謝凌云

（南昌工學(xué)院，江西 南昌 330108）

0 引 言

船舶圖像具有很強(qiáng)的實用性，可以用于船舶監(jiān)測和識別、海上安全監(jiān)控、航海導(dǎo)航等，具有較強(qiáng)的應(yīng)用價值。在船舶圖像中，弱小目標(biāo)是指相對于其他大型船舶而言尺寸較小、輪廓較弱、難以被察覺的目標(biāo)，這些目標(biāo)可能是小型船只或其他各類小型水上交通工具[1]。弱小目標(biāo)在船舶圖像檢測中的存在具有一定的重要性和挑戰(zhàn)性，為精準(zhǔn)識別海上船舶圖像中不同目標(biāo)，有較多學(xué)者對此進(jìn)行研究。馬嘯等[2]基于可見光圖像中船舶目標(biāo)檢測方法，該方法通過對大量的圖像進(jìn)行特征學(xué)習(xí)，從而獲取船舶目標(biāo)，雖然該方法具有較快的檢測速度，但無法在多目標(biāo)狀態(tài)下實現(xiàn)精準(zhǔn)檢測。謝兆哲等[3]研究SAR 圖像船舶目標(biāo)檢測方法，雖然該方法在目標(biāo)檢測時可以精準(zhǔn)提取目標(biāo)特征，但當(dāng)圖像中存在大量噪聲時，會影響后續(xù)目標(biāo)檢測的精準(zhǔn)度。

視覺傳達(dá)技術(shù)是一種通過圖像、圖形和視覺元素來傳達(dá)信息和表達(dá)意義的溝通方式，該技術(shù)利用視覺感知和認(rèn)知的特點(diǎn)，通過設(shè)計和組合各種視覺元素，以達(dá)到有效傳遞信息和引起觀眾興趣的目的。為此，利用視覺傳達(dá)技術(shù)，構(gòu)建船舶圖像中弱小目標(biāo)檢測方法，精準(zhǔn)檢測船舶圖像中的弱小目標(biāo)。

1 船舶圖像中弱小目標(biāo)檢測方法

1.1 基于中值濾波算法的船舶圖像去噪處理

由于利用船舶圖像進(jìn)行弱小目標(biāo)檢測需要依靠清晰度較高的圖像，而目前現(xiàn)有采集方法采集到的船舶圖像通常存在噪聲較大、邊緣模糊等問題，為改善船舶圖像的可利用性，為后續(xù)弱小目標(biāo)檢測提供良好基礎(chǔ)，采用中值濾波算法，進(jìn)行圖像去噪。中值濾波算法是一種常用的圖像去噪方法，其原理是通過一個滑動窗口對圖像的像素值進(jìn)行排序，將中間值作為該窗口的輸出值，從而實現(xiàn)圖像去噪。與其他線性濾波算法相比，中值濾波算法在去除噪聲的同時能夠較好地保留圖像的邊緣信息，這是因為中值濾波算法對窗口內(nèi)的像素值進(jìn)行排序，而邊緣處的像素值差異較大，排序后的中間值能夠較好地保留邊緣的細(xì)節(jié)。在使用中值濾波算法進(jìn)行圖像處理時，其原理可表示為：

中值濾波算法可將船舶數(shù)字圖像視為二維形式，因此，該算法去噪過程即可看作對二維數(shù)據(jù)進(jìn)行去噪，通過這些二維數(shù)字序列構(gòu)成二維矩陣，而矩陣?yán)锏脑刂导礊槊恳幌袼攸c(diǎn)的像素灰度值。該算法具體去噪步驟如下：

1）構(gòu)建一個大小為3×3 的窗口，共存在奇數(shù)點(diǎn)個數(shù)為(2n+1)×(2n+1)，利用這個窗口，沿著船舶二維圖像向行方向或列方向上移動。

2）每次移動時，均要對窗口內(nèi)像素灰度值進(jìn)行從小到大排序。

3）每次排序后，將中位數(shù)灰度值替代當(dāng)前中心像素的灰度值，從而實現(xiàn)船舶圖像去噪。

1.2 基于門限直方圖均衡的船舶圖像增強(qiáng)研究

當(dāng)通過去噪方法完成船舶圖像去噪后，為提升后續(xù)船舶圖像中弱小目標(biāo)檢測的精準(zhǔn)度，應(yīng)用門限直方圖均衡方法，對船舶圖像進(jìn)行增強(qiáng)，使圖像更加清晰，保障弱小目標(biāo)檢測的準(zhǔn)確性。門限直方圖均衡是一種較為常用圖像處理方法，該方法旨在改善圖像的對比度和亮度分布。這一方法是直方圖均衡化的一種變體，通過引入一個閾值，將像素值分為2 個區(qū)域進(jìn)行均衡，從而實現(xiàn)圖像增強(qiáng)。門限直方圖均衡方法適用于那些具有明顯亮度差異的圖像，可以提升圖像的視覺效果，增加圖像的對比度和細(xì)節(jié)。

當(dāng)應(yīng)用該算法進(jìn)行圖像增強(qiáng)時，具體步驟如下：

1）計算出圖像中某一灰度級像素點(diǎn)出現(xiàn)的概率，計算公式為：

式中：P(ak)為第k個灰度級出現(xiàn)的概率，在這一灰度級下的像素數(shù)為nk；n為圖像灰度級數(shù)，同時也表示圖像的總像素數(shù)。

2）計算得到均衡化處理的變換函數(shù)，具體為：

式中：Sk為變換函數(shù)；T(ak)為第k個灰度級出現(xiàn)時的直方圖統(tǒng)計；為第j個灰度級出現(xiàn)的概率。

3）結(jié)合式（3）計算得到的變換系數(shù)，求出每一像素點(diǎn)增強(qiáng)后的灰度值，如下式：

式中：TK為像素點(diǎn)增強(qiáng)后灰度值，L為原始灰度值。

通過直方圖均衡過程可知，灰度級圖像增強(qiáng)的效果與這一灰度級的累計概率分布呈正比。而針對面目標(biāo)來說，由于目標(biāo)像素點(diǎn)出現(xiàn)頻率較高，因此通過這一圖像增強(qiáng)方法可以有效改善圖像分辨率，但當(dāng)目標(biāo)為點(diǎn)目標(biāo)時，通過該方法進(jìn)行圖像增強(qiáng)，會使圖像背景變得模糊化，為改善這一問題，本文在直方圖均衡過程中引入門限值。當(dāng)進(jìn)行船舶圖像增強(qiáng)時，為某一灰度級上的像素點(diǎn)設(shè)計一個門限值，并重新開始直方圖統(tǒng)計，具體公式如下：

通過合理選取門限值d，可以為更可靠性實現(xiàn)船舶圖像增強(qiáng)，保障船舶圖像的可利用性。

1.3 基于視覺傳達(dá)技術(shù)的船舶圖像弱小目標(biāo)檢測

1.3.1 基于統(tǒng)計的固定分割閾值選擇方法

通過船舶圖像的亮度視覺傳達(dá)效果，可以描述出弱小目標(biāo)在不同光照環(huán)境下的視覺變化，利用這一視覺變化，可在亮度區(qū)域內(nèi)對弱小目標(biāo)進(jìn)行分割。本文利用統(tǒng)計方法對目標(biāo)的分割閾值進(jìn)行計算，在計算之前，采用亮度累加直方圖，對圖像中的亮度分量直方圖進(jìn)行集合，而前t幀目標(biāo)圖像的亮度直方圖為：

式中，Hi(k)為增強(qiáng)后的船舶圖像序列中第i幀圖像亮度分量直方圖。通過式（6）的計算，使得這一直方圖不存在顯著雙峰，使其能夠滿足后續(xù)圖像分割規(guī)范，之后即可利用有效方法，對目標(biāo)亮面區(qū)域進(jìn)行分割。

1.3.2 基于Otsu 法的目標(biāo)亮面圖像分割

Otsu 法主要目標(biāo)是將圖像分為背景和前景2 個部分，使得前景和背景之間的差異最大化。具體而言，Otsu法通過遍歷不同的閾值來計算灰度級別的類間方差，然后選擇使類間方差最大的閾值作為最佳分割閾值。

1.3.3 船舶圖像弱小目標(biāo)檢測過程設(shè)計

本文通過提升弱小目標(biāo)亮度、顏色等視覺傳達(dá)效果，增強(qiáng)目標(biāo)的辨識度，并利用Otsu 法，對弱小目標(biāo)與背景區(qū)域進(jìn)行分割，實現(xiàn)船舶弱小目標(biāo)檢測，步驟如下：

1）圖像去噪。通過中值濾波方法去除船舶圖像中的噪聲，使圖像更加清晰。

2）圖像增強(qiáng)。增強(qiáng)去噪后船舶圖像質(zhì)量，優(yōu)化圖像對比度。

3）圖像目標(biāo)分割。將增強(qiáng)后的船舶圖像生成24b 的真彩色圖像序列，對每幀船舶圖像的亮度分量進(jìn)行量化處理，利用動態(tài)閾值分割方法，將輸入的船舶圖像亮面區(qū)域作為弱小目標(biāo)檢測的待選區(qū)域。

4）亮塊篩選。針對分割后的目標(biāo)亮面區(qū)域做出標(biāo)志，并根據(jù)亮塊的顏色、大小等視覺傳達(dá)特征，獲取弱小目標(biāo)的視覺傳達(dá)特征亮塊，這一亮塊對應(yīng)的區(qū)域即為弱小目標(biāo)檢測結(jié)果，由此實現(xiàn)船舶圖像弱小目標(biāo)檢測。

2 仿真測試分析

為評價這一目標(biāo)檢測算法的應(yīng)用效果，本文構(gòu)建仿真測試環(huán)境，具體環(huán)境配置如表1 所示。利用這一仿真環(huán)境，測試該算法的弱小目標(biāo)檢測效果，向仿真環(huán)境中輸入3 組采集到的船舶圖像，每組共有1 000 幅圖像，其中，第一組船舶圖像均處于高亮度背景下，第二組圖像中均含有噪聲干擾，而第三組圖像為普通背景的船舶圖像。

表1 仿真環(huán)境參數(shù)設(shè)計Tab. 1 Design of simulation environment parameters

從存在噪聲干擾的船舶圖像數(shù)據(jù)集中選取一幅圖像，通過本文方法對其進(jìn)行去噪處理，測試該方法的應(yīng)用效果，具體處理結(jié)果如圖1 所示。由圖1（a）可以看出，這一幅船舶圖像中存在明顯的噪聲干擾，導(dǎo)致圖像畫面不夠清晰，影響后續(xù)弱小目標(biāo)檢測結(jié)果，而經(jīng)過該方法的去噪處理后，能夠有效減少圖像中的顆粒狀斑點(diǎn)，從而去除噪聲，同時這一方法還能夠盡可能的保留圖像細(xì)節(jié)信息，僅去除無關(guān)噪聲，使圖像邊緣輪廓更加清晰。

圖1 圖像去噪效果分析Fig. 1 Analysis of image denoising effect

測試在該方法的處理下，3 組不同船舶圖像數(shù)據(jù)集的背景抑制因子變化，從而驗證該方法圖像背景抑制能力，分析結(jié)果如圖2 所示?？芍?，隨著測試船舶圖像數(shù)量的增加，背景抑制因子指標(biāo)也有所下降，但整體下降幅度并不大，在最初階段，3 組船舶圖像中，普通背景圖像的背景抑制因子最高，而高亮度背景的船舶圖像背景抑制因子相對較低，但差距并不明顯，且當(dāng)測試圖像數(shù)量達(dá)到900 幅時，背景抑制因子最低保持在100 以上，說明在該方法的圖像處理下，可始終保持較高的背景抑制因子，因此該方法具有良好的圖像背景處理能力，可為弱小目標(biāo)檢測提供良好的基礎(chǔ)。

圖2 背景抑制因子分析Fig. 2 Background suppression factor analysis

從第一組船舶圖像數(shù)據(jù)集中選取一幅圖像，通過本文方法對其進(jìn)行增強(qiáng)，對比該圖像增強(qiáng)前后的直方圖變化，從而驗證本文方法的圖像增強(qiáng)能力，分析結(jié)果如圖3 所示。可知，原始圖像的直方圖灰度值相對較低，導(dǎo)致圖像的清晰度不足，而通過本文方法進(jìn)行圖像增強(qiáng)后，灰度值得到了明顯增高，從而使圖像中的亮部和暗部更加明顯，從而有效突出圖像細(xì)節(jié)，為此，該方法具有較強(qiáng)的圖像增強(qiáng)能力。

圖3 圖像增強(qiáng)效果分析Fig. 3 Analysis of image enhancement effect

通過信雜比率增益指標(biāo)評估該方法對不同船舶圖像數(shù)據(jù)集的弱小目標(biāo)檢測效果，分析結(jié)果如圖4 所示?？芍?，在檢測圖像數(shù)量較大時，該檢測方法在弱小目標(biāo)檢測時的信雜比增益會有所下降，但并未出現(xiàn)大幅度下降，說明該檢測方法可以實現(xiàn)較為穩(wěn)定的檢測，同時，針對不同背景的圖像，檢測時的最低信雜比增益得到1 500 左右，仍然處于較高水平，為此，該方法具有較強(qiáng)的弱小目標(biāo)檢測能力。

圖4 信雜比率增益變化分析Fig. 4 Analysis of signal to noise ratio gain change

3 結(jié) 語

本文研究基于視覺傳達(dá)技術(shù)的船舶圖像中弱小目標(biāo)檢測方法，通過視覺傳達(dá)技術(shù)，從船舶圖像中精準(zhǔn)分割弱小目標(biāo)，從而保證船舶目標(biāo)檢測，利用這一檢測，可以提高船舶行駛時的安全性。未來可在現(xiàn)有基礎(chǔ)上進(jìn)行優(yōu)化研究，提高船舶弱小目標(biāo)檢測的速度。