基于自适应维纳滤波和2D-VMD的声呐图像去噪方法及设备技术

基于自适应维纳滤波和2D

【技术实现步骤摘要】
基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法及设备


[0001]本专利技术属于声呐图像去噪
，具体涉及一种基于自适应维纳滤波和2D
‑
VMD(二维变分模态分解)的声呐图像去噪方法及设备。

技术介绍

[0002]声呐是反馈海洋信息的最主要方式，由于受海风、洋流、水温、杂质以及成像设备等影响，使用声呐探测技术得到的图像所受的噪声干扰远比光学图像更严重，通常包含着各种类型的噪声，主要表现为颗粒状的斑点。斑点噪声是乘性噪声，因此导致图像模糊，边缘细节丢失等问题，图像质量严重下降，对后续的图像分割，图像识别等产生不利影响。近几年对于声呐图像去噪处理常使用的算法有：小波变换、脊波变换和曲波变换等，小波去噪并不能很好的得到边缘及轮廓特征；脊波变换只能表示直线奇异特征，无法有效描述信号中的曲线奇异特征，导致细节特征丢失；曲波变换结构复杂，运算量大。综上所述，这些方法存在去噪时图像边缘及细节特征无法得到准确捕捉，去噪效率低，而且去噪效果差的问题。
[0003]所以，如何在噪声干扰严重的情况下有效去除声呐图像中的噪声、提高边缘及细节特征保持能力，同时提高去噪的效率是目前亟需解决的问题。

技术实现思路

[0004]本专利技术的目的是为解决现有声呐图像去噪方法存在的边缘及细节特征保持能力差、去噪效率低以及去噪效果差的问题，而提出的一种基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法。
[0005]本专利技术为解决上述技术问题所采取的技术方案是：
[0006]基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，所述方法具体包括以下步骤：
[0007]步骤一、对采集的原始声呐图像进行模态分解，将原始声呐图像分解为K个模态分量；
[0008]步骤二、从步骤一中获得的K个模态分量中筛选出有效模态分量；
[0009]步骤三、对步骤二中筛选出的有效模态分量进行滤波处理，得到滤波后的有效模态分量；
[0010]步骤四、将滤波后的有效模态分量重构得到去噪后的声呐图像。
[0011]基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪设备，设备包括处理器和存储器，存储器中存储有至少一条指令，至少一条指令由处理器加载并执行以实现基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法。
[0012]本专利技术的有益效果是：
[0013]本专利技术通过2D
‑
VMD对含噪图像进行分解，然后通过相关系数和结构相似度筛选出有效的模态分量，再利用自适应维纳滤波去除有效模态分量中的噪声信号，保留细节信息；最后将处理过的模态分量进行重构，得到去噪后的图像。本专利技术将自适应维纳滤波和2D
‑
VMD结合，可最大限度地提高声呐图像的去噪效果、边缘及细节特征保持能力。本专利技术还能够针对声呐图像对比度低、噪声干扰严重的问题进行改善，同时减小了运算量，提高了去噪的效率。
附图说明
[0014]图1为本专利技术的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法的流程图；
[0015]图2为含噪的声呐图像；
[0016]图3为去噪后的声呐图像。
具体实施方式
[0017]具体实施方式一、结合图1说明本实施方式。本实施方式所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，所述方法具体包括以下步骤：
[0018]步骤一、对采集的原始声呐图像进行模态分解，将原始声呐图像分解为K个模态分量；
[0019]步骤二、从步骤一中获得的K个模态分量中筛选出有效模态分量；除了有效模态分量之外的其它模态分量为无效模态分量，对无效模态分量进行零值处理，即无效模态分量不需要参与后续重构。
[0020]步骤三、对步骤二中筛选出的有效模态分量进行滤波处理，得到滤波后的有效模态分量；
[0021]步骤四、利用2D
‑
VMD重构算法，将滤波后的有效模态分量重构得到去噪后的声呐图像。
[0022]本实施方式的去噪对象是水下声呐图像。而且，本专利技术在图像噪声污染严重的情况下，同样可以获得很好的去噪效果以及边缘保持能力。
[0023]具体实施方式二：本实施方式与具体实施方式一不同的是，所述对采集的原始声呐图像进行模态分解采用的是2D
‑
VMD，分解得到的K个模态分量的中心频率各不相同。
[0024]二维变分模态分解在保持了数据保真度的同时使构成的子信号的带宽最小化。二维变分模态分解问题归为寻找一种模态u
k
的集合，这些模态可以最佳地重构给定的输入信号同时每个模态都限制在一个在线估计的中心频率二维变分模态分解算法的具体过程可描述为：
[0025]步骤一一、确定输入信号本征模态个数K，参数α
k
，τ，ε；
[0026]步骤一二、确定输出为本征模态函数中心频率
[0027]步骤一三、初始化参数令迭代变量n＝0，k＝1:K；
[0028]步骤一四、利用分析信号傅里叶乘法器建立二维掩膜：
[0029][0030]步骤一五、更新
[0031][0032]步骤一六、更新
[0033][0034]步骤一七、更新u
k
：
[0035][0036]步骤一八、更新
[0037][0038]步骤一九、判断分量是否满足约束条件满足则停止迭代，不满足则令n＝n+1，再返回步骤一四。
[0039]步骤一中模态分量个数K的不同，对二维解析信号u
k
和中心频率ω
k
的优化产生不同结果，从而影响图像分解的效果。确定图像模态分量分解个数K的同时，应该适当调整带宽限制alpha、拉格朗日乘子双上升时间步长tau、公差tol的值，使其分解结果为理想效果。
[0040]具体实施方式三：本实施方式与具体实施方式一不同的是，所述步骤二的具体过程为：
[0041]步骤二一、对于任一模态分量，将该模态分量对应的灰度图像记为图像A，将原始声呐图像对应的灰度图像记为图像B；
[0042]步骤二二、计算图像A与图像B的相似系数：
[0043][0044]其中，A
mn
代表图像A中第m行第n列像素的灰度值，B
mn
代表图像B中第m行第n列像素的灰度值，m＝1,2,
…
,M，n＝1,2,
…
,N，M代表图像A(图像B)的宽度，N代表图像A(图像B)的高度，代表图像A中的像素灰度的平均值，代表图像B中的像素灰度的平均值，CC为图像A与图像B的相关系数；
[0045]步骤二三、计算图像A与图像B的结构相似性；
[0046]步骤二三一、图像A与图像B的亮度关系L(X,Y)为：
[0047][0048]其中，μ
X...

【技术保护点】

【技术特征摘要】
1.基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，其特征在于，所述方法具体包括以下步骤：步骤一、对采集的原始声呐图像进行模态分解，将原始声呐图像分解为K个模态分量；步骤二、从步骤一中获得的K个模态分量中筛选出有效模态分量；步骤三、对步骤二中筛选出的有效模态分量进行滤波处理，得到滤波后的有效模态分量；步骤四、将滤波后的有效模态分量重构得到去噪后的声呐图像。2.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，其特征在于，所述对采集的原始声呐图像进行模态分解采用的是2D
‑
VMD，分解得到的K个模态分量的中心频率各不相同。3.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，其特征在于，所述步骤二的具体过程为：步骤二一、对于任一模态分量，将该模态分量对应的灰度图像记为图像A，将原始声呐图像对应的灰度图像记为图像B；步骤二二、计算图像A与图像B的相似系数：其中，A
mn
代表图像A中第m行第n列像素的灰度值，B
mn
代表图像B中第m行第n列像素的灰度值，m＝1,2,
…
,M，n＝1,2,
…
,N，M代表图像A的宽度，N代表图像A的高度，代表图像A中的像素灰度的平均值，代表图像B中的像素灰度的平均值，CC为图像A与图像B的相关系数；步骤二三、计算图像A与图像B的结构相似性；步骤二三一、图像A与图像B的亮度关系L(X,Y)为：其中，μ
X
为图像A中像素亮度的平均值，μ
Y
为图像B中像素亮度的平均值，C1为常数；步骤二三二、图像A与图像B的对比度关系C(X,Y)为：其中，C2为常数，σ
X
为图像A像素的标准差，σ
Y
为图像B像素的标准差，σ
XY
为图像A和图像B之间的互协方差；步骤二三三、图像A与图像B的结构关系S(X,Y)为：其中，C3为常数；
步骤二三四、则图像A与图像B的结构相似性SSIM(X,Y)为：SSIM(X,Y)＝[L(X,Y)]
·
[C(X,Y)]
·
[S(X,Y)]步骤二四、对于步骤一中获得的每个模态分量，均执行步骤二一至步骤二三的过程；步骤二五、根据计算出的相似系数和结构相似性，从步骤一中获得的K个模态分量中选择出1个有效模态分量；所述有效模态分量满足：有效模态分量对应的相似系数大于其它任意一个模态分量对应的相似系数，且有效模态分量对应的结构相似性大于其它任意一个模态分量对应的结构相似性。4.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，其特征在于，所述步骤二的具体过程为：步骤二一、对于任一模态分量，将该模态分量所对应的灰度图像记为图像A，将原始声呐图像对应的灰度图像记为图像B；呐图像对应的灰度图像记为图像B；其中，A
mn
是图像A中第m行第n列像素的灰度值，B
mn
是图像B中第m行第n列像素的灰度值，M是图像A的宽度，N是图像A的高度，||
·
||代表2范数，PSNR是峰值信噪比；步骤二二、对于步骤一中获得的每个模态分量，均执行步骤二一的过程；步骤二三、根据每个模态分量对应的峰值信噪比，从步骤一中获得的K个模态分量中选择出1个有效模态分量；所述有效模态分量满足：有效模态分量对应的峰值信噪比大于其它任意一个模态分量对应的峰值信噪比。5.根据权利要求1所述的基于自适应维纳滤波和2D
‑
VMD的声呐图像去噪方法，其特征在于，所述步骤二的具体过程为：步骤二一、对于任一模态分量，将该模态分量所对应的灰度图像记为图像A，将原始声呐图像对应的灰度图像记为图像B；其中，EPI代表边缘保持指数，A
m,n
代表图像A中第m行第n列像素的灰度值，A
(m
‑
1,n
‑
1)
代表图像A中第m
‑
1行第n
‑
1列像素的灰度值，A
(m
‑
1,n)
代表图像A中第m
‑
1行第n列像素的灰度值，A
(m
‑
1,n+1)
代表图像A中第m
‑
1行第n+1列像素的...

【专利技术属性】
技术研发人员：刘光宇，冯伟，赵恩铭，周豹，
申请(专利权)人：大理大学，
类型：发明
国别省市：