基于视觉传达的模糊舰船图像目标分类检测

郭璟瑶

(郑州科技学院, 河南 郑州 450064)

0 引 言

随着水下和水面电子对抗技术的不断升级发展，对舰船目标的准确识别要求不断提升，结合计算机图像和视觉传达技术，构建模糊舰船图像目标分类检测模型，结合光学处理和图像信息增强技术，采用目标舰船的特征点分析和视觉信息增强处理技术，通过对特征点的分类提取，提高对模糊舰船图像目识别能力。研究模糊舰船图像目标识别方法，在提高对舰船目标的准确辨识能力方面具有重要意义，相关算法研究在军事领域具有很好的应用价值[1]。

对模糊舰船图像目标图像识别建立在对特征点提取和像素特征分析基础上，通过对模糊舰船图像目标特征分类提取。通过视觉传达和信息增强，实现对模糊舰船图像的帧分类检测。当前方法中，对舰船图像目标分类方法主要有模糊C均值分类检测方法、Harris角点特征提取方法等[2–3]。通过对输入图像的滤波降噪和信息增强，实现对舰船目标的特征点分类提取和识别[4]，但当前方法对模糊目标舰船的分类检测识别能力不好。针对上述问题，本文提出基于视觉传达和图像增强的模糊舰船图像目标分类检测模型。首先进行图像特征检测和预处理，构建糊舰船图像的多传感视觉采集模型，采用目标图像与背景图像差分分析方法实现对舰船图像的目标特征提取和聚类处理；然后根据视觉聚类传达和目标图像的特征点增强结果，实现对图像目标分类检测算法设计。最后进行仿真测试，得出有效性结论。

1 图像视觉模型及预处理

1.1 模糊舰船图像视觉模型

为实现对模糊舰船图像目标分类检测，结合标量、矢量和张量特征分析，采用多传感器阵列视觉采集方法，实现对模糊舰船目标图像采样。对采集的模糊舰船图像进行视觉增强处理，提取模糊舰船图像的同态特征点[5]，通过特征点聚类结果进行目标分类检测，总体实现流程如图1所示。

图1 模糊舰船图像分类检测总体实现流程Fig.1 Overall implementation process of fuzzy ship image classification and detection

根据图1的总体设计流程，根据空间的位置信息分布，构建图像采集模型，得到舰船目标图像结构化和非结构化混合像素分布：

式中：J(w,e)为模糊舰船目标数据点均匀的排列像素点；ai为空规则网格类型分量；φ(xi)为模糊舰船目标空间排布中的确切位置，N为模糊舰船目标的像素点数。

根据同一个方向上相邻点特征分析，得到舰船目标图像的边缘轮廓为：

式中：Jc为图像滤波传递度系数；Ω(x)为模糊舰船目标的位置信息分布邻域大小。

结合目标的运动参数信息特征重组，得到模糊舰船目标边缘轮廓视觉特征分解结果为：

式中：A为模糊舰船目标细粒度属性值在数组中储存分量；t(x)为三维数据场可视化增强系数；J(x)t(x)为图像的视差分量。

由此构建对模糊舰船图像采集的视觉分析模型，根据视觉传达和特征分类结果进行目标特征点分类检测。

1.2 舰船图像增强处理

根据对模糊舰船图像视觉模型分析和视觉采集结果，为了提高对目标舰船的识别能力，还需要进行图像增强处理，结合图像滤波技术，通过明暗计算、裁剪、纹理映射处理，得到目标舰船图像的视觉增强判决函数为：

式中：V(t)为模糊舰船目标三维数据场中某些属性的先验信息分量；W(t)为预处理过的数据统计值；为三维空间数据场的视角色差分量；为切片级和体素级重建判决函数，H0为切片级和体素级重建的逆函数。

采用帧差识别方法构建舰船目标图像的多分辨传感信息增强模型，根据图像增强处理，提高目标检测识别能力，这一实现过程如图2所示。

图2 图像增强识别实现流程Fig.2 Implementation process of image enhancement recognition

2 模糊舰船图像目标分类检测优化

2.1 模糊舰船图像目标特征点提取

在视觉图像增强处理的基础上，采用目标图像与背景图像差分分析方法实现对舰船图像的目标特征提取和聚类处理。首先对每一层图像的轮廓线进行提取，得到模糊舰船目标的模糊动态特征量为，在此基础上，确定每层轮廓线的边界特征点，通过Harris角点分析和HU特征矩检测技术，得到Harris角点特征提取输出为：

式中：c0为拓扑结构重建的轮廓线；cN−1为目标之间的2个相邻的二维匹配参数。

结合图像增强、去噪等过程，通过上下两层轮廓线上对应节点的分块检测，得到活动区的边缘像素序列分布为：

式中：I(x)为模两层轮廓线上对应节点的跨度；A为轮廓线的三维重建帧差分量；t(x)为舰船目标视觉分量层与层之间轮廓；t0为初始采样时间检测。

根据一致性检测和二乘拟合，实现对特征点提取过程中的线性均衡控制和拟合处理，并根据去重算法，得到像素的显著特征值为：

式中：xi和xj为一个N×N的窗口中目标舰船序列图像中轮廓线数目；为图像梯度模函数，由此实现模糊舰船图像目标特征点提取，根据特征提取结果进行舰船目标图像分类和动态识别。

2.2 图像目标特征点分类算法

以二维序列组成的舰船目标图像体数据为样本，采用模糊聚类算法实现对特征点分类，得到聚类函数：

式中：µpq为相邻舰船特征点属性的表面模型参数；µ00为特征建模的立方体体素；γ为舰船目标每帧的初始 3D 姿态参数。

根据视觉聚类传达和目标图像的特征点增强结果，结合模糊C均值聚类算法，得到目标分类迭代函数为：

式中：H为单帧数据集的密度；f为舰船目标每一帧的3D 位姿；n为相同属性值的等值面体素强度；l为各层、各行、各列的顺序遍历的序列控制参数；A为体素模型分类检测系数；x˙ ，y˙为x，y方向的采样间距；f(x,y)为模糊聚类函数。

根据上述分析，实现基于视觉传达的模糊舰船图像目标分类检测算法优化设计。

3 仿真测试

为了验证本文方法在实现模糊舰船图像目标分类效果用Matlab和VS2017仿真软件进行仿真测试。目标舰船采样额的样本数为200，训练集为50，图像像素视觉分层为30，80，180 层图像，数据集灰度值75.27，模糊舰船图像的帧采样参数设定见表1。

表1 参数设定Tab.1 Parameter Setting

根据上述参数设定，取其中一组样本为例，得到模糊舰船图像测试样本如图3所示。

图3 模糊舰船图像测试样本Fig.3 Fuzzy Ship Image Test Sample

对图3采集的模糊舰船图像进行信息增强处理，并实现对目标特征提取，得到处理结果如图4所示。

图4 舰船图像增强处理Fig.4 Ship Image Enhancement Processing

根据增强处理结果，采用本文方法实现对舰船目标图像的分类检测，并与传统方法对比，仿真结果如图5和图6所示。可知，本文方法能有效实现对舰船目标图像分类和特征提取，特征聚类效果较好，实现对不同目标分类检测，相比传统方法，目标聚类性更好，对不同目标的分组检测和视觉辨识能力更强。

图5 舰船特征点提取聚类处理Fig.5 Ship feature point extraction and clustering processing

图6 舰船分类检测结果Fig.6 Ship classification detection results

4 结 语

研究模糊舰船图像目标识别方法，提高对舰船目标的准确辨识能力，本文提出基于视觉传达和图像增强的模糊舰船图像目标分类检测模型。采用多传感器阵列视觉采集方法，实现对模糊舰船目标图像采样，结合图像滤波技术，通过明暗计算、裁剪、纹理映射处理，采用帧差识别方法，构建舰船目标图像的多分辨传感信息增强模型，实现基于视觉传达的模糊舰船图像目标分类检测算法的优化设计。分析得知，本文方法对舰船目标图像检测识别的特征分类性较好，提高检测识别能力。