艦船圖像顏色特征目標自動采集系統視覺優化

張洪波

(鄭州科技學院，河南 鄭州 450064)

0 引言

隨著信息化技術、計算機技術的迅速發展，海上作戰逐步成為以信息化為主導的戰爭，信息、情報數據已經成為決定海上作戰勝負的關鍵因素。海上偵察中，艦船的識別與快速處理技術能及時獲取敵方船舶的位置、類型等情報，從而在軍事作戰中占據主動。

相對于傳統的雷達探測技術，遙感技術可以直接生成海域內船舶的準確圖像，通過對圖像進行分割、特征提取、過濾等處理，可以提取準確的船舶目標信息。目前，基于遙感圖像的海上船舶目標探測、偵察與監視等獲得了廣泛的應用，且應用潛力還在進一步挖掘中[1]。

為了提高基于遙感圖像的艦船目標識別效率，本文將研究重點放在艦船圖像特征目標自動采集系統，介紹艦船遙感圖像的基本特征，從艦船圖像的像素濾波、模糊聚類算法、像素平滑算法等方面介紹圖像特征自動采集系統的關鍵功能，并結合C++編程語言，在Microsoft Visual Studio 2010 平臺上實現了自動采集系統的軟件開發。

1 艦船遙感圖像的基本特征

艦船遙感圖像是根據電磁波理論，對海域內目標所輻射和反射的電磁波信息采集與處理，最終得到目標物體影像的一種探測方法。

遙感圖像雷達的距離分辨率與電磁波脈沖帶寬和有關，帶寬分辨率可用下式計算：

式中：C0為傳播速度，C0=cλ0；λ0為調制前的脈沖帶寬；B為實際的帶寬。

方向分辨率用下式計算：

式中：β為雷達的張角。

遙感圖像雷達的信噪比可用下式表示：

其中：σ0為目標的分散系數；θ0為雷達波的入射角度；F0為雷達的硬件噪聲；LMIN為電磁波損失；P0為發射功率；G為天線增益。

高分辨率遙感圖像中的像素包括背景、噪聲和目標信息，可用下式表示：

其中，(x,y)為像素點；f1(x,y)為艦船目標的像素點；f2(x,y)為背景像素點；f3(x,y)為噪聲像素點值。

典型的海上艦船高分辨率遙感圖像如圖1 所示。

圖1 典型的海上艦船高分辨率遙感圖像Fig.1 High-resolution remote sensing images of typical ships at sea

海上高分辨率遙感圖像的噪聲來源有多種，最常見的噪聲干擾是海域內的云層、水汽等障礙物信號。為了更好進行遙感圖像的噪聲過濾，將遙感圖像的噪聲信號分為加性和乘性噪聲2 種。

1）加性噪聲

所謂加性噪聲是指噪聲與遙感圖像的本身信號強度無關，通常以硬件噪聲為主，比如信號傳輸過程的設備噪聲、信道噪聲等。

加性噪聲的模型可表示為：

式中：s(x,y)為信道噪聲；α(x,y)為設備硬件噪聲。

2）乘性噪聲

乘性噪聲是指與圖像本身相關的信號，比如圖像的強度、障礙物等，乘性噪聲模型可表示為：

式中：β(x,y)為圖像灰度噪聲；η(x,y)為障礙物噪聲。

本文的研究方向是海上遙感圖像的船舶目標特征采集，基本流程如圖2 所示。

圖2 海上遙感圖像的船舶目標特征采集基本流程Fig.2 Basic process of ship target feature acquisition for maritime remote sensing images

2 艦船圖像顏色特征目標自動采集系統的關鍵技術

2.1 像素濾波算法

艦船遙感圖像中包含大量的噪聲信號，這些噪聲信號會影響船舶目標特征的提取和識別，影響遙感圖像的灰度值。

為了提高遙感圖像目標特征自動采集系統的檢測精度，本文采用一種LEE 濾波算法，濾波器的模型如下：

LEE 濾波器R(t)的平方可積，在頻域內有：

針對不同像素尺寸的圖像，LEE 濾波器模型可以通過平移與伸縮變換提高適應性：

式中：s為伸縮變換因子；α為平移變換因子。

為了提高LEE 濾波器的濾波帶寬[2]，本文利用小波變換進行模型處理，如下：

小波逆變換為：

圖3 為LEE 濾波器處理前后遙感圖像局部區域的對比示意圖。

2.2 基于模糊聚類算法的艦船圖像分類、分割技術

為了提高艦船遙感圖像目標自動采集系統的效率，本文采用模糊聚類算法進行遙感圖像的預處理，包括圖像分類和多尺度圖像分割技術。

模糊聚類算法利用圖像之間的像素灰度相似性進行分類，由于遙感圖像的背景、紋理等特征各不相同，利用模糊聚類能夠有效改善目標提取的效率[3]。

基于模糊聚類的艦船圖像分類、分割流程如下：

1）假設遙感圖像的樣本數據集合為：

xi為n維像素數據，定義聚類分析的目標函數為：

式中，l為聚類分析的迭代次數[4]；[δm]為聚類矩陣。

2）計算圖像的模糊聚類中心：

3）計算模糊聚類的協方差矩陣：

4）定義隸屬度函數U(l)。

選用梯形隸屬度函數，曲線如圖4 所示。

圖4 梯形隸屬度函數曲線圖Fig.4 Trapezoidal membership function curve

5）根據協方差矩陣和隸屬度函數進行圖像的分類、分割，定義迭代次數為l=1,2,···,m，分類完成的終止條件∥U(l)?U(l?1)∥<λ。

2.3 船舶遙感圖像的像素平滑處理技術研究

像素的平滑處理也是提高目標自動采集系統效率的重要環節，本文采用的像素平滑處理是幀間差分法[5]。

當遙感衛星連續采集2 幀海上船舶的遙感圖像時，2 幀之間的差分間隔在一定程度上會影響圖像的質量，幀間差分如下：

式中：Sn(i,j)為當前采集的船舶遙感差分圖像；Fn(i,j)為衛星采集的第n幀遙感圖像；Fn?1(i,j)為衛星采集的第n?1 幀遙感圖像[6]。

確定遙感圖像幀的某像素點(x,y)，其像素灰度為f(x,y)，建立像素平滑處理模型函數為：

3 艦船遙感圖像特征目標自動采集系統的搭建

本文在艦船遙感圖像特征目標自動采集系統的搭建，利用的程序語言為C++編程語言，采用的平臺為Microsoft Visual Studio 2010。將遙感圖像特征目標自動采集系統的功能模塊劃分為圖像載入模塊、預處理模塊、模糊聚類分割模塊、平滑處理模塊和特征提取模塊。

圖5 為艦船遙感圖像特征目標自動采集系統的工作流程圖。

圖5 遙感圖像特征目標自動采集系統的工作流程圖Fig.5 Flow diagram of ship remote sensing image feature target automatic acquisition system

遙感圖像特征目標自動采集系統的艦船圖像目標采集示意圖如圖6 所示。

圖6 自動采集系統的艦船圖像目標識別效果圖Fig.6 Rendering of ship image target recognition by automatic acquisition system

4 結語

為了提高海上艦船遙感圖像的目標識別效率，本文基于Microsoft Visual Studio 2010 搭建了艦船遙感圖像特征目標自動采集系統，分別介紹了該系統的圖像濾波、模糊聚類分析、平滑處理等關鍵技術。