艦船三維視覺圖像模糊目標清晰處理仿真研究

李 姍

(1.河南省容錯服務器工程技術研究中心，河南鄭州 450046；2.河南職業(yè)技術學院，河南鄭州 450046)

0 引言

海上交通的不斷發(fā)展，海上船舶的數量和類別不斷增加，海上交通管理部門為了快速、精準完成海上目標船舶的救援、目標船舶的管理等[1–2]，會依據采集的海上船舶視覺圖像進行目標船舶的檢測。但是由于船舶處于移動狀態(tài)下，并且海上的環(huán)境復雜，采集的圖像受到環(huán)境因素的影響以及船舶自身移動的影響[3]，會存在模糊情況，導致目標的識別精準性降低。因此，為保證目標的可靠檢測[4]，需對采集的船舶視覺圖像中的目標進行清晰處理，以此提升目標的檢測精度。文獻[5]，針對船舶目標重疊情況下的圖像處理需求，提出相關的圖像增強方法，該方法主要通過增強圖像的視覺效果，完成圖像清晰處理。但是該方法在應用過程中，如果圖像中存在虛影現象時，其處理效果相對較差。文獻[6]為提升圖像的清晰度，以多尺度耦合的密集殘差網絡為基礎，進行圖像分辨率的重構處理后，實現圖像增強，提升圖像清晰度。但是該方法在應用過程中，如果圖像目標較小則處理效果不理想。

三維視覺是依據圖像中像素點之間的相似性，計算像素之間的位置偏差，并確定船舶視覺圖像三維空間在深度點信息。本文結合三維視覺優(yōu)勢，研究船舶三維視覺圖像模糊目標清晰處理仿真方法。

1 圖像模糊目標清晰處理

1.1 船舶視覺圖像特征三維信息獲取

為保證圖像模糊目標的清晰處理結果，采用立體雙目視覺獲取船舶模糊圖像的三維信息。立體雙目視覺是通過2個視點對相同目標進行觀測，以此獲取同一個場景下的2幅圖像。2 個觀測面的模糊核路徑和三維空間內的某種運動路徑相對應，同時模糊核之間存在相對關聯(lián)性。結合船舶的線性運動，設定項集參變量映射矩陣，用P表示，3D齊次坐標系內的位置點用 (x,y,z,1)表示，將其進行映射處理后使其位于2D觀測面內，該觀測面內坐標系的點用 (u,v,1)表示，則(x,y,z,1) 和(u,v,1)之間的相對關聯(lián)性表達公式為：

式中，d為相機的景深。

模糊核路徑在不同觀測面內也呈現不同的變化，因此，定義運動模糊核路徑為空間狀態(tài)，且該狀態(tài)不會發(fā)生變化，以此保證運算效果。如果船舶在該空間內運動，起點和終點分別為P和Q，P為可逆的，則依據式(1)計算得出 (x,y,z)。在該基礎上，對2個觀測面之間的運動映射關聯(lián)性進行計算，如果2 個觀測面的投影分別為至至則模糊圖像3D空間內船舶的運動位移計算公式為：

模糊圖像內，將沿著圖像空間路徑運動的船舶目標進行投影處理，使其均位于不同的觀測面上。各個觀測面投影后的路徑存在一定區(qū)別，隨機選擇對空間路徑上的點進行投影處理，以此可獲取一組點對并且兩者均位于各自對應的模糊路徑上。對模糊核的軌跡進行離散化處理，獲取該處理下模糊核路徑之間的關聯(lián)，其公式為：

式中，k表示離散編號。

通過上述內容即可獲取船舶模糊圖像內容特征之間的三維幾何信息B。

1.2 模糊目標圖像分割

由于船舶處于運行狀態(tài)下，因此會導致采集的船舶圖像中發(fā)生多個模糊運動區(qū)域，因此，需先確定船舶目標的模糊區(qū)域[7]，并且進行該區(qū)域的模糊分割，本文采用局部模糊探測方法完成。

該方法主要以像素的權重變量為基礎，實現船舶模糊圖像中模糊層分割，以此獲取模糊船舶目標圖像。

如果權變量用W表示，依據W的船舶運動場景去模糊廣義能量模型表達公式為：

式中：Edata，Ereg分 別為數據保真項和正則化項；L和B分別為潛在清晰圖像和三維信息；K為模糊核矩陣集合；W為權重變量集合，其和K之間一一對應。

Edata(L,W,K,B)可理解為多個模糊型數據項的加權和，其計算公式為：

式中：N為分割層數； ??表 原始船舶圖像的梯度。 λ為正則化參數的平衡因子；表示乘積運算。

由 船舶運動場景在進行模糊分割時具有顯著病態(tài)特征，因此在分割過程中，引入正則化項，確保分割后圖像的光滑性。對L，W，K分別添加正則化約束，其表達公式為：

通過全變分正則化項替代L的先驗信息，圖像的分割組依據非局部正則化完成，分割公式為：

式中： ξ(x)為x的鄰域像素；g(x,y)為非局部相似性映射矩陣，用于描述x和y處像素之間的相似程度。

依據上述步驟即可獲取權重變量加大的圖像分層結果，該結果即為船舶模糊目標圖像分割結果Iin。

1.3 目標圖像清晰處理

完成船舶模糊目標圖像分割后，采用殘差聚集網絡模型進行模糊目標清晰處理，獲取清晰的船舶目標圖像。將分割后的船舶模糊目標圖像輸入殘差聚集網絡模型中，采用中值濾波對其進行濾波操作，從分割后的圖像中將低頻信息Il進行分離處理，將Iin中的Il去除后即可獲取其中的高頻信息Ih，其計算公式為：

獲取Ih中的低維特征，其采用低維特征提取器完成，其計算公式為：

式中：Ts f為幾乎函數的組合操作；Fsf為輸出的特征圖。

為了提升模糊目標的清晰處理效果，采用堆疊的方式對多個殘差模塊進行處理，以此獲取圖像中目標船舶的高維特征信息。依據該模塊的稠密連接性能，完成提取特征的連接，經由殘差變換模塊的壓縮和蒸餾提取處理后，得出高維特征，其計算公式為：

式中：TRAB為 殘差模塊提取的特征；M為堆疊的殘差模塊數量；Ff f為高維特征的輸出結果。

通過殘差圖生成器對殘差圖Frm進 行估算，其計算公式為：

式中，Trm為卷積和歸一化的組合操作。

將Frm從Iin中刪除，即可獲取清晰化處理后的高質量目標圖像，其計算公式為：

2 實驗結果分析

為驗證本文方法的應用效果，在跨平臺計算機視覺和機器學習軟件庫-Op en CV 中進行仿真測試，OpenCV 庫能夠提供多種語言接口，支持圖像處理和計算機視覺方面的應用。在OpenCV 庫中進行相關測試過程中，視覺分塊區(qū)域的大小為256×256×224，特征匹配系數為1.25，測試時的船舶圖像數量為200張，該數據是采用雙目立體視覺相機采集。

為驗證本文方法對于船舶圖像模糊目標的清晰化處理性能，文中采用圖像對比度 ψ、邊緣強度 η以及圖像方差 σ作為衡量標準，進行相關測試，3 個指標的計算公式為：

式中：S為相減的平方項；f(i,j)和f(k,l)均為灰度值，前者對應像素點 (i,j) ，后者對應(i,j) 的四鄰域(k,l)；gi,j為邊緣點；Nedge為像素點數量，對應邊緣區(qū)域；M×N為圖像大??；μ 為平均灰度值。

依據上述3個公式計算本文方法在不同像素點數量下，對圖像進行清晰處理后，3個指標的計算結果，如表1所示。3個指標的取值均在0~1之間，越接近1表示應用性能越佳。依據表1測試結果可知：隨著像素數量的不斷增加，采用本文方法對圖像進行清晰處理后，圖像的 ψ ， η以 及 σ的測試結果均在0.933以上，因此本文方法的應用性能較好，能夠有效完成船舶圖像模糊目標清晰處理。

表1 船舶圖像模糊目標的清晰化處理性能Tab.1 Clear processing performance of blurred targets in ship image

為直觀驗證本文方法的應用效果，隨機抽取一組船舶模糊圖像進行模糊目標清晰處理，以圖像中標記的客船作為目標，本文方法處理后的結果如圖1所示。

依據圖1測試結果可知：本文方法具有較好的應用效果，能夠有效完成船舶圖像中，模糊目標的清晰處理，獲取清晰的目標結果。因此，本文方法應用性較好，可清晰呈現目標船舶結果。

圖1 圖像模糊目標處理結果Fig.1 Image blurred target processing results

3 結語

在進行海上交通管理或者救援時，需精準掌握目標船舶的信息。但是由于海上環(huán)境變化較大，并且復雜程度較高，同時船舶的類別和數量較多，導致采集的船舶圖像中會存在模糊現象，直接影響目標船舶的識別效果。因此，本文研究船舶三維視覺圖像模糊目標清晰處理仿真方法。對該方法進行相關測試后可知，本文方法具有較好的應用性能，能夠有效完成模糊目標的清晰處理，為海上交通管理提供可靠依據。