摘要
海面船舶的目标检测对我国的领海安全具有重要意义，然而，常用的红外船舶目标检测容易受到环境热辐射或红外伪装技术的干扰，导致目标检测系统的准确率降低，新兴的偏振成像技术又容易受到高频噪声的影响，使得到的船舶图像细节不清晰，同时船舶红外和偏振的图像获取难度大，现存的数据量无法满足目标检测系统的训练需求。本文将船舶红外图像与偏振图像进行融合，使用生成对抗网络提升融合图像的分辨率，再使用单一图像学习生成对抗网络对船舶图像数据集进行扩充。本文的研究内容包括以下几方面： 1、针对海面船舶目标信息不丰富导致目标检测系统准确率低的问题，本文提出一种基于小波变换和VGG网络的船舶红外图像与偏振图像融合的方法，融合图像的优势在于，其保留了偏振图像中目标对比度较高的特点，且削弱了偏振图像的噪声干扰，同时弥补了红外图像中目标较弱的缺陷。首先使用小波变换将红外图像和偏振图像分解为低频近似分量和高频细节分量，对偏振图像的高频分量进行滤波削弱噪声干扰，之后对两张图像的高频分量采用加权平均的策略进行融合，对低频分量使用VGG网络进行多层的特征融合，融合后的高频和低频分量通过小波逆变换得到最终的融合图像。与DWT、NSCT和图像分割-VGG等融合方法相比，本文所提方法在对比度和信噪比两个指标上有明显提升。其中对比图像分割-VGG算法，本文方法在单目标和多目标融合图像的信噪比上均有约4%的提升。 2、针对船舶的偏振图像在采集时受偏振片透光性较差的影响，导致红外和偏振融合图像分辨率低、细节信息较少的问题，本文提出一种基于小波变换和改进SRGAN相结合的方法提升融合图像分辨率，使用ConvNext构建残差结构改进SRGAN原始的残差块提升网络生成效率，使用小波变换提取初始超分辨率图像中的高频细节信息，之后通过小波逆变换将提取到的高频信息与原始低分辨率进行融合，利用小波逆变换实现分辨率的提升。与插值、SRCNN和SWT-GAN等超分辨率方法相比，本文的实验结果在峰值信噪比与结构相似性上有明显提升，得到的高分辨率图像具有更加真实的细节信息。 3、针对船舶红外偏振图像数据样本量少，并且传统GAN网络需要大量数据样本进行训练的问题，本文采用ConvNext的大卷积核反瓶颈结构优化原始SinGAN网络结构，提升网络的训练速度，在损失函数中引入结构相似度损失，加强网络对船舶目标整体特征的学习能力。与原始SinGAN网络相比，改进后网络得到的生成图像极大程度保存了真实图像中船舶目标的结构特征，减少了无效目标和无目标图像数量。 综上所述，本文通过将船舶红外和偏振图像进行融合，提升了图像中船舶目标的信息丰富程度，之后使用改进的超分辨率算法提升融合图像的分辨率，并且保留了船舶目标的细节信息，最后使用改进SinGAN网络对单一图像进行船舶图像样本扩充，弥补了传统SinGAN网络在学习船舶目标整体特征方面的缺陷，实现了船舶图像数据在数量和种类上的扩充，为后续的目标识别提供了帮助。
NETL