2. 声呐图像阴影区域预处理与增强

任务对象与处理链

本节处理的是侧扫声呐或前视声呐的单帧灰度图像。目标阴影在图像中表现为目标回波亮带后方的低灰度暗区，其可辨识度取决于两个量：阴影区与背景海底的灰度差（决定信噪比）和阴影边界处的灰度跃变陡度（决定边缘清晰度）。预处理的目标不是"让图变好看"，而是在不破坏阴影几何形状的前提下，同时抬高这两项指标。

处理链固定为四步：灰度归一化 → 自适应直方图均衡（CLAHE）→ 形态学滤波 → 指标评估。归一化消除不同增益/量程下的灰度尺度差异；CLAHE 在局部窗口内拉伸对比度，避免全局均衡把大面积均匀海底噪声一并放大；形态学滤波用开运算去除孤立亮点、闭运算填补阴影内部小孔洞，使阴影区域成为连通的暗块，便于后续分割。

关键实现与参数选择

下面给出可直接运行的 Python 实现，使用 OpenCV 与 NumPy。输入为单通道 8 位灰度图，输出为增强图与四项指标。所有参数均为教学示例值，实际使用时需按声呐型号与量程调整。

import cv2
import numpy as np

def normalize_gray(img, lo_pct=2, hi_pct=98):
    """百分位截断归一化，抑制极亮回波与极暗噪声对尺度的影响"""
    lo, hi = np.percentile(img, (lo_pct, hi_pct))
    hi = max(hi, lo + 1e-6)
    out = (img.astype(np.float32) - lo) / (hi - lo)
    return np.clip(out, 0, 1)

def enhance_shadow(img_u8, tile=8, clip=2.0, k_open=3, k_close=5):
    """完整预处理链：归一化 -> CLAHE -> 形态学滤波"""
    norm = normalize_gray(img_u8)
    norm_u8 = (norm * 255).astype(np.uint8)

    clahe = cv2.createCLAHE(clipLimit=clip, tileGridSize=(tile, tile))
    eq = clahe.apply(norm_u8)

    ko = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (k_open, k_open))
    kc = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (k_close, k_close))
    opened = cv2.morphologyEx(eq, cv2.MORPH_OPEN, ko)   # 去孤立亮点
    closed = cv2.morphologyEx(opened, cv2.MORPH_CLOSE, kc)  # 补阴影内孔洞
    return closed

def shadow_metrics(img, mask):
    """mask 为阴影区域二值掩膜；背景取掩膜外区域"""
    img_f = img.astype(np.float32)
    sh = img_f[mask > 0]
    bg = img_f[mask == 0]
    mu_sh, mu_bg = sh.mean(), bg.mean()
    sigma_bg = bg.std() + 1e-6
    snr = (mu_bg - mu_sh) / sigma_bg

    # 边缘清晰度：阴影边界处 Sobel 梯度幅值均值
    gx = cv2.Sobel(img_f, cv2.CV_32F, 1, 0, ksize=3)
    gy = cv2.Sobel(img_f, cv2.CV_32F, 0, 1, ksize=3)
    mag = np.sqrt(gx**2 + gy**2)
    edge = cv2.Canny((mask * 255).astype(np.uint8), 50, 150) > 0
    edge = cv2.dilate(edge.astype(np.uint8), np.ones((3, 3), np.uint8)) > 0
    edge_grad = mag[edge].mean() if edge.any() else 0.0
    return snr, edge_grad

# 使用示例（img 为读入的灰度声呐图，mask 为人工标注或粗分割的阴影掩膜）
# enhanced = enhance_shadow(img)
# snr0, eg0 = shadow_metrics(img, mask)
# snr1, eg1 = shadow_metrics(enhanced, mask)
# print(f"SNR: {snr0:.2f} -> {snr1:.2f} dB, 边缘梯度: {eg0:.2f} -> {eg1:.2f}")

参数影响与判读

三个参数对结果的影响方向不同，调参时需分开观察：

• clipLimit：过小（如 1.0）时局部对比度提升有限，SNR 改善不明显；过大（如 5.0 以上）会把海底纹理噪声放大成伪阴影，导致背景标准差 σ_bg 上升，反而压低 SNR。教学示例中 2.0 是较稳的起点。
• tileGridSize：tile 越小，局部适应性越强，但块间插值可能产生块状伪影，破坏阴影边界的连续性；tile 越大越接近全局均衡。8×8 适合 512×512 左右的图像。
• 形态学核尺寸：开运算核应小于目标阴影的最小宽度，否则会侵蚀阴影本身；闭运算核应大于阴影内部孔洞尺寸。核过大将导致阴影面积被系统性改变，影响后续几何特征计算。

验证与通过条件

验证采用同一掩膜在增强前后分别计算指标，避免因掩膜变化引入偏差。通过条件为：SNR 提升不低于 3 dB，且阴影边界平均梯度幅值提升不低于 20%。若 SNR 提升但边缘梯度下降，说明 CLAHE 过度平滑了边界，应降低 clipLimit 或减小 tile 尺寸；若边缘梯度提升但 SNR 下降，通常是背景噪声被放大，应减小 clipLimit 并检查归一化的百分位截断是否过窄。