姜朝宇，羅 濤，王亞波，夏 珉

(1. 海軍駐葫蘆島431廠軍事代表室，遼寧 葫蘆島 125004；2. 武漢第二船舶設(shè)計(jì)研究所，湖北 武漢 430000；3. 華中科技大學(xué) 光學(xué)與電子信息學(xué)院，湖北 武漢 430000)

0 引 言

水下電纜、石油管線等水下目標(biāo)，在海洋勘探、資源開發(fā)等領(lǐng)域得到越來越多的應(yīng)用，這些水下目標(biāo)一般都是直接暴露在水中，水中鹽分的腐蝕、水藻等植物的繁殖、海底沙床的移動(dòng)、漁獵活動(dòng)、船只下錨、鯊魚等都有可能將其損壞，需要對(duì)其進(jìn)行定期的檢測和維護(hù)?，F(xiàn)有的檢測方法一般是使用載有光學(xué)系統(tǒng)的遙控潛水艇（Remotely Operated Vehicle，ROV）來采集水下圖像，操作員在控制臺(tái)前通過觀察分析傳送回來的圖像信息來檢查和跟蹤管道目標(biāo)[1]，這種檢測方法總體來說具有單調(diào)、檢測時(shí)間長和費(fèi)用昂貴等缺點(diǎn)，因此國內(nèi)外都開展了對(duì)水下現(xiàn)狀目標(biāo)成像結(jié)果的自動(dòng)目標(biāo)識(shí)別算法研究。

早在1988年，H. G. Nguyen等提出了基于灰度分割和Hough變換的檢測方法。該方法先利用管道和背景的灰度不連續(xù)性，用閾值法將管道分割提取出來，然后用Hough變換檢測得到管道的位置和方向信息，在當(dāng)時(shí)就達(dá)到1幀/s的檢測結(jié)果[2]。1991年J. O. Hallset 提出了矩形匹配的檢測方法。先對(duì)圖像進(jìn)行直方圖均衡化以提升整體對(duì)比度，然后使用Sobel算子提取邊緣，分析清除雜亂的邊緣后進(jìn)行矩形匹配[3]。2015年H. H. Chen等提出用于水下ROV導(dǎo)航的纜繩檢測算法，該算法包括顏色空間轉(zhuǎn)換、Canny邊緣檢測和概率Hough變換3個(gè)步驟，對(duì)于混濁水體中的纜繩圖像，當(dāng)僅隨機(jī)采樣40%的Canny邊緣點(diǎn)時(shí)，檢測率可以超過95%[4]。

國內(nèi)的相關(guān)研究工作起步稍晚，其中哈爾濱工程大學(xué)在2007 ～ 2010年間，對(duì)基于粒子群優(yōu)化和模糊熵的水下圖像分割方法進(jìn)行研究[5]，基于該類方法的圖像分割結(jié)果對(duì)光照和噪聲影響具有較好的魯棒性[6]。

針對(duì)水下線狀目標(biāo)的光電自動(dòng)探測需求，本文設(shè)計(jì)了基于水下距離選通成像原理的水下線狀目標(biāo)探測成像探測系統(tǒng)，針對(duì)其成像結(jié)果的圖像特征建立識(shí)別算法，實(shí)現(xiàn)對(duì)水下線狀目標(biāo)的實(shí)時(shí)檢測。通過在實(shí)驗(yàn)船池中對(duì)水下線狀目標(biāo)進(jìn)行探測實(shí)驗(yàn)，驗(yàn)證了算法的有效性和探測的可靠性。

1 實(shí)驗(yàn)系統(tǒng)設(shè)計(jì)

相比大氣環(huán)境，由于水體及內(nèi)部懸浮顆粒的存在，對(duì)激光存在吸收、散射等物理現(xiàn)象,前者導(dǎo)致水下激光衰減嚴(yán)重，后者使激光傳播方向發(fā)生偏折，造成光學(xué)成像系統(tǒng)接收到的光信號(hào)信噪比大大降低，水下圖像存在著嚴(yán)重的質(zhì)量劣化問題。為了解決水體散射所引入的圖像質(zhì)量劣化問題，采用距離選通水下成像系統(tǒng)對(duì)水下線狀目標(biāo)進(jìn)行成像探測，系統(tǒng)中選通門的存在能夠有效降低由水體散射引起的噪聲。根據(jù)測量原理以及實(shí)際需求，設(shè)計(jì)基于距離選通水下激光成像原理的系統(tǒng)，系統(tǒng)示意圖如圖1所示。

圖 1 距離選通水下激光成像系統(tǒng)示意圖Fig. 1 Sketch map of underwater range gated imaging system

距離選通成像系統(tǒng)由脈沖激光光源、高速選通相機(jī)和同步控制模塊3部分組成，激光器發(fā)射出的短激光脈沖，經(jīng)過擴(kuò)束器進(jìn)行擴(kuò)束，前進(jìn)達(dá)到目標(biāo)所在區(qū)域。由目標(biāo)反射回的光束，經(jīng)由電動(dòng)鏡頭和微通道板，到達(dá)CCD成像相機(jī)得到數(shù)字圖像，并進(jìn)一步由數(shù)據(jù)處理主板對(duì)圖像進(jìn)行處理分析。

系統(tǒng)中的同步控制模塊可以精確地同步控制激光光束和選通相機(jī)快門開關(guān)的時(shí)間。當(dāng)激光器開始發(fā)送脈沖時(shí)，距離選通過程開始。當(dāng)光行進(jìn)時(shí)，選通門處于關(guān)閉狀態(tài)，因此不會(huì)捕獲后向散射光。當(dāng)被目標(biāo)反射回的激光脈沖返回相機(jī)時(shí)，選通門打開，相機(jī)僅捕捉來自目標(biāo)的反射光。一旦激光脈沖結(jié)束，選通門再次關(guān)閉?？梢?，通過精確的同步時(shí)間控制，距離選通系統(tǒng)可以有效抑制水體后向散射的影響。實(shí)驗(yàn)時(shí)使用的距離選通系統(tǒng)如圖2所示。

圖 2 實(shí)驗(yàn)使用的距離選通系統(tǒng)實(shí)物圖Fig. 2 Photo of real objects used in range gated imaging experiment

實(shí)驗(yàn)在華中科技大學(xué)船池實(shí)驗(yàn)中心進(jìn)行，實(shí)驗(yàn)前制作一塊上深下淺的背景板放置于水中，用以模擬不同的水下環(huán)境。為了模擬水下線狀目標(biāo)，實(shí)驗(yàn)時(shí)先將目標(biāo)板兩端懸掛在推車上，緩緩放入水下。然后將直徑3cm的黑色電力電纜兩端懸掛放入水下，分別置于背景板的深顏色和淺顏色背景前，將推車推動(dòng)到不同成像距離處采集實(shí)驗(yàn)圖像，實(shí)驗(yàn)采集圖像的分辨率為1 292×964像素。實(shí)驗(yàn)采用的背景板設(shè)計(jì)圖和電力電纜如圖3所示。

實(shí)驗(yàn)采用的是常規(guī)電力電纜，由4根相互絕緣的內(nèi)部導(dǎo)線和外面絕緣保護(hù)層制成，絕緣保護(hù)層的主要成分為聚氯乙烯，外觀呈黑色。由光學(xué)知識(shí)可知，由于黑色物體吸收照射到表面的絕大部分光譜范圍，當(dāng)將電纜放入水下進(jìn)行成像時(shí)，理論上采集到的圖像上會(huì)呈現(xiàn)出黑色的線狀分布。同時(shí)由于目標(biāo)板的上部分顏色較深，下部分顏色較淺，將黑色電纜放置在深顏色和淺顏色的背景前，就可以改變電纜所處的背景環(huán)境，從而檢驗(yàn)?zāi)繕?biāo)檢測算法的魯棒性。

圖 3 實(shí)驗(yàn)所用背景板設(shè)計(jì)圖和線狀目標(biāo)Fig. 3 Design of background plate and baseline target in experiment

2 實(shí)驗(yàn)數(shù)據(jù)處理方法

圖4為實(shí)驗(yàn)采集到的一幅圖像?？梢园l(fā)現(xiàn)，由于水下成像較強(qiáng)的吸收和散射影響，采集的圖像整體質(zhì)量相對(duì)較差，目標(biāo)特征不明顯。在進(jìn)行目標(biāo)檢測之前，需要有針對(duì)性的對(duì)圖像進(jìn)行增強(qiáng)處理，以突出目標(biāo)的細(xì)節(jié)特征。

圖 4 實(shí)驗(yàn)采集圖像Fig. 4 Acquisition photo in experiment

2.1 圖像預(yù)處理

圖5為圖像4中第500行的灰度值分布圖，觀察該圖可以發(fā)現(xiàn)圖像中相鄰像素的灰度值變化非常大，存在明顯的脈沖噪聲，選擇使用中值濾波算法來消除脈沖噪聲的影響。

圖6為使用5×5的方形窗口進(jìn)行中值濾波后，原圖像中第500行的灰度值分布圖，可以發(fā)現(xiàn)，圖像中的脈沖噪聲得到了有效抑制，相鄰灰度值的變化變得更加平滑。

圖7為圖4中圖像的灰度分布直方圖，可以看出，圖像的灰度級(jí)集中分布在[10, 40]的一個(gè)小區(qū)間里，對(duì)比度明顯過低，需要拉伸圖像的對(duì)比度。

對(duì)比度拉伸（灰度拉伸）是一種應(yīng)用廣泛的圖像增強(qiáng)方法，它是將原圖像的灰度函數(shù)經(jīng)過一個(gè)變換函

圖 5 圖像中第500行的灰度值變化圖Fig. 5 Grayscale value variation of line 500 in the image

圖 6 中值濾波后的灰度值分布圖Fig. 6 Distribution map of gray value after median filtering

圖 7 圖像的灰度直方圖Fig. 7 Grayscale histogram of the image

數(shù)變換成一個(gè)新的圖像函數(shù)，其數(shù)學(xué)表達(dá)式為[7]：其中M為圖像最大灰度值。采集到的圖像灰度級(jí)為[0,255]，即M=255。在針對(duì)實(shí)驗(yàn)圖像處理中，取a=0，b=M，c=0，d=M，可以將圖像灰度區(qū)間擴(kuò)展到整個(gè)圖像灰度動(dòng)態(tài)范圍[0, 255]上，從而增強(qiáng)了圖像的動(dòng)態(tài)范圍。處理后的圖像如圖8所示?？梢园l(fā)現(xiàn)，通過對(duì)比度拉伸的簡單處理，圖像的對(duì)比度得到了明顯的增強(qiáng)，目標(biāo)的細(xì)節(jié)特征更加突出。

經(jīng)過中值濾波和對(duì)比度拉伸后，圖像中的脈沖噪聲得到了充分抑制，但是圖像中的噪聲仍然很嚴(yán)重，需要進(jìn)一步選取性能好的濾波算法進(jìn)行處理。針對(duì)水下圖像的特點(diǎn)，一般選擇小波方法進(jìn)行去噪處理。

可以發(fā)現(xiàn)，通過本節(jié)所用的圖像增強(qiáng)方法，圖像的質(zhì)量得到了明顯的改善，圖像中的目標(biāo)細(xì)節(jié)特征更加突出，可以通過后續(xù)步驟提取出目標(biāo)特征并進(jìn)行檢測。

圖 8 對(duì)比度拉伸后的結(jié)果Fig. 8 Result of contrast stretching

圖 9 小波去噪結(jié)果Fig. 9 Result of wavelet de-noising

2.2 邊緣檢測

Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的一個(gè)經(jīng)典的邊緣檢測算法，目前在邊緣檢測性能和算法復(fù)雜性上的綜合性能最優(yōu)。Canny算子檢測圖像邊緣的步驟首先要使用二維高斯濾波器對(duì)圖像進(jìn)行平滑，隨后對(duì)圖像灰度梯度的幅值和方向進(jìn)行計(jì)算，最后為了實(shí)現(xiàn)對(duì)邊緣的準(zhǔn)確定位，對(duì)其進(jìn)行非極大值抑制操作。

Canny算子本身具備較大的優(yōu)勢，使其在圖像檢測中能較好地保留邊緣細(xì)節(jié)，取得不錯(cuò)的檢測效果，也成為評(píng)價(jià)其他邊緣檢測方法的標(biāo)準(zhǔn)。將高斯濾波的分布參數(shù) σ 選為2，雙閾值中的高閾值 Th選為0.5，低閾值 Tl選為0.2。檢測到的邊緣如圖10所示。

圖 10 Canny算法檢測邊緣圖Fig. 10 Canny algorithm detects edges

2.3 曲線擬合

考慮到Canny邊緣檢測后的結(jié)果中不可避免會(huì)存在虛假的邊緣，即噪聲邊緣，需要采用抗噪聲點(diǎn)干擾的曲線擬合算法來檢測出圖像中存在的曲線，從而提高算法的魯棒性?；诖耍x擇RANSAC曲線擬合的方法，該算法的優(yōu)點(diǎn)在于它能魯棒的估計(jì)模型參數(shù)。

對(duì)于存在個(gè)別嚴(yán)重偏差的離散點(diǎn)序列，如果采用最小二乘法進(jìn)行直線擬合，其擬合結(jié)果將會(huì)產(chǎn)生嚴(yán)重的誤差。為了解決這一問題，本研究團(tuán)隊(duì)專門研發(fā)了改進(jìn)型RANSAC算法，通過對(duì)RANSAC算法修正，引入預(yù)判函數(shù)，可以剔除距離較遠(yuǎn)的偏離點(diǎn)，得到一條理想的曲線[8]。

通過RANSAC迭代算法，用二次曲線擬合圖像中的檢測到的邊緣，得到的檢測結(jié)果如圖11所示。

圖 11 RANSAC算法擬合結(jié)果Fig. 11 RANSAC algorithm fitting results

3 水下線狀目標(biāo)探測實(shí)驗(yàn)結(jié)果

為測試算法性能，用距離選通系統(tǒng)在船池進(jìn)行實(shí)驗(yàn)，在目標(biāo)處于不同距離處拍攝了7組實(shí)驗(yàn)數(shù)據(jù)，目標(biāo)對(duì)應(yīng)的距離分別為12.5 m，15 m，17 m，18 m，20 m，21 m，22 m。同時(shí)，為避免實(shí)驗(yàn)的偶然性，每組實(shí)驗(yàn)采集2張圖片數(shù)據(jù)。

3.1 算法穩(wěn)定性測試

為測試算法穩(wěn)定度，每組實(shí)驗(yàn)中使目標(biāo)處于顏色深和顏色淺的2種背景中，使用前述算法進(jìn)行處理，處理結(jié)果為：除12.5距離處目標(biāo)處于深顏色背景中檢測不到目標(biāo)之外，其他距離處都能正確檢測到目標(biāo)，按目標(biāo)距離和顏色深淺所得的檢測結(jié)果如表1所示。

具體的檢測結(jié)果如圖12所示，可以發(fā)現(xiàn)12.5 m處背景顏色較深時(shí)由于目標(biāo)和背景間的差別較小，無法檢測到邊緣，導(dǎo)致漏檢。說明算法在目標(biāo)和背景差別較小時(shí)，檢測受到限制；同時(shí)，當(dāng)距離達(dá)到22 m時(shí)，由于水下成像系統(tǒng)中的噪聲干擾較大，會(huì)對(duì)檢測的結(jié)果造成較大誤差，特別是當(dāng)處于顏色較深的背景中，目標(biāo)和背景差別又較小，從而導(dǎo)致了圖12（k）所示的情況。上述檢測結(jié)果反映了算法的應(yīng)用范圍應(yīng)為水下22 m左右。

3.2 算法速度測試

在實(shí)驗(yàn)算法測試環(huán)境下，對(duì)7組圖片進(jìn)行算法速度測試，每組圖片的平均檢測時(shí)間如表2所示。

從表2可以得知，算法的檢測速度基本可以達(dá)到3幀/s的效果。

表 1 算法穩(wěn)定性測試結(jié)果Tab. 1 Algorithm stability test results

圖 12 算法檢測結(jié)果Fig. 12 Algorithm detection results

3.3 總體檢測率

以表1中的7組圖片分析，本實(shí)驗(yàn)一共采集到14張圖片，正確檢測到目標(biāo)13張，總體檢測率12/14×100%=92.86%，說明本實(shí)驗(yàn)的總體檢測率可以達(dá)到90%，同時(shí)考慮到本實(shí)驗(yàn)所用圖片總數(shù)較少，可以進(jìn)一步采集更多的圖片來測試算法的有效檢測率。

表 2 算法速度測試結(jié)果Tab. 2 Algorithm speed test results

4 結(jié) 語

本文基于距離選通光學(xué)成像探測系統(tǒng)，研究了長探測距離下的水下線狀目標(biāo)探測圖像的處理算法，并通過水下探測實(shí)驗(yàn)研究了算法的有效性和可靠性。針對(duì)距離選通成像系統(tǒng)探測水下線狀目標(biāo)的圖像特征，采用了結(jié)合圖像中值濾波、對(duì)比度拉伸和小波去噪的圖像預(yù)處理方法對(duì)圖像質(zhì)量進(jìn)行提升，采用改進(jìn)型Canny邊緣檢測算法對(duì)圖像中存在的線狀目標(biāo)的邊緣進(jìn)行檢測和識(shí)別，為了降低邊緣檢測帶來的虛假邊緣問題，采用了改進(jìn)型RANSAC算法對(duì)水下線狀目標(biāo)進(jìn)行曲線擬合。實(shí)驗(yàn)結(jié)果表明，本文提出的方法可在5倍水下衰減長度內(nèi)，有效用于二次曲線狀目標(biāo)檢測，在檢測速度為3幀/s的情況下，算法的檢測率可達(dá)到96%以上。且本實(shí)驗(yàn)選用的目標(biāo)檢測算法可以不受目標(biāo)曲線階數(shù)的限制，理論上可經(jīng)過改進(jìn)并用于任意階數(shù)的曲線目標(biāo)檢測。