0 引　言

海上交通不断发展，船舶的数量和类别不断增加，交通管理部门为了快速、精准完成海上目标船舶的救援、目标船舶的管理等^[1-2]，会依据采集的海上船舶视觉图像进行目标船舶的检测。但是由于船舶处于移动状态下，并且海上的环境复杂，采集的图像受到环境因素的影响以及船舶自身移动的影响^[3]，会存在模糊情况，导致目标的识别精准性降低。因此，为保证目标的可靠检测^[4]，需对采集的船舶视觉图像中的目标进行清晰处理，以此提升目标的检测精度。文献[5]针对船舶目标重叠情况下的图像处理需求，提出相关的图像增强方法，该方法主要通过增强图像的视觉效果，完成图像清晰处理。但是该方法在应用过程中，如果图像中存在虚影现象时，其处理效果相对较差。文献[6]为提升图像的清晰度，以多尺度耦合的密集残差网络为基础，进行图像分辨率的重构处理后，实现图像增强，提升图像清晰度。但是该方法在应用过程中，如果图像目标较小则处理效果不理想。

三维视觉是依据图像中像素点之间的相似性，计算像素之间的位置偏差，并确定船舶视觉图像三维空间在深度点信息。本文结合三维视觉优势，研究船舶三维视觉图像模糊目标清晰处理仿真方法。

1 图像模糊目标清晰处理 1.1 船舶视觉图像特征三维信息获取

为保证图像模糊目标的清晰处理结果，采用立体双目视觉获取船舶模糊图像的三维信息。立体双目视觉是通过2个视点对相同目标进行观测，以此获取同一个场景下的2幅图像。2个观测面的模糊核路径和三维空间内的某种运动路径相对应，同时模糊核之间存在相对关联性。结合船舶的线性运动，设定项集参变量映射矩阵，用 $ P $ 表示，3D齐次坐标系内的位置点用 $ \left( {x,y,z,1} \right) $ 表示，将其进行映射处理后使其位于2D观测面内，该观测面内坐标系的点用 $ \left( {u,v,1} \right) $ 表示，则 $ \left( {x,y,z,1} \right) $ 和 $ \left( {u,v,1} \right) $ 之间的相对关联性表达公式为：

$ d\left[ {\begin{array}{*{20}{c}} u \\ v \\ 1 \end{array}} \right] = P\left[ {\begin{array}{*{20}{c}} x \\ y \\ z \\ 1 \end{array}} \right] 。$

(1)

式中， $ d $ 为相机的景深。

模糊核路径在不同观测面内也呈现不同的变化，因此，定义运动模糊核路径为空间状态，且该状态不会发生变化，以此保证运算效果。如果船舶在该空间内运动，起点和终点分别为 $ P $ 和 $ Q $ ， $ P $ 为可逆的，则依据式(1)计算得出 $ \left( {x,y,z} \right) $ 。在该基础上，对2个观测面之间的运动映射关联性进行计算，如果2个观测面的投影分别为 $ \left( {u_0^{\left( 1 \right)},v_0^{\left( 1 \right)}} \right) $ 至 $ \left( {u_1^{\left( 1 \right)},v_1^{\left( 1 \right)}} \right) $ ， $ \left( {u_0^{\left( 2 \right)},v_0^{\left( 2 \right)}} \right) $ 至 $ \left( {u_1^{\left( 2 \right)},v_1^{\left( 2 \right)}} \right) $ ，则模糊图像3D空间内船舶的运动位移计算公式为：

$ \left[ {\begin{array}{*{20}{c}} {\Delta x} \\ {\Delta y} \\ {\Delta z} \end{array}} \right] = \left[ {\begin{array}{*{20}{c}} {b_{00}^{\left( i \right)}}&{b_{01}^{\left( i \right)}}&{b_{02}^{\left( i \right)}} \\ {b_{10}^{\left( i \right)}}&{b_{11}^{\left( i \right)}}&{b_{12}^{\left( i \right)}} \\ {b_{20}^{\left( i \right)}}&{b_{21}^{\left( i \right)}}&{b_{22}^{\left( i \right)}} \end{array}} \right]\left[ {\begin{array}{*{20}{c}} {u_1^{\left( i \right)}} \\ {v_1^{\left( i \right)}} \\ 1 \end{array}} \right] \times \left( {d_1^{\left( i \right)} - d_0^{\left( i \right)}} \right) 。$

(2)

模糊图像内，将沿着图像空间路径运动的船舶目标进行投影处理，使其均位于不同的观测面上。各个观测面投影后的路径存在一定区别，随机选择对空间路径上的点进行投影处理，以此可获取一组点对 $ \left( {{u^{\left( 1 \right)}},{v^{\left( 1 \right)}}} \right) $ 和 $ \left( {{u^{\left( 2 \right)}},{v^{\left( 2 \right)}}} \right) $ ，并且两者均位于各自对应的模糊路径上。对模糊核的轨迹进行离散化处理，获取该处理下模糊核路径之间的关联，其公式为：

$ \left\{ \begin{gathered} {u_k} = {u_0} + \Delta {u_k}，\\ {v_k} = {v_0} + \Delta {v_k} 。\\ \end{gathered} \right. $

(3)

式中， $ k $ 表示离散编号。

通过上述内容即可获取船舶模糊图像内容特征之间的三维几何信息 $ B $ 。

1.2 模糊目标图像分割

由于船舶处于运行状态下，因此会导致采集的船舶图像中发生多个模糊运动区域，因此，需先确定船舶目标的模糊区域^[7]，并且进行该区域的模糊分割，本文采用局部模糊探测方法完成。

该方法主要以像素的权重变量为基础，实现船舶模糊图像中模糊层分割，以此获取模糊船舶目标图像。

如果权变量用 $ W $ 表示，依据 $ W $ 的船舶运动场景去模糊广义能量模型表达公式为：

$ E = {E_{data}}\left( {L,W,K,B} \right) + {E_{reg}}\left( {L,W,K} \right) 。$

(4)

式中： $ {E_{data}} $ ， $ {E_{reg}} $ 分别为数据保真项和正则化项； $ L $ 和 $ B $ 分别为潜在清晰图像和三维信息； $ K $ 为模糊核矩阵集合； $ W $ 为权重变量集合，其和 $ K $ 之间一一对应。

$ {E_{data}}\left( {L,W,K,B} \right) $ 可理解为多个模糊型数据项的加权和，其计算公式为：

$ {E_{data}}\left( {L,W,K,B} \right) = \lambda \sum\limits_{i = 1}^N {\sum\nolimits_{{\partial _ * }} {{{\left\| {{W_i} \odot \left( {{K_i}{\partial _ * }L - {\partial _ * }B} \right)} \right\|}^2}} }。$

(5)

式中： $ N $ 为分割层数； $ {\partial _ * } $ 表原始船舶图像的梯度。 $ \lambda $ 为正则化参数的平衡因子； $ \odot $ 表示乘积运算。

由于船舶运动场景在进行模糊分割时具有显著病态特征，因此在分割过程中，引入正则化项，确保分割后图像的光滑性。对 $ L $ ， $ W $ ， $ K $ 分别添加正则化约束，其表达公式为：

$ {E_{reg}}\left( {L,W,K} \right) = {E_{reg}}\left( L \right) + {E_{reg}}\left( W \right) + {E_{reg}}\left( K \right)，$

(6)

通过全变分正则化项替代 $ L $ 的先验信息，图像的分割组依据非局部正则化完成，分割公式为：

$ {E_{reg}}\left( W \right) = \sum\limits_{i = 1}^N {\sum\nolimits_x {\sum\nolimits_{y \in \xi \left( x \right)} {g\left( {x,y} \right)} } } \left| {{W_i}\left( x \right) - {W_i}\left( y \right)} \right| 。$

(7)

式中： $ \xi \left( x \right) $ 为 $ x $ 的邻域像素； $ g\left( {x,y} \right) $ 为非局部相似性映射矩阵，用于描述 $ x $ 和 $ y $ 处像素之间的相似程度。

依据上述步骤即可获取权重变量加大的图像分层结果，该结果即为船舶模糊目标图像分割结果 $ {I_{in}} $ 。

1.3 目标图像清晰处理

完成船舶模糊目标图像分割后，采用残差聚集网络模型进行模糊目标清晰处理，获取清晰的船舶目标图像。将分割后的船舶模糊目标图像输入残差聚集网络模型中，采用中值滤波对其进行滤波操作，从分割后的图像中将低频信息 $ {I_l} $ 进行分离处理，将 $ {I_{in}} $ 中的 $ {I_l} $ 去除后即可获取其中的高频信息 $ {I_h} $ ，其计算公式为：

$ {I_h} = {I_{in}} - {I_l}，$

(8)

获取 $ {I_h} $ 中的低维特征，其采用低维特征提取器完成，其计算公式为：

$ {F_{sf}} = {T_{sf}}\left( {{I_h}} \right)。$

(9)

式中： $ {T_{sf}} $ 为几乎函数的组合操作； $ {F_{sf}} $ 为输出的特征图。

为了提升模糊目标的清晰处理效果，采用堆叠的方式对多个残差模块进行处理，以此获取图像中目标船舶的高维特征信息。依据该模块的稠密连接性能，完成提取特征的连接，经由残差变换模块的压缩和蒸馏提取处理后，得出高维特征，其计算公式为：

$ {F_{ff}} = {T_{RAB}}\left( {{F_{sf}},M} \right) 。$

(10)

式中： $ {T_{RAB}} $ 为残差模块提取的特征； $ M $ 为堆叠的残差模块数量； $ {F_{ff}} $ 为高维特征的输出结果。

通过残差图生成器对残差图 $ {F_{rm}} $ 进行估算，其计算公式为：

$ {F_{rm}} = {T_{rm}}\left( {{F_{ff}}} \right) ，$

(11)

式中， $ {T_{rm}} $ 为卷积和归一化的组合操作。

将 $ {F_{rm}} $ 从 $ {I_{in}} $ 中删除，即可获取清晰化处理后的高质量目标图像，其计算公式为：

$ {I_{out}} = {I_{in}} - {I_{rm}}。$

(12)

2 实验结果分析

为验证本文方法的应用效果，在跨平台计算机视觉和机器学习软件库-OpenCV中进行仿真测试，OpenCV库能够提供多种语言接口，支持图像处理和计算机视觉方面的应用。在OpenCV库中进行相关测试过程中，视觉分块区域的大小为256×256×224，特征匹配系数为1.25，测试时的船舶图像数量为200张，该数据是采用双目立体视觉相机采集。

为验证本文方法对于船舶图像模糊目标的清晰化处理性能，文中采用图像对比度 $ \psi $ 、边缘强度 $ \eta $ 以及图像方差 $ \sigma $ 作为衡量标准，进行相关测试，3个指标的计算公式为：

$ \psi = \sqrt {\frac{1}{S}\sum\limits_{i = 1}^m {\sum\limits_{i = 1}^n {\sum\limits_{\left( {k,l} \right)} {{{\left[ {f\left( {i,j} \right) - f\left( {k,l} \right)} \right]}^2}} } } } ，$

(13)

$ \eta = \sqrt {\frac{{\displaystyle\sum\limits_{edge} {\nabla {g_{i,j}}} }}{{{N_{edge}}}}} ，$

(14)

$ \sigma = \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {\frac{{{{\left[ {f\left( {i,j} \right) - \mu } \right]}^2}}}{{M \times N}}} } 。$

(15)

式中： $ S $ 为相减的平方项； $ f\left( {i,j} \right) $ 和 $ f\left( {k,l} \right) $ 均为灰度值，前者对应像素点 $ \left( {i,j} \right) $ ，后者对应 $ \left( {i,j} \right) $ 的四邻域 $ \left( {k,l} \right) $ ； $ {g_{i,j}} $ 为边缘点； $ {N_{edge}} $ 为像素点数量，对应边缘区域； $ M \times N $ 为图像大小； $ \mu $ 为平均灰度值。

依据上述3个公式计算本文方法在不同像素点数量下，对图像进行清晰处理后，3个指标的计算结果，如表1所示。3个指标的取值均在0~1之间，越接近1表示应用性能越佳。依据表1测试结果可知：随着像素数量的不断增加，采用本文方法对图像进行清晰处理后，图像的 $ \psi $ ， $ \eta $ 以及 $ \sigma $ 的测试结果均在0.933以上，因此本文方法的应用性能较好，能够有效完成船舶图像模糊目标清晰处理。

为直观验证本文方法的应用效果，随机抽取一组船舶模糊图像进行模糊目标清晰处理，以图像中标记的客船作为目标，本文方法处理后的结果如图1所示。

依据图1测试结果可知：本文方法具有较好的应用效果，能够有效完成船舶图像中，模糊目标的清晰处理，获取清晰的目标结果。因此，本文方法应用性较好，可清晰呈现目标船舶结果。

3 结　语

在进行海上交通管理或者救援时，需精准掌握目标船舶的信息。但是由于海上环境变化较大，并且复杂程度较高，同时船舶的类别和数量较多，导致采集的船舶图像中会存在模糊现象，直接影响目标船舶的识别效果。为此，本文研究船舶三维视觉图像模糊目标清晰处理仿真方法。对该方法进行相关测试后可知，本文方法具有较好的应用性能，能够有效完成模糊目标的清晰处理，为海上交通管理提供可靠依据。