应用于水下机器人的快速深海图像复原算法

由于海水吸收和水中悬浮颗粒散射,水下机器人通过人造光源获得的深海图像普遍存在模糊、色偏和清晰度低等问题。围绕深海图像快速精准复原所需解决的关键问题,首先建立真实深海图像数据集,分析深海图像的成像特点,基于图像特征的统计结果提出一种线性景深模型,然后通过有监督方法进行模型参数辨识,最后根据景深模型分别快速估计出原始图像的传输地图和背景光,进而有效避免累计误差,实现深海图像的有效复原。实验结果表明,所提算法在图像复原结果、有效性、质量和实时性指标上均优于同类算法,在Nvidia Jetson TX2嵌入式设备上处理600 pixel×800 pixel大小的图像,平均复原速度是4种优秀水下图像增强算法中最快的3.08倍。

基于多粒度剪枝的水下遗迹实时目标检测

针对水下机器人搭载平台进行深海遗迹探寻所面临的数据样本缺乏、采集图像模糊、嵌入式系统计算能力有限的问题,分别在数据增强、视频增强和目标检测算法压缩等方面提出了有效的解决方案。首先,利用数据增强提高小样本数据的泛化能力,通过迁移学习进行知识迁移,加速模型收敛;然后,基于结构相似性对采集视频进行关键帧图像选择,采用限制对比度直方图拉伸对选择后的关键帧进行实时图像增强;最后,基于多粒度剪枝策略对YOLOV4进行通道和卷积层的双向压缩。实验结果表明,压缩后的YOLOV4模型运算复杂度(BFLOPS)降为10.588,在Jetson TX2嵌入式图像处理器上,对大小为640 pixel×480 pixel的输入图像的平均检测速度可以达到18.2 frame/s。