0 引　言

船舶图像具有很强的实用性，可以用于船舶监测和识别、海上安全监控、航海导航等，具有较强的应用价值。在船舶图像中，弱小目标是指相对于其他大型船舶而言尺寸较小、轮廓较弱、难以被察觉的目标，这些目标可能是小型船只或其他各类小型水上交通工具^[1]。弱小目标在船舶图像检测中的存在具有一定的重要性和挑战性，为精准识别海上船舶图像中不同目标，有较多学者对此进行研究。马啸等^[2]基于可见光图像中船舶目标检测方法，该方法通过对大量的图像进行特征学习，从而获取船舶目标，虽然该方法具有较快的检测速度，但无法在多目标状态下实现精准检测。谢兆哲等^[3]研究SAR图像船舶目标检测方法，虽然该方法在目标检测时可以精准提取目标特征，但当图像中存在大量噪声时，会影响后续目标检测的精准度。

视觉传达技术是一种通过图像、图形和视觉元素来传达信息和表达意义的沟通方式，该技术利用视觉感知和认知的特点，通过设计和组合各种视觉元素，以达到有效传递信息和引起观众兴趣的目的。为此，利用视觉传达技术，构建船舶图像中弱小目标检测方法，精准检测船舶图像中的弱小目标。

1 船舶图像中弱小目标检测方法 1.1 基于中值滤波算法的船舶图像去噪处理

由于利用船舶图像进行弱小目标检测需要依靠清晰度较高的图像，而目前现有采集方法采集到的船舶图像通常存在噪声较大、边缘模糊等问题，为改善船舶图像的可利用性，为后续弱小目标检测提供良好基础，采用中值滤波算法，进行图像去噪。中值滤波算法是一种常用的图像去噪方法，其原理是通过一个滑动窗口对图像的像素值进行排序，将中间值作为该窗口的输出值，从而实现图像去噪。与其他线性滤波算法相比，中值滤波算法在去除噪声的同时能够较好地保留图像的边缘信息，这是因为中值滤波算法对窗口内的像素值进行排序，而边缘处的像素值差异较大，排序后的中间值能够较好地保留边缘的细节。在使用中值滤波算法进行图像处理时，其原理可表示为：

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

(1)

式中： $ i \in Z $ ， $ v = \frac{{m - 1}}{2} $ ， $ m $ 为图像序列中的像素个数， $ {f_i} $ 为窗口中心点的值； $ {Y_i} $ 为排序后的中位值； $ v $ 为像素差。

中值滤波算法可将船舶数字图像视为二维形式，因此，该算法去噪过程即可看作对二维数据进行去噪，通过这些二维数字序列构成二维矩阵，而矩阵里的元素值即为每一像素点的像素灰度值。该算法具体去噪步骤如下：

1）构建一个大小为3×3的窗口，共存在奇数点个数为 $ \left( {2n + 1} \right) \times \left( {2n + 1} \right) $ ，利用这个窗口，沿着船舶二维图像向行方向或列方向上移动。

2）每次移动时，均要对窗口内像素灰度值进行从小到大排序。

3）每次排序后，将中位数灰度值替代当前中心像素的灰度值，从而实现船舶图像去噪。

1.2 基于门限直方图均衡的船舶图像增强研究

当通过去噪方法完成船舶图像去噪后，为提升后续船舶图像中弱小目标检测的精准度，应用门限直方图均衡方法，对船舶图像进行增强，使图像更加清晰，保障弱小目标检测的准确性。门限直方图均衡是一种较为常用图像处理方法，该方法旨在改善图像的对比度和亮度分布。这一方法是直方图均衡化的一种变体，通过引入一个阈值，将像素值分为2个区域进行均衡，从而实现图像增强。门限直方图均衡方法适用于那些具有明显亮度差异的图像，可以提升图像的视觉效果，增加图像的对比度和细节。

当应用该算法进行图像增强时，具体步骤如下：

1）计算出图像中某一灰度级像素点出现的概率，计算公式为：

$ P\left( {{a_k}} \right) = {n_k}/n, {k = 0,1,2,...,n} \text{。} $

(2)

式中： $ P\left( {{a_k}} \right) $ 为第 $ k $ 个灰度级出现的概率，在这一灰度级下的像素数为 $ {n_k} $ ； $ n $ 为图像灰度级数，同时也表示图像的总像素数。

2）计算得到均衡化处理的变换函数，具体为：

$ {S_k} = T\left( {{a_k}} \right) = \sum\limits_{j = 0}^k {p\left( {{a_j}} \right) = \sum\limits_{j = 0}^k {\frac{{{n_k}}}{n}} } \text{。} $

(3)

式中： $ {S_k} $ 为变换函数； $ T\left( {{a_k}} \right) $ 为第 $ k $ 个灰度级出现时的直方图统计； $ p\left( {{a_j}} \right) $ 为第 $ j $ 个灰度级出现的概率。

3）结合式（3）计算得到的变换系数，求出每一像素点增强后的灰度值，如下式：

$ {T_K} = L \times {S_K}\text{。} $

(4)

式中： $ {T_K} $ 为像素点增强后灰度值， $ L $ 为原始灰度值。

通过直方图均衡过程可知，灰度级图像增强的效果与这一灰度级的累计概率分布呈正比。而针对面目标来说，由于目标像素点出现频率较高，因此通过这一图像增强方法可以有效改善图像分辨率，但当目标为点目标时，通过该方法进行图像增强，会使图像背景变得模糊化，为改善这一问题，本文在直方图均衡过程中引入门限值。当进行船舶图像增强时，为某一灰度级上的像素点设计一个门限值，并重新开始直方图统计，具体公式如下：

$ P\left( {{a_k}} \right) = \left\{ \begin{gathered} d/n,{n_k} > d \text{，} \\ {n_k}/n,{n_k} < d \text{。} \\ \end{gathered} \right. $

(5)

通过合理选取门限值d，可以为更可靠性实现船舶图像增强，保障船舶图像的可利用性。

1.3 基于视觉传达技术的船舶图像弱小目标检测 1.3.1 基于统计的固定分割阈值选择方法

通过船舶图像的亮度视觉传达效果，可以描述出弱小目标在不同光照环境下的视觉变化，利用这一视觉变化，可在亮度区域内对弱小目标进行分割。本文利用统计方法对目标的分割阈值进行计算，在计算之前，采用亮度累加直方图，对图像中的亮度分量直方图进行集合，而前 $ t $ 帧目标图像的亮度直方图为：

$ L\left( {t,k} \right) = \sum\limits_{t = 0}^{t - 1} {{H_i}\left( k \right),k = 0,1,2,...,l - 1}\text{。} $

(6)

式中， $ {H_i}\left( k \right) $ 为增强后的船舶图像序列中第 $ i $ 帧图像亮度分量直方图。通过式（6）的计算，使得这一直方图不存在显著双峰，使其能够满足后续图像分割规范，之后即可利用有效方法，对目标亮面区域进行分割。

1.3.2 基于Otsu法的目标亮面图像分割

Otsu法主要目标是将图像分为背景和前景2个部分，使得前景和背景之间的差异最大化。具体而言，Otsu法通过遍历不同的阈值来计算灰度级别的类间方差，然后选择使类间方差最大的阈值作为最佳分割阈值。

1.3.3 船舶图像弱小目标检测过程设计

本文通过提升弱小目标亮度、颜色等视觉传达效果，增强目标的辨识度，并利用Otsu法，对弱小目标与背景区域进行分割，实现船舶弱小目标检测，步骤如下：

1）图像去噪。通过中值滤波方法去除船舶图像中的噪声，使图像更加清晰。

2）图像增强。增强去噪后船舶图像质量，优化图像对比度。

3）图像目标分割。将增强后的船舶图像生成24b的真彩色图像序列，对每帧船舶图像的亮度分量进行量化处理，利用动态阈值分割方法，将输入的船舶图像亮面区域作为弱小目标检测的待选区域。

4）亮块筛选。针对分割后的目标亮面区域做出标志，并根据亮块的颜色、大小等视觉传达特征，获取弱小目标的视觉传达特征亮块，这一亮块对应的区域即为弱小目标检测结果，由此实现船舶图像弱小目标检测。

2 仿真测试分析

为评价这一目标检测算法的应用效果，本文构建仿真测试环境，具体环境配置如表1所示。利用这一仿真环境，测试该算法的弱小目标检测效果，向仿真环境中输入3组采集到的船舶图像，每组共有1000幅图像，其中，第一组船舶图像均处于高亮度背景下，第二组图像中均含有噪声干扰，而第三组图像为普通背景的船舶图像。

从存在噪声干扰的船舶图像数据集中选取一幅图像，通过本文方法对其进行去噪处理，测试该方法的应用效果，具体处理结果如图1所示。由图1（a）可以看出，这一幅船舶图像中存在明显的噪声干扰，导致图像画面不够清晰，影响后续弱小目标检测结果，而经过该方法的去噪处理后，能够有效减少图像中的颗粒状斑点，从而去除噪声，同时这一方法还能够尽可能的保留图像细节信息，仅去除无关噪声，使图像边缘轮廓更加清晰。

测试在该方法的处理下，3组不同船舶图像数据集的背景抑制因子变化，从而验证该方法图像背景抑制能力，分析结果如图2所示。可知，随着测试船舶图像数量的增加，背景抑制因子指标也有所下降，但整体下降幅度并不大，在最初阶段，3组船舶图像中，普通背景图像的背景抑制因子最高，而高亮度背景的船舶图像背景抑制因子相对较低，但差距并不明显，且当测试图像数量达到900幅时，背景抑制因子最低保持在100以上，说明在该方法的图像处理下，可始终保持较高的背景抑制因子，因此该方法具有良好的图像背景处理能力，可为弱小目标检测提供良好的基础。

从第一组船舶图像数据集中选取一幅图像，通过本文方法对其进行增强，对比该图像增强前后的直方图变化，从而验证本文方法的图像增强能力，分析结果如图3所示。可知，原始图像的直方图灰度值相对较低，导致图像的清晰度不足，而通过本文方法进行图像增强后，灰度值得到了明显增高，从而使图像中的亮部和暗部更加明显，从而有效突出图像细节，为此，该方法具有较强的图像增强能力。

通过信杂比率增益指标评估该方法对不同船舶图像数据集的弱小目标检测效果，分析结果如图4所示。可知，在检测图像数量较大时，该检测方法在弱小目标检测时的信杂比增益会有所下降，但并未出现大幅度下降，说明该检测方法可以实现较为稳定的检测，同时，针对不同背景的图像，检测时的最低信杂比增益得到1500左右，仍然处于较高水平，为此，该方法具有较强的弱小目标检测能力。

3 结　语

本文研究基于视觉传达技术的船舶图像中弱小目标检测方法，通过视觉传达技术，从船舶图像中精准分割弱小目标，从而保证船舶目标检测，利用这一检测，可以提高船舶行驶时的安全性。未来可在现有基础上进行优化研究，提高船舶弱小目标检测的速度。