【水声信号处理】深入理解声呐系统的“点扩散函数PSF”原理、公式与仿真摘要在阅读声呐图像处理或超分辨率相关的文献时我们经常会遇到一个高频词汇——点扩散函数Point Spread Function, 简称 PSF。它到底是什么为什么它决定了声呐“看”海底的清晰度本文将带你扒开数学的外衣从物理直觉、数学模型到工程仿真全面讲透声呐系统的点扩散函数。一、 通俗理解什么是“点扩散”在讲枯燥的公式前我们先打个比方。想象一下你是个极度近视眼没戴眼镜在漆黑的夜晚远处有一盏极小极亮的 LED 灯物理上的理想点目标。但是在你的眼睛里这盏极小的灯并不是一个完美的点而变成了一个边缘模糊的、带有光晕的圆盘。在这个过程中你的眼球光学系统把一个“点”给“扩散Smear/Spread”了。声呐系统也是一样的道理。海底有一块极小、极硬的孤立礁石点目标声呐向它发射声波并接收回波。由于声波的衍射物理特性、换能器阵列的有限孔径以及发射信号的有限带宽声呐在显示器上画出来的并不是一个小点而是一个有一定长宽的“斑块”。这个将“理想点目标”转化为“模糊斑块”的系统响应函数就是点扩散函数PSF。通俗地说PSF 就是声呐系统的“模糊滤镜”。二、 声呐成像的数学本质卷积在信号处理领域我们通常将声呐系统假设为线性时不变系统LTI在局部区域内。基于这个假设声呐接收到的二维图像Y(r,θ)Y(r, \theta)Y(r,θ)其实是真实海底场景X(r,θ)X(r, \theta)X(r,θ)与声呐系统 PSFH(r,θ)H(r, \theta)H(r,θ)的二维卷积外加环境噪声N(r,θ)N(r, \theta)N(r,θ)Y(r,θ)X(r,θ)∗H(r,θ)N(r,θ) Y(r, \theta) X(r, \theta) \ast H(r, \theta) N(r, \theta)Y(r,θ)X(r,θ)∗H(r,θ)N(r,θ)rrr距离向Range声波传播方向θ\thetaθ方位向Azimuth沿着换能器阵列的方向∗\ast∗二维卷积运算符H(r,θ)H(r, \theta)H(r,θ)就是我们今天的主角——二维点扩散函数。这意味着声呐图像上的每一个像素都是真实海底场景被 PSF 这把“刷子”涂抹卷积之后的结果。如果两个目标离得太近它们各自扩散出来的斑块就会重叠在一起导致声呐无法分辨这就是分辨率的物理极限。三、 拆解声呐的 PSF距离向与方位向由于声呐在距离向和方位向的成像机理不同我们通常将二维 PSF 拆解为两个一维函数的乘积H(r,θ)≈Hr(r)⋅Hθ(θ) H(r, \theta) \approx H_r(r) \cdot H_\theta(\theta)H(r,θ)≈Hr​(r)⋅Hθ​(θ)1. 距离向 PSFHr(r)H_r(r)Hr​(r)由发射信号决定距离向的分辨能力取决于声呐发射的声脉冲。对于连续波CW脉冲Hr(r)H_r(r)Hr​(r)是一个矩形包络。脉冲宽度τ\tauτ越短点扩散越小距离分辨率越好Δrcτ2\Delta r \frac{c\tau}{2}Δr2cτ​。对于调频脉冲如 Chirp 信号经过匹配滤波脉冲压缩后Hr(r)H_r(r)Hr​(r)会呈现出一个类似Sinc 函数的形状。信号带宽BBB越大主瓣越窄分辨率越高。2. 方位向 PSFHθ(θ)H_\theta(\theta)Hθ​(θ)由阵列物理特性决定这是多波束声呐和侧扫声呐最关注的指标也常被称为波束图Beam Pattern。它是由换能器阵列的空间几何分布造成的空间干涉图样。对于一个由NNN个阵元组成的均匀直线阵ULA阵元间距为ddd声波波长为λ\lambdaλ其方位向的 PSF归一化功率波束图可以推导为经典的辛格函数Sinc-like形式Hθ(θ)∣sin⁡(Nπdλsin⁡θ)Nsin⁡(πdλsin⁡θ)∣2 H_\theta(\theta) \left| \frac{\sin(N \pi \frac{d}{\lambda} \sin\theta)}{N \sin(\pi \frac{d}{\lambda} \sin\theta)} \right|^2Hθ​(θ)​Nsin(πλd​sinθ)sin(Nπλd​sinθ)​​2从这个公式我们可以得出三个极其重要的工程结论主瓣宽度决定分辨率当λ\lambdaλ波长变小或者N⋅dN \cdot dN⋅d阵列总长度即孔径DDD变大时主瓣会变窄PSF 变得更尖锐图像越清晰。旁瓣Side-lobes导致虚假目标公式表明除了中间的主峰两边还有很多小峰旁瓣。这意味着如果在θ1\theta_1θ1​方向有个极强的目标它可能会在θ2\theta_2θ2​方向的旁瓣漏过去在图像上形成“鬼影”。栅瓣Grating lobes如果阵元间距dλ/2d \lambda/2dλ/2公式会出现周期性的大峰值导致严重的空间混叠声呐会把左边的目标看成右边的。四、 工程师的权衡如何优化 PSF在实际声呐设计中工程师为了获得完美的 PSF需要做出许多权衡Trade-off物理硬件的无奈想要极窄的方位向 PSF必须增加天线阵列长度。但潜艇或 AUV 的安装空间寸土寸金不可能无限加长。加窗/加权处理Windowing/Weighting前面提到旁瓣会产生假目标。为了压低旁瓣我们在信号处理时会给阵元加权如切比雪夫窗、泰勒窗、海明窗。代价是什么呢主瓣会变宽这就是著名的“主瓣宽度与旁瓣电平的矛盾”。压低旁瓣的代价就是牺牲了一点空间分辨率。点扩散函数的中心光斑变大了但外围的光晕变暗了。五、 Python 代码仿真直观感受方位向 PSF光看公式可能比较抽象我们用一段简单的 Python 代码画出均匀直线阵的方位向 PSF看看“加窗”前后 PSF 是如何变化的。importnumpyasnpimportmatplotlib.pyplotaspltdefcalculate_psf(N,d_lambda,theta_deg,windowrect): 计算线性阵列的方位向 PSF (波束图) :param N: 阵元数量 :param d_lambda: 阵元间距与波长的比值 (d / lambda) :param theta_deg: 观察角度数组 (度) :param window: 窗函数类型 (rect 或 hamming) theta_radnp.radians(theta_deg)# 构建阵列流形矩阵 (Steering Vector)nnp.arange(N)# 相位差phase2*np.pi*d_lambda*np.sin(theta_rad)# 权重加窗ifwindowhamming:wnp.hamming(N)else:wnp.ones(N)# 矩形窗均匀加权ww/np.sum(w)# 归一化# 计算波束响应responsenp.zeros_like(theta_rad,dtypecomplex)fori,pinenumerate(phase):response[i]np.sum(w*np.exp(-1j*n*p))# 转换为对数功率谱 (dB)psf_db20*np.log10(np.abs(response)1e-10)returnpsf_db# 参数设置N32# 32个阵元d_lambda0.5# 阵元间距为半波长thetanp.linspace(-90,90,1000)# 计算两种情况下的 PSFpsf_rectcalculate_psf(N,d_lambda,theta,rect)psf_hammingcalculate_psf(N,d_lambda,theta,hamming)# 绘图plt.figure(figsize(10,6))plt.plot(theta,psf_rect,labelRectangular Window (Uniform),colorblue)plt.plot(theta,psf_hamming,labelHamming Window (Weighted),colorred,linestyle--)plt.axhline(-13.26,colorblue,linestyle:,alpha0.5)# 矩形窗第一旁瓣理论值plt.axhline(-42.8,colorred,linestyle:,alpha0.5)# 海明窗第一旁瓣理论值plt.title(fAzimuthal Point Spread Function (PSF) of a{N}-element ULA)plt.xlabel(Angle (Degrees))plt.ylabel(Normalized Power (dB))plt.ylim([-60,0])plt.grid(True)plt.legend()plt.show()代码运行结果解析运行上述代码你会看到两条曲线蓝线无加权中间的主峰点目标所在位置非常锐利但是两侧的“波浪”旁瓣很高最高在-13dB左右。这就是原始的 PSF它容易受强目标干扰。红线加海明窗两侧的旁瓣被深深地压了下去低于-40dB背景变得极干净但是中心的主峰主瓣变胖了。这就是通过牺牲分辨率来换取抗干扰能力的经典体现。六、 总结与进阶为什么要知道 PSF理解了声呐的 PSF你就能看懂当今前沿的水声信号处理技术为什么要做反卷积Deconvolution因为我们接收到的信号YX∗HY X \ast HYX∗H。如果我们精确知道了系统的HHHPSF我们就可以在数学上做逆运算把模糊的YYY还原成清晰的XXX这就是图像复原和超分辨率技术的核心声呐出厂校准厂商通常会在水池里挂一个小钢球标准点目标实测它的声学影像以此来标定这台声呐真实的 PSF 是否符合设计预期。声呐的“视力”好坏全藏在这个小小的点扩散函数里。希望本文能帮你理清脉络在处理水声数据时更加得心应手