留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于海底底质回波特征的多波束声呐图像角度响应影响消除

赵建虎 严俊 张红梅 孟俊霞

赵建虎, 严俊, 张红梅, 孟俊霞. 基于海底底质回波特征的多波束声呐图像角度响应影响消除[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
引用本文: 赵建虎, 严俊, 张红梅, 孟俊霞. 基于海底底质回波特征的多波束声呐图像角度响应影响消除[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
ZHAO Jianhu, YAN Jun, ZHANG Hongmei, MENG Junxia. Using Backscatter Characteristic of Seabed Sediment to Remove Angular Response Effect in Multibeam Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
Citation: ZHAO Jianhu, YAN Jun, ZHANG Hongmei, MENG Junxia. Using Backscatter Characteristic of Seabed Sediment to Remove Angular Response Effect in Multibeam Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148

基于海底底质回波特征的多波束声呐图像角度响应影响消除

doi: 10.13203/j.whugis20160148
基金项目: 

国家自然科学基金 41576107

国家自然科学基金 41376109

国家自然科学基金 41176068

详细信息

Using Backscatter Characteristic of Seabed Sediment to Remove Angular Response Effect in Multibeam Images

Funds: 

The National Natural Science Foundation of China 41576107

The National Natural Science Foundation of China 41376109

The National Natural Science Foundation of China 41176068

More Information
    Author Bio:

    ZHAO Jianhu, PhD, professor, specializes in the theories and methods of marine surveying and mapping. E-mail:jhzhao@sgg.whu.edu.cn

    Corresponding author: YAN Jun, PhD. E-mail:juny.yan@foxmail.com
图(8)
计量
  • 文章访问数:  1047
  • HTML全文浏览量:  91
  • PDF下载量:  300
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-07-12
  • 刊出日期:  2018-08-05

基于海底底质回波特征的多波束声呐图像角度响应影响消除

doi: 10.13203/j.whugis20160148
    基金项目:

    国家自然科学基金 41576107

    国家自然科学基金 41376109

    国家自然科学基金 41176068

    作者简介:

    赵建虎, 博士, 教授, 主要从事海洋测量等方面的教学与科研工作。jhzhao@sgg.whu.edu.cn

    通讯作者: 严俊, 博士。juny.yan@foxmail.com
  • 中图分类号: P229

摘要: 角度响应(angular response,AR)对回波强度影响较大,而目前的改正算法尚不完善,给多波束声呐回波强度的应用带来了较大困难。为此,提出了一种利用底质回波强度特征的AR聚类改正方法。首先,借助多波束声呐回波强度数据实施非监督底质分类;然后,研究每类底质的AR特征,形成每种底质的AR曲线簇;最后,结合每种底质的AR曲线簇,从观测的回波强度序列中减去对应底质的AR值,并将其归一化到平均强度,最终实现了回波强度中AR影响的消除。将该方法应用于实际回波处理中,取得了高质量的多波束声呐图像。

English Abstract

赵建虎, 严俊, 张红梅, 孟俊霞. 基于海底底质回波特征的多波束声呐图像角度响应影响消除[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
引用本文: 赵建虎, 严俊, 张红梅, 孟俊霞. 基于海底底质回波特征的多波束声呐图像角度响应影响消除[J]. 武汉大学学报 ● 信息科学版, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
ZHAO Jianhu, YAN Jun, ZHANG Hongmei, MENG Junxia. Using Backscatter Characteristic of Seabed Sediment to Remove Angular Response Effect in Multibeam Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
Citation: ZHAO Jianhu, YAN Jun, ZHANG Hongmei, MENG Junxia. Using Backscatter Characteristic of Seabed Sediment to Remove Angular Response Effect in Multibeam Images[J]. Geomatics and Information Science of Wuhan University, 2018, 43(8): 1228-1233, 1286. doi: 10.13203/j.whugis20160148
  • 多波束测深仪(multibeam echosounder, MBES)可同时获得水深和回波强度数据,二者具有相同的位置信息。对回波强度进行数据处理并与水深叠加,可实现海底地形地貌和底质的综合描述,在海洋调查中应用潜力较大。研究者广泛使用多波束声呐调查海洋环境分析海洋底质, Gardner等[1]于1996年在圣莫尼卡湾地区利用Kongsberg公司EM1000多波束声呐同时获得了高分辨率的地形和对应位置的多波束声呐回波强度;Sacchetti等[2]利用30 m间隔的MBES测深格网和回波强度图像得到了爱尔兰罗科尔海槽的1:450 000海图;Medialdea等[3]利用2003年加利西亚浅滩的MBES回波强度对该地区进行海底分类描述和识别海底石油溢出。以上借助MBES回波强度的方法尽管实现了对区域海底地貌图像的构建和对底质分布特征的反映,但相对粗糙,且因未顾及角度响应(angular response, AR)影响,部分回波图像难以真实反映海床地貌和底质特征。

    多波束声呐回波强度有3类,即平均波束强度、波束序列片段(Snippet)和伪侧扫(仅有L-3等仪器厂商提供)[4]。平均波束强度和测深分辨率一致,可认为是Snippet数据的低分辨率采样;Snippet数据的垂航分辨率远高于平均波束强度,尤其在大入射角区域。在一系列预处理(包括传播误差改正、声照面积改正、地形起伏改正等)之后,由于受散射模型影响,同底质不同角度下仍然会得到完全不同的回波强度系数,即AR。在AR影响下,声呐图像无法真实地反映同海底的回波强度特征及底质变化,极大地降低了图像质量及其应用价值。传统的角变增益(angle varying gain, AVG)改正包括了传播损失的改正和固定模型下的AR改正,但常难以得到高质量的声呐图像。如何获取不同底质下准确的AR曲线已成为改善声呐图像的关键。AR改正目前主要采用数学模型法和声学理论模型法。数学模型法包括移动平均法[5]、内插法(如唐秋华等[6]通过对中央亮区删除,借助两侧回波内插,重新获取亮区回波强度)和经验模型法(如王煜[7]利用中央异常区之外的后向散射强度平均值和中央异常区的平均值,通过构建经验改正模型实现AR改正)。声学理论模型法主要试图建立一种通用的改正模型,如Lambertian模型[8]、综合物理函数模型[9]等,但在小入射区和高入射区, 声呐图像改正效果较差,形成的声呐图像常在测线中央、边缘区域出现较亮或较暗的图像特征,难以服务于实际应用。在复杂底质条件下,这两类方法均存在不足,难以准确反映海床的地貌和底质特征。为此,本文根据不同底质下回波强度变化特征,提出了基于底质AR曲线簇的AR改正方法,以期解决上述问题。

    • 多波束声呐回波强度(backscatter strength, BS)随入射角变化,且与底质属性相关[10]。在常见底质下,入射角θ较小时(一般不超过15°),散射模式中的镜面反射大部分被换能器接收,本文称为D1区;θ变大时(一般在15°~60°之间),换能器主要接收散射模式中的后向散射部分,本文称为D2区,即通常所谓的漫反射区;θ进一步增大(一般超过60°)时,回波强度变化与D2区不同,本文称为D3区或高入射区。同底质下回波强度随角度变化显著, 如图 1所示。基于以上理论,图 2给出了本文的基本思想和AR曲线簇构建和改正的基本流程。

      图  1  两种不同底质的散射模式与角度的变化关系以及对应的AR曲线

      Figure 1.  Variation of the Scattering Patterns with Two Different Seabed Sediments and Incident Angles, and Corresponding AR Curves

      图  2  MBES单测线AR消除及多测线大区域AR消除流程图

      Figure 2.  Flowchart of AR Removal of a Single Survey Line and the Whole Survey Region

    • 要获得不同底质下的AR曲线,首先需要进行底质分类。底质分类采用基于多波束声呐回波强度的AR参数,借助非监督分类算法来实现。

      AR参数主要包括区域边界位置、斜距及回波强度均值。Díaz[11]利用D1D2D3区的平均强度BS1、BS2和BS3实现了底质的非监督分类,证明了仅利用均值实现底质分类的可能性。故本文利用这3个参数来实现海底底质分类。

      k-means作为一种经典的非监督分类算法,具有算法简单、适用于大数据挖掘等优点,但存在分类结果不唯一的问题;此外,需给定分类数k,而底质分类中,k为需确定的参数。为此,本文采用k-means的改进算法k-means++[12]来解决分类结果的不唯一问题,通过迭代实现k的确定。

      借助MBES后向散射回波的AR特征参数,基于k-means++的非监督分类步骤如下。

      1) 使用k-means++算法进行k个聚类中心初始化;

      2) 计算每个Ping的左舷(右舷)的参数集(3个区域的平均回波强度(mean BS, MBS))到聚类中心的距离Di

      $$ \begin{array}{l} {D_i} = {\rm{ }}({\left( {{\rm{MB}}{{\rm{S}}_1} - {c_{i1}}} \right)^2} + \left( {{\rm{MB}}{{\rm{S}}_2} - {c_{i2}}} \right){^2} + \\ \left( {{\rm{MB}}{{\rm{S}}_3} - {c_{i3}}} \right){^2}{)^{1/2}} \end{array} $$

      式中,MBSi (i = 1, 2, 3)代表参数集的3个参数; cij (j = 1, 2, 3)为第i个聚类中心的位置;

      3) 将每个参数集分配到最近中心;

      4) 计算每个聚类的平均参数来建立k个新的聚类中心位置;

      5) 重复步骤2)~4),直到所有的分配不再变化为止。

      通过上述步骤,最终得到的底质分类结果如图 3所示。

      图  3  基于AR参数的底质非监督分类

      Figure 3.  Unsupervised Classification Result of Seabed Sediment Based on AR Parameters

    • 对于任意一条测线,利用§1.1的方法,可以获得测线中每一种底质的分布,如图 3所示。对任意一种底质分布下所有的左舷或右舷的回波强度序列,按照等角度间隔重新采样获得角度-BS曲线,并将所有角度-BS曲线按照同角度下BS叠加取平均,获得该种底质下的平均AR曲线,如图 4所示。

      图  4  对应图 3中不同底质的平均AR曲线

      Figure 4.  AR Curves of Different Sediment Classification Corresponding to Fig. 3

      可以看出,不同类的AR曲线差异明显,可以代表对应的底质类型。获得每类底质的平均AR曲线后,对每类所有原始的BS曲线减去该类的平均AR曲线,并统一归化到BSM(一般为漫反射区的平均BS),从而实现了对AR影响的消除。即

      $$ {\rm{B}}{{\rm{S}}_c} = {\rm{B}}{{\rm{S}}_{{\rm{raw}}}} - {\rm{AR + B}}{{\rm{S}}_M} $$

      式中,BSraw为原始的BS曲线;AR为该类底质平均AR曲线;BSc为最终消除AR影响的BS。

    • 以上底质分类中,分类数k是人为预先设定的,与实际可能存在差异。为实现准确分类,在实现底质分类前需要对分类的结果进行评判,获得最终的k值。

      图 5(a)为原始的Snippet回波强度图像,中央存在明显的高亮,且周围存在许多亮点。图 5(b)~5(d)分别是选取不同k值对同一条测线进行AVG改正的结果,图 5(e)中矩形区域是由于k选择过大出现的错误改正。相对图 5(a)图 5(b)~5(d)对中央亮区异常均有一定程度的改善,但图 5(b)5(e)改善程度明显不如图 5(c)5(d)。由于该区域存在较多交叉底质,k选择过小(图 5(b))时,交叉底质不能单独分成一类,导致改正模型不够准确;k过大时(图 5(e)),将一类的底质错分为不同类,导致整类AR模型偏移,AR曲线错误,改正后的图像出现矩形区域的错误;k接近真实值时(图 5(c)5(d)),交叉底质也会被作为新的一类,建立准确的AR曲线,因而图 5(c)5(d)的结果明显好于图 5(b)5(e)。根据k接近真实值附近时改正后的图像基本一致的原理,k的求解步骤为:

      图  5  不同k的选择对AVG改正的影响

      Figure 5.  Effect on AVG Correction of Selection of k

      1) 设置初始分类数k=1;

      2) 使用文中方法得到改正图像I1

      3) 增加分类数k=k+1;

      4) 应用文中方法得到改正图像I2

      5) 计算I1I2D1区的差值,如果小于一定阈值,结束;否则令I2 = I1并回到步骤2)。

    • 测线回波强度数据的AR改正采样过程为:①采用§1.1所述的非监督分类方法对整条测线实施底质分类;②借助底质分类结果提取出不同底质类型的AR曲线,求取平均,获得不同底质对应的AR曲线;③综合底质分类结果及对应的AR关系曲线,对测线中每Ping的每个Beam(入射角)实施AR改正。

      按照上述对单测线的AR消除方法,依次消除每条测线的AR影响。由于Snippet每个回波数据均具有准确的位置信息,因此在地理框架下可以形成测线声呐图像;对每条测线开展上述类似处理,最终在地理框架下实现多测线声呐图像的拼接。对于测线公共覆盖区,可以采用小波实施信息融合,最终形成消除AR影响后的大区域、高质量海底声呐图像。

      由于不同测线同种底质下的后向散射系数变化是一致的,因此本文利用区域内每种底质的后向散射系数的一致性作为整体约束,通过将每条测线的改正后归算到每种底质类型的平均后向散射系数,从而保证整个区域灰度变化的一致性。

    • 为验证上述方法,选取2012年由EM3002浅水多波束声呐在福建近岸某水域测量的多波束声呐数据进行实验。EM3002的工作频率为300 kHz,单头最大开角130°,最大采样点数131个,测深分辨率为1 cm,声强振幅分辨率0.5 dB。测量水域水深约为5~30 m。任意选取测区的一条测线的Snippet数据(图 6(a)),应用上述方法开展AR曲线构建及AR改正。

      图  6  AR改正前后与EM多波束声呐默认改正的Snippet测线图像比较

      Figure 6.  Comparison Between the Uncorrected Snippet Image and the Corrected Ones Using the Proposed Method and EM Multibeam Default Method Respectively

      首先,通过实验确定该测线的合理的底质分类数k为4;其次,根据底质分类结果,提取出4类底质对应的AR曲线,并对同类底质的AR曲线取平均,得到的底质AR曲线簇如图 4所示;最后,借助这4类AR曲线簇,结合底质分类结果,对不同类、不同Beam下的回波强度数据进行AR改正,改正后的Snippet图像如图 6(b)所示。

      为了对比现有方法,结果中添加EM3002多波束声呐默认改正的结果, 如图 6(c)所示。通过比较图 6(a)6(b)可以看出,原始图像中的“中央亮带”(即D1区域的高强度数据)被消除,同时边缘部分(即D3区域的数据)也被归化到平均回波强度上,改正后的整条测线图像很好地反映了底质的均匀分布和变化情况,表明了本文方法的有效性。由于默认模型无法适应海底的复杂变化,仪器的默认改正图像中AR影响没有被完全消除,也说明了本文方法的优越性。

      以测线为单位依次消除AR影响,并拼接形成整个区域的海底声呐图像。该测区为斜长形状,实测了5条测线。直接利用每条测线原始的Snippet测线图像,在地理编码下拼接,拼接结果如图 7(a)所示。可以看出,受AR影响,5条测线的中央部分及边缘部分图像均比较亮,地理框架下拼接后的拼接痕迹十分明显;此外,在第5条测线图像覆盖区水下存在管线,在单一测线中尚可模糊识别,而基于原始测线图像拼接后,因为测线间在不同入射区强度(或灰度差)的不一致导致管线被淹没。相对图 7(a),AR改正和拼接后的区域Snippet图像消除了各测线中间和边缘的亮区,管线也清晰呈现。分析认为,经过AR改正后,每条测线每Ping回波强度均消除了AR的影响,同时将D1D2D3区的回波强度均归一化到同一水平,因此不但消除了测线中央亮区,还确保了同底质下强度(图像灰度)的一致,很好地保留了海底的地貌特征。图 7(c)为仪器默认改正结果。可以看出,默认改正虽然在一定程度上减弱了AR影响,但是还是严重影响了图像质量。

      图  7  整个区域的AR消除

      Figure 7.  AR Removal of Whole Region

      为进一步评估改正后底质的恢复情况,在测区图像中选取了一个具有特征的小区域,对处理前后的Snippet图像利用灰度阈值进行了图像分割,通过分割得到的对比结果如图 8所示。

      图  8  区域多波束声呐图像处理前后与仪器默认改正的图像分割结果对比

      Figure 8.  Comparison of Segmentation Results of a Region Sonar Image Before and After the Correction, and Instrument Default Correction

      图 8(a)中,由于受AR影响,分割结果包含了底质及其随AR变化的影响。AR变化带来的图像影响被错误识别为底质。图 8(b)中,由于很好地消除了AR影响,分割结果中原有的“中央亮线”和测线拼接痕迹消除,原始的底质分布和变化得以恢复。图 8(c)则是仪器默认方法的结果,可以看到AR影响还是有一定的残留,且通过图 8(b)图 8(c)的对比,进一步验证图 8(b)中AR消除的正确性。

    • 本文首先从波束散射模式原理上引出了多波束声呐回波强度数据AR,利用不同底质固有的AR曲线对多波束声呐后向散射数据进行改正,从而提高多波束声呐图像的质量。

      本文避免了直接处理大区域底质的复杂变化。通过获得局部底质准确分类,利用局部每类底质准确的AR曲线消除局部的AR影响,进而实现整体大区域的图像改正,并通过实测数据证明该方法的有效性。

      改正后的多波束声呐后向散射图像具有很好的一致性,底质的分界明显,很容易通过图像方法进行进一步处理。在此基础上,还可以与其他的图像数据进一步融合。

参考文献 (12)

目录

    /

    返回文章
    返回