基于颜色–场景联合迁移的水下图像增强方法

水下成像存在颜色失真、图像对比度严重下降等问题。大多数基于深度学习的水下图像增强方法依赖仿真数据集,由于仿真与实测数据之间存在较大的分布差异,实测泛化能力受限。将水下图像增强任务划分为2个更简单,但是同时具有明确物理意义的子问题：颜色校正和对比度增强,提出基于物理模型分解的域内–域间迁移框架。首先,域内迁移校正图像颜色,通过学习对退化图像进行分解,在场景光层面通过对齐颜色退化,校正颜色失真同时保证其它成分完全不受影响。进一步,再次利用基于水下散射模型的分解策略,通过针对性迁移水下退化因素,使得仿真–实测域之间实现相互迁移和交互,增强水下图像对比度。实验结果表明：本方法在真实水下图像数据集上处理的结果,在色彩、纹理细节和清晰程度方面均优于现有的对比方法。     

基于粗糙集理论的水下红外图像增强

图像增强是通过改变图像中某类像素的灰度值,以改变图像视觉效果或为有助于机器自动分割。水下红外图像对比度差,干扰强,为了便于人工判读,在保边去噪的基础上还要进行增强处理。将基于粗糙集理论的中值滤波和增强方法应用于水下红外图像处理中,给出了实验结果。结果表明这种方法具有可行性。     

遥感图像薄云滤波增强

针对遥感图像地学应用中的云层覆盖问题,首先介绍了遥感图像去云处理的一般方法,然后重点研究了薄云覆盖图像的滤波增强技术和实现方法。在阐述传统的同态滤波算法的基础上,将高频增强滤波算法引入薄云区遥感图像增强处理中。试验表明,这两种方法均可取得良好的增强效果。     

基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力。利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用。对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果。建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabraxjaponicus)、(Lizahaematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像。基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNetV3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性。结果表明,三种模型在测试集的类准确率分别达到96.64%、94.75%和99.23%,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性。综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法。     

水下图像增强方法研究现状

光线在水下传播过程中,它的失真程度会随波长不同而发生改变。导致水下图像视觉质量下降的3个主要原因是吸收、散射和颜色失真。有关水下图像处理的研究在近十几年来得到了广泛的关注,取得了重要进展。文中着重讨论水下图像增强处理技术,探讨其中的典型算法和研究成果,对部分算法的测试结果进行定性和定量分析比较,最后总结水下图像增强技术研究现状,并展望了未来可能的发展方向。     

基于红色通道注意力机制的水下图像增强

水下图像增强因其在海洋勘测和水下机器人中的重要意义而备受关注。在过去的几年中,已经提出了许多水下图像增强算法。已有的深度学习方法由于忽略水下图像的预处理过程和对红色通道信息的增强或者弱化了这个过程,导致增强结果并不显著,其往往只适应特定的场景,缺乏泛化能力。为此,基于卷积神经网络建立了一种全新的水下图像增强算法,为了充分利用特征图的通道信息,在相同维度的特征图之间采用不同尺寸的卷积核获取更多通道数目的特征。然后,基于红色通道构建了注意力机制,以加强对于图像中容易丢失信息的红色通道的特征提取。最后,在EUVP,UFO120数据集做了消融实验,证明了红色通道注意力机制的有效性。通过对对比实验的增强结果进行各项指标分析,证明增强结果有着更高的结构相似性和峰值信噪比,并且在无参考指标方面有着更高的颜色平衡、清晰度以及对比度,综合性能优于以往的方法。     

水下图像目标检测数据集及检测算法综述

水下目标检测技术是海洋探测的关键技术之一,具有重要的研究意义。本文首先对水下光学目标检测图像数据集进行了总结与分析,然后对近五年国内外50多项相关研究进展进行了阐述,分析了现有方法的贡献和局限性,以Faster RCNN和YOLOV3为基础模型对3种典型的提高目标检测性能的方法进行了实验,实验结果表明直接应用图像增强的方法不能有效提升检测精度,应用高分辨率网络可以明显提升目标检测性能。最后讨论了水下图像目标检测算法的潜在挑战和有待解决的问题,并提出了未来可能的研究方向。     

合成孔径雷达探测浅海障碍物技术实例探析

阐述了合成孔径雷达(SAR)探测水下障碍物的发展历程,研究了SAR的成像机理,分析了水下障碍物的SAR成像数学物理模型,并依据该模型设计了水下障碍物的通用仿真计算流程。依据浅海SAR影像资料,针对典型的浅海水下障碍物SAR成像进行模拟仿真,并将仿真的结果与真实的影像进行比较分析,证实该仿真模型具有良好的模拟仿真效果,为浅海水下障碍物的探测提供了科学的依据。     

基于注意力的光照感知水下图像复原网络

水下环境光线昏暗,仅依靠自然光源难以清晰成像,通常需要增加人工光源,但人工光源的引入会导致场景亮度不均。在这种包含自然光源和人工光源的混合光照环境下,所拍摄的水下图像质量严重退化,不仅降低视觉观感,更影响后续高级计算机视觉任务的顺利开展。然而现有方法大都只考虑了自然光源的影响,对混合光源环境下的水下图像复原效果不佳。为了解决混合光源环境下水下图像存在的光照不均、色偏、细节模糊等问题,提出了一个光照感知编解码器网络用于水下图像复原。一方面,在多尺度结构中引入注意力机制和改进残差结构高效提取丰富的结构细节特征,另一方面增加光照感知图作为先验约束网络复原结果的对比度。此外,设计了合适的损失函数,引导网络充分学习水下图像和清晰图像间的非线性映射关系,使恢复图像的色调更自然,纹理细节更丰富。对比试验结果证明此方法在主观感知和客观指标上均优于对比算法,消融实验证明所提网络模块和光照感知的有效性。     

基于侧扫声呐的水下小目标检测技术研究

针对水下小目标探测与识别难的问题,开展基于侧扫声呐的声呐图像滤波、图像分割及目标提取方法研究。常规滤波方法难以有效清除图像中存在的噪声,从而造成图像质量下降。采用非局部均值滤波算法与GPU加速的方法,在获得声呐图像较好处理效果的同时,满足水下小目标检测实时性的要求;同时,采用膨胀算法与Canny边缘检测算法相结合的方式,实现了水下真假目标的有效区分。