0 引　言

舰船图像优化在舰船安防监控中起着重要作用，通过优化处理舰船图像，能够提高图像清晰度，便于快速掌握对方舰船情况。传统的舰船图像优化方法只能实现图像整体亮度增强，舰船细节部分的分辨率仍较低，同时还会因图像噪点过多自动剔除警惕目标，不利于舰船安防监控获取可靠信息。为解决上述问题，本文提出采用视觉传达技术优化处理舰船图像，有效去除噪点，保证舰船图像质量^[1-3]。

1 基于视觉传达效果的舰船图像优化 1.1 舰船图像特征信息

在舰船图像识别中，需构建多特征融合目标识别框架，通过选择舰船目标，对多种类型舰船图像信息进行检测识别，保证成像的可靠性和准确性。舰船图像目标信息要能够准确反映出舰船不同特征，降低噪声敏感性，保证特征具有显著差异，能够通过特殊信息准确辨识舰船目标。在海洋环境下，舰船运动包括4个自由度，基于视觉传达技术下的舰船图像识别受海浪的影响程度较小，能够提取出舰船几何特征，包括舰首、舰身、舰尾。在研究舰船图像的显著性特征时，要根据舰船功能、用途判断舰船图像的几何特点，确定不同类型舰船的舰首和舰尾连接点数。如航母、巡洋舰、驱逐舰、护卫舰的舰首连接点分别为4，3，3，3，舰尾连接点数均为4。根据确定的连接点建立统一的检测目标，确保视觉传达技术能够针对不同类型的舰船提供图像优化处理方案。舰船目标矩阵具备平移性、旋转性的特点，在优化处理图像时，要获取航向、航速等信息，包括舰长、舰宽、长宽比、表面面积、形状等信息^[4-5]。

在确定舰船划分区域之后，沿着主轴方向进行转移，用最小外接矩阵将图像划分为N等份。舰首和舰尾的形状特性要根据目标切片确定，当提取舰船形态信息时，要求图像具备较高的分辨率^[6-7]。图像目标切片取值在3～8之间，这是因为舰首占船体面积约为1/8，舰尾占船体面积约为1/3。根据舰船图像目标形态特征划分为5等份，在识别舰船图像时，根据图像连接点进行识别。目标切片最小外接矩形长、宽分别设定为M个像素、N个像素，通过二值图像计算出具体像素。在图像优化处理中，除了需要识别几何特征像素之外，还需要掌握形状特征、纹理特征、矩特征和尾迹特征。

1.2 舰船图像优化模型

在舰船图像识别中，海洋背景是舰船成像质量的重要因素，需要引入高斯函数剔除舰船图像干扰，对分辨率较低的舰船图像进行优化。基于高斯函数的图像处理需引入卷积方法，函数关系表达式为：

$ I(a,b,\sigma ) = Q(a,b,\sigma ) \times R(a,b) \text{。} $

根据尺度空间函数，定位图像关键点的位置，将上述函数关系式转换为：

$ I(a,b,\sigma ) = \frac{1}{{2\pi {\sigma ^2}}} - p \text{。} $

式中： $ I(a,b,\sigma ) $ 为尺度空间函数， $ \sigma $ 为差分算子，P为支持向量数据。在离散空间范围内，需通过检测确定极值点，提取出清晰的图像点，剔除对比度较低的因素，获取图像动态关键点。舰船图像定位函数方程为：

$ S = \frac{{{\gamma ^2} - 1}}{{F \cdot {\gamma ^2}}} + E \text{，} $

式中：F为边缘主曲率，E为响应点数量， $ \gamma $ 为特征值。图像特征描述要与预先分配方向相符，当图像旋转时需要移动关键点位置。在舰船图像优化中采用非均匀噪声校正模型，综合考虑舰船图像特征因素以及多样化的均匀噪声因素，引入均值滤波抑制图像突变。当舰船图像服从高斯分布之后，再运用非均匀噪声对模型进行校正，获取图像的特征，构建非均匀噪声正模型。

在舰船图像优化模型采用优化算法，根据图像质量和尺寸确定优化目标，保证模型全面覆盖舰船图像中的异常数据。故此，需要对上述模型进行二值化处理，在已知像素边缘点数量、图像清晰度以及相邻像素值的情况下，将需要优化处理的图像划分为若干个超像素块，并设置2个阈值，利用像素分割尺度和线性平均融合数值优化图像效果，最终完成舰船图像优化设置。

在舰船的图像处理中，局部图像特征点检测要采用高斯尺度空间识别方法，其流程如图1所示。高斯尺度空间的层数和阶数根据图像局部特征点的检测参数进行确定，利用多个参考圆叠加覆盖需要检测的图像部位。响应函数输出值会随着参考值的增大而增大，提高准确检测到特征值的几率。视觉传达技术可以扩大人眼观测范围，将二维图像信息转换为三维空间信息，再通过计算出相邻点的响应函数完成图像特征信息点采样，在采样后对比分析响应值，得到原始图像的坐标，实现在全景视觉传达效果之下的图像检测。

1.3 雾天舰船图像优化方案

雾天舰船图像检测对图像清晰度有较高要求，需采用视觉传达三维技术对模糊的舰船图像进行修复。假设雾天舰船图像存在n条轮廓线，先分层处理轮廓线，建立起结合轮廓线外、线上和线内的状态函数，根据平面上的轮廓关系分析不同像素点，重建图像。在不同的状态下，元素顶点分别取值为1，0，−1，当边界曲面状态值等于0时，元素2条边的状态呈现出不同的状态，此时边界曲线相交于各边。基于视觉传达三维技术的图像优化具备较高的分辨率，能够缩小雾天状态下的分辨误差，满足表面重建三维图像的要求。

在雾天舰船图像优化方案中，采用暗原色优先检测算法，采集大量无雾状态下的舰船图像数据，建立接近于0的颜色通道极值，对模糊的图像进行恢复，具体流程如图2所示。在图像恢复中存在偏差问题，为保证恢复的净精准度，需优化组合特征点，设定滑动视窗大小，根据特征点匹配窗口。当窗口值较小时，候选特征点无法完全融合，当窗口值较大时，候选特征点出现噪声点。为避免上述问题发生，需合理设置窗口值。

1.4 舰船全景图像优化

在舰船全景图像优化中，可采用视觉传达技术预处理舰船图像，去除图像噪点，边缘锐化处理图像局部特征点，计算舰船局部特征点检测参数。在检测舰船图像局部特征点之前，分析影响图像分辨率的因素，包括图像数据采集、传输等因素，所以需要先去除影响因素造成的图像噪点。本文在去噪处理中采用均值滤波和中值滤波，生成处理后的图像坐标。去噪时要获取滤波模板计算窗口邻域的像素坐标，形成坐标集合。由于均值滤波去噪会造成图像部分细节损失，所以还需要采用中值滤波对图像损失部位进行修复。在去噪过程中，根据像素灰度值对图像特征点进行排序，搜索到领域中心点，将中心像素点替换为中值滤波。在舰船图像去噪处理后，图像边缘呈现出模糊状态，此时采用锐化手段处理模糊部位。

2 舰船图像优化模型的仿真实验 2.1 图像局部特征点检测

图像局部特征点检测是舰船图像优化的关键技术要点，为验证本文提出的基于视觉传达技术的图像局部特征检测效果，选取传统检测方法与本文检测方法进行对比分析，对比结果如图3所示。可以看出，舰船图像噪声点随着检测时间的增长而增多，但是本文提出的检测方法在400 s以后，噪声点数始终维持在10⁻⁴以下，不再增加。而传统检测方法的噪声点数不断增加，无最高上限。由此可见，本文提出的方法能够明显降低噪声点数，提高图像优化效果。

2.2 雾天舰船图像恢复实验

本文提出基于视觉传达三维技术的雾天舰船图像优化方案，为验证图像优化方案的可行性，采用空间角度恢复方法、变换领域恢复方法与本文提出的方法进行对比分析。实验条件为：Windows操作系统，硬件容量1T，实验图像数据库为Oracle，选用Dev Test工具，仿真实验软件为Matlab。雾天舰船图像如图4所示。根据实验结果显示，空间角度恢复方法、变换领域恢复方法特征点提取结果与实际图像存在较大偏差。但是，视觉传达三维技术下的图像恢复偏差为小于10⁻⁶。基于视觉传达三维技术的图像恢复效果图如图5所示。

2.3 图像优化效果对比实验

本次实验分析采用基于压缩感知的图像优化方法、基于卷积神经网络的图像优化方法与本文提出的基于视觉传达效果图像优化方法进行对比分析，分析内容包括峰值信噪比和结构自相似性。在峰值信噪比分析中，分别将3种图像优化方法生成的图像放大2倍，对峰值信噪比进行检测，基于视觉传达效果图像优化后的峰值信噪比图如图6所示。当图像优化放大到2倍后，不同分辨率的图像峰值信噪比相差较小，可以看出，本文提出的研究方法信噪比降低程度最大，优化效果最好。

在峰值信噪比对比实验的基础上进行图像结构自相似性检测，将图像放大后对比分析不同倍数和分辨率图像下的结构相似性，基于视觉传达效果的优化后图像结构自相似性误差分布图如图7所示。本文提出的图像优化结构相似性明显高于其他2种方法，表明本文提出的方法图像结构变化相对较小，图像优化效果相比较其他方法而言为最优效果。

3 结　语

舰船图像优化要采用视觉传达技术建立优化模型，使优化模型适用于多种类型的舰船图像识别与检测，同时还能够处理雾天、全景舰船图像，增强图像优化处理模型的实用性。在视觉传达技术支撑下，雾天条件下的图像处理恢复与实际图像无偏差，并且信噪比较低、图像结构变化较小，显著提升了舰船图像清晰度，能够为舰船安防监控提供可靠信息。