0 引　言

舰船红外目标图像主要是利用红外技术来监测和发现舰船目标^[1]。然而在舰船的监测方面，基于红外图像的方法存在明显的不足。如由于敏感性和不易公开导致舰船红外图像的数据稀少，而且特殊的场景和复杂的天气，导致图像存在目标模糊、特征微弱等问题^[2]。因此，开展舰船红外目标图像视觉传达增强具有重要意义。黄攀等^[3]提出基于二维空间结合的舰船红外目标图像增强方法，该方法在微小目标和远距离方面具有优势，但是该方法增强后的图像模糊度较高。高子航等^[4]研究了一种分割方法，分割舰船红外目标图像为源域和目标域，最后对图像进行分域处理生成对抗学习。该方法能够对舰船红外目标图像进行有效的去噪和灰度化处理，但是对目标图像的视觉传达增强效果不佳。针对上述方法的不足，本文提出一种舰船红外目标图像增强方法，利用改进的中值滤波对舰船红外图像有效去噪，使像素还原到最真实状态，并结合平台直方图法有效增强图像的局部对比度，提升舰船检测的准确率和召回率。

1 基于视觉传达的舰船红外目标图像增强 1.1 舰船红外目标图像预处理

图像的预处理主要有去噪处理和二值校正等。舰船红外图像的噪声一般是海浪的冲击噪声。通过滤波可以去除噪声，常用的方法有空域滤波和频域滤波2种。由于空域滤波的实用性，设计改进的中值滤波对舰船红外图像进行预处理^[5]。中值滤波是一项非线性空域过滤技术，其根据排序的理论，能够有效控制舰船红外图像的信噪比，改善图像信噪比。中值滤波的基本原理是将数字图像或数据序列中点的数值，用该点的另一个邻域中各点数值的中间值代替，从而使周围的图像数值更逼近于真实，从而减少孤立的噪声点。设置 $ {f_1},{f_2}...,{f_n} $ 为一维序列，将窗口宽度设为奇数 $ m $ ，对该序列进行中值滤波处理，先在该序列中提取出 $ m $ 个数： $ {f_{i - v}},...,{f_{i - 1}},{f_i},{f_{i + 1}},...,{f_{i + v}} $ ，窗口中的中心数值为 $ {f_i} $ ， $ v = \frac{{\left( {m - 1} \right)}}{2} $ ，然后将 $ m $ 个点值按数值排大小，用滤波输出选择最中间的点值。其表达式为：

$ {Y_i} = Med\left\{ {{f_{i - v}},...,{f_i},...,{f_{i + v}}} \right\},i \in Z。$

(1)

为了减少运算量，对中值滤波进行改进。首先求出每一水平行中的中值，在求得的每一水平行的中值中再求中值，最后实现舰船红外图像的中值滤波。

1.2 舰船红外目标图像分割

舰船的红外图像通过热量的分布形成的图像，因此对舰船具有目标指示性^[6]。由于Renyi熵能够很好衡量红外图像信号的时频分布，而且稳定性强，因此采用Renyi熵方法对舰船红外图像进行目标提取。设去噪后的舰船红外图像为f(x,y)，其大小设为 $ M \times N $ ， $ G = \left\{ {0,1,2,\cdots,L - 1} \right\} $ 为灰度集，灰度 $ i $ 在舰船图像中出现的频次设为n_i，出现概率为P_i。一般情况下，设置某一阈值将舰船图像分割成前景域 $ o $ 和背景域 $ b $ ，前、背景区域的先验概率为：

$ {P_o}\left( t \right) = \sum\limits_{i = 0}^t {{p_i}} ，$

(2)

$ {P_b}\left( t \right) = \sum\limits_{i = t + 1}^{L - 1} {{p_i}}，$

(3)

且存在 $ {P_o}\left( t \right) + {P_b}\left( t \right) = 1 $ 。

舰船红外图像的前景域和背景域的Renyi熵的表达式为：

$ H_o^\alpha (t) = \frac{{\ln \displaystyle\sum\limits_{i = 0}^t {{{\left[ {\dfrac{{{P_i}}}{{{P_o}\left( t \right)}}} \right]}^\alpha }} }}{{1 - \alpha }} ，$

(4)

$ H_b^\alpha (t) = \frac{{\ln \displaystyle\sum\limits_{i = t + 1}^{L - 1} {{{\left[ {\dfrac{{{P_i}}}{{{P_b}\left( t \right)}}} \right]}^\alpha }} }}{{1 - \alpha }} ，$

(5)

舰船红外图像总信息熵为：

$ H\left( t \right) = H_o^\alpha \left( t \right) + H_b^\alpha \left( t \right),\alpha > 0，$

(6)

式中， $ t $ 为某一阈值，阈值达到最大则阈值最佳，则最佳阈值 $ t* $ 公式为：

$ t* = ar{g_{0 < t < L - 1}}\max \left[ {H\left( t \right)} \right] ，$

(7)

通过最佳阈值，得出二值化处理分割的舰船红外图像，即

$ s\left( {x,y} \right) = \left\{ \begin{gathered} 0,\quad \;\;\;\;f\left( {x,y} \right) \leqslant t*，\\ 255,\quad f\left( {x,y} \right) > t* 。\\ \end{gathered} \right. $

(8)

1.3 舰船红外目标图像增强

选择改进的平台直方图均衡来剔除舰船红外图像中的冗余像素，为图像细节保留空间，实现舰船红外目标图像增强。设输入的舰船红外图像为f(x,y)，统计直方图为H(k)，用于描述舰船红外图像中灰度级为 $ k $ 的像素个数。统计舰船红外图像特征概率的函数分为密度函数以及累积分布函数，分别用P(k)和C(k)描述。平台直方图采用选择合适阈值P_max对统计直方图进行修正，如舰船红外图像直方图值低于阈值P_max，则维持不变；如舰船红外图像直方图值高于阈值P_max，则将其直方图值设为P_max，更新后的直方图H_P(k)为：

$ {H_p}\left( k \right) = \left\{ \begin{gathered} H\left( k \right),H\left( k \right) \leqslant {P_{\max }} ，\\ {P_{\max }},H\left( k \right) > {P_{\max }} ，\\ \end{gathered} \right. $

(9)

$ \left\{ \begin{gathered} {P_p}\left( k \right) = {H_p}(k)/N ，\\ {C_p}(k) = \sum\limits_{a = 0}^k {{P_p}\left( a \right)} 。\\ \end{gathered} \right. $

(10)

式中： $ N $ 为舰船红外图像的像素总数用；P_p(k)、C_p(k)分别为采用式（9）更新后直方图的PDF（概率密度函数）值和CDF（分布函数）值的表达式。

对舰船红外图像的灰度通过累积直方图进行重新分配，即可得到增强后的均衡化图像 $ P(k) $ $ C(k) $ 。

$ {E_p}\left( k \right) = \left[ {\left( {{L_{\max }} - {L_{\min }}} \right) \times {C_p}\left( k \right)/{C_p}\left( {L - 1} \right) + {L_{\min }}} \right] 。$

(11)

式中：L为图像的灰度值级别；L_max和L_min为图像的最大、最小灰度；[]为取整运算。图像的灰度根据累积直方图进行新的分配得到均衡化舰船红外图像，通过舰船图像信息自适应来确定P_max的值。

1.4 舰船红外图像重组

将分割的舰船红外图像的前景和背景通过自适应平台直方图处理后，得到舰船的前、背景增强图像，相加以获得原舰船红外图像的简单灰度图像。本文采用改进的Canny对图像边缘加权融合，即得到舰船最终的增强图像。设前、背景通过叠加获得的增强像素和其相应的像素点均为f_A(x,y)；通过改进Canny算法得到的边缘像素为f_B(x,y)；若最后所得融合像素为f_C(x,y)，则

$ \begin{array}{l}{f}_{C}(x,y)={W}_{A}\left(x,y\right){f}_{A}\left(x,y\right)+{W}_{B}\left(x,y\right){f}_{B}\left(x,y\right)，\\ 且{W}_{A}\left(x,y\right)+{W}_{B}\left(x,y\right)\text=1。\end{array} $

(12)

式中：通过f_A(x,y)和f_B(x,y)的自适应确定得到W_A(x,y)；如果f_B(x,y)为0表示不是边缘，W_A(x,y)为1表示不增强图像灰度；如果f_B(x,y)不是0，通常W_A(x,y)和W_B(x,y)取值0.5；如果出现f_A(x,y)特别小，会导致图像边缘增强过多，图片生硬，这时需使W_A(x,y)的值增大，来保证图片的视觉性。

舰船红外目标图像视觉传达增强的流程如图1所示。

2 实验结果与分析

选择某一海域的一艘舰船作为实验对象，应用型号为YTH-AQ60的船用红外高清摄像机采集舰船的红外目标图像，采集图像的分辨率大小为640×512。将本文改进的平台直方图均衡方法增强的图像与文献[3]二维空间结合方法增强图像和原图像对比。为了验证2种方法对图像的增强效果，将2种方法增强后的图像和原图像生成灰度图，如图2所示。由图2（a）可知，原图像的对比度较低，清晰度不好。从2（b）和2（c）可以看出，2种方法获得的增强后图像与原图的相比，对比度都有一定程度的增强。由2（b）可知，二维空间结合方法增强后的图像像素的灰度高低不均，这是由于图像过度明亮和过度黑暗导致的；由2（c）可以看出，本文改进的平台直方图均衡方法增强图像后，不但提高了原图像的对比度，而且增强了图像的灰度分布情况，大幅提升了图像的清晰度和质量。

为了验证本文方法对分割后的舰船红外图像重组效果，选取融合后图像包含的原图像信息量、边缘信息保留量和图像清晰度3个指标作为衡量标准，分别用x，y，z表示。x，y，z的数值越大，表明重组效果越好。本文方法应用后的舰船红外图像的重组性能如图3所示。

由图3可知，通过本文方法重组的红外舰船图像清晰度可以达到0.9及以上，对原图信息保留量和边缘信息的保留量分别达到0.8和0.78以上。通过实验设置的评价指标，验证了本文方法具有较好的图像重组效果。

为了验证本文改进的平台直方图均衡方法的性能，将本文方法与文献[3]二维空间结合方法和传统直方图均衡方法进行对比，图4为对应方法的实验结果，图4（a）为舰船红外目标原图像，图4（b）、图4（c）、图4（d）分别为本文方法、传统直方图方法和文献[3]方法增强后的图像。从主观的视觉角度看，通过3种方式均可增强原始红外图像中所含有的图像信息。由图4（b）和图4（d）可知，本文方法和文献[3]方法对图像的噪声去除效果比较好，传统直方图方法增强后图像的对比度相对较低，且存在一定程度噪声干扰；文献[3]方法的图像对比度增强效果不错，但是清晰度比较低；本文方法处理的图像能够适当提高图像对比度，在图像的细节因素和边缘特征方面优于传统的直方图方法和文献[3]方法。综上，本文方法在红外图像视觉的增强方面和细节因素方面，均优于传统直方图法和文献[3]方法。

3 结　语

在分析红外成像的基础上，对红外目标图像常用的红外图像滤波、图像分割和增强方法进行研究，提出一种新的红外目标图像视觉传达增强方法。实验结果表明，本文方法能够很好凸显目标并挖掘更多细节信息，采用空域处理的中值滤波方法易于实现，对红外目标图像视觉传达增强具有有效性，具有实际价值。