基于視覺傳達技術的船舶實效圖像自適應增強方法

傅建明

(江西科技學院, 江西 南昌 330098)

0 引 言

由于船舶工作環(huán)境的特殊性，其在執(zhí)行出海任務時對各類信息的監(jiān)測要求更加嚴格，尤其是船舶的可視化信息，對于船舶安全出行來說更為重要[1-2]。但因為水流的沖擊、水霧以及光照條件的影響，獲取的船舶實效圖像往往會出現(xiàn)模糊、顏色暗淡以及灰度化等分辨率低的問題[3-4]。為了獲取高分辨率的可視化信息，助力船舶安全行駛，就需要對獲取的船舶實效圖像進行增強處理。

近年來，國內(nèi)外諸多學者關于船舶圖像增強問題進行了研究，并取得了一定的研究成果。如黃寧淑等[5]利用剪裁的方式對船舶圖像目標區(qū)域進行提取，求得該區(qū)域內(nèi)像素間的距離，建立圖像物理坐標，并依據(jù)坐標信息對船舶圖像實施三維重建。在此基礎上，引入視覺傳達技術，對局部區(qū)域的亮度進行調(diào)節(jié)，使圖像的光線分布更有層次感，進而達到增強圖像的目的。成藻等[6]通過視覺傳達技術把船舶圖像劃分成三種秩序，即空間和時間、內(nèi)在和外在以及抽象和具象，并以此對圖像特征進行提取，同時把圖像特征投射至聚類矩陣中，獲取聚類圖像，將高分辨率圖像當作低分辨率圖像的優(yōu)化約束條件，確定目標函數(shù)后重新建立聚類圖像，此時得到的圖像即為增強后的船舶圖像。上述2 種方法雖然對圖像起到了一定的增強作用，但是第1 種方法對于圖像光線的不均勻性可以進行較好的處理，但在圖像細節(jié)方面則達不到理想的增強效果；第2 種方法則沒有考慮圖像增強的自適應性，缺乏處理圖像的靈活性。

視覺傳達技術以交互體驗與感受為重點，依據(jù)視覺規(guī)律，通過相關技術將視覺信息傳達出來，目前已在多個領域得到推廣。本文提出一種視覺傳達技術下船舶實效圖像自適應增強方法，可以較好地實現(xiàn)船舶實效圖像的自適應增強。

1 船舶實效圖像自適應增強

1.1 船舶實效圖像亮度分量的校正處理

1.1.1 船舶實效圖像亮度分量的提取

由于采集到的原始船舶實效圖像屬于RGB 圖像，在RGB 空間中增強圖像的飽和度和亮度(灰度值)往往會使圖像出現(xiàn)顏色失真的現(xiàn)象；而在HSI 空間內(nèi)，是從色調(diào)(H)、飽和度(S)以及亮度(I)三個方面對圖像色彩特征進行表述，并且I與H，S不存在任何關聯(lián)，也就是說，在該空間內(nèi)處理船舶實效圖像的亮度信息，則不會對其原來圖像的顏色產(chǎn)生影響。所以在對船舶實效圖像亮度進行處理前，應先將其轉(zhuǎn)換至HSV 空間中。對I的轉(zhuǎn)換可以描述為：

式中：RGB 圖像的紅、綠、藍分量分別用R，G，B描述。

1.1.2 基于伽馬校正的圖像亮度分量自適應校正

伽馬校正屬于非線性操作，常用于圖像的預處理，該技術可以對圖像的光照和對比度進行修正。而伽馬參數(shù)γ則是該技術中較為重要的參變量，利用對γ的調(diào)節(jié)，可以完成對圖像亮度分量的自適應校正。當γ是1 時，圖像沒有改變；當γ小于1 時，圖像亮度會增大；當γ大于1 時，圖像亮度會變小。本文依據(jù)船舶實效圖像光照分量的分布特點，對γ實施自適應調(diào)節(jié)，進而完成對船舶實效圖像亮度(灰度值)的自適應校正。創(chuàng)建的伽馬校正函數(shù)描述為：

其中，γ描述為：

式中：光照分量亮度平均值用u描述；校正后亮度用Iout(x,y)描述；原圖像亮度用Iin∈[0,Imax]描述；Imax是最大亮度值；空間平面坐標用x，y描述。

將轉(zhuǎn)換至HIS 空間的船舶實效圖像，通過上述操作，可以在顏色信息不流失的情況下，對其亮度進行調(diào)節(jié)，進而得到亮度適宜的船舶實效圖像。

1.2 基于Retinex 算法的船舶實效圖像增強

Retinex 算法屬于視覺傳達技術，該方法根據(jù)對人類視網(wǎng)膜和大腦皮層運行過程的模擬，完成對圖像的增強，該過程可以表示為：

式中：E(x,y) 為經(jīng)過亮度校正后的船舶實效圖像用，L(x,y)為圖像中的光照分量用，D(x,y)為反射圖像用；且D(x,y)可以反映出船舶實效圖像的細節(jié)信息。

Retinex 算法的核心思想是：去除L(x,y)對圖像視覺效果造成的影響，保留能體現(xiàn)圖像本質(zhì)屬性的D(x,y)。單尺寸的Retinex 算法通過高斯函數(shù)對光照分量L(x,y)展開分析，消除L(x,y)對船舶實效圖像的影響，達到增強圖像的目的，描述為：

式中：卷積運算用 *描述；高斯核函數(shù)用η(x,y)描述，且η(x,y)用公式表示為：

式中，歸一化系數(shù)用ζ描述，高斯環(huán)繞尺度用σ描述，e代表指數(shù)函數(shù)。

在Retinex 算法中，σ的取值至關重要，它直接關系到船舶實效圖像的增強效果。只有當σ的取值適當，才能使增強后的船舶實效圖像在動態(tài)范圍的壓縮和對比度方面保持平衡，達到理想的圖像增強效果。為了使σ的取值更合理，本文利用粒子群算法(PSO)對σ值進行自適應選取。PSO 算法依據(jù)種群的連續(xù)迭代進行全局求優(yōu)，即利用所有粒子之間的協(xié)作和競爭來完成整體最佳位置的搜尋。粒子所處位置代表的就是σ的取值，算法最終尋得的整體最佳位置就是σ的最佳值。

設定存在于維度S空間中的種群，由數(shù)量是N的粒子構建，描述為其中粒子i在該空間內(nèi)的位置用描述，代表問題的潛在解。該粒子的移動速度用描述，個體極值用整體種群全局極值用描述。在迭代過程中，利用pg與pi對粒子的速度與位置進行改變，該過程的更新模型可以描述為：

式中：粒子i的移動速度用描述；位置用描述；目前迭代次數(shù)用t描述；慣性權重用ω描述；學習因子用λ1，λ2描述，隨機數(shù)用r1和r2描述，且二者的取值范圍為[0,1]。另外，為了避免粒子出現(xiàn)盲目搜尋的現(xiàn)象，需要對其速度與位置進行設限，通常設限的范圍分別為[-Vmax,Vmax]和[-Qmax,Qmax]。

在PSO 算法中，需要利用適應度值對粒子的優(yōu)良進行評估，也是評價船舶實效圖像質(zhì)量好壞的依據(jù)。針對船舶實效圖像內(nèi)容模糊以及對比度低等特點，將信息熵H和標準差δ作為判斷船舶實效圖像質(zhì)量的指標。其中，圖像中包含的信息量通過H描述，對比度特征用δ描述。將二者引入PSO 算法中，對船舶實效圖像增強問題的適應度函數(shù)進行構建，描述為：

式中，常數(shù)用α1和α2描述，且二者的和是1。

通過對粒子適應度的線性排列，可以對粒子進行客觀評價。

傳統(tǒng)PSO 算法中，通常會出現(xiàn)粒子跟隨記憶搜尋，使算法過早收斂，出現(xiàn)局部極值的問題。為了避免出現(xiàn)類似的問題，可以將遺傳(GA)算法中的基因變異策略引入其中，對粒子位置更新方式進行改進，描述為：

式中，隨機數(shù)用r3和r4描述，目前和最大迭代次數(shù)分別用t和tmax描述，粒子變異幾率用h(t)描述。

通過上述方法對PSO 算法進行改進后，可以減少記憶性對粒子運動的干擾，防止出現(xiàn)重復路線，有效提升收斂速度，避免發(fā)生局部最優(yōu)的問題。

利用改進后的PSO 算法可以得到Retinex 算法中σ的最優(yōu)值，從而提升Retinex 算法的性能，達到優(yōu)化Retinex 算法的目的。最后采用優(yōu)化后的Retinex 算法，去除光照分量L(x,y)對船舶實效圖像質(zhì)量產(chǎn)生的不良影響，獲取能反映圖像本質(zhì)屬性的D(x,y)，進而實現(xiàn)船舶實效圖像的自適應增強。

2 實驗結果與分析

以某貨輪為實驗對象，該貨輪長50 m，寬6 m，深3.5 m，標準吃水1.3 m，運載能力160 t，可用于遠、近海的貨物運輸。

為了驗證本文方法的有效性，實驗隨機選取該貨輪的實效圖像利用本文方法進行了圖像增強操作。實驗主要參數(shù)見表1，該貨輪實效圖像增強前后的效果，如圖1 所示。由圖1 可知，原船舶實效圖像整體較為灰暗，分辨率較低，不利于視覺信息的傳達和人眼的觀察。而經(jīng)過本文方法增強后的船舶實效圖像，極大地提升了圖像分辨率，清晰度高，無曝光點，細節(jié)豐富，達到了較好的視覺效果，為后續(xù)船舶實效圖像的應用奠定了基礎。

圖1 船舶實效圖像增強效果圖Fig. 1 Enhanced effect of ship's actual image

表1 實驗參數(shù)設置Tab. 1 Experimental parameter settings

為了驗證本文所提優(yōu)化后粒子群算法的性能，實驗對該算法的粒子適應度進行了測試，設定最大迭代次數(shù)為180，最佳適應度為98，得到的結果如圖2 所示。由圖2 可知，利用本文方法得到的粒子適應度曲線，隨著實驗的進行迅速向最佳值貼近。迭代次數(shù)為40 次時，適應度曲線已接近最佳適應度值；迭代次數(shù)為60 次時，適應度曲線已處于收斂狀態(tài)。由此說明本文方法將GA 算法中的基因變異策略引入粒子群算法中，對其進行了較好的改進，可以快速實現(xiàn)算法的收斂，找到全局最優(yōu)值。

圖2 適應度變化趨勢Fig. 2 Fitness variation trend

NIQE 即自然圖像質(zhì)量評估指標，常用于對增強后圖像品質(zhì)的評價，其值越小，代表經(jīng)過增強的圖像與自然圖像差異越小。為了衡量本文方法的優(yōu)越性，實驗在不同信噪比條件下，利用本文方法對船舶實效圖像進行了自適應增強，并通過NIQE 指標對增強前后的船舶實效圖像質(zhì)量進行了評價，得出的結果，如圖3所示。可知，經(jīng)過本文方法增強后的船舶實效圖像，在不同信噪比條件下的NIQE 值對比增強前的圖像得到了大幅度下降，尤其是信噪比為80 時，增強后船舶實效圖像的NIQE 已降低至2，即使信噪比為10 時，增強后圖像的NIQE 也未超過4。由此說明，利用本文方法對船舶實效圖像進行適自應增強后，圖像質(zhì)量有了顯著提升，進而證明本文方法具有較好的性能。

圖3 不同信噪比條件下的NIQE 表現(xiàn)情況Fig. 3 NIQE performance under different signal-to-noise ratios

3 結 語

由于海洋環(huán)境比較復雜，同時還會有其他船舶在同海域中航行，這樣便導致對船舶的監(jiān)測增加了難度。為了得到高分辨率的船舶實效圖像，從中獲取更多的細節(jié)信息，本文提出基于視覺傳達技術下船舶實效圖像自適應增強方法。該方法利用改進PSO 算法對Retinex 算法中的高斯環(huán)繞尺度進行自適應取值，利用優(yōu)化后的Retinex 算法對船舶實效圖像實施了增強。通過實驗證明，本文方法在增強船舶實效圖像方面有著較好表現(xiàn)，具有較強的應用價值。