一种基于双通道的水下图像增强卷积神经网络

近年来各国对于海洋生物的保护意识日益强烈,用来监测海洋生物生存状态的水下机器人装备的研发是保护海洋生物资源的关键。水下相机是这类机器人在水下进行海洋生物监测时的光学感知设备。然而水下环境复杂,拍摄到的图像模糊不清,为解决水下图像模糊等问题,提出了一种基于双通道的水下图像增强卷积神经网络。在网络的编码器中采用双通道结构,其中一个通道采用了密集连接和高效通道注意力机制,提取水下图像的细节特征,另一个通道采用多尺度结构,提取原始图像的多尺度语义特征。接着,在网络中引入残差注意力模块和自适应特征融合模块,进一步优化了特征。最后将优化后的特征输入解码器重建出增强后的水下图像。试验表明：提出的网络算法在UIQM指标和Entropy指标上分别为3.005 6和7.654 7,较第二名的算法分别高出0.097 5和0.123 2。     

一种四阶P-Laplace图像盲复原方法

针对TV图像复原方法中产生的阶梯效应问题,结合传统的差值范数图像复原方法,提出一种四阶P-Laplace图像盲复原算法。该算法将四阶偏微分方程引入P-Laplace图像复原方法中,对图像的边缘和内部平滑区域做了分别处理以缓解TV复原方法中带来的阶梯效应,同时引入参数λ调节复原过程中的保真项,并对偏微分方程做单调灰度变化,进一步改善了图像复原效果,缓解了阶梯效应。实验结果证明,该算法对模糊图像有很好的复原效果,也适用于水下图像和雾天图像的图像复原。     

面向ARV的视觉辅助水下对接方法研究

针对水下机器人作业过程中的近距离引导水下对接问题,以自治缆控水下机器人(ARV)为研究对象,为实现快速、高精度的水下对接,设计了基于反射光源识别的单目视觉辅助水下对接方法。通过在对接口布置反光带并将其作为目标图像,设计了图像处理和特征点提取的算法,经过图像特征信息的分析处理,优化算法的时间复杂度,提高了特征点提取的准确率和识别效率。最后设计了传统的引导灯方案与反光带方案的对比试验,验证算法的可行性,证明在水下环境下识别反射光源的方法极大提升了位置估计的准确率,同时在计算速度上也有显著提高,弥补了传统水下对接方法中精度不足或计算量大的缺陷,更好地满足了ARV水下对接的需求,能为潜水器实现水下自主对接提供参考依据。     

基于改进粒子群优化算法和模糊熵水下图像分割

由于水下图像受到水下光照条件以及水质的一些特性影响,存在对比度低、灰度不均、目标边缘模糊等特点。传统基于最大熵原理的阈值法尽管能实现某些特定的分割任务,但是采用凸模糊集的隶属函数和穷举法存在计算复杂度高、时效性差等缺点。在传统模糊熵分割算法的基础上,重新定义了模糊熵,并根据最大熵原理,利用改进粒子群优化算法(PSO)来搜索分割阈值。通过水下图像处理试验证明,该算法对简单背景的图像分割是有效的;与传统分割方法相比,具有更强的自适应性和抗噪性。     

基于同态滤波的海表图像照度校正

应用数字图像处理与分析的方法来研究海洋动态过程中,由于光照不均而造成的海表面图像亮度不均,致使图像对比度不强和图像降质。采用修正系数的同态滤波,实验显示图像对比度得到提高,图像更加清晰,是一种有效的照度校正处理方法。     

基于联合生成–去除的水下图像增强方法

现有的基于深度学习的水下图像增强方法在仿真的水下图像上取得了良好的效果。但是,由于简化的仿真图像与复杂的真实图像之间存在较大差距,此类方法在处理真实水下图像时性能明显下降。为了解决真实水下图像增强问题,提出了一种联合生成–去除水下图像增强方法。该方法采用分解思路,将水下图像分解为干净的背景层和退化层,通过循环一致性损失和对抗性损失来更好地保留背景,进而实现真实图像和仿真图像之间的转换,既校正了图像颜色,又提升了图像对比度,实现良好的增强效果。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。     

基于非锐化掩模引导滤波的水下图像细节增强算法研究

针对水下图像对比度偏低,细节模糊的问题,本文提出基于非锐化掩模引导滤波的细节增强方法。首先由原始图像做引导图进行滤波得到细节层图像,并对细节层使用噪声检测的中值滤波去除斑点噪声;然后对原始图像进行基于均值滤波的非锐化掩模,得到锐化图像,并将锐化图像作为引导图对原始图像进行引导滤波,获取基础层图像;最后将滤波后的细节层进行增益后与引导滤波获取的基础层进行叠加,达到增强水下图像细节的目的。并通过信息熵、局部对比度和平均梯度3种客观评价指标对图像处理结果进行了对比分析,主观和客观测试结果表明,本文采用的算法能够有效提高图像对比度以及增强细节信息,有利于提高水下图像资料解释的准确性。     

基于改进U-Net的海岸线提取方法

遥感影像海陆分割对于海岸线提取及其动态监测具有重要意义。传统的基于光谱特征和图像处理的海岸线识别和提取方法,在面对高分辨率遥感图像复杂的纹理和空间分布时,只能生成具有局限性的图像特征结果,且分割结果准确率不高。本文将深度卷积神经网络应用于高分遥感图像的海陆分割问题,并在经典编码器-解码器结构的基础上进行了创新。首先,为了降低调参难度引入批归一化层,降低了网络对参数的尺度和初始值的敏感度;其次,采用转置卷积代替传统卷积,在模型训练过程中通过梯度递减算法,不断更新参数权值,显著提高语义分割的精度。利用研究区域高分一号遥感图像数据对于人工岸线及自然岸线的分割实验结果显示:相较于经典U-Net与SegNet,改进U-Net网络,对于各种自然岸线和人工岸线具有更低的边界模糊度和更准确的分割结果,对于自然岸线的提取结果,漏检、错检现象较少;对于人工岸线的提取具有更大的感受野,能够提取岸线的空间结构信息,避免误分类。面对日益丰富的高分辨率的遥感影像数据源,基于改进U-Net的海岸线提取,能更好地保留边界信息且具备更优的语义分割效果,可以更为准确地挖掘高分遥感影像的空间分布特征、纹理特征以及光谱特征,...     

基于无监督学习卷积神经网络的声呐图像分割

声呐图像分割是图像分割技术发展中的组成部分,是水下目标识别与检测的重要一环。传统方法中基于有监督分割方法的算法往往代价较大,表现出试验周期长、实时性较差、运行速率较慢等不足。并且由于声呐图像的成像质量差、分辨率不高、边缘条件不清晰、人工标注工作量大等客观因素,不易建立用于有监督模型训练的大规模数据集,使得传统分割方法越来越不适应当前实际应用的多方面要求。将基于无监督学习卷积神经网络引入到声呐图像分割任务中,分割模型通过对单帧声呐图像进行训练和测试,最后经过推理得到将阴影区和目标高亮区分割后的声呐图像,得到分割出来的水下目标。通过对实验的分割结果进行各项指标分析,证明此方法有着更好的运行效率和分割精度,并且实时性较高,综合性能优于传统方法。