0 引　言

在船载航行数据记录系统的开发过程中，雷达图像采集和显示是其中一项重要的功能模块，航行数据记录系统需要能够自动进行船舶雷达图像的采集和显示，以便于船舶操纵人员获取船舶位置、目标距离等关键信息，实现船舶的高效导航^[1]。

本文在船载航行数据记录系统的基础上进行模块化开发，提出一种船舶雷达图像颜色显著性特征目标的自动采集系统。图像自动采集系统的硬件核心是FPGA架构，基于FPGA对于图像处理的优异特性，建立雷达图像自动采集系统的整体架构，并详细介绍自动采集系统的工作原理。

1 舰船雷达图像颜色显著性特征自动采集系统的硬件搭建

通常，船舶航行数据记录系统需要通过船载雷达获取大量的本船和探测目标的信息，包括本船在电子海图的位置标志、探测目标的距离、方位角度、电子标绘符号等。现有的数据记录系统不支持雷达图像的自动采集和显示，需要人为进行雷达图像信息的导入，效率较低。

现场可编程门阵列（FPGA）是一种可编程逻辑器件，在数字信号处理方面能够进行数字滤波、FFT、数字信号合成等功能；在图像处理方面可以实现图像增强、滤波、目标特征提取等功能，被广泛应用于卫星、雷达图像处理领域。在通信和控制系统方面，FPGA可以实现通信协议转换、数据加密等，在航空控制、工业系统上有广泛应用。

本文基于FPGA核心处理器开发船舶雷达图像自动采集系统，基本功能架构如图1所示。

船舶雷达图像自动采集系统的关键组成部分包括：

1）图像采集模块

雷达图像的采集是进行目标探测、导航的第一步，因此，要求采集的图像具有较高的精度。

①信号源和采集

雷达图像的采集需要配置缓存输入和输出接口，文中研究对象为VDR雷达系统，因此需要记录和采集完整的雷达图像帧。

②图像显示格式

图像自动采集系统的显示器分辨率在640×350到1280×1024之间，刷新频率在60 Hz。

③图像输入格式

图像自动采集系统的雷达图像格式包括极坐标格式、直角坐标格式、多普勒格式等。其中，极坐标格式的雷达图像以极坐标形式呈现，每个像素点对应一个距离和角度值。直角坐标格式的雷达图像以直角坐标形式呈现，每个像素点对应一个x和y坐标值。多普勒格式的雷达图像，每个像素点对应一个频移值。

④AD采集芯片

雷达图像自动采集系统采用的AD采集芯片为AD9887A芯片，支持单通道DVI和HDMI（高清晰度多媒体接口）信号的接收和发送，并能够处理最高165 MHz的视频时钟频率。具有高达8位的RGB颜色深度和3路采样精度为8bit的数据通道，能够满足雷达图像的采集需求。

2）PCI传输总线

由于雷达图像自动采集系统中每一帧图像的每个像素占3个字节，每一帧的数据量大于3 MB，而为了满足船舶的导航、探测需求，雷达图像自动采集系统需要实时进行图像的传输，为了满足系统内部海量图像数据的传输，使用PCI总线作为数据传输的媒介。

PCI总线是因特尔公司开发的32/64位局部总线，具有高带宽、低延迟、可插拔和热插拔等特点，可同时支持多组外围设备，数据传输的峰值可高达164 MB/s。

PCI总线的工作逻辑与原理如图2所示的CPU控制root complex组件，数据通过网关和PCI网桥传送至终端节点。

3）缓存器

在图像自动采集系统中，缓存器的作用包括2个方面，一是对图像采集模块的数据进行临时存储，处理器中的图像序列处理完成后释放缓存；二是存储FPGA的临时数据。为了满足船舶雷达图像自动采集系统的数据存储需求，采用大容量的SRAM存储器。

SRAM存储器的性能参数如表1所示。

4）FPGA设计

FPGA是船舶雷达图像目标自动采集系统的核心，FPGA芯片在高速复杂逻辑处理方面，凭借其芯片容量和并行运算能力，已经成为图像处理领域的佼佼者，将FPGA与MCU，DSP结合使用已经成为未来嵌入式系统的主要方向。

在设计船舶雷达图像特征目标自动采集系统时，直接采用SOPC集成系统架构，SOPC集成系统架构的结构框图如图3所示。

2 船舶雷达图像目标采集系统的图像小波融合算法

雷达图像目标自动采集系统在工作过程中采集的雷达图像中包含多种噪声信号，这些噪声信号包括系统本身的硬件噪声和环境及障碍物噪声等。为了提高雷达目标识别的精度，重点研究雷达图像的噪声过滤技术^[2]。

采用的滤波算法结合了LEE滤波器与小波变换，首先建立LEE滤波器的算法原理模型如下式：

$R\left( t \right) = \frac{{I\left( t \right)W\left( t \right) + 1}}{{\bar I\left( t \right)\left( {1 - W\left( t \right)} \right)}} \text{。}$

其中： $W\left( t \right)$ 为LEE滤波器的权重函数， $W\left( t \right) = 1 - \dfrac{{{\sigma _0}^2}}{{{\sigma _i}^2\left( t \right)}}$ ， ${\sigma _0}$ 为雷达图像像素的均值， ${\sigma _i}$ 为雷达图像的像素方差。

由于LEE滤波器模型 $R\left( t \right)$ 具有平方可积分特点，且满足：

$\int\limits_R^{} {} {\left| {\frac{\sigma }{{{\sigma _i}}}} \right|^2}{\rm{d}}t \leqslant \infty \text{，}$

基于小波变换对LEE滤波器模型进行变换得到：

${R_s}\left( t \right) = \frac{1}{{\sqrt s }}R\left( {\frac{{t - \alpha }}{s}} \right) \text{。}$

式中：s为小波变换的伸缩因子； $\alpha$ 为小波变换的平移因子^[3]。

建立LEE滤波器的小波变换为：

$\begin{gathered} F\left( {s,t} \right) = \left\{ {f\left( t \right),R\left( t \right)} \right\} = \frac{1}{{\sqrt s }}\int\limits_{}^{} {f\left( t \right)} R\left( {\frac{{t - \alpha }}{s}} \right){\rm{d}}t \\ \end{gathered} 。$

LEE滤波器的小波逆变换为：

$R\left( {s,t} \right) = \frac{1}{{{\alpha ^2}}}\int\nolimits_{ - \infty }^\infty {WF\left( {s,t} \right)} R\left( {\frac{{t - \alpha }}{s}} \right){\rm{d}}t 。$

小波变换融合算法是雷达图像噪声处理的重要环节，其原理是将LEE滤波^[4]后的图像进行多光谱、多尺度的分解，分解过程去除障碍物噪声和不必要的图像区域，最后将图像信号进行融合。

基于小波融合算法的雷达图像融合处理流程图如图4所示。

小波融合算法在处理船舶雷达图像时，由于船舶目标像素是图像的高频部分，可将雷达图像表示为：

$f\left( t \right) = s\left( t \right) + n\left( t \right) \text{，}$

图像的小波融合方程为：

$\begin{gathered} f(t) = \sum {} c(m,n){\psi _{mn}}(t)，\\ {\psi _{mn}}(t) = {2^{ - \frac{m}{2}}}\psi \left( {{2^{ - m}}t - n} \right)。\\ \end{gathered}$

式中： $(m,n)$ 为图像的单个像素坐标； $c(m,n)$ 为图像的高频部分； ${\psi _{mn}}(t)$ 为小波融合权重函数。

3 基于颜色显著性特征的雷达图像目标自动识别

在雷达图像目标提取过程中，基于目标图像的显著性特征进行目标识别是一种常用的方法，根据目标的颜色显著性可将雷达图像分为对比度较低^[5]、灰度弱的雷达图像和对比度高、灰度强的雷达图像，定义雷达目标图像的信噪比为：

$SNR = \frac{{{{\left( {s - \mu } \right)}^2}}}{{{\sigma ^2}}} \text{。}$

式中： $s$ 为目标的灰度， $\mu$ 为雷达图像的灰度均值； $\sigma$ 为雷达图像的灰度方差。

颜色显著性检测算法基于雷达图像的颜色通道 $R\left( t \right)/G\left( t \right)/B\left( t \right)/Y\left( t \right)$ ，其算法原理如图5所示。

雷达图像目标提取的过程为：

将雷达图像 $F\left( t \right)$ 进行颜色通道的扩展，如下式：

$\begin{gathered} R(t) = r(t) - \frac{{g(t) + b(t)}}{2}，\\ G(t) = g(t) - \frac{{r(t) + b(t)}}{2}，\\ B(t) = b(t) - \frac{{g(t) + r(t)}}{2}，\\ Y(t) = \frac{{r(t) + g(t)}}{2} - \frac{{|r(t) - g(t)|}}{2} - b(t)。\\ \end{gathered}$

定义雷达图像的颜色显著性对比通道为：

$\begin{gathered} I(t) = r(t) + \frac{{g(t) + b(t)}}{3}，\\ M(t) = \left| {\frac{{r(t) + g(t)}}{2} - I(t)} \right| 。\\ \end{gathered}$

雷达的像素帧表示为 $q\left( {m,n,t} \right)$ ，对图像进行小波融合变换得到：

$\begin{gathered} Q[u,v] = {F_1}[u,v] + {F_2}[u,v]{\mu _2} ，\\ F(u,v) = \frac{1}{{\sqrt {MN} }}\sum\limits_{m = 0}^{M - 1} {\sum\limits_{n = 0}^{N - 1} {{e^{ - 2\pi _{}^{}}}} } f[n,m]。\\ \end{gathered}$

其逆变换为：

${f_t}(n,m) = \frac{1}{{\sqrt {MN} }}\sum\limits_{u = 0}^{M - 1} {\sum\limits_{v = 0}^{N - 1} {{e^{ - 2\pi \mu }}} } {F_t}[u,v] 。$

式中： $(u,v)$ 为像素的频域坐标； $M、N$ 为像素维度，得到颜色显著性图像为：

$C(t)=g\ast \Vert {f}_{t}(n,m){\Vert }^{2} 。$

图6为船舶雷达图像自动采集系统基于颜色显著性的目标识别示意图。

由遥感图像的处理过程可见，根据颜色显著性特征，可以将目标区域与背景环境进行不同区域等级的区分与识别，最终将船舶轮廓识别成功。

4 结　语

为了对海上船舶航行数据记录系统进行功能优化，本文开发一种基于FPGA的船舶雷达图像目标自动采集系统，从系统的硬件构成、图像采集和目标识别的基本原理等方面进行阐述，获得了良好的目标自动采集和识别效果。