图像增强对低光照场景语义分割影响研究

在低光照环境下获取的图像通常会出现图像亮度低、颜色失真、细节信息丢失以及对比度低等问题。为了满足主观视觉体验的需求,往往会对图像进行增强处理。然而,图像增强对机器视觉应用性能的影响缺乏系统研究。本文以语义分割这一机器视觉应用为例,首先对主流的语义分割方法和低光照图像增强方法进行归纳总结,然后对经图像增强方法处理的低光照图像进行语义分割,从而探究图像增强方法对低光照场景语义分割性能的影响。实验结果表明,增强处理可以改善图像的人眼视觉效果,但是可能会引入噪声等影响,并且图像增强方法和语义分割方法关注的重点和特征不完全一致。图像增强对于低光照场景语义分割性能的促进作用并不明显,甚至会带来负面影响。

基于图像风格转换的水下图像显著性检测算法

由于水下显著性检测数据集不足,导致基于深度学习的水下图像显著性检测网络容易出现过拟合的问题,从而影响显著性检测网络的性能。针对上述问题,本文引入图像风格转换方法,提出一种基于CycleGAN的水下显著性检测网络。网络生成器由图像风格转换子网络和显著性检测子网络构成。首先,通过无监督的级联方式对风格转换子网络进行风格转换训练,并利用该网络对陆地图像和水下图像进行风格转换,构建训练和测试图像数据集,以解决水下显著性检测数据集不足的问题;然后,使用陆地及其风格转换后的显著性数据集对显著性检测子网络进行训练,以增强网络的特征提取能力;最后对两个图像风格的输出结果进行融合优化,以提高显著性检测网络性能。实验结果表明,本文提出的水下显著性检测网络相比于单纯的陆地和水下图像显著性检测网络,其检测平均绝对误差和F值至少分别提高了10.4%和2.4%。