0 引　言

虚拟视景图像是利用图形图像处理技术与虚拟现实技术等生成的符合人眼需求的视景图像^[1]。虚拟视景图像具备较优的感知性与交互性，在军事与民用领域均有应用^[2]。通过应用虚拟视景图像，模拟舰船作战场景，进行舰船作战演习，提升海军的海上作战能力^[3]。当舰船作战虚拟视景图像清晰度不够时，则无法获取更为精准的目标信息，影响判读人员的目标判定精度，降低对敌侦察效果，无法提升海军的海上作战能力。为此，需要研究图像增强方法，解决上述问题。兰蓉等^[4]提出了自适应直觉模糊相异直方图裁剪的图像增强算法，该方法可有效增强图像，具备较优的实用性。常戬等^[5]通过自适应多尺度Retinex算法增强图像，该方法可有效增强图像，可有效提升图像的亮度与清晰度。但上述方法直接处理彩色图像的效果不够理想，且仅能针对一种类型的图像进行增强处理。非完全Beta函数能够解决不同类型的图像增强问题，具备较理想的图像增强效果。为此，研究舰船作战虚拟视景图像自适应增强方法，提升虚拟视景图像增强效果。

1 虚拟视景图像自适应增强 1.1 舰船作战虚拟视景图像去噪

舰船作战虚拟视景图像生成过程中，受虚拟视景图像生成软件的影响，会导致虚拟视景图像包含大量噪声^[6]，影响虚拟视景图像自适应增强效果。为此，利用视觉灵敏度的距离方向滤波器，对舰船作战虚拟视景图像进行去噪处理。舰船作战虚拟视景图像 $ I $ 内随机一个像素点是 $ s\left( {i,j} \right) = \left[ {{s_R}\left( {i,j} \right),{s_G}\left( {i,j} \right),{s_B}\left( {i,j} \right)} \right] $ ， $ R $ 、 $ G $ 、 $ B $ 代表 $ I $ 的RGB分量；人眼视觉差别的临界值为 $ e $ ，如果 $ e $ 值合理，那么 $ s\left( {i,j} \right) $ 在 $[ {{s_R}\left( {i,j} \right) \pm 2e,{s_G} \left( {i,j} \right) \pm }$ $ {2e,{s_B}\left( {i,j} \right) \pm 2e} ] $ 中的波动，人眼无法观察到。 $ 4 \times 4 $ 窗口Q的中心点是s₀(i,j)，如果在Q内，令 ${s_0}\left( {i,j} \right) \in \{ {s_R^l\left( {i,j} \right) \pm }$ $ {2e,s_G^l\left( {i,j} \right) \pm 2e,s_B^l\left( {i,j} \right) \pm 2e} \} $ 成立像素 $ l $ 的数量，在Q内的占据比例较高，那么判定s₀(i,j)为边缘点，并非噪声点，利于提升噪声点判定精度。

距离滤波器窗口A_ij尺寸是 $ L = {L_1} \times {L_1} $ ，以位置(i,j)为A_ij的中心位置，由上至下、由左至右排序A_ij内的像素，得到 $ {A_{ij}} = \left\{ {{s_1}\left( {i,j} \right),{s_2}\left( {i,j} \right), \cdots ,{s_L}\left( {i,j} \right)} \right\} $ ，因此，距离滤波器为：

$\begin{aligned}[b] & Y\left( {i,j} \right) = \arg \min \\ & \left\{ {\sum\limits_{l = 1}^L {\left\| {{s_l}\left( {i,j} \right) - {s_k}\left( {i,j} \right)} \right\|} \times \sum\limits_{l = 1}^L {\arccos \frac{{{s_l}\left( {i,j} \right){s_k}\left( {i,j} \right)}}{{\left\| {{s_l}\left( {i,j} \right)} \right\|\left\| {{s_k}\left( {i,j} \right)} \right\|}}} } \right\}\text{。} \\ \end{aligned}$

(1)

式中： $ L $ 为A_ij内的像素点总数；s_k(i, j)第 $ k $ 个像素图像；y(i, j)为去噪后的舰船虚拟视景图像。

为提升舰船作战虚拟视景图像的去噪效果^[7]，引入空间距离加权值 $ w $ ，改进后的距离滤波器为：

$\begin{aligned}[b] & Y\left( {i,j} \right) = \arg \min \\ & \left\{ \begin{gathered} \sum\limits_{l = 1}^L {w\left( {\sqrt {{{\left( {i - o} \right)}^2} + {{\left( {j - q} \right)}^2}} } \right)\left\| {{s_l}\left( {i,j} \right) - {s_k}\left( {i,j} \right)} \right\|} \times \\ \sum\limits_{l = 1}^L {\arccos \frac{{{s_l}\left( {i,j} \right){s_k}\left( {i,j} \right)}}{{\left\| {{s_l}\left( {i,j} \right)} \right\|\left\| {{s_k}\left( {i,j} \right)} \right\|}}} \\ \end{gathered} \right\}\text{。} \end{aligned} $

(2)

其中，(o, q)为舰船作战虚拟视景图像的位置。

$ w $ 的计算公式为：

$ w = 1 - \frac{1}{{1 + \exp {{\left( {{\alpha _1}\sqrt {{{\left( {i - o} \right)}^2} + {{\left( {j - q} \right)}^2}} } \right)}^{{\alpha _2}\left( {L,d} \right)}}}} \text{。}$

(3)

式中：α₁为调节 $ w $ 大小的函数；α₁(L, d)为 $ L $ 与噪声分布密度 $ d $ 的函数。

利用视觉灵敏度的距离方向滤波器，对舰船作战虚拟视景图像进行去噪处理的具体步骤如下：

步骤1　通过视觉灵敏度对判定 $ I $ 内的噪声点，获取噪声点判别矩阵 $ \boldsymbol{U} $ ，并求解 $ d $ 。

步骤2　确定A_ij的尺寸 $ L $ 。

步骤3　以 $ U $ 为起点，滑动A_ij。

步骤4　分析A_ij是否滑动至 $ \boldsymbol{U} $ 的最后位置，如果是，那么继续步骤7，反之，继续步骤5。

步骤5　若U(i, j)=0，滑动A_ij至下一像素点，若U(i, j)=1，那么以s(i, j)为中心点，得到A_ij内像素点集合。

步骤6　若像素点集合内包含非噪声点，那么利用改进距离滤波器处理s(i, j)，同时令U(i, j)=0，若像素点集合内全是噪声点，那么滑动A_ij至下一像素点，返回步骤4。

步骤7　分析 $ U $ 是否是0矩阵，如果是，那么完成舰船作战虚拟视景图像去噪处理，如果不是，那么滑动A_ij至 $ U $ 的首位置，返回步骤5。

1.2 非完全Beta函数的虚拟视景图像自适应增强

利用非完全Beta函数，增强去噪后的舰船作战虚拟视景图像Y(i,j)。具体步骤如下：

步骤1　归一化处理Y(i,j)的灰度值，并转换至[0,1]区间内，得到：

$ Y'\left( {i,j} \right) = \frac{{Y\left( {i,j} \right) - {Z_{\min }}}}{{{Z_{\max }} - {Z_{\min }}}}\text{。} $

(4)

式中： $ Y'\left( {i,j} \right) $ 为灰度值归一化后的舰船作战虚拟视景图像； $ {Z_{\max }} $ 、 $ {Z_{\min }} $ 分别为Y(i,j)的最大、最小灰度值。

步骤2　非线性变换Beta函数是 $ h = \dfrac{{\int {{{\left( {1 - t} \right)}^{\delta - 1}}\rm{d}t} }}{{B\left( {\beta ,\delta } \right)}} $ ，其中， $ B\left( {\beta ,\delta } \right) $ 为Beta函数； $ \beta $ 、 $ \delta $ 为参数； $ t $ 为时间。增强变换处理 $ Y'\left( {i,j} \right) $ 得到：

$ c\left( {i,j} \right) = h\left( {Y'\left( {i,j} \right)} \right) 。$

(5)

其中，c(i,j)为增强变换后的归一化舰船作战虚拟视景图像。

步骤3　按照 $ Y'\left( {i,j} \right) $ 的灰度值范围，对c(i, j)展开反归一化变换处理，得到增强后的图像 $ \hat Y\left( {i,j} \right) $ 为：

$ \hat Y\left( {i,j} \right) = \left( {{{\hat Z}_{\max }} - {{\hat Z}_{\min }}} \right)c\left( {i,j} \right) + {\hat Z_{\min }}。$

(6)

其中， $ {\hat Z_{\max }} $ 、 $ {\hat Z_{\min }} $ 分别为 $ Y'\left( {i,j} \right) $ 的最大、最小灰度值。

为提升非完全Beta函数的舰船作战虚拟视景图像增强效果，需要搜索合理的非完全Beta变换函数，通过最佳β、δ拟合最佳的B(β, δ)。为此，利用改进粒子群算法，自适应选择β、δ，提出改进粒子群的非完全Beta函数自适应图像增强方法，具体步骤如下：

步骤1　生成初始种群，即舰船作战虚拟视景图像自适应增强时，非完全Beta变换函数β、δ的优化值集合；令每个粒子均代表一组β、δ的优化结果。

步骤2　求解各粒子的适应度，以舰船作战虚拟视景图像自适应增强评价函数为适应度，并更新局部极值 $ {p_{best,iD}}\left( \tau \right) $ 与全局极值 $ {g_{best,iD}}\left( \tau \right) $ 。

步骤3　分析粒子是否进入死区，若进入死区，通过Sharing函数排斥进入死区的粒子，并初始化粒子；若未进入死区，则更新粒子速度与位置；Sharing函数公式如下：

$ {\rm{sharing}}\left( {\lambda \left( {i,a} \right)} \right) = \left\{ \begin{array}{ll} 1 - \dfrac{{\lambda \left( {i,a} \right)}}{{{\lambda _r}}}, &\lambda \left( {i,a} \right) < {\lambda _r}，\\ 0,& \lambda \left( {i,a} \right) \geqslant {\lambda _r} 。\end{array} \right. $

(7)

式中： $ {\lambda _r} $ 为死区半径； $ \lambda \left( {i,a} \right) $ 为第 $ i $ 个粒子和局部最优点 $ a $ 间的距离。

排斥操作为：

$ \theta_{i-new}^{\tau}=\frac{\theta_i^{\tau}}{1-sharing\left(\lambda\left(i,a\right)\right)}。$

(8)

式中： $ \theta _{i - new}^\tau $ 为排斥后的新位置； $ \theta _i^\tau $ 为第 $ \tau $ 次迭代时的位置。

步骤4　分析算法是否达到最大迭代次数，若达到，则输出舰船作战虚拟视景图像自适应增强时，非完全Beta变换函数 $ \beta $ 、 $ \delta $ 的最优值，完成 $ \beta $ 、 $ \delta $ 的自适应选择；反之，令 $ l = l + 1 $ ，返回步骤2。

2 仿真实验结果与分析

以某舰船作战虚拟视景图像数据集为仿真实验对象，该数据集内的图像分辨率分别是640×480、1024×768、1600×1200、2048×1536。通过Matlab仿真软件，进行舰船作战虚拟视景图像自适应增强仿真实验，验证本文方法图像自适应增强效果。利用Matlab仿真软件，仿真验证图像自适应增强效果的具体步骤如下：

步骤1　打开Matlab仿真软件，点击Simulink按钮，进入Simulink仿真环境。

步骤2　进入主界面，并点击File/New/Model，构建并保存舰船作战虚拟视景图像自适应增强模型的相关文件。

步骤3　在Simulink左侧拖拽控件至Model文件内，同时设置连线。

步骤4　检查无误后，点击运行按钮，仿真分析本文方法的舰船作战虚拟视景图像自适应增强效果。

在舰船作战虚拟视景图像数据集内，随机选择一幅舰船作战虚拟视景图像，利用本文方法对该虚拟视景图像进行去噪处理，图像去噪结果如图1所示。根据图1(a)可知，原始舰船作战虚拟视景图像内包含大量噪声点，影响虚拟视景图像的观察效果。根据图1(b)可知，本文方法可有效去除舰船作战虚拟视景图像内的噪声点，但去噪后的图像亮度过高，色彩饱和度较低，清晰度不佳。为此，利用本文方法对去噪后的舰船作战虚拟视景图像进行自适应增强。

去噪后的舰船作战虚拟视景图像自适应增强结果如图2所示。可知，本文方法可有效自适应增强舰船作战虚拟视景图像，且自适应增强后的虚拟视景图像的细节信息更显著，清晰度较优。仿真实验证明：本文方法具备舰船作战虚拟视景图像自适应增强的可行性，且自适应增强后的图像清晰度较优。

对比分析本文方法自适应增强前后，该舰船作战虚拟视景图像的灰度直方图，对比分析结果如图3所示。根据图3(a)可知，自适应增强前，舰船作战虚拟视景图像的灰度级基本集中在直方图的后半部分，图像亮度过大。根据图3(b)可知，自适应增强后，舰船作战虚拟视景图像的灰度级分布较均匀，基本分布在0～250之间，具备较优的灰度分布均匀性。

3 结　语

虚拟视景图像的清晰度，直接影响舰船的作战演习效果。为此研究舰船作战虚拟视景图像自适应增强方法，提升虚拟视景图像自适应增强效果，为作战人员提供更加清晰的虚拟视景图像，便于其观察图像内的细节信息，提升作战能力。