改进神经网络的船舶红外图像边缘检测方法

刘志东

(1.四川大学，四川成都 610065；2.四川城市职业学院，四川成都 610110)

0 引言

红外图像采集系统具有采集图像速度快、不受天气影响等优点，被应用在船舶检测领域。通过红外图像采集系统可准确采集海上船舶红外图像，便于实施海上船舶管理。局部极值点汇聚一起形成图像边缘[1]，因船舶红外图像边缘中存在关键的特征数据，因此对船舶红外图像边缘检测至关重要[2]。图像处理中通过边缘检测方法提取图像边缘中背景和目标灰度差异部分，有利于目标识别[3–4]。目前，相关学者已经开始对船舶红外图像边缘检测方法展开研究。王睿男[5]研究形态学的边缘检测方法，采用多方面元素提取船舶红外图像边缘特征，经多特征的加权融合计算后，完成船舶红外图像边缘检测。因该方法加权求解过程过于复杂，导致船舶红外图像边缘检测速度比较慢。何谦等[6]研究DexiNed 改进的边缘检测方法，通过优化损失函数改进DexiNed 方法，调整网络模型，对该模型实施训练后输出船舶红外图像边缘数据，实现船舶红外图像边缘检测。虽然该方法在少量的样本船舶红外图像边缘检测方面取得一定应用效果，但对于海量样本的船舶红外图像边缘检测中应用效果不太理想，边缘特征提取过慢，强红外图像边缘检测效率低，适应性低。

改进神经网络具有收敛性快、寻优能力强、学习能力强等优点，被广泛应用在图像识别领域，并取得较好应用效果。针对以上方法在船舶红外图像边缘检测中存在的局限性，研究改进神经网络的船舶红外图像边缘检测方法，提高船舶红外图像边缘检测能力。

1 船舶红外图像边缘检测方法

1.1 船舶红外图像去噪处理

因船舶红外图像在采集过程中容易受到外界因素的影响，导致采集的船舶红外图像中存在大量噪声数据，因此采用基于块匹配的主成分分析(principal component analysis，PCA)图像去噪方法对船舶红外图像实施去噪处理，为船舶红外图像边缘检测奠定基础。将船舶红外图像中需要去噪的像素点分为1 个变量块作为训练样本，设置船舶红外图像中用Y表示矩阵，行列数量分别用a，b描述，P C A 变换求解流程为：

步骤1求解船舶红外图像Y矩阵的各行均值，其求解公式如下：

其中：像素点分别用i，j描述。

中心矩阵计算公式如下：

步骤2求解船舶红外图像Y矩阵的协方差矩阵，其求解公式为：

DY特征值对角矩阵表达式如下：

式中，特征值用 ν描述。

特征向量矩阵表达式为：特征向量用 ς描述，依据大小顺序对 ν ， ς进行排序。

步骤3投影矩阵的生成，投影矩阵表达式为：

PCA 反变换方法：设置变换矩阵用P=ςT描述，此时原始矩阵经过降维后得出投影矩阵。PCA 含噪声矩阵Y a通过最小均方误差估计算法对其实施降噪，区分船舶红外图像中图像数据与噪声数据。用表示Y a第l行，该算法表达式如下：

式中：均值权重系数分别用E[·]， ωl描述；无噪声估计值用描述。

σ表示噪声标准差，方差用var()描述，权重系数求解公式：

其中：含噪声像素值用s描述；无噪声像素值用o描述。

通过式(7)可去除船舶红外图像矩阵各行的噪声后，采用PCA 反变换后，可获取去噪后船舶红外图像。

1.2 改进神经网络的图像边缘检测

1.2.1 改进BP神经网络

BP神经网络算法流程如图1所示。BP神经网络算法流程为：将神经元实施初始化，计算隐含层、输出层每个节点的输出后，给定输入向量与目标输出，并计算目标值和实际输出的偏差，求解反向误差进行取值学习，对学习结果实施判断，满足终止条件，停止迭代，反之需要重新计算隐含层、输出层每个节点的输出。

图1 BP神经网络算法流程Fig.1 BP neural network algorithm flow

通过附加动量法-自适应学习速率对BP 神经网络实施改进，调整BP 神经网络权值，提高网络训练鲁棒性。附加动量法权值调整算法主要是通过改变学习速率，增强网络性能，用 ∆M表示网络权值增量，附加动力因子权值调整表达式如下：

式中：动量因子用nc描述；网络权值用M描述；训练次数用k描述；误差函数用F描述；学习速率用 γ描述。

在网络训练时，需要对附加动力因子设置判断条件，才能正确使用权值调整公式，其判断条件公式如下：

式中，第k代误差平方和用F(k)描述。

学习速率过大过小均会影响神经网络学习训练效率，因此需要自适应调节学习速率，学习速率自适应调整表达式如下：

1.2.2 图像边缘检测

改进神经网络的船舶红外图像边缘检测基本流程为：将降噪处理后船舶红外图像转换为二值图像后作为改进BP神经网络的输入，经过网络学习训练，完成船舶红外图像检测。输入层确定流程如下：

步骤1输入预处理后船舶红外图像α， 用α(i,j,g),g=1,2,3表 示图像像素点 (i,j)的彩色分量；

步骤2通过彩色梯度算子求解出船舶红外图像中(i1,j1) ，(i2,j2)像素点的欧式距离，2个像素点欧式距离表达式为：

经梯度算子处理后将船舶红外图像α 转换为灰度图像。

步骤3采用梯度算子将灰度图像 α1转换成二值图像 α2。

步骤4输入样本为转换后二值图像，再实施下一步网络训练。

隐含层确定：依据相关资料可知，隐含层数量求解公式如下：

其中：整数用 ε 描述 ε =[0−10]；输出和输入神经元数量分别用 β ， χ描述。此处构建由3层隐含层组成的神经网络。

输出层确定：神经网络输入层、输出层中分别包括9个神经元、1个神经元。当输出值比设置阈值0.1低时，表示检测点不是船舶红外图像边缘点；当输出值比设置阈值0.9高时，表示检测点为船舶红外图像边缘点。

经过上述过程，实现船舶红外图像检测。

2 实验分析

在MatLab 7.0软件中测试本文方法的应用效果，将某地区海事管理部门实际采集船舶红外图像数据库作为试验对象，该数据库中包括不同距离采集的船舶红外图像，试验数据库见表1。

表1 试验数据库Tab.1 Test database

设置分别用W，B表示 ι ∗τ的噪声图像与干净图像，均方差误差(MSE)表达式如下：

峰值信噪比(PSNR)作为评价指标，其计算公式如下：

其中，最大像素值用MAXB描 述。当PS NR>40表示图像质量极好， 2 0

采用基于块匹配的PCA 算法对试验数据库中船舶红外图像进行降噪处理后，取试验数据的平均值，统计出本文方法对于不同距离采集船舶红外图像降噪后PSNR，结果见表2。分析可知，采用基于块匹配的PCA 算法对于不同距离采集船舶红外图像实施降噪后PSNR 值均有所提升，本文方法降噪后PSNR 值全部高于40 dB，说明本文方法降噪效果较好，同时适用于不同噪声标准差下的船舶红外噪声图像去噪。

表2 不同距离采集船舶红外图像降噪PSNR(dB)Tab.2 PSNR of infrared image noise reduction of ships collected at different distances(dB)

在试验数据库中随机选取1张近距离采集的船舶红外图像，采用本文方法对其红外图像实施边缘检测，边缘检测结果见图2。分析图2(a)可知，受雾天的影响采集原始船舶红外图像中存在大量噪声，同时图像清晰度较低；由图2(b)可知，采用基于块匹配的PCA 算法对近距离采集原始船舶红外图像实施降噪处理，经PCA 反转换有效去除原始图像中多余噪声，保留较好船舶红外图像边缘数据，经去噪后图像清晰度得到显著提高，视觉效果优良；由图2(c)可知，采用梯度算子将降噪后船舶红外图像转换为二值图像，保留完整的船舶红外图像中数据，为改进神经网络的检测奠定基础；由图2(d)可知，将二值图像作为改进神经网络输入，经过学习训练输出船舶红外图像边缘检测结果，采用本文方法可准确检测出船舶红外图像边缘，边缘检测结果的清晰度高且连贯，达到船舶红外图像边缘检测标准，有利于船舶分类管理。

图2 本文方法的船舶红外图像边缘检测结果Fig.2 Edgedetection results of ship infrared image based on this method

3 结语

因船舶红外图像中含有大量噪声数据，加大了船舶红外图像边缘检测难度，本文研究基于改进神经网络的船舶红外图像边缘检测方法，提高船舶红外图像边缘检测速度，便于对船舶管理。

试验结果表明，本文方法可有效提取船舶红外图像真实边缘，其应用效果较好。