基于視覺傳達技術的紅外艦船圖像多級融合方法

劉金陽

(鄭州科技學院,河南鄭州 450064)

0 引言

艦船目標識別是海上監(jiān)測領域的研究重點，艦船紅外圖像是艦船目標識別領域中常用視覺傳達方式。從艦船紅外圖像中識別艦船目標，為艦船目標定位與跟蹤提供基礎。紅外艦船圖像具有不易受到外界干擾，受光照、海雜波影響小的特點，在海上監(jiān)測領域中應用極為廣泛[1–3]。

紅外圖像分析受到眾多計算機視覺領域學者的重視。向濤等[4]將視覺顯著性模型應用于紅外圖像艦船目標檢測中，計算紅外圖像的顯著圖，增強紅外圖像的艦船目標區(qū)域，依據(jù)艦船目標的先驗信息，通過模糊C均值聚類算法檢測紅外圖像的艦船目標。該方法可以從紅外圖像中檢測艦船目標，輸出艦船目標位置，但是存在運算過程過于復雜，檢測實時性較差的缺陷。成艷等[5]從紅外遙感圖像中提取艦船尾跡，利用Dot-Curve檢測方法，對圖像進行二維曲率濾波處理，提取艦船尾跡特征，依據(jù)所提取特征，通過尾跡線性度等指標檢測艦船目標。該方法僅需少量樣本，即可檢測艦船目標，但是存在容易受環(huán)境影響的問題，艦船檢測的誤檢率較高。針對以上方法在紅外圖像處理中存在的問題，研究基于視覺傳達技術的紅外艦船圖像多級融合方法。處理利用視覺傳達技術采集的紅外艦船圖像，對不同光譜級別的紅外艦船進行多級融合處理，增強紅外艦船圖像，為紅外艦船圖像的目標檢測等應用提供圖像基礎。

1 紅外艦船圖像多級融合方法

1.1 多光譜紅外艦船圖像的視覺傳達效果增強

由于多光譜紅外熱成像儀采集的圖像中包含不同程度的噪聲，利用視覺傳達技術采集紅外圖像前，需要對紅外艦船圖像進行去噪處理。圖像濾波處理是過濾圖像噪聲的方法，紅外圖像的中頻段與低頻段包含圖像的關鍵信息，圖像高頻段包含噪聲時，容易將關鍵信息掩蓋。通過圖像濾波消除紅外相機采集的不同頻段圖像噪聲，保留圖像的邊緣信息以及輪廓信息，增強艦船紅外圖像的整體視覺傳達效果。選取中值濾波方式對艦船紅外圖像進行去噪處理，該方法不僅可以過濾艦船紅外圖像噪聲，同時可以保留艦船紅外圖像中艦船的邊緣信息與輪廓信息。C為由艦船紅外圖像像素點 (x0,y0)組成的鄰域集合，艦船紅外圖像中值濾波處理的表達式如下：

式中：S ort與l(x,y)分別為排序運算以及像素值灰度大小。

艦船紅外圖像中值濾波處理過程如下：

1)依據(jù)像素點灰度值大小，排列艦船紅外圖像像素點；

2)依據(jù)像素點排列結果，設置排列結果的中間值作為中值濾波目標點的灰度值。

1.2 紅外艦船圖像的非下采樣變換

非下采樣變換方法是一種靈活的圖像分解方法，該方法具有較高的平移不變性，可以實現(xiàn)不同尺度、不同方向的圖像分解。非下采樣變換分別對紅外艦船圖像進行多尺度、多方向分解，該方法利用非下采樣金字塔，多尺度分解圖像，獲取不同尺度紅外艦船圖像的子帶系數(shù)。對所獲取的子帶系數(shù)，利用非下采樣反向濾波器組實施方向分解，獲取不同方向、不同尺度的子帶系數(shù)。非下采樣變換方法利用Z變換的等效移位性質，對相應濾波器進行上采樣處理。對紅外艦船圖像進行L級非下采樣變換分解后，獲取1個低通子帶 系 數(shù) 以 及個帶通方向子帶系數(shù)，其中 2kl表示2?l尺度上的高頻方向子帶數(shù)量。將非下采樣變換方法應用于紅外艦船圖像分解中，獲取紅外艦船圖像的子帶圖像。紅外艦船圖像低頻子帶系數(shù)具有非稀疏特征，高頻不同方向的子帶系數(shù)均位于零值附近，具有近似稀疏特征，可以直觀體現(xiàn)高頻方向子帶的多方向特點。

利用非下采樣變換方法的稀疏表示，提升紅外艦船圖像的分解性能。利用字典中少量原子的近似組合或線性組合，表示紅外艦船圖像信號。對于紅外艦船圖像Y，利用近似方法搜尋其稀疏表示的表達式如下：

式中：Y與D分別為利用K 奇異值分解方法訓練低頻子帶系數(shù)獲取的字典；a與分別為向量以及向量中的非零元素數(shù)量； ε為允許偏差精度。通過紅外艦船圖像的非下采樣變換，將紅外艦船圖像變換為低頻子帶與高頻子帶。

1.3 紅外艦船圖像的低頻子帶融合

利用非下采樣變換方法獲取的低頻子帶，是紅外艦船圖像的近似部分，低頻子帶可以體現(xiàn)紅外艦船圖像的主要能量信息。利用下采樣變換方法獲取的低頻子帶樣本集，訓練過完備字典，依據(jù)已訓練的過完備字典，稀疏處理紅外艦船圖像的低頻系數(shù)。選取模糊邏輯方法，自適應選擇完成稀疏處理的低頻系數(shù)。紅外艦船圖像的低頻子帶融合過程如下：

1)用A與B表示2幅不同級頻段的紅外艦船圖像，LA與LB表示經(jīng)過非下采樣變換獲取的低頻子帶。對LA與LB利用滑動窗技術分塊處理，將紅外艦船圖像轉化為列向量。

2)從所獲取的列向量中，隨機選取樣本，利用K奇異值分解方法訓練樣本，獲取字典D。選取正交匹配追蹤算法，依據(jù)字典D獲取稀疏表示系數(shù)SA與SB。

3)選取模糊邏輯算法自適應確定融合系數(shù)，其表達式如下：

式中：wA與wB分 別為SA與SB的 權值wB=1?wA； η與 σ分 別表示SA的均值以及方差。

4)將通過步驟3獲取的融合系數(shù)SF，放至原位置，獲取最終融合后的低頻系數(shù)LF，完成紅外艦船圖像的低頻子帶融合。

1.4 紅外艦船圖像的高頻子帶融合

高頻子帶可以體現(xiàn)紅外艦船圖像的邊緣信息以及細節(jié)信息，利用局部區(qū)域方差體現(xiàn)紅外艦船圖像像素灰度值的離散程度，該值越高時，紅外艦船圖像區(qū)域信息量越大。相同級頻譜紅外艦船圖像融合時，選取局部尺度方差取大方法，融合高頻系數(shù)的表達式如下：

式中：G1,l,d(x,y) 與G2,l,d(x,y)分別為相同級別中，第1頻譜與第2頻譜的紅外艦船圖像在l級d方向上，像素點 (x,y) 位 置 的 高 頻 分 解 系 數(shù)； δ1,l(x,y) 與 δ2,l(x,y)分別為第1頻譜與第2頻譜的紅外艦船圖像尺度方差。

對紅外艦船圖像高頻子帶進行多方向分解，紅外艦船圖像像素點為圖像邊緣或細節(jié)信息時，個別方向的高頻系數(shù)存在較大值。紅外艦船圖像像素點位置為噪聲位置時，不同方向高頻系數(shù)的數(shù)值差異較小，高頻系數(shù)高于其他方向值，低于圖像邊緣和細節(jié)處分解值。通過計算相同尺度下，全部方向方差，在不同方向的最大方差值，避免不同方向高頻系數(shù)不一致，以及受到噪聲影響，造成圖像失真情況。圖像尺度最大方差的計算公式如下：

基于視覺傳達技術的紅外艦船圖像多級融合方法的具體流程如下：

1)輸入不同級頻段的紅外艦船圖像，對紅外艦船圖像進行中值濾波，提升圖像的視覺傳達效果。

2)對紅外艦船圖像進行非下采樣變換處理，將紅外艦船圖像劃分為高頻方向子帶與低頻子帶。

3)利用k奇異值分解方法訓練字典，通過聯(lián)合稀疏表示方法，提取紅外艦船圖像的稀疏表示系數(shù)。利用紅外艦船圖像的低頻子帶融合方法，重構紅外艦船圖像的低頻子帶。

4)依據(jù)高頻子帶融合方法，融合紅外艦船圖像不同方向的高頻子帶。

5)將非下采樣逆變換方法應用于紅外艦船圖像不同尺度的高頻方向子帶以及低頻子帶，獲取最終紅外艦船圖像的多級融合結果。

2 實例分析

為了驗證本文基于視覺傳達技術的紅外艦船圖像多級融合方法，選取利用多光譜紅外成像儀采集的多光譜紅外圖像構建圖像樣本集。多光譜紅外成像儀的分辨率為640×480，多光譜紅外成像儀的對角線視場角為8.2°。選取Matlab R2015a 軟件中的Training Image Labeler 圖像標注工具，對樣本集中的多光譜紅外圖像進行手動標注處理，構建測試集。多光譜紅外成像儀的多級頻譜設置如表1所示。表1中紅外艦船圖像樣本集中包含5個級別的多譜段紅外圖像。紅外艦船圖像中包含不同成像距離、不同成像時間、不同成像角度的艦船圖像，包含海洋環(huán)境、天空環(huán)境、云層環(huán)境等不同環(huán)境場景的艦船目標。從樣本集中隨機選取相同場景不同波段的紅外艦船圖像，選取的2級譜段與4級譜段的原始紅外艦船圖像如圖1所示。

圖1 原始紅外圖像Fig.1 Original infrared image

采用本文方法對不同譜段的原始紅外艦船圖像進行多級融合，紅外艦船圖像融合結果如圖2所示。可以看出，本文方法可以實現(xiàn)紅外艦船圖像的多級融合。相比于原始紅外艦船圖像，多級融合后的紅外艦船圖像清晰度明顯提升，可以更多地體現(xiàn)圖像中的目標細節(jié)，圖像邊緣更加清晰，為紅外艦船圖像的目標識別等應用提供清晰的圖像基礎。

圖2 多級融合結果Fig.2 Multilevel fusion results

選取互信息量、邊緣信息保留量、平均梯度3個指標，作為衡量圖像多級融合性能的指標，評價多級融合后的圖像質量。利用互信息量體現(xiàn)融合后圖像包含源信息量的大小；利用邊緣信息保留量體現(xiàn)融合后圖像保留艦船目標邊緣信息的大小；利用平均梯度衡量艦船圖像融合后的清晰度。以上指標數(shù)值越高時，表示圖像多級融合的效果越好。統(tǒng)計采用本文方法多級融合紅外艦船圖像的融合性能，統(tǒng)計結果如圖3所示。由圖3可知，采用本文方法融合紅外艦船圖像，圖像融合結果的互信息量、邊緣信息保留量以及平均梯度均高于0.7。通過實驗設置的量化評價指標，驗證本文方法具有較高的多級融合性能。

圖3 紅外艦船圖像融合性能Fig.3 Infrared ship image fusion performance

為了進一步驗證采用本文方法融合紅外艦船圖像的實用性，將本文方法應用于艦船目標識別中。統(tǒng)計本文方法多級融合后的紅外艦船圖像，與不同級譜段紅外艦船圖像，識別艦船目標的結果，如圖4所示。通過圖4可知，本文方法采用多級融合方法融合紅外艦船圖像，識別艦船目標的識別精度明顯高于單譜段紅外艦船圖像的識別結果。通過本文方法對紅外艦船圖像的多級融合，提升了紅外艦船圖像質量，通過高質量的紅外艦船圖像，提升艦船目標識別精度，具有較高的實用性。

圖4 艦船目標檢測結果Fig.4 Ship target detection results

3 結語

視覺傳達技術是計算機視覺領域中的重要技術，利用視覺傳達技術采集紅外艦船圖像，對紅外艦船圖像融合處理，提升紅外艦船圖像的視覺傳達效果，為紅外艦船圖像的應用提供依據(jù)。對紅外艦船圖像進行非下采樣變換處理，將紅外艦船圖像分解為低頻子帶與高頻子帶，融合處理圖像的低頻子帶與高頻子帶，實現(xiàn)不同級別紅外艦船圖像的多級融合。通過實驗驗證該方法有效融合不同級譜段的紅外艦船圖像，提升艦船圖標識別精度。