基于颜色校正和深度信息去雾的水下感知系统

针对水下距离感知任务真实训练数据缺乏,水下目标感知任务目标模糊、密集、多尺度的问题,提出一种基于颜色校正和深度信息去雾的水下视觉感知系统。设计了一种改进的融合增强方法,并建立了一个水下单目图像数据集,以解决距离感知任务数据不足的难点。设计了一种基于深度信息的去雾方法,结合水下成像模型对图像进行去雾处理,提升图像质量。设计了一种基于中心点检测的通道重排网络,将卷积神经网络中浅层的详细特征完全集成到深层中,且无需锚框,增强对小目标、密集目标的特征提取能力。实验表明,该系统可从水下图像中恢复真实陆地色彩,准确感知水下场景相对距离,并实现域内和跨域高精度目标感知,在URPC数据集上取得了78.2%的域内目标检测精度,比基准CenterNet高出4.6%,在UTTS数据集上取得81.5%跨域目标检测精度,证明了该系统的有效性。

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题,采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割:首先将采集的高原鼠兔图像进行预处理,尺度归一化后制作成与Pascal VOC数据集格式一致的数据集;然后将数据集分为训练集与测试集,采用训练集对SegNet模型训练,测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明:与基于活动轮廓的Chan_Vese模型相比,基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%,过分割率和欠分割率分别降低了87.20%、16.52%。

基于语义分割的高原鼠兔目标检测

针对区域建议网络中锚点框引入背景噪声导致小目标检测精度低的问题,提出了基于语义分割的感兴趣区域生成方法.首先把感兴趣区域的搜索问题转化为前景和背景的二值语义分割问题;然后对语义分割所得的前景进行中值滤波及连通域分析,直接得到感兴趣区域的大小和位置,从而避免使用锚点框来生成感兴趣区域,减小了背景噪声对目标检测的影响.对自然场景下高原鼠兔目标进行检测,结果表明:基于语义分割的感兴趣区域生成方法最优F1值比区域建议网络高27.75%,检测精度更高.