舰船三维视觉图像模糊目标清晰处理仿真研究

李 姗

(1.河南省容错服务器工程技术研究中心，河南郑州 450046；2.河南职业技术学院，河南郑州 450046)

0 引言

海上交通的不断发展，海上船舶的数量和类别不断增加，海上交通管理部门为了快速、精准完成海上目标船舶的救援、目标船舶的管理等[1–2]，会依据采集的海上船舶视觉图像进行目标船舶的检测。但是由于船舶处于移动状态下，并且海上的环境复杂，采集的图像受到环境因素的影响以及船舶自身移动的影响[3]，会存在模糊情况，导致目标的识别精准性降低。因此，为保证目标的可靠检测[4]，需对采集的船舶视觉图像中的目标进行清晰处理，以此提升目标的检测精度。文献[5]，针对船舶目标重叠情况下的图像处理需求，提出相关的图像增强方法，该方法主要通过增强图像的视觉效果，完成图像清晰处理。但是该方法在应用过程中，如果图像中存在虚影现象时，其处理效果相对较差。文献[6]为提升图像的清晰度，以多尺度耦合的密集残差网络为基础，进行图像分辨率的重构处理后，实现图像增强，提升图像清晰度。但是该方法在应用过程中，如果图像目标较小则处理效果不理想。

三维视觉是依据图像中像素点之间的相似性，计算像素之间的位置偏差，并确定船舶视觉图像三维空间在深度点信息。本文结合三维视觉优势，研究船舶三维视觉图像模糊目标清晰处理仿真方法。

1 图像模糊目标清晰处理

1.1 船舶视觉图像特征三维信息获取

为保证图像模糊目标的清晰处理结果，采用立体双目视觉获取船舶模糊图像的三维信息。立体双目视觉是通过2个视点对相同目标进行观测，以此获取同一个场景下的2幅图像。2 个观测面的模糊核路径和三维空间内的某种运动路径相对应，同时模糊核之间存在相对关联性。结合船舶的线性运动，设定项集参变量映射矩阵，用P表示，3D齐次坐标系内的位置点用 (x,y,z,1)表示，将其进行映射处理后使其位于2D观测面内，该观测面内坐标系的点用 (u,v,1)表示，则(x,y,z,1) 和(u,v,1)之间的相对关联性表达公式为：

式中，d为相机的景深。

模糊核路径在不同观测面内也呈现不同的变化，因此，定义运动模糊核路径为空间状态，且该状态不会发生变化，以此保证运算效果。如果船舶在该空间内运动，起点和终点分别为P和Q，P为可逆的，则依据式(1)计算得出 (x,y,z)。在该基础上，对2个观测面之间的运动映射关联性进行计算，如果2 个观测面的投影分别为至至则模糊图像3D空间内船舶的运动位移计算公式为：

模糊图像内，将沿着图像空间路径运动的船舶目标进行投影处理，使其均位于不同的观测面上。各个观测面投影后的路径存在一定区别，随机选择对空间路径上的点进行投影处理，以此可获取一组点对并且两者均位于各自对应的模糊路径上。对模糊核的轨迹进行离散化处理，获取该处理下模糊核路径之间的关联，其公式为：

式中，k表示离散编号。

通过上述内容即可获取船舶模糊图像内容特征之间的三维几何信息B。

1.2 模糊目标图像分割

由于船舶处于运行状态下，因此会导致采集的船舶图像中发生多个模糊运动区域，因此，需先确定船舶目标的模糊区域[7]，并且进行该区域的模糊分割，本文采用局部模糊探测方法完成。

该方法主要以像素的权重变量为基础，实现船舶模糊图像中模糊层分割，以此获取模糊船舶目标图像。

如果权变量用W表示，依据W的船舶运动场景去模糊广义能量模型表达公式为：

式中：Edata，Ereg分 别为数据保真项和正则化项；L和B分别为潜在清晰图像和三维信息；K为模糊核矩阵集合；W为权重变量集合，其和K之间一一对应。

Edata(L,W,K,B)可理解为多个模糊型数据项的加权和，其计算公式为：

式中：N为分割层数； ∂∗表 原始船舶图像的梯度。 λ为正则化参数的平衡因子；表示乘积运算。

由 船舶运动场景在进行模糊分割时具有显著病态特征，因此在分割过程中，引入正则化项，确保分割后图像的光滑性。对L，W，K分别添加正则化约束，其表达公式为：

通过全变分正则化项替代L的先验信息，图像的分割组依据非局部正则化完成，分割公式为：

式中： ξ(x)为x的邻域像素；g(x,y)为非局部相似性映射矩阵，用于描述x和y处像素之间的相似程度。

依据上述步骤即可获取权重变量加大的图像分层结果，该结果即为船舶模糊目标图像分割结果Iin。

1.3 目标图像清晰处理

完成船舶模糊目标图像分割后，采用残差聚集网络模型进行模糊目标清晰处理，获取清晰的船舶目标图像。将分割后的船舶模糊目标图像输入残差聚集网络模型中，采用中值滤波对其进行滤波操作，从分割后的图像中将低频信息Il进行分离处理，将Iin中的Il去除后即可获取其中的高频信息Ih，其计算公式为：

获取Ih中的低维特征，其采用低维特征提取器完成，其计算公式为：

式中：Ts f为几乎函数的组合操作；Fsf为输出的特征图。

为了提升模糊目标的清晰处理效果，采用堆叠的方式对多个残差模块进行处理，以此获取图像中目标船舶的高维特征信息。依据该模块的稠密连接性能，完成提取特征的连接，经由残差变换模块的压缩和蒸馏提取处理后，得出高维特征，其计算公式为：

式中：TRAB为 残差模块提取的特征；M为堆叠的残差模块数量；Ff f为高维特征的输出结果。

通过残差图生成器对残差图Frm进 行估算，其计算公式为：

式中，Trm为卷积和归一化的组合操作。

将Frm从Iin中删除，即可获取清晰化处理后的高质量目标图像，其计算公式为：

2 实验结果分析

为验证本文方法的应用效果，在跨平台计算机视觉和机器学习软件库-Op en CV 中进行仿真测试，OpenCV 库能够提供多种语言接口，支持图像处理和计算机视觉方面的应用。在OpenCV 库中进行相关测试过程中，视觉分块区域的大小为256×256×224，特征匹配系数为1.25，测试时的船舶图像数量为200张，该数据是采用双目立体视觉相机采集。

为验证本文方法对于船舶图像模糊目标的清晰化处理性能，文中采用图像对比度 ψ、边缘强度 η以及图像方差 σ作为衡量标准，进行相关测试，3 个指标的计算公式为：

式中：S为相减的平方项；f(i,j)和f(k,l)均为灰度值，前者对应像素点 (i,j) ，后者对应(i,j) 的四邻域(k,l)；gi,j为边缘点；Nedge为像素点数量，对应边缘区域；M×N为图像大小；µ 为平均灰度值。

依据上述3个公式计算本文方法在不同像素点数量下，对图像进行清晰处理后，3个指标的计算结果，如表1所示。3个指标的取值均在0~1之间，越接近1表示应用性能越佳。依据表1测试结果可知：随着像素数量的不断增加，采用本文方法对图像进行清晰处理后，图像的 ψ ， η以 及 σ的测试结果均在0.933以上，因此本文方法的应用性能较好，能够有效完成船舶图像模糊目标清晰处理。

表1 船舶图像模糊目标的清晰化处理性能Tab.1 Clear processing performance of blurred targets in ship image

为直观验证本文方法的应用效果，随机抽取一组船舶模糊图像进行模糊目标清晰处理，以图像中标记的客船作为目标，本文方法处理后的结果如图1所示。

依据图1测试结果可知：本文方法具有较好的应用效果，能够有效完成船舶图像中，模糊目标的清晰处理，获取清晰的目标结果。因此，本文方法应用性较好，可清晰呈现目标船舶结果。

图1 图像模糊目标处理结果Fig.1 Image blurred target processing results

3 结语

在进行海上交通管理或者救援时，需精准掌握目标船舶的信息。但是由于海上环境变化较大，并且复杂程度较高，同时船舶的类别和数量较多，导致采集的船舶图像中会存在模糊现象，直接影响目标船舶的识别效果。因此，本文研究船舶三维视觉图像模糊目标清晰处理仿真方法。对该方法进行相关测试后可知，本文方法具有较好的应用性能，能够有效完成模糊目标的清晰处理，为海上交通管理提供可靠依据。