劉志東

(1.四川大學(xué)，四川成都 610065；2.四川城市職業(yè)學(xué)院，四川成都 610110)

0 引言

紅外圖像采集系統(tǒng)具有采集圖像速度快、不受天氣影響等優(yōu)點(diǎn)，被應(yīng)用在船舶檢測(cè)領(lǐng)域。通過紅外圖像采集系統(tǒng)可準(zhǔn)確采集海上船舶紅外圖像，便于實(shí)施海上船舶管理。局部極值點(diǎn)匯聚一起形成圖像邊緣[1]，因船舶紅外圖像邊緣中存在關(guān)鍵的特征數(shù)據(jù)，因此對(duì)船舶紅外圖像邊緣檢測(cè)至關(guān)重要[2]。圖像處理中通過邊緣檢測(cè)方法提取圖像邊緣中背景和目標(biāo)灰度差異部分，有利于目標(biāo)識(shí)別[3–4]。目前，相關(guān)學(xué)者已經(jīng)開始對(duì)船舶紅外圖像邊緣檢測(cè)方法展開研究。王睿男[5]研究形態(tài)學(xué)的邊緣檢測(cè)方法，采用多方面元素提取船舶紅外圖像邊緣特征，經(jīng)多特征的加權(quán)融合計(jì)算后，完成船舶紅外圖像邊緣檢測(cè)。因該方法加權(quán)求解過程過于復(fù)雜，導(dǎo)致船舶紅外圖像邊緣檢測(cè)速度比較慢。何謙等[6]研究DexiNed 改進(jìn)的邊緣檢測(cè)方法，通過優(yōu)化損失函數(shù)改進(jìn)DexiNed 方法，調(diào)整網(wǎng)絡(luò)模型，對(duì)該模型實(shí)施訓(xùn)練后輸出船舶紅外圖像邊緣數(shù)據(jù)，實(shí)現(xiàn)船舶紅外圖像邊緣檢測(cè)。雖然該方法在少量的樣本船舶紅外圖像邊緣檢測(cè)方面取得一定應(yīng)用效果，但對(duì)于海量樣本的船舶紅外圖像邊緣檢測(cè)中應(yīng)用效果不太理想，邊緣特征提取過慢，強(qiáng)紅外圖像邊緣檢測(cè)效率低，適應(yīng)性低。

改進(jìn)神經(jīng)網(wǎng)絡(luò)具有收斂性快、尋優(yōu)能力強(qiáng)、學(xué)習(xí)能力強(qiáng)等優(yōu)點(diǎn)，被廣泛應(yīng)用在圖像識(shí)別領(lǐng)域，并取得較好應(yīng)用效果。針對(duì)以上方法在船舶紅外圖像邊緣檢測(cè)中存在的局限性，研究改進(jìn)神經(jīng)網(wǎng)絡(luò)的船舶紅外圖像邊緣檢測(cè)方法，提高船舶紅外圖像邊緣檢測(cè)能力。

1 船舶紅外圖像邊緣檢測(cè)方法

1.1 船舶紅外圖像去噪處理

因船舶紅外圖像在采集過程中容易受到外界因素的影響，導(dǎo)致采集的船舶紅外圖像中存在大量噪聲數(shù)據(jù)，因此采用基于塊匹配的主成分分析(principal component analysis，PCA)圖像去噪方法對(duì)船舶紅外圖像實(shí)施去噪處理，為船舶紅外圖像邊緣檢測(cè)奠定基礎(chǔ)。將船舶紅外圖像中需要去噪的像素點(diǎn)分為1 個(gè)變量塊作為訓(xùn)練樣本，設(shè)置船舶紅外圖像中用Y表示矩陣，行列數(shù)量分別用a，b描述，P C A 變換求解流程為：

步驟1求解船舶紅外圖像Y矩陣的各行均值，其求解公式如下：

其中：像素點(diǎn)分別用i，j描述。

中心矩陣計(jì)算公式如下：

步驟2求解船舶紅外圖像Y矩陣的協(xié)方差矩陣，其求解公式為：

DY特征值對(duì)角矩陣表達(dá)式如下：

式中，特征值用 ν描述。

特征向量矩陣表達(dá)式為：特征向量用 ?描述，依據(jù)大小順序?qū)?ν ， ?進(jìn)行排序。

步驟3投影矩陣的生成，投影矩陣表達(dá)式為：

PCA 反變換方法：設(shè)置變換矩陣用P=?T描述，此時(shí)原始矩陣經(jīng)過降維后得出投影矩陣。PCA 含噪聲矩陣Y a通過最小均方誤差估計(jì)算法對(duì)其實(shí)施降噪，區(qū)分船舶紅外圖像中圖像數(shù)據(jù)與噪聲數(shù)據(jù)。用表示Y a第l行，該算法表達(dá)式如下：

式中：均值權(quán)重系數(shù)分別用E[·]， ωl描述；無噪聲估計(jì)值用描述。

σ表示噪聲標(biāo)準(zhǔn)差，方差用var()描述，權(quán)重系數(shù)求解公式：

其中：含噪聲像素值用s描述；無噪聲像素值用o描述。

通過式(7)可去除船舶紅外圖像矩陣各行的噪聲后，采用PCA 反變換后，可獲取去噪后船舶紅外圖像。

1.2 改進(jìn)神經(jīng)網(wǎng)絡(luò)的圖像邊緣檢測(cè)

1.2.1 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法流程如圖1所示。BP神經(jīng)網(wǎng)絡(luò)算法流程為：將神經(jīng)元實(shí)施初始化，計(jì)算隱含層、輸出層每個(gè)節(jié)點(diǎn)的輸出后，給定輸入向量與目標(biāo)輸出，并計(jì)算目標(biāo)值和實(shí)際輸出的偏差，求解反向誤差進(jìn)行取值學(xué)習(xí)，對(duì)學(xué)習(xí)結(jié)果實(shí)施判斷，滿足終止條件，停止迭代，反之需要重新計(jì)算隱含層、輸出層每個(gè)節(jié)點(diǎn)的輸出。

圖1 BP神經(jīng)網(wǎng)絡(luò)算法流程Fig.1 BP neural network algorithm flow

通過附加動(dòng)量法-自適應(yīng)學(xué)習(xí)速率對(duì)BP 神經(jīng)網(wǎng)絡(luò)實(shí)施改進(jìn)，調(diào)整BP 神經(jīng)網(wǎng)絡(luò)權(quán)值，提高網(wǎng)絡(luò)訓(xùn)練魯棒性。附加動(dòng)量法權(quán)值調(diào)整算法主要是通過改變學(xué)習(xí)速率，增強(qiáng)網(wǎng)絡(luò)性能，用 ?M表示網(wǎng)絡(luò)權(quán)值增量，附加動(dòng)力因子權(quán)值調(diào)整表達(dá)式如下：

式中：動(dòng)量因子用nc描述；網(wǎng)絡(luò)權(quán)值用M描述；訓(xùn)練次數(shù)用k描述；誤差函數(shù)用F描述；學(xué)習(xí)速率用 γ描述。

在網(wǎng)絡(luò)訓(xùn)練時(shí)，需要對(duì)附加動(dòng)力因子設(shè)置判斷條件，才能正確使用權(quán)值調(diào)整公式，其判斷條件公式如下：

式中，第k代誤差平方和用F(k)描述。

學(xué)習(xí)速率過大過小均會(huì)影響神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練效率，因此需要自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率，學(xué)習(xí)速率自適應(yīng)調(diào)整表達(dá)式如下：

1.2.2 圖像邊緣檢測(cè)

改進(jìn)神經(jīng)網(wǎng)絡(luò)的船舶紅外圖像邊緣檢測(cè)基本流程為：將降噪處理后船舶紅外圖像轉(zhuǎn)換為二值圖像后作為改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的輸入，經(jīng)過網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練，完成船舶紅外圖像檢測(cè)。輸入層確定流程如下：

步驟1輸入預(yù)處理后船舶紅外圖像α， 用α(i,j,g),g=1,2,3表 示圖像像素點(diǎn) (i,j)的彩色分量；

步驟2通過彩色梯度算子求解出船舶紅外圖像中(i1,j1) ，(i2,j2)像素點(diǎn)的歐式距離，2個(gè)像素點(diǎn)歐式距離表達(dá)式為：

經(jīng)梯度算子處理后將船舶紅外圖像α 轉(zhuǎn)換為灰度圖像。

步驟3采用梯度算子將灰度圖像 α1轉(zhuǎn)換成二值圖像 α2。

步驟4輸入樣本為轉(zhuǎn)換后二值圖像，再實(shí)施下一步網(wǎng)絡(luò)訓(xùn)練。

隱含層確定：依據(jù)相關(guān)資料可知，隱含層數(shù)量求解公式如下：

其中：整數(shù)用 ε 描述 ε =[0?10]；輸出和輸入神經(jīng)元數(shù)量分別用 β ， χ描述。此處構(gòu)建由3層隱含層組成的神經(jīng)網(wǎng)絡(luò)。

輸出層確定：神經(jīng)網(wǎng)絡(luò)輸入層、輸出層中分別包括9個(gè)神經(jīng)元、1個(gè)神經(jīng)元。當(dāng)輸出值比設(shè)置閾值0.1低時(shí)，表示檢測(cè)點(diǎn)不是船舶紅外圖像邊緣點(diǎn)；當(dāng)輸出值比設(shè)置閾值0.9高時(shí)，表示檢測(cè)點(diǎn)為船舶紅外圖像邊緣點(diǎn)。

經(jīng)過上述過程，實(shí)現(xiàn)船舶紅外圖像檢測(cè)。

2 實(shí)驗(yàn)分析

在MatLab 7.0軟件中測(cè)試本文方法的應(yīng)用效果，將某地區(qū)海事管理部門實(shí)際采集船舶紅外圖像數(shù)據(jù)庫作為試驗(yàn)對(duì)象，該數(shù)據(jù)庫中包括不同距離采集的船舶紅外圖像，試驗(yàn)數(shù)據(jù)庫見表1。

表1 試驗(yàn)數(shù)據(jù)庫Tab.1 Test database

設(shè)置分別用W，B表示 ι ?τ的噪聲圖像與干凈圖像，均方差誤差(MSE)表達(dá)式如下：

峰值信噪比(PSNR)作為評(píng)價(jià)指標(biāo)，其計(jì)算公式如下：

其中，最大像素值用MAXB描 述。當(dāng)PS NR>40表示圖像質(zhì)量極好， 2 0

采用基于塊匹配的PCA 算法對(duì)試驗(yàn)數(shù)據(jù)庫中船舶紅外圖像進(jìn)行降噪處理后，取試驗(yàn)數(shù)據(jù)的平均值，統(tǒng)計(jì)出本文方法對(duì)于不同距離采集船舶紅外圖像降噪后PSNR，結(jié)果見表2。分析可知，采用基于塊匹配的PCA 算法對(duì)于不同距離采集船舶紅外圖像實(shí)施降噪后PSNR 值均有所提升，本文方法降噪后PSNR 值全部高于40 dB，說明本文方法降噪效果較好，同時(shí)適用于不同噪聲標(biāo)準(zhǔn)差下的船舶紅外噪聲圖像去噪。

表2 不同距離采集船舶紅外圖像降噪PSNR(dB)Tab.2 PSNR of infrared image noise reduction of ships collected at different distances(dB)

在試驗(yàn)數(shù)據(jù)庫中隨機(jī)選取1張近距離采集的船舶紅外圖像，采用本文方法對(duì)其紅外圖像實(shí)施邊緣檢測(cè)，邊緣檢測(cè)結(jié)果見圖2。分析圖2(a)可知，受霧天的影響采集原始船舶紅外圖像中存在大量噪聲，同時(shí)圖像清晰度較低；由圖2(b)可知，采用基于塊匹配的PCA 算法對(duì)近距離采集原始船舶紅外圖像實(shí)施降噪處理，經(jīng)PCA 反轉(zhuǎn)換有效去除原始圖像中多余噪聲，保留較好船舶紅外圖像邊緣數(shù)據(jù)，經(jīng)去噪后圖像清晰度得到顯著提高，視覺效果優(yōu)良；由圖2(c)可知，采用梯度算子將降噪后船舶紅外圖像轉(zhuǎn)換為二值圖像，保留完整的船舶紅外圖像中數(shù)據(jù)，為改進(jìn)神經(jīng)網(wǎng)絡(luò)的檢測(cè)奠定基礎(chǔ)；由圖2(d)可知，將二值圖像作為改進(jìn)神經(jīng)網(wǎng)絡(luò)輸入，經(jīng)過學(xué)習(xí)訓(xùn)練輸出船舶紅外圖像邊緣檢測(cè)結(jié)果，采用本文方法可準(zhǔn)確檢測(cè)出船舶紅外圖像邊緣，邊緣檢測(cè)結(jié)果的清晰度高且連貫，達(dá)到船舶紅外圖像邊緣檢測(cè)標(biāo)準(zhǔn)，有利于船舶分類管理。

圖2 本文方法的船舶紅外圖像邊緣檢測(cè)結(jié)果Fig.2 Edgedetection results of ship infrared image based on this method

3 結(jié)語

因船舶紅外圖像中含有大量噪聲數(shù)據(jù)，加大了船舶紅外圖像邊緣檢測(cè)難度，本文研究基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的船舶紅外圖像邊緣檢測(cè)方法，提高船舶紅外圖像邊緣檢測(cè)速度，便于對(duì)船舶管理。

試驗(yàn)結(jié)果表明，本文方法可有效提取船舶紅外圖像真實(shí)邊緣，其應(yīng)用效果較好。