基于視覺傳達技術的船舶圖像中弱小目標檢測方法

謝凌云

（南昌工學院，江西 南昌 330108）

0 引 言

船舶圖像具有很強的實用性，可以用于船舶監測和識別、海上安全監控、航海導航等，具有較強的應用價值。在船舶圖像中，弱小目標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，這些目標可能是小型船只或其他各類小型水上交通工具[1]。弱小目標在船舶圖像檢測中的存在具有一定的重要性和挑戰性，為精準識別海上船舶圖像中不同目標，有較多學者對此進行研究。馬嘯等[2]基于可見光圖像中船舶目標檢測方法，該方法通過對大量的圖像進行特征學習，從而獲取船舶目標，雖然該方法具有較快的檢測速度，但無法在多目標狀態下實現精準檢測。謝兆哲等[3]研究SAR 圖像船舶目標檢測方法，雖然該方法在目標檢測時可以精準提取目標特征，但當圖像中存在大量噪聲時，會影響后續目標檢測的精準度。

視覺傳達技術是一種通過圖像、圖形和視覺元素來傳達信息和表達意義的溝通方式，該技術利用視覺感知和認知的特點，通過設計和組合各種視覺元素，以達到有效傳遞信息和引起觀眾興趣的目的。為此，利用視覺傳達技術，構建船舶圖像中弱小目標檢測方法，精準檢測船舶圖像中的弱小目標。

1 船舶圖像中弱小目標檢測方法

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行弱小目標檢測需要依靠清晰度較高的圖像，而目前現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，為后續弱小目標檢測提供良好基礎，采用中值濾波算法，進行圖像去噪。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行排序，將中間值作為該窗口的輸出值，從而實現圖像去噪。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的像素值進行排序，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節。在使用中值濾波算法進行圖像處理時，其原理可表示為：

中值濾波算法可將船舶數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據進行去噪，通過這些二維數字序列構成二維矩陣，而矩陣里的元素值即為每一像素點的像素灰度值。該算法具體去噪步驟如下：

1）構建一個大小為3×3 的窗口，共存在奇數點個數為(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，均要對窗口內像素灰度值進行從小到大排序。

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

1.2 基于門限直方圖均衡的船舶圖像增強研究

當通過去噪方法完成船舶圖像去噪后，為提升后續船舶圖像中弱小目標檢測的精準度，應用門限直方圖均衡方法，對船舶圖像進行增強，使圖像更加清晰，保障弱小目標檢測的準確性。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 個區域進行均衡，從而實現圖像增強。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節。

當應用該算法進行圖像增強時，具體步驟如下：

1）計算出圖像中某一灰度級像素點出現的概率，計算公式為：

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

2）計算得到均衡化處理的變換函數，具體為：

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

3）結合式（3）計算得到的變換系數，求出每一像素點增強后的灰度值，如下式：

式中：TK為像素點增強后灰度值，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。而針對面目標來說，由于目標像素點出現頻率較高，因此通過這一圖像增強方法可以有效改善圖像分辨率，但當目標為點目標時，通過該方法進行圖像增強，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。當進行船舶圖像增強時，為某一灰度級上的像素點設計一個門限值，并重新開始直方圖統計，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船舶圖像增強，保障船舶圖像的可利用性。

1.3 基于視覺傳達技術的船舶圖像弱小目標檢測

1.3.1 基于統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效果，可以描述出弱小目標在不同光照環境下的視覺變化，利用這一視覺變化，可在亮度區域內對弱小目標進行分割。本文利用統計方法對目標的分割閾值進行計算，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行集合，而前t幀目標圖像的亮度直方圖為：

式中，Hi(k)為增強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，使其能夠滿足后續圖像分割規范，之后即可利用有效方法，對目標亮面區域進行分割。

1.3.2 基于Otsu 法的目標亮面圖像分割

Otsu 法主要目標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 船舶圖像弱小目標檢測過程設計

本文通過提升弱小目標亮度、顏色等視覺傳達效果，增強目標的辨識度，并利用Otsu 法，對弱小目標與背景區域進行分割，實現船舶弱小目標檢測，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。增強去噪后船舶圖像質量，優化圖像對比度。

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

4）亮塊篩選。針對分割后的目標亮面區域做出標志，并根據亮塊的顏色、大小等視覺傳達特征，獲取弱小目標的視覺傳達特征亮塊，這一亮塊對應的區域即為弱小目標檢測結果，由此實現船舶圖像弱小目標檢測。

2 仿真測試分析

為評價這一目標檢測算法的應用效果，本文構建仿真測試環境，具體環境配置如表1 所示。利用這一仿真環境，測試該算法的弱小目標檢測效果，向仿真環境中輸入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 仿真環境參數設計Tab. 1 Design of simulation environment parameters

從存在噪聲干擾的船舶圖像數據集中選取一幅圖像，通過本文方法對其進行去噪處理，測試該方法的應用效果，具體處理結果如圖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，導致圖像畫面不夠清晰，影響后續弱小目標檢測結果，而經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，從而去除噪聲，同時這一方法還能夠盡可能的保留圖像細節信息，僅去除無關噪聲，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 組不同船舶圖像數據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，分析結果如圖2 所示?？芍?，隨著測試船舶圖像數量的增加，背景抑制因子指標也有所下降，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，且當測試圖像數量達到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，可為弱小目標檢測提供良好的基礎。

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據集中選取一幅圖像，通過本文方法對其進行增強，對比該圖像增強前后的直方圖變化，從而驗證本文方法的圖像增強能力，分析結果如圖3 所示?？芍?，原始圖像的直方圖灰度值相對較低，導致圖像的清晰度不足，而通過本文方法進行圖像增強后，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節，為此，該方法具有較強的圖像增強能力。

圖3 圖像增強效果分析Fig. 3 Analysis of image enhancement effect

通過信雜比率增益指標評估該方法對不同船舶圖像數據集的弱小目標檢測效果，分析結果如圖4 所示?？芍?，在檢測圖像數量較大時，該檢測方法在弱小目標檢測時的信雜比增益會有所下降，但并未出現大幅度下降，說明該檢測方法可以實現較為穩定的檢測，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，該方法具有較強的弱小目標檢測能力。

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

3 結 語

本文研究基于視覺傳達技術的船舶圖像中弱小目標檢測方法，通過視覺傳達技術，從船舶圖像中精準分割弱小目標，從而保證船舶目標檢測，利用這一檢測，可以提高船舶行駛時的安全性。未來可在現有基礎上進行優化研究，提高船舶弱小目標檢測的速度。