劉金陽

(鄭州科技學(xué)院,河南鄭州 450064)

0 引言

艦船目標(biāo)識別是海上監(jiān)測領(lǐng)域的研究重點(diǎn)，艦船紅外圖像是艦船目標(biāo)識別領(lǐng)域中常用視覺傳達(dá)方式。從艦船紅外圖像中識別艦船目標(biāo)，為艦船目標(biāo)定位與跟蹤提供基礎(chǔ)。紅外艦船圖像具有不易受到外界干擾，受光照、海雜波影響小的特點(diǎn)，在海上監(jiān)測領(lǐng)域中應(yīng)用極為廣泛[1–3]。

紅外圖像分析受到眾多計算機(jī)視覺領(lǐng)域?qū)W者的重視。向濤等[4]將視覺顯著性模型應(yīng)用于紅外圖像艦船目標(biāo)檢測中，計算紅外圖像的顯著圖，增強(qiáng)紅外圖像的艦船目標(biāo)區(qū)域，依據(jù)艦船目標(biāo)的先驗信息，通過模糊C均值聚類算法檢測紅外圖像的艦船目標(biāo)。該方法可以從紅外圖像中檢測艦船目標(biāo)，輸出艦船目標(biāo)位置，但是存在運(yùn)算過程過于復(fù)雜，檢測實時性較差的缺陷。成艷等[5]從紅外遙感圖像中提取艦船尾跡，利用Dot-Curve檢測方法，對圖像進(jìn)行二維曲率濾波處理，提取艦船尾跡特征，依據(jù)所提取特征，通過尾跡線性度等指標(biāo)檢測艦船目標(biāo)。該方法僅需少量樣本，即可檢測艦船目標(biāo)，但是存在容易受環(huán)境影響的問題，艦船檢測的誤檢率較高。針對以上方法在紅外圖像處理中存在的問題，研究基于視覺傳達(dá)技術(shù)的紅外艦船圖像多級融合方法。處理利用視覺傳達(dá)技術(shù)采集的紅外艦船圖像，對不同光譜級別的紅外艦船進(jìn)行多級融合處理，增強(qiáng)紅外艦船圖像，為紅外艦船圖像的目標(biāo)檢測等應(yīng)用提供圖像基礎(chǔ)。

1 紅外艦船圖像多級融合方法

1.1 多光譜紅外艦船圖像的視覺傳達(dá)效果增強(qiáng)

由于多光譜紅外熱成像儀采集的圖像中包含不同程度的噪聲，利用視覺傳達(dá)技術(shù)采集紅外圖像前，需要對紅外艦船圖像進(jìn)行去噪處理。圖像濾波處理是過濾圖像噪聲的方法，紅外圖像的中頻段與低頻段包含圖像的關(guān)鍵信息，圖像高頻段包含噪聲時，容易將關(guān)鍵信息掩蓋。通過圖像濾波消除紅外相機(jī)采集的不同頻段圖像噪聲，保留圖像的邊緣信息以及輪廓信息，增強(qiáng)艦船紅外圖像的整體視覺傳達(dá)效果。選取中值濾波方式對艦船紅外圖像進(jìn)行去噪處理，該方法不僅可以過濾艦船紅外圖像噪聲，同時可以保留艦船紅外圖像中艦船的邊緣信息與輪廓信息。C為由艦船紅外圖像像素點(diǎn) (x0,y0)組成的鄰域集合，艦船紅外圖像中值濾波處理的表達(dá)式如下：

式中：S ort與l(x,y)分別為排序運(yùn)算以及像素值灰度大小。

艦船紅外圖像中值濾波處理過程如下：

1)依據(jù)像素點(diǎn)灰度值大小，排列艦船紅外圖像像素點(diǎn)；

2)依據(jù)像素點(diǎn)排列結(jié)果，設(shè)置排列結(jié)果的中間值作為中值濾波目標(biāo)點(diǎn)的灰度值。

1.2 紅外艦船圖像的非下采樣變換

非下采樣變換方法是一種靈活的圖像分解方法，該方法具有較高的平移不變性，可以實現(xiàn)不同尺度、不同方向的圖像分解。非下采樣變換分別對紅外艦船圖像進(jìn)行多尺度、多方向分解，該方法利用非下采樣金字塔，多尺度分解圖像，獲取不同尺度紅外艦船圖像的子帶系數(shù)。對所獲取的子帶系數(shù)，利用非下采樣反向濾波器組實施方向分解，獲取不同方向、不同尺度的子帶系數(shù)。非下采樣變換方法利用Z變換的等效移位性質(zhì)，對相應(yīng)濾波器進(jìn)行上采樣處理。對紅外艦船圖像進(jìn)行L級非下采樣變換分解后，獲取1個低通子帶 系 數(shù) 以 及個帶通方向子帶系數(shù)，其中 2kl表示2?l尺度上的高頻方向子帶數(shù)量。將非下采樣變換方法應(yīng)用于紅外艦船圖像分解中，獲取紅外艦船圖像的子帶圖像。紅外艦船圖像低頻子帶系數(shù)具有非稀疏特征，高頻不同方向的子帶系數(shù)均位于零值附近，具有近似稀疏特征，可以直觀體現(xiàn)高頻方向子帶的多方向特點(diǎn)。

利用非下采樣變換方法的稀疏表示，提升紅外艦船圖像的分解性能。利用字典中少量原子的近似組合或線性組合，表示紅外艦船圖像信號。對于紅外艦船圖像Y，利用近似方法搜尋其稀疏表示的表達(dá)式如下：

式中：Y與D分別為利用K 奇異值分解方法訓(xùn)練低頻子帶系數(shù)獲取的字典；a與分別為向量以及向量中的非零元素數(shù)量； ε為允許偏差精度。通過紅外艦船圖像的非下采樣變換，將紅外艦船圖像變換為低頻子帶與高頻子帶。

1.3 紅外艦船圖像的低頻子帶融合

利用非下采樣變換方法獲取的低頻子帶，是紅外艦船圖像的近似部分，低頻子帶可以體現(xiàn)紅外艦船圖像的主要能量信息。利用下采樣變換方法獲取的低頻子帶樣本集，訓(xùn)練過完備字典，依據(jù)已訓(xùn)練的過完備字典，稀疏處理紅外艦船圖像的低頻系數(shù)。選取模糊邏輯方法，自適應(yīng)選擇完成稀疏處理的低頻系數(shù)。紅外艦船圖像的低頻子帶融合過程如下：

1)用A與B表示2幅不同級頻段的紅外艦船圖像，LA與LB表示經(jīng)過非下采樣變換獲取的低頻子帶。對LA與LB利用滑動窗技術(shù)分塊處理，將紅外艦船圖像轉(zhuǎn)化為列向量。

2)從所獲取的列向量中，隨機(jī)選取樣本，利用K奇異值分解方法訓(xùn)練樣本，獲取字典D。選取正交匹配追蹤算法，依據(jù)字典D獲取稀疏表示系數(shù)SA與SB。

3)選取模糊邏輯算法自適應(yīng)確定融合系數(shù)，其表達(dá)式如下：

式中：wA與wB分 別為SA與SB的 權(quán)值wB=1?wA； η與 σ分 別表示SA的均值以及方差。

4)將通過步驟3獲取的融合系數(shù)SF，放至原位置，獲取最終融合后的低頻系數(shù)LF，完成紅外艦船圖像的低頻子帶融合。

1.4 紅外艦船圖像的高頻子帶融合

高頻子帶可以體現(xiàn)紅外艦船圖像的邊緣信息以及細(xì)節(jié)信息，利用局部區(qū)域方差體現(xiàn)紅外艦船圖像像素灰度值的離散程度，該值越高時，紅外艦船圖像區(qū)域信息量越大。相同級頻譜紅外艦船圖像融合時，選取局部尺度方差取大方法，融合高頻系數(shù)的表達(dá)式如下：

式中：G1,l,d(x,y) 與G2,l,d(x,y)分別為相同級別中，第1頻譜與第2頻譜的紅外艦船圖像在l級d方向上，像素點(diǎn) (x,y) 位 置 的 高 頻 分 解 系 數(shù)； δ1,l(x,y) 與 δ2,l(x,y)分別為第1頻譜與第2頻譜的紅外艦船圖像尺度方差。

對紅外艦船圖像高頻子帶進(jìn)行多方向分解，紅外艦船圖像像素點(diǎn)為圖像邊緣或細(xì)節(jié)信息時，個別方向的高頻系數(shù)存在較大值。紅外艦船圖像像素點(diǎn)位置為噪聲位置時，不同方向高頻系數(shù)的數(shù)值差異較小，高頻系數(shù)高于其他方向值，低于圖像邊緣和細(xì)節(jié)處分解值。通過計算相同尺度下，全部方向方差，在不同方向的最大方差值，避免不同方向高頻系數(shù)不一致，以及受到噪聲影響，造成圖像失真情況。圖像尺度最大方差的計算公式如下：

基于視覺傳達(dá)技術(shù)的紅外艦船圖像多級融合方法的具體流程如下：

1)輸入不同級頻段的紅外艦船圖像，對紅外艦船圖像進(jìn)行中值濾波，提升圖像的視覺傳達(dá)效果。

2)對紅外艦船圖像進(jìn)行非下采樣變換處理，將紅外艦船圖像劃分為高頻方向子帶與低頻子帶。

3)利用k奇異值分解方法訓(xùn)練字典，通過聯(lián)合稀疏表示方法，提取紅外艦船圖像的稀疏表示系數(shù)。利用紅外艦船圖像的低頻子帶融合方法，重構(gòu)紅外艦船圖像的低頻子帶。

4)依據(jù)高頻子帶融合方法，融合紅外艦船圖像不同方向的高頻子帶。

5)將非下采樣逆變換方法應(yīng)用于紅外艦船圖像不同尺度的高頻方向子帶以及低頻子帶，獲取最終紅外艦船圖像的多級融合結(jié)果。

2 實例分析

為了驗證本文基于視覺傳達(dá)技術(shù)的紅外艦船圖像多級融合方法，選取利用多光譜紅外成像儀采集的多光譜紅外圖像構(gòu)建圖像樣本集。多光譜紅外成像儀的分辨率為640×480，多光譜紅外成像儀的對角線視場角為8.2°。選取Matlab R2015a 軟件中的Training Image Labeler 圖像標(biāo)注工具，對樣本集中的多光譜紅外圖像進(jìn)行手動標(biāo)注處理，構(gòu)建測試集。多光譜紅外成像儀的多級頻譜設(shè)置如表1所示。表1中紅外艦船圖像樣本集中包含5個級別的多譜段紅外圖像。紅外艦船圖像中包含不同成像距離、不同成像時間、不同成像角度的艦船圖像，包含海洋環(huán)境、天空環(huán)境、云層環(huán)境等不同環(huán)境場景的艦船目標(biāo)。從樣本集中隨機(jī)選取相同場景不同波段的紅外艦船圖像，選取的2級譜段與4級譜段的原始紅外艦船圖像如圖1所示。

圖1 原始紅外圖像Fig.1 Original infrared image

采用本文方法對不同譜段的原始紅外艦船圖像進(jìn)行多級融合，紅外艦船圖像融合結(jié)果如圖2所示。可以看出，本文方法可以實現(xiàn)紅外艦船圖像的多級融合。相比于原始紅外艦船圖像，多級融合后的紅外艦船圖像清晰度明顯提升，可以更多地體現(xiàn)圖像中的目標(biāo)細(xì)節(jié)，圖像邊緣更加清晰，為紅外艦船圖像的目標(biāo)識別等應(yīng)用提供清晰的圖像基礎(chǔ)。

圖2 多級融合結(jié)果Fig.2 Multilevel fusion results

選取互信息量、邊緣信息保留量、平均梯度3個指標(biāo)，作為衡量圖像多級融合性能的指標(biāo)，評價多級融合后的圖像質(zhì)量。利用互信息量體現(xiàn)融合后圖像包含源信息量的大??；利用邊緣信息保留量體現(xiàn)融合后圖像保留艦船目標(biāo)邊緣信息的大小；利用平均梯度衡量艦船圖像融合后的清晰度。以上指標(biāo)數(shù)值越高時，表示圖像多級融合的效果越好。統(tǒng)計采用本文方法多級融合紅外艦船圖像的融合性能，統(tǒng)計結(jié)果如圖3所示。由圖3可知，采用本文方法融合紅外艦船圖像，圖像融合結(jié)果的互信息量、邊緣信息保留量以及平均梯度均高于0.7。通過實驗設(shè)置的量化評價指標(biāo)，驗證本文方法具有較高的多級融合性能。

圖3 紅外艦船圖像融合性能Fig.3 Infrared ship image fusion performance

為了進(jìn)一步驗證采用本文方法融合紅外艦船圖像的實用性，將本文方法應(yīng)用于艦船目標(biāo)識別中。統(tǒng)計本文方法多級融合后的紅外艦船圖像，與不同級譜段紅外艦船圖像，識別艦船目標(biāo)的結(jié)果，如圖4所示。通過圖4可知，本文方法采用多級融合方法融合紅外艦船圖像，識別艦船目標(biāo)的識別精度明顯高于單譜段紅外艦船圖像的識別結(jié)果。通過本文方法對紅外艦船圖像的多級融合，提升了紅外艦船圖像質(zhì)量，通過高質(zhì)量的紅外艦船圖像，提升艦船目標(biāo)識別精度，具有較高的實用性。

圖4 艦船目標(biāo)檢測結(jié)果Fig.4 Ship target detection results

3 結(jié)語

視覺傳達(dá)技術(shù)是計算機(jī)視覺領(lǐng)域中的重要技術(shù)，利用視覺傳達(dá)技術(shù)采集紅外艦船圖像，對紅外艦船圖像融合處理，提升紅外艦船圖像的視覺傳達(dá)效果，為紅外艦船圖像的應(yīng)用提供依據(jù)。對紅外艦船圖像進(jìn)行非下采樣變換處理，將紅外艦船圖像分解為低頻子帶與高頻子帶，融合處理圖像的低頻子帶與高頻子帶，實現(xiàn)不同級別紅外艦船圖像的多級融合。通過實驗驗證該方法有效融合不同級譜段的紅外艦船圖像，提升艦船圖標(biāo)識別精度。