0 引　言

船舶监控是保障海上交通安全、防止海上犯罪以及维护国家安全的重要手段。然而，在实际监控中，由于受到天气、光照、摄像头质量等多种因素的影响，常会获得低清晰度的船舶图像。这使得船舶的识别、跟踪和监控变得困难。因此，低清晰度船舶图像复原问题的研究，是为了满足实际应用中，对清晰船舶图像的需求。

国内外学者在船舶图像处理和机器视觉领域的研究不断深入，推动了低清晰度船舶图像复原问题的研究进展。许多学者针对船舶图像的特点，提出了各种图像增强、超分辨率和深度学习等技术，不断改善船舶图像的清晰度和识别效果。张恒等^[4]在研究舰船图像目标检测问题时，为优化图像质量，由自适应中值滤波和均值漂移滤波方法，去除图像噪声信息，提高图像清晰度，复原原始图像信息。但这2种方法在去除噪声的同时，可能会对图像的细节造成一定程度的模糊或损失。这在舰船的边缘和纹理等关键特征的保留上可能存在问题，导致复原图像存在特征丢失问题。李凯等^[5]在研究舰船目标检测问题中，认为使用边缘增强算法可增强图像目标与背景的边缘细节特征，复原原始图像信息，但边缘增强算法往往依赖于图像中的亮度变化，因此对光照条件比较敏感。在光照不均匀的条件下，算法可能会导致图像增强后出现失真问题，为此设计基于视觉传达优化的低清晰度船舶图像复原方法，主要用于优化低清晰度船舶图像视觉传达效果。

1 低清晰度船舶图像复原方法 1.1 低清晰度船舶图像视觉传达信息特征提取方法

采用帧扫描方法，提取低清晰度船舶图像$J$视觉传达信息的像素二维特征。首先，设计图像复原的像素目标匹配模板、匹配矩阵$\left\{ {{{\boldsymbol{z}}_{{1}}},{{\boldsymbol{z}}_{{2}}},...,{{\boldsymbol{z}}_{{m}}}} \right\}$，该矩阵主要用于表达低清晰度船舶图像特征提取的向量加权状态，表示低清晰度船舶图像的目标边缘轮廓特征集合。低清晰度船舶图像的位置信息关联分布长度、宽度分别为$C$、$K$，将低清晰度船舶图像拓扑结构描述为参考模板向量：

${\varepsilon _j} = {z_j} - n。$

(1)

式中：${z_j} \in {z_m}$。$n$为低清晰度船舶图像尺寸。

特征提取时，设置低清晰度船舶图像单帧信息为$I\left( {x,y} \right)$，图像的几何空间中，参考模板向量$\varepsilon$为：

$\varepsilon = \arg \min \partial \left( \varepsilon \right)。$

(2)

式中：$\partial \left( \varepsilon \right)$为傅里叶变换后，低清晰度船舶图像滤波结果。

基于傅里叶频域中，以融合的方式进行模板匹配，得到滤波后低清晰度船舶图像$\partial \left( \varepsilon \right)$中，目标边缘纹理结构特征量$\varPhi \left( {x,y} \right)$、模板差异值$P\left( {X,Y} \right)$。

$P\left( {X,Y} \right) = \frac{{\mu \left( {X,Y} \right)}}{{A\left( {X,U} \right)}} + \frac{{\mu \left( {X,Y} \right)}}{{A\left( {Y,U} \right)}} 。$

(3)

式中：$A\left( {X,U} \right)$、$A\left( {Y,U} \right)$分别为像素子集$X$、子集$Y$的离散度；$\mu \left( {X,Y} \right)$为颜色空间分量。

把滤波后低清晰度船舶图像像素点作为初始聚类中心，把低清晰度船舶图像$\partial \left( \varepsilon \right)$各个区域均执行傅里叶转换，得到每个区域边缘像素集合${J_{if}}\left( {x,y} \right)$：

${J_{if}}\left( {x,y} \right) = J\cdot W 。$

(4)

其中，$W$为低清晰度船舶图像$\partial \left( \varepsilon \right)$的高频分量集。

基于频谱能量集合中整理边缘像素特征，重构时加权权重为$\varpi$，假如边缘像素特征融合向量符合高斯分布状态，则加权像素点的加权系数为：

$\varpi = \frac{1}{L}\exp \left( { - \frac{d}{{{v^2}}}} \right)。$

(5)

式中，$L$、$v$、$d$分别为复合窗口模板、内层窗口的增强特征信息、像素点之间距离。

融合低清晰度船舶图像全部像素点特征，提取图像的区域像素特征分布基函数，便可获取图像边缘特征$z$，$z$主要由像素强度$\varphi$、亮度$\ell$构成。

$z = \varpi \left( {\varphi + \ell } \right)。$

(6)

1.2 基于最大后验概率的高分辨率船舶图像重组方法

使用最大后验概率方法，将提取的低清晰度图像特征进行高分辨率重组，完成低清晰度船舶图像复原。结合贝叶斯估计理论，低分辨率船舶图像特征和高分辨率特征之间后验概率$o$为：

$o = \arg \mathop {\max }\limits_o \frac{{Q\left( {z,o} \right)}}{{Q\left( z \right)}} 。$

(7)

式中：$Q\left( z \right)$、$Q\left( {z,o} \right)$分别为边缘轮廓特征信息分量$z \in Z$的先验概率、高低分辨率特征的联合概率。

在图像重组复原的情境中，先验概率是指在处理图像之前，根据已有知识和经验，对图像中各个部分（如像素、特征等）的可能状态或结果的概率分布进行估计。因$z$存在已知性，则$Q\left( z \right)$属于常数，则式（7）能转换为：

$o' = \arg \mathop {\max }\limits_o Q\left( {z,o} \right)Q\left( z \right)，$

(8)

先验概率$Q\left( z \right)$使用高斯模型获取：

$Q\left( z \right) = \frac{1}{\tau }\exp \left\{ { - {\vartheta ^{\mathrm{T}}}{\psi ^{ - 1}}\vartheta } \right\}。$

(9)

式中：$\tau$为归一化参数；$\vartheta$、$\psi$依次为高分辨重组复原权重、似然函数。似然函数可确定图像复原算法应采取的行动方向。例如，如果观测到的数据与先验知识相矛盾，似然函数可能会指导算法调整参数或采取其他纠正措施。似然概率为：

$Q\left( {z\left| \theta \right.} \right) = \frac{1}{\tau }\exp \left\{ {\frac{{ - {{\left\| {z\left( {\psi \theta + \eta } \right) - z} \right\|}^2}}}{\delta }} \right\}。$

(10)

其中：$\delta$、$\eta$分别为拉格朗日乘数、点估计参数。

将低分辨率图像特征进行高分辨率重组复原，需实现$Q\left( {z,o} \right)Q\left( z \right)$最大化，此时解方程$\theta^*$为：

$\theta^* = \left( {{\psi ^{\rm{T}}}{z^{\rm{T}}}z\psi + \delta {\psi ^{ - 1}}} \right){\psi ^{\rm{T}}}{z^{\rm{T}}}\left( {z - z\eta } \right) 。$

(11)

则低清晰度船舶图像高分辨率特征重组结果为：

$z' = \psi \theta^*。$

(12)

考虑噪声会影响特征重组效果，从而影响图像复原质量，式（12）的复原效果需进行失真保护，为此，在复原过程中引入约束条件，从而保证低清晰度船舶图像的复原效果。设置低分辨率船舶图像特征为$z$，把高分辨率船舶图像特征投影至解空间。

1.3 视觉颜色模型的视觉传达效果优化复原方法

基于视觉（HSV）颜色模型的视觉传达效果优化复原方法为使用六角椎体模型，将重组的高分辨率特征色彩模式进行非线性转换复原。则：

${V_Z} = \max \left( {R,G,B} \right)，$

(13)

${S}_{Z}=\Biggr\{\begin{array}{cc}\frac{{V}_{Z}-\mathrm{min}\left(R,G,B\right)}{{V}_{Z}}& ，{V}_{Z}\ne 0，\\ 0,& 其他，\end{array}$

(14)

${H_Z} = 240 + \frac{{60\left( {G - B} \right)}}{{{V_Z} - \min \left( {R,G,B} \right)}}。$

(15)

式中：${V_Z}$、${S_Z}$、${H_Z}$分别为重组复原后船舶图像的明度、饱和度、色调；$\left( {R,G,B} \right)$为重组复原后船舶图像的红绿蓝本色。

视觉传达效果优化时，使用式（13）~式（15）转换视觉特性颜色空间，便可优化其重组复原后的视觉效果。

2 结果分析

将本文方法应用于某船舶导航监控系统，用于处理导航监控系统采集的环境感知图像，此系统主要通过可见光摄像机等设备采集船舶航行的工况图像。图1为船舶导航监控系统结构图。

图2为此船舶导航监控系统采集的航行过程中，拍摄的低清晰度海域通行船舶监控图像示意图。图3为本文方法对低清晰度海域通行船舶监控图像复原后效果图，本文方法对低清晰度海域通行船舶监控图像复原之前，图像清晰度较低、图像质量较差，通过人眼分析海域通行船舶监控图像时，视觉传达效果不好；相比之下，复原后海域通行船舶监控图像效果明显优化，复原后图像视觉传达效果提升，清晰度明显优于复原前。从视觉角度分析，本文方法对低清晰度海域通行船舶监控图像的复原效果显著。

低清晰度海域通行船舶监控图像复原效果通常会使用峰值信噪比${\omega _1}$、结构相似性指数${\omega _2}$进行分析。本文方法使用后，低清晰度船舶图像的峰值信噪比${\omega _1}$、结构相似性指数${\omega _2}$测试结果，如图4所示。可知，复原后${\omega _1}$和${\omega _2}$的数值均大于0.95，说明本文方法对低清晰度海域通行船舶监控图像复原后，图像的像素特征未出现明显失真问题，图像原始特征高度保真。

图像复原前后，视觉传达效果以颜色特征作为体现，视觉传达效果变化如图5和图6所示。可知，复原前图像颜色特征显著性分布在0.3之内，颜色特征显著性有待优化，复原后图像颜色特征显著性指数最大值达1.0，颜色特征显著性提高。说明本文方法复原处理下，低清晰度船舶图像细节受到改善。

3 结　语

对于低清晰度船舶图像的复原，本文提出了基于视觉传达优化的低清晰度船舶图像复原方法，经测试数据显示，在使用本文方法后，复原后海域通行船舶监控图像效果明显优化，复原后图像视觉传达效果提升，清晰度明显优于复原前，且复原后图像特征未出现严重失真问题。该方法对图像的复原能力显著。