基于通道量化与红色先验融合的水下光学图像清晰化

水下图像通常存在对比度低以及颜色失衡等现象,导致图像纹理信息不清晰,针对此类问题,提出基于通道量化与红色先验融合的水下光学图像清晰化方法。首先,设计两种输入图像版本,图像一通过颜色通道直方图量化重新分配像素值,调整对比度;图像二为实现色彩均衡,将红色通道先验代入成像模型,用于估计背景光、直接分量透射率和后向散射透射率。然后,针对各输入图像设计3种权重图,包括亮度图、饱和度图和显著图。最后,利用多尺度融合策略,将局部对比度提升和颜色校正图像与其归一化权重图进行融合。在多个数据库上通过主观和客观指标进行实验评价,结果表明,本文算法在呈现高对比度的同时,能够恢复出更多的色彩和细节信息,有效提升水下图像质量,与各经典及新颖算法相比具有优势。

基于改进SSD的水下光学图像感兴趣目标检测算法研究

针对轻量化目标模型SSD-MV2对水下光学图像感兴趣目标检测精度低的问题,该文提出一种通道可选择的轻量化特征提取模块(SEB)和一种卷积核可变形、通道可选择的特征提取模块(SDB)。与此同时,利用SEB模块和SDB模块分别重新设计了SSD-MV2的基础网络和附加特征提取网络,记作SSD-MV2SDB,并为其选择了合理的基础网络扩张系数和附加特征提取网络SDB模块数量。在水下图像感兴趣目标检测数据集UOI-DET上,SSD-MV2SDB比SSD-MV2检测精度提高3.04%。实验结果表明,SSD-MV2SDB适用于水下图像感兴趣目标检测任务。

基于深度学习的水下光学图像分类识别方法研究

水下光学探测在沿海港口的防御系统中具有不可忽视的作用。针对水下光学图像的目标分类问题,论文搜集了水下潜水员、水中生物与水下机器人等数据,利用深度学习方法对水下场景小数据集的目标分类进行研究,采用迁移学习和轻量级网络设计两种方法对数据集进行训练及测试,实验表明,大型网络的迁移学习可以得到接近100%的分类准确率,但是网络的参数量巨大,不适于水下场景的部署;论文设计的轻量级网络也可以得到98.67%的准确率,且网络参数量很小,在水下场景的部署中具有很大的优势。

基于改进Deformable-DETR的水下图像目标检测方法

针对由于水下复杂环境造成的目标检测效果较差、检测精度较低的问题,基于Deformable-DETR算法提出一种改进的水下目标检测算法Deformable-DETR-DA。使用空间注意力模块结合标准Transformer块设计了一个用于增加模型深度的深度特征金字塔(deep feature pyramid networks,DFPN)模块,将其嵌入到模型中提高模型对深层纹理信息的提取能力。使用注意力引导的方式对原模型中编码器部分进行改进,加强了对特征信息的聚合能力,提高了模型在复杂环境下的检测能力。针对URPC数据集,模型各交并比尺度的平均准确度(average precision,AP)为39.5%,相比原模型提升1%,与一些DETR(detection transformer)类的模型相比,不同目标尺度的平均准确度均有1%~4%左右的提高,表明改进的模型能够很好解决复杂环境的水下目标检测的问题。本文提出的模型可作为其他水下目标检测模型设计的参考。

基于颜色恒常性和多尺度小波的水下光学图像增强

针对水下光学图像出现的颜色衰减、表面模糊和光照不均匀等现象,提出了一种基于颜色恒常性和多尺度小波的水下光学图像增强算法。首先,采取灰度世界假设补偿衰减通道,利用颜色恒常性自适应调整图像全局亮度和对比度以有效校正色偏;其次,结合多尺度小波分解特性,采取基于形态学开运算改进的暗通道透射率移除低频雾霾现象,使用软阈值降低高频噪声;然后,利用二维伽马函数自适应校正不均匀光照,使用锐化提高边缘细节;最后,定义融合输入图像即伽马校正图像和锐化图像的权重图,并通过多尺度融合获得增强图像。实验结果表明,所提算法可有效平衡水下光学图像的色度和亮度,显著提高图像清晰度和细节信息;同时应用测试显示,该算法在特征匹配、弱光条件和边缘检测方面的表现出色。

一种基于声呐信息融合的水下图像增强方法

由于光在水中传输时的衰减和散射效应,使得光学成像细节丢失、对比度下降以及颜色偏移失真,导致水下图像雾化。因此在光线条件较为恶劣情况下,水下高性能相机对目标的有效捕捉范围较小,水下光学成像系统通常很难达到令人满意的成像效果。而声呐利用声波在水中传播衰减较小的特点可以进行更远距离的探测。因此,当水下目标距离光学探测设备较远而不能进行准确光学成像来捕捉目标时,可利用声呐采集得到的信息与光学图像进行融合,实现图像增强,提高成像效果。文章提出了一种基于声呐信息融合的水下图像增强方法,首先对水下光学图像分两步进行预处理,即基于暗通道先验模型的去雾增强和自适应图像增强,再使用声呐信息对水下图像进行局部增强,明显提高水下环境中所要探测目标的对比度与可识别度。

基于改进条件生成对抗网络的水下图像增强方法

光在水中传播使得红色光衰减严重,从而导致水下图像在颜色上出现偏绿或偏蓝的颜色色差。针对这一红色光衰减现象,提出了一种改进条件生成对抗网络的方法来对水下图像进行增强处理。首先使用动态阈值对原始图像进行初步颜色校正,之后利用条件生成对抗网络在编码与解码连接处引入链接块学习水下图像与正常图像之间的映射关系来实现水下图像的色彩恢复,再使用双边滤波算法进行图像去噪,提高图像的可视性。在损失函数中引入L1与L2损失结合对图像颜色进行学习,同时加入焦点损失来解决样本比例高度不平衡现象。实验结果表明,此方法在水下图像的颜色失真和模糊方面都有很好的增强效果,获得了较好的视觉效果。

海底主动光学探测影像亮度校正与色彩恢复

主动光学成像探测是海底形貌与环境探测的重要方式,广泛应用于大洋勘探、海底探测等领域。然而,由于海水对光的衰减作用,造成光学影像照度不均、颜色失真、对比度低等质量退化问题。本文依据水下主动光学成像探测的特点,提出了一种基于相对辐射校正原理的水下图像增强方法。该方法将增强过程分为亮度补偿和色彩恢复两个阶段。在亮度补偿阶段,依据水下点光源的成像特点和辐射衰减机制,采用相对辐射校正原理对水下图像分通道进行补偿,消除因光源不均、光程不同等因素造成的亮度畸变。在色彩恢复阶段,首先对红通道图像进行自适应补偿和色彩粗平衡,在此基础上进一步利用Retinex模型对图像进行色彩恢复。利用实际的海底勘探图像进行实验验证,结果表明本文方法的增强结果亮度均匀、色彩自然,有效提升了图像质量。相较现有方法,本文方法的结果无论主观感受还是客观评价整体更优。同时,由于本文方法不需要光源、相机等特性参数,仅利用实际观测图像本身进行校正,因而具有更好的适应性。