一種水上航行場景可見光偏振圖像融合方法

姜 陽，肖長詩，2，3，文元橋，2，詹文強，陳芊芊

（1.武漢理工大學航運學院，武漢 430063；2.內河航運技術湖北省重點實驗室，武漢 430063；3.山東交通學院威海校區威海海洋信息科學與技術研究院，威海 264200）

引 言

在水上航行的特定環境中，不像室內或公路交通等結構化場景，氣候條件惡劣，場景信息高度非結構化，由于船體搖晃、光照條件變化、波浪、水面反光和鏡面倒影等干擾造成的復雜水面動態紋理、以及由于水霧造成的低能見度和低對比度等困難，會極大地影響無人船感知模塊的信息獲取。通過傳統的圖像信息采集方法受水面背景的影響，無法獲取準確可靠的圖像信息，導致圖像語義分割不準確。

偏振成像探測獲取到的物體反射或輻射光波的偏振態信息，可以有效區分不同材質、不同表面形態、不同導電率的散射體，從而抑制雜亂背景，突出目標的細節特征，在目標探測、特征提取、大氣遙感、生物醫學影像等領域具有相當大的應用潛力［1?4］。昆明物理研究所的柳繼勇等［5］提出了一種基于閾值分割的像素級紅外偏振圖像融合算法，該算法用高低帽剪切進行閾值分割并計算隸屬度，根據隸屬度進行圖像融合；Cremer等［6］利用長波紅外探測器和中波紅外探測器對海面上的中型和小型人造物體目標的偏振特性進行研究，結果表明偏振技術有利于人造目標的識別與跟蹤；Yemelyanov等［7?8］以HSV顏色空間模型為圖像融合的基礎，將紅外強度圖像和對應的偏振信息圖像在3個通道上進行融合，生成的偽彩色融合圖像在對比度和信息熵等圖像信息指標數值上有顯著提升；Egan等［9］利用彩色紅外成像儀對偽裝軍事目標進行了偏振成像探測實驗，結果表明偏振技術能改善目標圖像對比度，抑制雜亂背景，有效提升目標識別率；Lavigne等［10］通過紅外探測裝置系統，獲得了紅外光強度圖像和對應的偏振圖像，并在HSV顏色空間上對不同類型圖像中的公共信息進行了融合，其融合圖像的結果表明該探測器通過偏振技術能識別目標陰影區，有效提升了其裝置的探測能力；Kalra等［11］利用偏振相機捕捉多模態圖像，并將處理后的數據與深度學習相結合，實現了在不同場景和背景條件下對雜亂透明物體的實例分割，與傳統的基于圖像的分割方法相比有了很大的改進；Li等［12］使用從不同反射界面獲得的偏振純度系數（Indices of polarimetric purity，IPPs）作為去偏振特性的標準來實現對具有不同粗糙度的有機涂層覆蓋目標的分類，結果表明，不同反射界面的去偏振性能在IPPs空間是獨一無二的，為目標分類和目標探測提供了新途徑；同年，Li等［13］將IPPs用于描述散射系統中葡萄糖濃度（Glucose concentra?tions，GC）的變化，結果表明，與偏振度（Degree of polarization，DoP）相比，對于前向散射檢測來說，IPPs的P1是GC更好的指示劑。綜上，國內外圍繞偏振信息探測、應用、成像和處理方面做了大量工作，偏振技術在人工智能系統的感知模塊中運用還較少，在智能航行系統中運用到偏振特性的更少，在偏振方面的圖像融合，大多數都為定性結論，并沒有對偏振圖像的機理進行研究分析。在水上航行場景中，偏振信息特征極其復雜且敏感，尤其是在惡劣情況下，偏振特性受可見光特性和采集設備的條件制約，其變化劇烈，能夠作為關鍵信息對感知模塊獲取的信息量進行補充，增加了有效的環境信息量，對惡劣天氣的抗干擾性強，有利于恢復圖像的對比度及局部細節，針對于水岸線難以分割、弱小目標難以發現和強光耀斑倒影等特有困難問題，進行水上航行場景可見光偏振圖像的融合研究，對水上交通運輸的發展有著重要作用。

對此，本文提出一種基于HSV顏色空間的水上航行場景可見光偏振圖像融合方法。以偏振技術為方法，通過采集航行場景的0°、45°、90°和135°四個方向的偏振圖像，將采集到的RGB偏振圖像引入HSV顏色空間后提取圖像的偏振度信息、偏振角信息，根據水上航行場景的可見光偏振特性分布規律，制定不同區域的融合規則，通過圖像融合算法對上述偏振信息融合，最后，通過將可見光偏振圖像的偏振信息與顏色空間信息進行融合得到最終結果。本文將偏振應用到對無人船航行場景的語義理解上，有助于提高對可見光圖像偏振信息的準確融合，提升無人船針對惡劣水上航行場景的視覺感知能力。

1 可見光偏振圖像融合

本文通過對同一航行場景的不同偏振態信息的處理，制定了不同航行場景模塊下對應的偏振特征融合規則，提出了一種基于HSV顏色空間的可見光偏振圖像融合方法，獲得更加豐富、準確的航行場景圖像信息。本文主要貢獻描述如下：

（1）考慮到水上航行場景的惡劣程度，提出將偏振信息應用到水上航行場景的無人船感知模塊系統中，分析不同的偏振圖像特性，將不同信息進行融合。這項工作將有助于提升無人船在惡劣航行場景下的環境感知能力。

（2）在進行圖像的語義分割時，傳統的可見光圖像分割方法經常受到邊緣信息模糊化的困擾。為了解決這個問題，提出將偏振信息應用到無人船航行場景的語義理解上，結果表明，分割效果圖像中水岸交界線被完整、清晰地分割出來，關于天空和非天空區域的二值分割效果良好。

（3）與傳統的圖像融合方法相比，本文通過以水上航行場景偏振特性分布規律為基礎，制定了不同場景模塊下對應的偏振特征融合規則，提出了一種基于HSV顏色空間的可見光偏振圖像融合方法。圖像融合效果良好，在惡劣環境下效果穩定。

1.1 偏振表述

Stokes［14?16］矢量可以被用來描述完全偏振光、部分偏振光以及非偏光。由于在自然界中圓偏振光很少，再加上環境影響因素和實驗儀器影響因素等，導致圓偏振度極小，在本文中主要研究的水上航行情況幾乎可以忽略不計，因此主要研究的偏振度信息是線偏振度信息，采取改進Pickering方法，通過獲取角度為0°、45°、90°和135°四個方向的圖像數據，進行Stokes參量解算，該方法的誤差對偏振態的影響更小，多個方向角的數據采集可以降低測量誤差，其參量均是光強的時間平均值，具有強度量綱，且有不少元素為零，沒有除或根號開方等運算，計算簡單。

式中：I為光的總強度；Q為0°和90°上的光強差；U為45°和135°方向上的光強差。

現有的偏振檢測研究大多是偏振度和偏振角（Angle of polarization，AoP），可以反映出物體表面的粗糙度、導電率以及紋理等信息［17］。

偏振度是指偏振光的能量與全部光能的比例，能反映出物體的材質紋理信息。

偏振方向（偏振角）是指橢圓主軸與傳統坐標系軸之間的夾角，能反映出物體表面反光角度的信息。

1.2 圖像融合

圖像融合是提高偏振圖像檢測性能的關鍵步驟。主要的偏振信息圖像融合算法按照融合方法原理的不同可以分為：在不同尺度上基于幾何空間分析的方法、基于圖像像素值以數理概論和統計等為原理的方法、在顏色空間模型上將不同信道圖像融合在不同的顏色通道的方法和以區域分割為前提對不同類型區域有不同融合策略的融合方法等?；陬伾臻g的圖像融合算法是以顏色空間模型為基礎，將待融合的源圖像分別以一定的權重融合在不同的色彩通道，能最大程度地保留各源圖像特征信息，并以偽彩色圖像的形式獲得待融合圖像的一種融合方法。

偏振圖像與普通圖像相比，可以獲取場景中目標物體的不同偏振態，含有更豐富的信息，不同類型的偏振信息具有互補性。Stokes參量圖像雖然可以反映出一些目標場景的偏振信息，但多幅圖像的顯示不利于觀察和處理，因此，需要進一步采用其他融合顯示方法。偏振度和偏振角圖像反映了目標場景的不同信息，但其分屬兩幅圖像，不易觀察，且未包含目標場景的輻射強度信息。進行偏振信息的融合，是本文的第一步。

2 本文方法

本文以偏振成像作為基本的視覺感知和場景理解方法和工具，對水上航行視覺場景進行像素級的分類識別和理解。在水上航行的特定環境中，需要感知的場景范圍較大并且高度非結構化，針對水上航行場景的高動態范圍、低能見度、低對比度、強耀光、波浪動態紋理等復雜的非結構化視覺環境，提出將偏振應用到無人船對水上航行場景的語義理解上，對水面視覺場景中不同目標的靜態圖像特征、動態圖像特征進行分析。提出了一種基于HSV顏色空間的偏振圖像融合方法。圖1為提出方法的示意圖，包含了數據輸入、數據處理、信息提取以及圖像融合4個部分。主要通過以下步驟完成：

圖1 基于HSV顏色空間的偏振圖像融合方法示意圖Fig.1 Schematic diagram of polarization image fusion method based on HSV color space

（1）采集原始偏振圖像數據，獲得目標場景的0°、45°、90°和135°四個偏振方向的圖像。

（2）對偏振圖像的偏振特性信息進行優化。

（3）對偏振圖像的偏振信息進行融合。

（4）對偏振圖像進行調制。

（5）將偏振圖像與顏色信息進行融合。

2.1 偏振圖像采集

本文使用的采集設備主要由線偏振片和圖像采集設備組成，目的是要獲取偏振角度分別為0°、45°、90°、135°的場景圖像。入射光經過線偏振片，出射光的強度信息再被光電感應設備捕捉，獲得含有不同偏振態的信息。采用CMOS感光類型的單反相機，線偏振片采用鍍膜類型的配套偏振片，偏振片置于單反鏡頭前。偏振成像光路圖如圖2所示。

圖2 偏振成像光路示意圖Fig.2 Schematic diagram of polar?ization imaging optical path

整體工作流程如下：

（1）將配套的線偏振片安裝在單反相機上，將相機安裝在穩定三腳架上；

（2）調整好ISO感光度、快門曝光時間和光圈大小，手動對焦，固定各參數值；

（3）固定相機，以此時線偏振片位置為初始0°方向，通過線型控制器捕獲到圖像I(0°)；

（4）順時針旋轉線偏振片，每次順時針轉動45°，轉動3次，在旋轉角度為45°、90°和135°時，通過線型控制器捕捉到I(45°)、I(90°)、I(135°)的場景圖像分別拍下，通過軟硬件算法獲得對應的偏振信息，再以圖像的方式進行表示；

（5）以相同場景的I(0°)、I(45°)、I(90°)和I(135°)場景圖像，轉換成對應偏振方向的HSV圖像，以獲取到的對應偏振方向V圖像，按照偏振成像原理，合成偏振圖像。

由于單反相機捕獲的圖像格式和計算機中儲存、處理的圖像格式均為三原色通道矩陣（BGR或RGB等），考慮到偏振信息是以光強信息為基礎進行提取的，因此將三原色通道矩陣映射到HSV顏色空間，將完全包含光強信息的V矩陣提取出來進行處理，通過計算可以獲得圖片中每個像素對應位置的I、Q和U，進而可以獲取不同位置的偏振度和偏振方位角信息。

HSV與RGB相互轉換的規則如下：

（1）RGB?>HSV的算法規則

（2）HSV?>RGB的算法規則

式中：R、G、B范圍在[0，255]之間，H通道代表色調，指平常的顏色，用角度度量，范圍為[0°，360°]，紅色為0°、S表示顏色接近光譜色的程度，取值[0，1]，值越大，顏色越飽和，越接近光譜色，越深而艷；V通道代表明度，表示顏色明亮的程度，是純粹的光強信息，范圍為[0，1]。

2.2 偏振特征信息優化

偏振信息中攜帶著目標物體信息，受到各種影響因素的影響。偏振度P圖像能準確反映偏振特性，但天空的偏振分布和水面強烈的偏振反射情況會嚴重地影響圖像的可視化效果。由于天空的可見光傳播方式以散射為主，局部區域以無偏特性為主；而光線以反射為主要傳播方式的其他區域，在進行偏振方向光強差計算時，能將物體表面材質的粗糙度信息與紋理特征信息提取出來，場景中以反射為主的區域集中在水面與固體物質上，天空中存在的云也是以反射為主。因此在參量Q、U的成像結果中，天空無云區域以黑色為主體，而其余區域表現出強烈的反射性質特征，因此設計考慮參量Q和參量U的偏振信息進行成像，優化偏振信息定義為

由圖3可知，在強偏振反射的情況下，偏振度圖像的水面在特定區域的偏振度數值異常高，表現出水體由于布儒斯特角和鏡面反射的原因而產生的特有的“偏振耀斑”現象，而在優化的偏振信息圖像中，不僅抑制了這種“偏振耀斑”現象，而且水、天、非水非天各自偏振特性明顯，交界線清晰。這種偏振成像方法所生成的偏振特征圖像克服了水面偏振度反光現象帶來的影響，保留了場景物質本身的偏振特性，具有良好的穩定性。在圖像信息中，同時包含了邊緣、輪廓、紋理信息和偏振分布特性，不僅提高了圖像本身的清晰度，凸顯了弱目標的對比度，同時還降低了環境對其的負面影響，增加了圖像信息的穩定性。

圖3 優化偏振成像實驗對比結果Fig.3 Comparison results of optimized polarization imaging experiments

2.3 偏振信息融合

整體的偏振信息圖像融合規則步驟如下：

（1）定義像素標簽，以優化的偏振信息圖像為分割標準，用平均圖像熵和均值指標作為分割指標，對場景圖像進行天空與非天空的二類標簽定義；

（2）將天空區域的偏振信息按照對應的融合規則進行融合；

（3）將非天空區域的偏振信息按照對應的融合規則進行融合。

信息熵（Information entropy）是由香農在信息論中提出，衡量圖像信息豐富程度的一個重要的圖像融合質量評價指標，定義如下

式中：p i為灰度值i的像素數與圖像I總像素的比值，L為圖像總灰度級數值。信息熵越大表示信息量越大，圖像越復雜、像素分布越沒有規律。

在大部分場景情況下，天空噪點也較少，而非天空區域噪點較多。這兩部分的區別較明顯，其明顯的區域特征可由代表混亂程度的信息熵來描述，因此以優化的偏振圖像為標準進行分割，分割算法為判斷像素領域的平均信息熵是否小于場景圖像的整體平均熵，分割規則如下

式中：E(i，j)為偏振優化信息圖像中(i，j)位置的領域平均圖像熵，E為偏振優化信息圖像的總平均圖像熵。

在圖4中，黑色表示非天空區域，白色表示天空區域。分割效果圖像中水岸交界線被完整、清晰地分割出來，原場景圖像中模糊的橋梁與鋼絲繩等物體也能被較為準確地分類，總體來說場景圖像關于天空和非天空區域的二值分割效果較好，以此來對圖像像素進行分類。

圖4 分割實驗Fig.4 Segmentation experiment

由于水上航行場景中同時包含天空、水面和非水非天模塊，每種模塊都屬于不同的物態，不同物態之間的偏振信息差異較大，偏振特性分布規律也是不同的。因此在不同的場景模塊下，需要制定不同的偏振特性信息融合規則，分模塊定義融合規則如下：

（1）天空偏振信息融合規則

為了融合天空中中性點等偏振特征分布規律信息，選擇像素最小值進行融合，融合規則為

式中：f(i，j)為融合圖像在(i，j)位置的像素值；a(i，j)和b(i，j)為待融合圖像的像素值；type(i，j)為在此位置的像素屬性。

（2）水面偏振信息融合規則

水面偏振信息表現出代表自身屬性的閾值信息和波浪紋理信息等，其鏡面反射現象在一定的情況下能反射出天空和岸邊物體的偏振特性分布，水面上的船只和航標等導體的偏振特性較暗，木質船體等絕緣物質偏振特性為高亮，水面的偏振反射區域也為高亮區域，情況復雜多變，因此為融合困難區域，在這個模塊的融合規則應該以大梯度、高對比度為主，其特征信息的融合權重應該用可以表示信息豐富程度的方差進行衡量，融合規則為

式中：Ca和Cb分別表示待融合圖像a、b的融合系數；V a(i，j)和V b(i，j)分別表示待融合圖像a、b在(i，j)位置的領域方差值。

（3）固體偏振信息融合規則

固體表面的偏振信息中包含了反映材料性質和紋理性質的信息，其中特有的導電率和粗糙度信息能較為準確地確定固體屬性，有助于提升物體識別的準確度，為了包含更多的信息，將信息熵與對比度較大特征進行融合，其融合規則可與水域融合規則相同。

水面和固體的融合規則可相同，均以方差為權重按比例進行融合，因此可以將水面和固體劃為非天空區域，融合規則如下

在這樣的融合規則下，對場景圖像的準確分割是很重要且關鍵的，會影響到像素的分類，進而影響到融合規則的選擇，最終會導致圖像的融合效果發生改變。

2.4 偏振圖像調制

為了能使偏振信息圖像具有光強的屬性，實現與顏色信息的融合，需要對偏振信息圖像進行基于光強的調制，同時增加圖像中特征的對比度，具體步驟如下：

（1）將偏振度信息、偏振邊緣信息和偏振角信息分別根據自己的調制系數進行調制，調制系數可以連續且單調，其中偏振度信息和偏振邊緣信息的調制系數如下［18］

式中：M為調制系數，P為待調制信息數據。偏振角調制函數形式如下

式中：M為偏振角的調制系數，χ為偏振角圖像，m和n為圖像尺寸，μ為偏振角圖像的均值。

（2）以2.3節確定的融合規則和融合方法對偏振度、偏振邊緣和偏振角圖像信息進行融合，得到偏振信息融合圖像；

（3）再以Stokes偏振信息矩陣中的S0偏振總光強參量進行調制。

從圖5可以看出，調制前的偏振信息圖像僅能直觀表達出較強的偏振特征，很多細節不能直觀表達，圖像整體對比度較低，各圖像經過調制后，不同區域的像素值差異增大，偏振圖像能更多、更清晰地表達出細節和邊緣等特征信息，并且圖像整體對比度較高，同時具有光強屬性，包含偏振光強信息，更加符合模型機理邏輯。

圖5 調制圖像前后對比Fig.5 Comparison of images before and after modulation

2.5 偏振圖像與顏色信息融合

為了突出偏振信息圖像，融合準確、完整的顏色信息，同時符合人眼的視覺特性，針對HSV顏色空間能將光強信息與色彩信息分開這一特性，本文嘗試了基于HSV的彩色融合，將原場景圖像和偏振信息圖像在HSV通道上進行融合。以水上航行場景偏振特性分布為基礎，在進行偏振信息提取時，將RGB圖片轉換成HSV顏色空間，以偏振特性融合圖像為新的V通量信息，與原始圖像中的H、S通量信息，共同組成HSV顏色空間下的圖像三通量，融合其原有的顏色信息，再反變換成RGB格式的圖像，用以儲存、傳遞和處理。融合圖像能夠全面反映被測目標場景的偏振及輻射信息，將偏振圖像進行彩色化融合可有效反映目標場景的強度和偏振信息，有利于增加目標的可識別能力，但是，不同的彩色融合方法效果差異較大。

從圖6（b）和圖6（c）中可以觀察到天空、水面和岸邊的分界線明顯，物體的邊緣輪廓和紋理特性突出，不同物體之間的偏振信息存在明顯差異。圖6（d）是提取出來的場景偏振特征圖，圖中水、天、非水非天各自偏振特性明顯，交界線清晰。圖6（e）是場景的偏振融合圖。圖6（f）是場景的偏振強度圖。圖6（g）是場景的偏振信息圖像，偏振信息中不僅包含偏振度特征，還包含了偏振角特征，在一定程度上能增強對比度和豐富邊緣輪廓信息，相對于原圖像難以區分的水岸交界線有良好的區分作用。圖6（h）是場景的顏色信息圖像。由圖6（i）可知，融合圖像同時具有偏振信息和顏色信息，轉化成HSV顏色空間后的偏振信息更加準確、豐富。邊緣、輪廓和紋理等特征信息與水上航行區域偏振特性分布規律清晰可見，能夠突出水上目標和水天分界線，還能抑制過曝和倒影，較自然地融合顏色信息，沒有顏色失真現象。

圖6 圖像融合過程Fig.6 Image fusion process

3 結果分析

為了確保結果的公平性和全面性，測試圖像均來自日常對水上航行場景的采集，列舉了3種代表性的圖像分割方法。他們是分水嶺算法［19］、ResNet101［20］、ResNet50［21］。擬采用K?means［22］圖像分割算法進行應用效果分析評價，K?means聚類算法的分析流程步驟如下：

（1）確定K值，在本文討論的水上航行場景中，理想情況下具有天空、水域與非天非水域這3部分，因此定義K為3；

（2）從數據集中隨機選擇K個數據點作為質心；

（3）以平方差作為損失函數，將每個像素點歸類到合適的類別

式中：Lft為第t次迭代的損失總和，g(i，j)為圖像(i，j)位置的像素值為X類別第t-1次迭代的質心值，分別計算各像素點到各質心之間的距離，并將各像素點劃分到離最近質心的小組類別；

（4）當每個質心都聚集了一些點后，重新定義算法選出新的質心；

（5）比較新、老質心的距離，如小于閾值，算法終止；

（6）如果新、老質心距離大于閾值，則繼續迭代執行步驟（3～5），直到新、老質心的距離小于閾值，算法終止。

3.1 與其他方法對比

為了驗證本文方法的有效性，展示了不同圖像分割方法對水上場景進行分割的視覺比較。從測試圖像中選擇了4對測試圖像（霧天、耀斑、過曝、弱交界線）作為示例，以顯示本文方法與其他方法之間的差異。原場景分割是采用本文方法直接對不帶偏振片的原場景圖像進行分割，不進行圖像融合操作。圖中本文方法藍色區域表示可航行區域，紅色區域表示不可航行區域，綠色區域表示天空區域。

圖7顯示了在霧天航行場景下的圖像分割結果。圖7（i）在霧天情況下分割結果很不理想，將水天混為了一類。圖7（j）水天界線分割效果不理想。圖7（k）分割效果差。圖7（h）通過用本文分割方法直接對不帶偏振片的原場景圖像進行分割，水天線、大橋均未能清晰分割，對岸的物體也沒有被分割出來。而在本文的方法中，融合圖像不僅將水域區域較為準確地分割出來，還將大橋和對岸物體的輪廓較為準確分割出來，這說明偏振信息能增強圖像對比度，凸顯邊緣輪廓信息，能夠在惡劣的場景環境下，穩定獲得對比度較強、目標特性較好的特征信息，具有一定程度上的去霧效果。

圖7 霧天場景分割應用效果對比Fig.7 Comparison of the application effect of foggy scene segmentation

圖8顯示了在強反光的水面耀斑航行場景下的圖像分割結果。圖8（i）水天陸的交界線較為明確，有較好的區域特征，但水面耀斑對分割結果的影響略大。圖8（j）和圖8（k）兩種方法水天線分割不明確，且把耀斑不同程度地歸為了天空一類。圖8（h）通過用本文分割方法直接對不帶偏振片的原場景圖像進行分割，直觀可見分割效果不僅受水面的反光影響，還受到曝光范圍的影響，使水面的反光區域和暗處區域不能被準確分割。而在本文的方法中，融合圖像能被準確分割出水域，抑制了水面耀斑帶來的不利影響。

圖8 耀斑場景分割應用效果對比Fig.8 Comparison of the application effect of flare scene segmentation

圖9顯示了在過曝航行場景下的圖像分割結果。圖9（i）將天空、水面和遠處的大橋錯誤地歸為一類，岸邊分割效果良好。圖9（j）水天交界線不明顯，遠處大橋細節分割不精確。圖9（k）將水、水上小目標、天空錯誤地歸為一類，不能識別出水天分界線，且未檢測到水域。圖9（h）通過用本文分割方法直接對不帶偏振片的原場景圖像進行分割，直觀可見原圖的水天交界線幾乎不能被識別分割，天空和大部分水域被分割在一起，橋梁和另一部分水域被分割在一起，分割效果很差。而在本文的方法中，融合圖像的水天岸交界線、大橋輪廓和水上目標能被較為清晰地分割出來。

圖9 過曝場景分割應用效果對比Fig.9 Comparison of the application effect of overexposed scene segmentation

圖10顯示了在水面弱交界線航行場景下的圖像分割結果。圖10（i）直觀可見，分割效果很不理想。圖10（j）和圖10（k）分割效果不理想。圖10（h）通過用本文分割方法直接對不帶偏振片的原場景圖像進行分割，直觀可見原圖的駁船、水面倒影和天空日心被分割為一類，其余天空區域與其余水面區域被分割成一類，整個水天交界線和水上主要目標被錯誤分割。而在本文的方法，融合圖像的天空、水面、駁船和其他水面目標被清晰地分割出來。

圖10 弱交界線場景分割應用效果對比Fig.10 Comparison of the application effect of scene segmentation with boundary line

3.2 方法的參數比較

定義水上航行場景的綜合像素精度（Pixel accuracy，PA）為

式中：N X?all表示標準分割圖像中X類像素總數，N X?right表示對比分割圖像中正確區域的X類像素總數，pa X表示X類的像素精度，場景圖像中所有類的像素精度共同決定了場景整體的像素精度PA，這樣PA就可以用來表示場景圖像分割的綜合像素精度。

融合圖像的場景分割效果均優于原場景圖像的場景分割效果，融合圖像能有效抑制惡劣情況帶來的干擾，較為準確地分割出水域、天空和非航行等區域。其中，在霧天和過曝光的場景中，融合圖像分割效果的像素準確率遠高于原場景圖像，在弱交界線的情況下，水面交界線能被清晰分割，場景整體像素準確率均比原場景高。清晰的水岸天交界線和水面障礙物等重要信息，有助于可航行水域的準確界定、后續的航行地圖生成和路徑規劃等研究和操作控制，其重要程度高且意義重大。場景分割應用效果實驗對比如圖11所示。

圖11 場景應用效果對比（PA）Fig.11 Scene application effect com?parison(PA)

因該算法生成的融合圖像場景分割效果較為準確，說明該融合算法效果較好，與目前的其他圖像處理算法具有較高的耦合性。

4 結束語

本文以水上航行場景可見光偏振特性為研究對象，全面地分析了不同情況下水上航行場景可見光的偏振特性分布規律，制定了不同場景模塊下對應的偏振特征融合規則，提出了一種基于HSV顏色空間的偏振圖像融合算法，生成的融合圖像在惡劣航行場景下效果穩定，分割效果良好，水面交界線能被清晰分割，有助于可航行區域的準確界定、后續的航行地圖生成和路徑規劃等研究和控制操作，適用于在惡劣環境下對場景信息的增強和補充，為水上無人交通運輸提供了理論基礎和實踐證明。通過分析比較，驗證了所提方法的有效性。