海洋技术▏侧扫声呐数据采集与地貌图像构建

王丽娜溪流之海洋人生 2023-05-07

点击上方“溪流之海洋人生”即可订阅哦

海洋中不仅蕴藏着极为丰富的生物资源和矿产资源，在现代战争中还具有很重要的战略地位。自主水下航行器（AUV）是一种具有自主作业能力的水下机器人，而这种自主作业能力是在具有自主环境探测与环境感知能力的前提下得以实现的。因此，有效的环境感知系统对于AUV而言具有重要的理论意义和实际应用价值。

海洋环境中目标感知与环境测量传感器通常基于声学原理，即各种声呐设备。其中侧扫声呐主要用于海底地貌勘测技术，所以侧扫声呐是海底目标识别的主要工具。有关文献提出针对侧扫声呐声学图像进行处理、分割和特征提取的算法，实现了自主测量海底深度和自主感知海洋环境特征。另有文献采用CSS模型成功提取了声呐图像中未知物体的高亮区、背景区和阴影区。外有文献针对侧扫声呐图像进行中值滤波，利用Otsu法将图像二值化等操作对侧扫声呐图像中目标自动识别。但目前对于侧扫声呐数据的处理大多采用后处理软件，且软件付费，不开源。因此，研究侧扫声呐数据的在线处理技术是十分必要的。

本文从侧扫声呐的原理出发，结合侧扫声呐的数据文件，解析有效数据信息，提取声强数据，绘制侧扫声呐地貌图像。

一、侧扫声呐工作原理及成像特征

侧扫声呐也称旁视声呐或海底地貌探测仪器，可显示海底地貌，确定目标的大概位置和高度。侧扫声呐可以安装于船壳上，也可安装在一个称为拖鱼的密封壳体上由船拖拽。

⒈侧扫声呐工作过程

目前多使用双侧扫声呐，船舶通过拖拽电缆，将拖鱼拖拽在离船尾一定距离和深度上进行测量。将换能器向船的一侧倾斜，形成扇形测区覆盖。侧扫声呐的水平波束宽度很窄（1°～2°），垂直波束宽度很宽（40°左右）。把两个换能器装在拖鱼内，为了获得最佳效果，拖拽体离海底的深度是可调的。

⒉侧扫声呐工作原理

侧扫声呐工作时首先发射一个短促的声脉冲，声波按球面波方式向外传播，碰到海底或水中物体会产生散射，其中的反向散射波（也叫回波）会按原传播路线返回换能器被换能器接收，经换能器转换成一系列电脉冲，如图1所示：

图1　侧扫声呐球面波原理图

利用计算机对接收回来的电脉冲串进行处理，最后变成数字量并显示出来，每一次回波数据显示在一条横线上，每一点显示的位置和回波到达的时刻对应，每一点的亮度和回波强度有关。这样，声图平面和海底平面构成逐点映射关系，即声图包含了海底的特征。

⒊侧扫声呐声图成像特征

⑴声图结构

声图的一般结构如图2，零位线是换能器发射声脉冲同时接收其信号的记录线，也可以表示拖鱼运动轨迹；海面线表示拖鱼的入水深度；海底线是拖鱼到海底的高度；扫描线是声图的主要部分，其图像灰度色调随声强变化而变化，通常在数据文件中，一条扫描线对应一帧数据。

图2　声图结构

⑵声图成像特征

声图依据扫描线像素的灰度变化显示目标轮廓以及地貌起伏形态，如图3所示，标成像灰度有两种基本变化特征：

①隆起形态的灰度特征，海底隆起形态在扫描线上的灰度特征是前黑后白，亦即黑色反映目标实体形态，白色为阴影。

②凹陷形态的灰度特征，海底凹陷形态在扫描线上的灰度特征是前白后黑，亦即白色是凹陷前壁无反射回声波信号，黑色是凹陷后壁迎声波面反射回波声信号加强。

图3　右舷成像原理图

二、侧扫声呐数据采集

⒈JSF数据格式

本文中所使用的侧扫声呐是EdgeTech公司的4200FS型侧扫声呐。该型侧扫声呐提供两种工作模式：高分辨率模式（HDM）或高速模式（HSM）：

⑴HDM模式

以双频120KHz/410KHz方式同时扫描操作，120KHz时水平波速宽度为0.64°，单侧最大量程为500m；410KHz时水平波速宽度为0.3°，单侧最大量程为150m。

⑵HSM模式

以双脉冲单频方式工作，即选择120KHz/410KHz方式扫描操作。其中，120KHz时水平波速宽度为1.26°；410KHz时水平波速宽度为0.4°，两种频率方式下的单侧最大量程与HDM模式相同。其内置标准的艏向、纵摇和横摇传感器。

本文设置侧扫声呐工作在HDM模式下实现高分辨率成像。实时采集的侧扫声呐数据以JSF格式存储。由于侧扫声呐内部设置数据文件大小的限制，较长时间段内产生一组文件，将文件加以组合以便形成完整工作过程的JSF数据，且数据内容以二进制形式存储，主要包括两字节和四字节的数据单元。JSF数据采用与ｘ86计算机一致的存储方式———小端存储方式，即低地址存储低字节数据，高地址存储高字节数据。由于目前通常计算机均为32位机大端存储方式，因此需要对JSF数据进行高－低字节交换操作。

JSF数据中每一帧数据主要包括三部分：报文头、报文内容和声呐采样数据。每帧数据是以16位的报文头开始，在这个报文头中可以提取后续报文内容的数据类型和数据大小。不同类型的数据有不同的数据类型码，如表1所示。根据环境地形特征提取的需求，本文需要提取JSF中80类型的数据。

表1　JSF数据类型

数据类型码	名称
80	声呐数据信息
82	侧扫声呐数据信息
2020	纵横倾数据
2002	NMEA数据
2060	压力传感器数据
2080	多普勒测速计数据
2090	位置信息
426	文件时间戳信息
428	文件填补信息
182	系统信息

⒉报文头解析

16位数据报文头包含侧扫声呐工作时保存的所有数据信息。每帧数据以16位的报文头开始，给出声呐数据类型码、数据长度、工作频率和通道等信息，如表2所示。

表2　JSF数据报文头协议

字节	描述	长度
0-1	报文头标记（通常是0×01和0×16）	Uint16
2	协议版本号（0×0A）	Uint8
3	会议标识符	Uint8
4-5	数据类型码	Uint16
6	指令类型	Uint8
7	工作频率	Uint8
8	通道	Uint8
9	队列号	Uint8
10-11	保留字节	Uint16
12-15	后续数据字节数	Uint32

JSF数据中16位报文头解析分为以下五步：

Step1：首先针对0-2字节判断报文头，如果其内容分别是0×01、0×16和0×0A，则表示此帧为有效数据；

Step2：由4-5字节数据得到数据类型码，筛选出常用且数据信息最全面的80类型数据，检测到两字节内容分别为0×50和0×00时可确定为80类型数据；

Step3：第7字节决定了数据的来源，通常分为海底数据、低频声呐数据、高频声呐数据、原始数据和解析后数据共五种。选取低频声呐数据绘图，低频数据的标志为0×20；

Step4：第8字节代表该帧数据的读取通道。0×00代表左舷（0通道），0×01表示右舷（1通道）。由于左右舷数据无差别，本文以右舷数据所生成的声呐地貌图像为例开展海试试验验证；

Step5：第12、13、14和15字节读取该帧数据后续数据的字节数。

其他字节可以忽略，无须解析。

⒊报文内容解析

在16位报头之后是240位80类型数据的报文内容，在这240位数据里可以根据JSF数据格式中的数据封装协议提取出有用信息，如表3。

表3　80类型数据报文内容典型信息列表

字节	描述	长度
16-17	重要的位	Uint16
30-31	有效标志位	Uint16
80-83	经度	int32
84-87	纬度	int32
88-89	坐标单位	it16
114-115	每帧采样数据	int16
168-169	权重因子	int16
172-173	艏向	int16
174-175	纵倾	int16
176-177	横倾	int16

针对上述表格所述的有效数据，进行80类型数据报文内容解析，程序流程图如图4。

图4　80类型数据报文内容解析流程图

首先，需要提取30-31字节的数据，其数值代表该帧数据中的有效位。通过提取这16位数据发现第0、3、5位上为1，其它位都是0。对照说明书发现有效数据包括经纬度信息、艏向和纵横倾信息。因此解析其中80-87和172-177字节，提取侧扫声呐工作时的经纬度和航姿信息。其次，通过88-89字节确定经纬度数据单位，通过转换除以60000，得到单位度；航姿数据单位乘以180/32768得到单位度。接着，确定权重因子，为后续声呐采样数据解析使用。

最后，声呐采样数据的大小存在一个等式，分如下三步验证：

①通过读取114-115字节和16-17字节中8-11位，总共20位的数据值来得到数据数目，用它乘以2得到字节数。

②通过提取本文2中提到的12-15字节内容确定该帧数据后续字节数，减去240字节报文内容得到的声呐采样数据大小。

③如果两者相等，即声呐采样数据大小验证成功。

⒋声呐采样数据在线解析

在240位报文内容之后的数据是声呐的采样数据，每帧数据都反映了一条扫描线上所扫过的回波信息。回波信息分为左舷和右舷两大组。这个信息携带的是海底的真实的地貌信息。在这里值得注意的是每个声呐采样数据必须经过如下变换才能得到强度信息：

Scaled Datasample＝datasample×2^-N ⑴

其中：N代表权重因子，datasample代表声呐采样数据，Scaled Datasample代表强度数据。

处理后的声呐数据是一帧的低频、右舷数据，共42464字节。从数据中可以看出由于海水几乎没有回波强度所以在海水区内的回波强度都为0。回波强的地方声强数据的数值大，反之，回波弱的地方声强数据就越小。

三、声呐图像转化建模与地貌图像生成

⒈声呐图像量化转化模型

前述的声呐采样和解析所得到的回波强度信息，需要完成灰度级模型转化才能构建声呐图像，即建立回波强度至图像灰度级转化模型，将回波强度量化为图像灰度级。回波强度的变化范围主要取决于海床的地貌特征、底质类型等。若声强变化范围为从BS_min到BS_max，量化后的灰范围从G_min到G_max，则声强BS量化为灰度级G的转化模型为：

G＝G_min＋(G_max－G_min)/(BS_max－BS_min)×(BS－BS_min) ⑵

式中，G为灰度级；(BS_max－BS_min)对应于(G_max－G_min)。使得每一像素（i，j）都有与之对应的灰度级f（i，j）。

⒉侧扫声呐地貌图像生成试验

针对提取的回波强度信息，通过两次海试试验完成上述量化模型与声呐图像构建方法的验证。试验地点分别位于大连小平岛海域和浙江千岛湖水域。两次侧扫声呐（以右舷侧为例）低频环境感知试验中，生成的环境地貌图像如图5(a)、(b)所示。为检验本文所构建的侧扫声呐地貌图像的正确性和有效性，针对上述两次试验，采用4200FS型侧扫声呐数据后处理专用软件构建海底地貌图像如图6(a)、(b)所示。

图5　侧扫声呐地貌图像生成试验

图６　侧扫声呐专用软件生成的地貌图像

首先图5和图6绘制的图像区域不是严格相同的，在此只对比两图中特征信息的正确性，可以发现，在实验过程中本文提出的地貌图像绘制方法能够将海底地貌中的特征信息绘制出来，并且同侧扫声呐专用软件构建的海底地貌图像是大概一致的，但是，由于本文构建方法中没有考虑侧扫声呐载体运动过程中航速变化和姿态角变化带来的图像拉伸和图像帧偏转问题，而侧扫声呐专用软件在图像后处理方面做得更加出色，这也是侧扫声呐图像构建领域需要进一步研究的重点问题，但是这并不影响本文所提出的侧扫声呐数据采集与数据提取方法是有效的。

四、结束语

本文从侧扫声呐的工作原理和工作过程入手，提出了一种解析JSF声呐数据格式的方法，并针对80类型数据完成有效数据单元的解析，提取得到侧扫声呐两舷（左、右舷）的低频回波强度数据；建立了回波强度与声呐图像灰度的量化转化模型，并由此构建了侧扫声呐地貌图像，以右舷低频回波强度数据为例，针对所生成侧扫声呐地貌图像，通过与侧扫声呐专用软件所生成的地貌图像海试试验对比分析，验证了本文所提出的侧扫声呐实时数据采集与地貌构建方法的有效性和可行性。

本文所提出的方法，可实际应用于在线环境感知侧扫声呐数据解析，并由此具备了环境地形特征提取的数据条件和基础，对于开展基于地形辅助导航研究具有实际应用价值。

【作者简介】王丽娜，1986年出生，女，吉林德惠人，长春建筑学院电气信息学院，硕士，讲师，主要研究方向是AUV控制系统。本文来自《北京测绘》（2018年8期），参考文献略，用于学习与交流，版权归作者及出版社共同拥有。