声。最后图7i是本发明提出的算法，结合了剪切波变换在频域表现的多尺度和多方向的分解特性，以及其在处理高斯噪声上的优异性能，和meyer窗函数在时域和频域表现的优异的连续性、光滑性和紧支撑的特性。本发明对混响噪声模型进行变换，使用meyer窗函数进行剪切波滤波器的构造，对混响模型的噪声图像进行降噪，从图7i的降噪结果可以看出本发明提出的方法具有较好的混响噪声抑制能力和边缘细节保持能力。
[0198]
其次，为了更为准确的判断各算法的降噪性能，本发明对不同信噪比的图像分别
使用不同方法进行降噪处理，并计算其性能指标。如图8a和图8b所示，通过对各算法的降噪结果的评价指标计算可以直观的看出各算法的降噪性能，本发明提出的方法在psnr和ssim两个指标上相比于当前其他主流的声呐图像降噪方法具有更高的性能。
[0199]
另外，在表1、表2和表3中具体展示了当混响复信号方差为2,3和4时的不同算法的性能值。本发明算法无论在psnr还是ssim指标上都优于其他算法，在计算效率上也表现出较为优异的性能，但是相比于小波变换却远不足，这是因为剪切波变换分解的尺度较小波变换具有更高的分辨率，剪切波变换需要对不同尺度不同方向的滤波器进行构造，而且需要计算不同尺度不同方向上滤波阈值的均方根系数，所以计算量比小波变换要大，但是相比于其他算法仍具有较大的优势，而且在降噪性能也远强于小波变换。
[0200]
表1不同算法的降噪性能指标和运算速度，σ2＝2
[0201]
methodpsnr/dbssimtime/snoise image11.17860.1664\d4_3_hard25.10110.71640.402d4_3_soft13.83970.67170.407dct27.38830.83075.065ksvd26.47880.8259188.370nlm25.37370.8342242.363fnlm25.37370.834215.255tv23.34520.69402.122shearlet19.76540.90154.540our method29.04470.95754.556
[0202]
表2不同算法的降噪性能指标和运算速度，σ2＝3
[0203]
methodpsnr/dbssimtime/snoise image8.44270.1247\d4_3_hard17.71140.63760.450d4_3_soft15.96110.73600.456dct18.55440.76515.565ksvd18.51690.7555190.971nlm17.81190.7718233.921fnlm17.81190.771716.811tv15.86840.59702.114shearlet13.53500.82015.009our method19.73860.91165.056
[0204]
表3不同算法的降噪性能指标和运算速度，σ2＝4
[0205][0206][0207]
实测数据验证
[0208]
对实测数据进行本发明算法和其他各类算法的性能进行测试，本发明算法使用的实测数据为侧扫声呐图像，数据网址为https://www.edgetech.com/underwater-technology-gallery/。由于实际声呐图像没有参考图像，所以只能通过主观进行降噪图像的质量评价。
[0209]
如图9a-图9j和图10a-图10j所示。对目标物为飞机残骸和人体残骸的侧扫声呐图像通过灰度变换之后分别使用各类算法进行滤波。综合比较各算法的降噪性能可以看出本发明提出的方法相比于其他算法的海底混响抑制能力更强，且对目标的边缘信息保持效果更佳。
[0210]
总的来说，本发明提出了一种基于meyer窗函数剪切波变换的声呐图像降噪方法。复杂的混响噪声严重影响了声呐图像的质量和目标检测的难度，利用本发明提出的方法可以有效的抑制混响噪声的影响。首先，本发明将混响噪声模型变换为近似服从高斯分布的噪声图像，保证了剪切波变换的有效应用。其次，为保证小波函数在时域和频域上连续性、光滑性和紧支撑的性能，本发明提出基于meyer窗函数的剪切波滤波器构造方法。最后，为避免声呐图像中灰度溢出的影响和提升混响噪声的抑制效果，本发明将提出的基于弱纹理块的噪声估计方差与模拟噪声的均方根系数结合，得到各尺度各方向上的自适应滤波阈值，实现了更为有效的滤波方式。
[0211]
将该方法应用于仿真混响噪声图像中和实际声呐图像中，实验结果表明，所提去噪方法能够有效抑制混响噪声，且很好地保留了目标的边缘细节信息。与比较算法相比，所提出的去噪方法在psnr和ssmi上具有更大的优势，且在实际声呐图像降噪上也表现出了更好的混响抑制效果。本发明为声呐图像提供了一种有效而重要的混响噪声抑制方法，对后期的声呐图像的目标分割领域和目标检测领域具有实践意义和参考价值。
[0212]
本发明实施例各系统中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
[0213]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本
领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0214]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0215]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0216]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0217]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0218]
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
[0219]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
技术特征：1.一种基于meyer窗函数的剪切波变换的声呐图像降噪方法，其特征在于，包括：对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像；通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像；根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器；对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数；模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项；将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波；对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进行对数反变换，得到降噪后的结果声呐图像。2.根据权利要求1所述的方法，其特征在于，所述噪声图像剪切波分解，包括：通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。3.根据权利要求1所述的方法，其特征在于，所述l取值为5。4.根据权利要求1所述的方法，根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并通过将所述meyer窗函数所述尺度分解图像集合从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器，其特征在于，包括：根据不同尺度的分解方向个数2
j
构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个
数由分解方向个数2
j
决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。5.根据权利要求1所述的方法，对所述时域滤波器进行频域变换和归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数，其特征在于，包括：所述剪切波分解系数的维度为w
×
h
×2i
(j∈l)，其中w为所述原始声呐图像的宽度，h为所述原始声呐图像的高度，j为分解方向系数，l为分解水平系数。6.一种基于meyer窗函数的剪切波变换的声呐图像降噪系统，其特征在于，包括：准备模块，用于对原始声呐图像进行灰度变换，得到灰度图像，并对所述灰度图像进行对数变换，得到灰度变换图像，通过所述对数变换将符合瑞利分布乘性噪声模型的所述灰度图像，转化成接近服从高斯随机分布的加性噪声模型的所述灰度变换图像；分解模块，用于通过非下采样拉普拉斯金字塔变换对所述混响噪声模型图像进行尺度分解，得到l个尺度的尺度分解图像集合；所述尺度分解图像集合包括一个低频尺度图像和l-1个高频尺度图像；转换模块，用于根据所述尺度分解图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域滤波器；卷积模块，用于对所述时域滤波器进行频域变换并进行归一化，得到频域下的剪切波滤波器，对所述尺度分解图像集合与所述剪切波滤波器进行卷积，得到不同尺度不同方向的剪切波分解系数；加权模块，用于模拟生成一张符合高斯随机分布的随机噪声图像，对所述随机噪声图像进行噪声图像剪切波分解，得到不同尺度不同方向的均方根系数，并通过对所述灰度变换图像的弱纹理块提取估计得到噪声标准差，对每个尺度的阈值赋予相应的加权系数常数项；滤波模块，用于将所述分解得到的不同尺度不同方向的均方根系数、所述噪声标准差和所述加权系数常数项相乘，得到所述灰度变换图像不同尺度不同方向分解系数的自适应阈值，通过硬阈值函数进行滤波；结果模块，用于对滤波之后的不同尺度不同方向的声呐图像系数进行剪切波重构，并进行对数反变换，得到降噪后的结果声呐图像。7.根据权利要求6所述的方法，其特征在于，所述加权模块，包括：尺度分解单元，用于通过非下采样拉普拉斯金字塔变换对所述随机噪声图像进行尺度分解，得到l个尺度的尺度分解随机噪声图像集合；所述尺度分解随机噪声图像集合包括一个低频随机噪声尺度图像和l-1个高频随机噪声尺度图像；坐标转换单元，用于根据所述尺度分解随机噪声图像集合不同尺度的分解方向个数，构建对应的meyer窗函数，并将所述meyer窗函数从伪极坐标系转换为笛卡尔坐标系，构造出l-1个高频尺度的时域随机噪声滤波器；噪声卷积单元，用于对所述时域随机噪声滤波器进行频域变换和归一化，得到频域下的剪切波随机噪声滤波器，对所述声呐图像的尺度分解随机噪声图像集合与所述剪切波随机噪声滤波器进行卷积，得到不同尺度不同方向的均方根系数。
8.根据权利要求6所述的方法，其特征在于，所述转换模块，包括：窗函数构建单元，用于根据不同尺度的分解方向个数2
j
构建相应的meyer窗函数，其维度为2l
×2j
，其中j为分解水平，l为所述时域滤波器的维度；滤波器构建单元，用于将meyer窗函数从伪极坐标系转换为笛卡尔坐标系，实现对l-1个高频尺度的时域滤波器的构造，每个尺度的滤波器维度分别为l1×
l1，l1×
l1，l2×
l2和l2×
l2，所述时域滤波器个数由分解方向个数2
j
决定，其中l1为第2、3尺度分量的滤波器维度，l2为第4、5尺度分量的滤波器维度，j为分解水平。
技术总结本发明提供一种基于Meyer窗函数的剪切波变换的声呐图像降噪方法和系统。该方法包括：将混响噪声模型到高斯加性噪声模型的变换与剪切波变换相结合；在剪切波变换过程中，考虑到小波函数和尺度函数在时域和频域上所表现的连续性、光滑性和紧支撑的性能，提出基于时域和频域所表现的性能均比较优异的Meyer窗函数进行剪切波滤波器构造；为避免声呐图像中灰度溢出的影响，以及实现更好的混响抑制效果，提出基于弱纹理块的噪声方差估计，并将其与模拟噪声经过剪切波变换得到的均方根系数结合，得到各尺度各方向的自适应滤波阈值。实验表明，本发明提出的方法可以更为有效的抑制混响噪声，并具有较好的边缘保持效果。并具有较好的边缘保持效果。并具有较好的边缘保持效果。
技术研发人员：张浩庭 田梅 柳晶晶 邵高平 邵帅 杨斌 高飞 董春宵 李爱勤
受保护的技术使用者：中国人民解放军战略支援部队信息工程大学
技术研发日：2022.07.22
技术公布日：2022/11/1
