基于視覺(jué)傳達(dá)的模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)

郭璟瑤

(鄭州科技學(xué)院, 河南 鄭州 450064)

0 引 言

隨著水下和水面電子對(duì)抗技術(shù)的不斷升級(jí)發(fā)展，對(duì)艦船目標(biāo)的準(zhǔn)確識(shí)別要求不斷提升，結(jié)合計(jì)算機(jī)圖像和視覺(jué)傳達(dá)技術(shù)，構(gòu)建模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)模型，結(jié)合光學(xué)處理和圖像信息增強(qiáng)技術(shù)，采用目標(biāo)艦船的特征點(diǎn)分析和視覺(jué)信息增強(qiáng)處理技術(shù)，通過(guò)對(duì)特征點(diǎn)的分類(lèi)提取，提高對(duì)模糊艦船圖像目識(shí)別能力。研究模糊艦船圖像目標(biāo)識(shí)別方法，在提高對(duì)艦船目標(biāo)的準(zhǔn)確辨識(shí)能力方面具有重要意義，相關(guān)算法研究在軍事領(lǐng)域具有很好的應(yīng)用價(jià)值[1]。

對(duì)模糊艦船圖像目標(biāo)圖像識(shí)別建立在對(duì)特征點(diǎn)提取和像素特征分析基礎(chǔ)上，通過(guò)對(duì)模糊艦船圖像目標(biāo)特征分類(lèi)提取。通過(guò)視覺(jué)傳達(dá)和信息增強(qiáng)，實(shí)現(xiàn)對(duì)模糊艦船圖像的幀分類(lèi)檢測(cè)。當(dāng)前方法中，對(duì)艦船圖像目標(biāo)分類(lèi)方法主要有模糊C均值分類(lèi)檢測(cè)方法、Harris角點(diǎn)特征提取方法等[2–3]。通過(guò)對(duì)輸入圖像的濾波降噪和信息增強(qiáng)，實(shí)現(xiàn)對(duì)艦船目標(biāo)的特征點(diǎn)分類(lèi)提取和識(shí)別[4]，但當(dāng)前方法對(duì)模糊目標(biāo)艦船的分類(lèi)檢測(cè)識(shí)別能力不好。針對(duì)上述問(wèn)題，本文提出基于視覺(jué)傳達(dá)和圖像增強(qiáng)的模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)模型。首先進(jìn)行圖像特征檢測(cè)和預(yù)處理，構(gòu)建糊艦船圖像的多傳感視覺(jué)采集模型，采用目標(biāo)圖像與背景圖像差分分析方法實(shí)現(xiàn)對(duì)艦船圖像的目標(biāo)特征提取和聚類(lèi)處理；然后根據(jù)視覺(jué)聚類(lèi)傳達(dá)和目標(biāo)圖像的特征點(diǎn)增強(qiáng)結(jié)果，實(shí)現(xiàn)對(duì)圖像目標(biāo)分類(lèi)檢測(cè)算法設(shè)計(jì)。最后進(jìn)行仿真測(cè)試，得出有效性結(jié)論。

1 圖像視覺(jué)模型及預(yù)處理

1.1 模糊艦船圖像視覺(jué)模型

為實(shí)現(xiàn)對(duì)模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)，結(jié)合標(biāo)量、矢量和張量特征分析，采用多傳感器陣列視覺(jué)采集方法，實(shí)現(xiàn)對(duì)模糊艦船目標(biāo)圖像采樣。對(duì)采集的模糊艦船圖像進(jìn)行視覺(jué)增強(qiáng)處理，提取模糊艦船圖像的同態(tài)特征點(diǎn)[5]，通過(guò)特征點(diǎn)聚類(lèi)結(jié)果進(jìn)行目標(biāo)分類(lèi)檢測(cè)，總體實(shí)現(xiàn)流程如圖1所示。

圖1 模糊艦船圖像分類(lèi)檢測(cè)總體實(shí)現(xiàn)流程Fig.1 Overall implementation process of fuzzy ship image classification and detection

根據(jù)圖1的總體設(shè)計(jì)流程，根據(jù)空間的位置信息分布，構(gòu)建圖像采集模型，得到艦船目標(biāo)圖像結(jié)構(gòu)化和非結(jié)構(gòu)化混合像素分布：

式中：J(w,e)為模糊艦船目標(biāo)數(shù)據(jù)點(diǎn)均勻的排列像素點(diǎn)；ai為空規(guī)則網(wǎng)格類(lèi)型分量；φ(xi)為模糊艦船目標(biāo)空間排布中的確切位置，N為模糊艦船目標(biāo)的像素點(diǎn)數(shù)。

根據(jù)同一個(gè)方向上相鄰點(diǎn)特征分析，得到艦船目標(biāo)圖像的邊緣輪廓為：

式中：Jc為圖像濾波傳遞度系數(shù)；?(x)為模糊艦船目標(biāo)的位置信息分布鄰域大小。

結(jié)合目標(biāo)的運(yùn)動(dòng)參數(shù)信息特征重組，得到模糊艦船目標(biāo)邊緣輪廓視覺(jué)特征分解結(jié)果為：

式中：A為模糊艦船目標(biāo)細(xì)粒度屬性值在數(shù)組中儲(chǔ)存分量；t(x)為三維數(shù)據(jù)場(chǎng)可視化增強(qiáng)系數(shù)；J(x)t(x)為圖像的視差分量。

由此構(gòu)建對(duì)模糊艦船圖像采集的視覺(jué)分析模型，根據(jù)視覺(jué)傳達(dá)和特征分類(lèi)結(jié)果進(jìn)行目標(biāo)特征點(diǎn)分類(lèi)檢測(cè)。

1.2 艦船圖像增強(qiáng)處理

根據(jù)對(duì)模糊艦船圖像視覺(jué)模型分析和視覺(jué)采集結(jié)果，為了提高對(duì)目標(biāo)艦船的識(shí)別能力，還需要進(jìn)行圖像增強(qiáng)處理，結(jié)合圖像濾波技術(shù)，通過(guò)明暗計(jì)算、裁剪、紋理映射處理，得到目標(biāo)艦船圖像的視覺(jué)增強(qiáng)判決函數(shù)為：

式中：V(t)為模糊艦船目標(biāo)三維數(shù)據(jù)場(chǎng)中某些屬性的先驗(yàn)信息分量；W(t)為預(yù)處理過(guò)的數(shù)據(jù)統(tǒng)計(jì)值；為三維空間數(shù)據(jù)場(chǎng)的視角色差分量；為切片級(jí)和體素級(jí)重建判決函數(shù)，H0為切片級(jí)和體素級(jí)重建的逆函數(shù)。

采用幀差識(shí)別方法構(gòu)建艦船目標(biāo)圖像的多分辨?zhèn)鞲行畔⒃鰪?qiáng)模型，根據(jù)圖像增強(qiáng)處理，提高目標(biāo)檢測(cè)識(shí)別能力，這一實(shí)現(xiàn)過(guò)程如圖2所示。

圖2 圖像增強(qiáng)識(shí)別實(shí)現(xiàn)流程Fig.2 Implementation process of image enhancement recognition

2 模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)優(yōu)化

2.1 模糊艦船圖像目標(biāo)特征點(diǎn)提取

在視覺(jué)圖像增強(qiáng)處理的基礎(chǔ)上，采用目標(biāo)圖像與背景圖像差分分析方法實(shí)現(xiàn)對(duì)艦船圖像的目標(biāo)特征提取和聚類(lèi)處理。首先對(duì)每一層圖像的輪廓線(xiàn)進(jìn)行提取，得到模糊艦船目標(biāo)的模糊動(dòng)態(tài)特征量為，在此基礎(chǔ)上，確定每層輪廓線(xiàn)的邊界特征點(diǎn)，通過(guò)Harris角點(diǎn)分析和HU特征矩檢測(cè)技術(shù)，得到Harris角點(diǎn)特征提取輸出為：

式中：c0為拓?fù)浣Y(jié)構(gòu)重建的輪廓線(xiàn)；cN?1為目標(biāo)之間的2個(gè)相鄰的二維匹配參數(shù)。

結(jié)合圖像增強(qiáng)、去噪等過(guò)程，通過(guò)上下兩層輪廓線(xiàn)上對(duì)應(yīng)節(jié)點(diǎn)的分塊檢測(cè)，得到活動(dòng)區(qū)的邊緣像素序列分布為：

式中：I(x)為模兩層輪廓線(xiàn)上對(duì)應(yīng)節(jié)點(diǎn)的跨度；A為輪廓線(xiàn)的三維重建幀差分量；t(x)為艦船目標(biāo)視覺(jué)分量層與層之間輪廓；t0為初始采樣時(shí)間檢測(cè)。

根據(jù)一致性檢測(cè)和二乘擬合，實(shí)現(xiàn)對(duì)特征點(diǎn)提取過(guò)程中的線(xiàn)性均衡控制和擬合處理，并根據(jù)去重算法，得到像素的顯著特征值為：

式中：xi和xj為一個(gè)N×N的窗口中目標(biāo)艦船序列圖像中輪廓線(xiàn)數(shù)目；為圖像梯度模函數(shù)，由此實(shí)現(xiàn)模糊艦船圖像目標(biāo)特征點(diǎn)提取，根據(jù)特征提取結(jié)果進(jìn)行艦船目標(biāo)圖像分類(lèi)和動(dòng)態(tài)識(shí)別。

2.2 圖像目標(biāo)特征點(diǎn)分類(lèi)算法

以二維序列組成的艦船目標(biāo)圖像體數(shù)據(jù)為樣本，采用模糊聚類(lèi)算法實(shí)現(xiàn)對(duì)特征點(diǎn)分類(lèi)，得到聚類(lèi)函數(shù)：

式中：μpq為相鄰艦船特征點(diǎn)屬性的表面模型參數(shù)；μ00為特征建模的立方體體素；γ為艦船目標(biāo)每幀的初始 3D 姿態(tài)參數(shù)。

根據(jù)視覺(jué)聚類(lèi)傳達(dá)和目標(biāo)圖像的特征點(diǎn)增強(qiáng)結(jié)果，結(jié)合模糊C均值聚類(lèi)算法，得到目標(biāo)分類(lèi)迭代函數(shù)為：

式中：H為單幀數(shù)據(jù)集的密度；f為艦船目標(biāo)每一幀的3D 位姿；n為相同屬性值的等值面體素強(qiáng)度；l為各層、各行、各列的順序遍歷的序列控制參數(shù)；A為體素模型分類(lèi)檢測(cè)系數(shù)；x˙ ，y˙為x，y方向的采樣間距；f(x,y)為模糊聚類(lèi)函數(shù)。

根據(jù)上述分析，實(shí)現(xiàn)基于視覺(jué)傳達(dá)的模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)算法優(yōu)化設(shè)計(jì)。

3 仿真測(cè)試

為了驗(yàn)證本文方法在實(shí)現(xiàn)模糊艦船圖像目標(biāo)分類(lèi)效果用Matlab和VS2017仿真軟件進(jìn)行仿真測(cè)試。目標(biāo)艦船采樣額的樣本數(shù)為200，訓(xùn)練集為50，圖像像素視覺(jué)分層為30，80，180 層圖像，數(shù)據(jù)集灰度值75.27，模糊艦船圖像的幀采樣參數(shù)設(shè)定見(jiàn)表1。

表1 參數(shù)設(shè)定Tab.1 Parameter Setting

根據(jù)上述參數(shù)設(shè)定，取其中一組樣本為例，得到模糊艦船圖像測(cè)試樣本如圖3所示。

圖3 模糊艦船圖像測(cè)試樣本Fig.3 Fuzzy Ship Image Test Sample

對(duì)圖3采集的模糊艦船圖像進(jìn)行信息增強(qiáng)處理，并實(shí)現(xiàn)對(duì)目標(biāo)特征提取，得到處理結(jié)果如圖4所示。

圖4 艦船圖像增強(qiáng)處理Fig.4 Ship Image Enhancement Processing

根據(jù)增強(qiáng)處理結(jié)果，采用本文方法實(shí)現(xiàn)對(duì)艦船目標(biāo)圖像的分類(lèi)檢測(cè)，并與傳統(tǒng)方法對(duì)比，仿真結(jié)果如圖5和圖6所示?？芍?，本文方法能有效實(shí)現(xiàn)對(duì)艦船目標(biāo)圖像分類(lèi)和特征提取，特征聚類(lèi)效果較好，實(shí)現(xiàn)對(duì)不同目標(biāo)分類(lèi)檢測(cè)，相比傳統(tǒng)方法，目標(biāo)聚類(lèi)性更好，對(duì)不同目標(biāo)的分組檢測(cè)和視覺(jué)辨識(shí)能力更強(qiáng)。

圖5 艦船特征點(diǎn)提取聚類(lèi)處理Fig.5 Ship feature point extraction and clustering processing

圖6 艦船分類(lèi)檢測(cè)結(jié)果Fig.6 Ship classification detection results

4 結(jié) 語(yǔ)

研究模糊艦船圖像目標(biāo)識(shí)別方法，提高對(duì)艦船目標(biāo)的準(zhǔn)確辨識(shí)能力，本文提出基于視覺(jué)傳達(dá)和圖像增強(qiáng)的模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)模型。采用多傳感器陣列視覺(jué)采集方法，實(shí)現(xiàn)對(duì)模糊艦船目標(biāo)圖像采樣，結(jié)合圖像濾波技術(shù)，通過(guò)明暗計(jì)算、裁剪、紋理映射處理，采用幀差識(shí)別方法，構(gòu)建艦船目標(biāo)圖像的多分辨?zhèn)鞲行畔⒃鰪?qiáng)模型，實(shí)現(xiàn)基于視覺(jué)傳達(dá)的模糊艦船圖像目標(biāo)分類(lèi)檢測(cè)算法的優(yōu)化設(shè)計(jì)。分析得知，本文方法對(duì)艦船目標(biāo)圖像檢測(cè)識(shí)別的特征分類(lèi)性較好，提高檢測(cè)識(shí)別能力。