水下图像基于 GAN 去模糊的增强技术

由于水下环境具有不稳定性,水下图像可能会出现偏色、对比度低以及运动模糊等退化现象。针对这些问题,本文提出了适用于水下图像的增强算法,其实现需要依次经过颜色恢复和去模糊这2个阶段。在第一阶段中,本文增强算法先利用高斯滤波和均值漂移对图像进行锐化;然后,通过对比图像各颜色通道的均值得到补偿值对图像颜色进行校正;最后通过线性拉伸来调整图像的对比度。在第二阶段中,采用带有残差思想的生成对抗网络(GenerativeAdversarialNetworks,GAN),利用9个连续的残差网络能够很好地提取图像中的特征,可起到消除模糊和增强图像特征的作用。利用本文算法处理水下图像时,发现本文方法不仅能去除图像模糊,而且能消除图像的色偏现象且不携带红色伪影。同时,通过对比水下图像质量度量(UnderwaterImageQualityMeasures,UIQM)和水下彩色图像质量评估(UnderwaterColorImageQualityEvaluation,UCIQE)这2项指标发现,本文算法有较好的图像处理效果。     

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。     

基于斯托克斯参量的水下主动偏振去散射研究

受浑浊水体自身吸收与微颗粒散射的影响,水下光学成像面临成像距离短、像质差等问题。一种基于斯托克斯参量的主动偏振成像模型被应用到水下成像去散射过程中,有效提升了目标成像探测的清晰度。相比于被动偏振成像模型,引入主动光源可以实现对入射光的偏振调制,由此可以充分挖掘目标反射光与介质光的偏振特征差异进而实现分离选通。改进的主动偏振去散射模型利用了目标反射光的偏振共模抑制效应,借助偏振斯托克斯参量 S₂ 分量实现了介质光偏振角与偏振度全局分布的准确估算。同时引入图像质量评价参数对比度 contrast 作为反馈参量,通过迭代计算实现背景噪声的最大化滤除。不同散射程度、不同类型目标的水下成像实验表明：相比于传统主动偏振成像方法,改进后的成像模型可大幅提升水下目标的图像质量,特别是强散射环境下的图像 contrast 提升超 2 倍以上。该项工作为利用偏振信息进行水下图像去散射与目标重建提供了新思路。     

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。     

基于小波分析的侧扫声呐信号非线性增强算法

侧扫声呐回波信号是形成侧扫声呐图像的基础,是侧扫声呐系统对水下目标的最直接观测量,将一维小波变换与非线性增强方法相结合,提出了一种基于小波变换的侧扫声呐回波信号非线性增强算法,用以改善侧扫声呐图像对比度低、噪声强度大的问题.首先利用改进的Bayes阈值对侧扫声呐ping信号进行一维小波分解,提取信号特征信息;然后利用2...     

一种基于平稳小波变换的海底管线边缘检测方法

海底影像存在着对比度低、噪声污染严重、图像质量差等问题,采用传统算子的海底管线边缘图像中含有大量的无用和断裂边缘信息。文中将多尺度边缘检测和匹配跟踪相结合,提出利用平稳小波变换的海底管线边缘检测方法;在提取边缘的同时利用匹配跟踪手段对噪声干扰进行抑制,提高图像目标边缘检测质量。通过对海底管线和测试图像边缘检测实验表明,文中所提出的方法在抑制图像噪声的干扰、提高水下目标边缘完整性方面明显优于传统的边缘提取算子,证明该算法的有效性。     

顾及海底纹理信息熵的侧扫图像修复方法

针对侧扫声纳图像由于成像机理、测量及数据处理方法造成的图像异常和缺失问题,提出了一种基于图像灰度熵的纹理修复方法。首先开展了异常区探测方法研究,提出了联合拖鱼高度和图像灰度梯度的纹理异常区探测方法和基于图像分块比较的缺失区检测方法;然后提出了一种联合图像灰度熵最优权计算和样本相似块搜寻的图像异常区修复方法。实验表明,该方法可以有效地恢复缺失和失真区的纹理,保证了修复区海底地貌纹理结构的合理性,改善了侧扫声纳图像质量。     

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。     

基于生成对抗网络的控制系统参数辨识

自然科学和社会科学领域内的控制系统往往表现出很强的非线性行为且被控对象往往与多个输入项相关,因此,对其系统的参数辨识更加困难。本文提出了一种基于改进生成对抗网络的参数辨识算法,用于解决非线性多输入多输出系统的参数辨识问题。该参数辨识方法对经典的生成对抗网络的输入信号及网络架构作出改进,将未知参数变换为网络权重,利用交叉熵损失和梯度下降法推导了待辨参数的迭代更新算法,并通过实例仿真验证了该算法在参数估计上的有效性和稳定性。