基于深度学习的水下图像增强研究
这是一篇关于水下图像增强,颜色校正,图像超分辨率,图像去模糊,深度学习的论文, 主要内容为海洋蕴藏着非常丰富的海洋生物以及各种稀缺的矿产和能源资源,探索与开发海洋是目前热门的研究领域之一。水下机器人作为探索和开发海洋的重要设备,主要通过摄像头、声呐等传感器获取水下环境信息,并对水下的目标进行识别与分析。获取清晰的水下图像是水下机器人能稳定、高效工作的关键。然而,水下成像环境十分复杂,光在水中的吸收、散射以及水中悬浮颗粒物对光的折射会导致获得的水下图像存在颜色失真、对比度低和细节模糊等问题,为后续的水下任务的进行造成很大的困难。为了获得高质量的水下图像,本文的主要研究工作如下:(1)针对水下图像存在颜色失真和对比度低的问题,设计了一种基于Att R2U-Net和多残差组的双分支水下图像增强网络。通过Att R2U-Net提取水下图像的特征并对其进行恢复和增强;利用多残差组网络在提取水下图像深层特征的同时,保留原始水下图像的空间细节信息,提出的水下图像增强网络实现了对水下图像的颜色校正和对比度的提升。(2)针对颜色校正和对比度提升后水下图像存在细节模糊的问题,对增强型深度超分辨率(Enhanced Deep Super Resolution,EDSR)网络进行改进。结合Inception的设计思想,设计了残差Inception模块代替EDSR网络中的残差块,可以多尺度的学习图像的特征,增大网络的感受野,提升网络的学习能力;在残差Inception模块之间采用密集连接,可以有效缓解计算复杂度和梯度消失问题;通过并联的不同尺度因子的亚像素卷积层可以减轻网络训练的难度;采用平滑绝对误差损失函数(Smooth1)作为网络的损失函数,实现了对水下图像的超分辨率重建,增强了图像的细节。最后,将原始水下图像依次经过本文设计的水下图像增强网络和改进后的图像超分辨率网络。实验表明,本文的方法不仅可以有效解决水下图像的色彩失真和对比度低的问题,而且还可以增强图像的细节纹理特征,提升水下图像的质量;SIFT特征点检测实验表明经过本文方法增强后水下图像中特征点的数量明显增加,更有利于后续水下任务的进行。
基于深度学习的水下图像增强和目标检测算法研究与实现
这是一篇关于深度学习,水下图像增强,水下目标检测,CMF-Net,YOLOv8的论文, 主要内容为当前,基于计算机视觉的水下图像增强和水下目标检测技术在海洋产品捕捞、海洋垃圾清理等海洋经济领域发挥了重要作用。然而,由于水下环境比较复杂,并且水会对光线产生吸收和散射的效应,导致水下图像退化严重,往往会出现细节模糊、色偏严重、低对比度等问题。另外,水下生物小目标居多、尺度不一且较为密集,给水下目标检测技术带来了较大的挑战。近年来,随着深度学习技术的发展,基于深度学习的水下图像增强和水下目标检测方法被广泛研究,深度学习算法具有从数据中学习特征的能力,能够在水下图像处理中取得较好的效果。因此,本文基于深度学习技术,针对现有的水下图像增强和水下目标检测方法存在的问题进行分析和研究。本文的主要工作以及创新点如下:(1)构建水下图像增强数据集RUIED和水下目标检测数据集URTD。现有的水下图像增强数据集场景单一,导致模型的稳定性和泛化能力不足,本文基于两个真实的水下数据集构建出数据集RUIED。现有的水下目标检测数据集种类稀少、样本不足,本文整合了近几年URPC挑战赛的数据集,对数据集中标注错误的图片进行重新标注,构建出数据集URTD。(2)提出了一种CMFU-Net水下图像增强算法。本文基于CMF-Net网络,改进的U-Net模块充分利用了深层卷积特征层的细节信息,通过注意力模块与浅层特征层进行融合,能够更多的保留特征图蕴含的高分辨率信息。改进的注意力模块利用多层残差连接,可以有效保留水下图像的整体特征和局部信息。通过使用通道注意力、像素注意力和空间注意力有效解决了水下图像对比度低、边缘细节模糊和色偏严重的问题。改进的损失函数模块通过添加颜色平衡损失,可以解决原网络在训练过程中对生成图像色彩不敏感的问题。本文提出的CMFU-Net网络在图像增强过程中不仅可以提高水下图像的颜色、对比度以及清晰度,还能够适应不同自然场景下的水下图像,保留其原始内容和结构信息,在一定程度上提高了水下目标检测的精度。(3)提出了一种改进的YOLOv8水下目标检测模型。本文基于YOLOv8模型,改进的Neck模块通过添加CBAM注意力机制,利用CBAM注意力对图像局部信息的敏感性,改善了小目标海洋生物的漏检问题。改进的C2F模块通过添加Coordinate Attention注意力机制,该注意力不仅可以捕获水下图像的跨通道信息,还可以捕获图像方向感知和位置敏感信息,使得改进的YOLOv8模型能够更准确的定位和识别目标区域。改进的损失函数模块通过将原模型的CIoU损失替换为SIoU损失,有效提高了原模型的训练速度和推理精度。本文改进的模型与原模型相比参数量只增加了 0.4MB,FPS几乎保持不变,平均精确度和召回率分别提升了 2.8%和1.2%,充分验证了本文所提方法的有效性。(4)设计并实现了水下图像增强和检测系统。基于PyQt5框架,将本文提出的水下图像增强算法和水下目标检测模型整合到该系统中,用户可以使用水下图像上传、图像增强、图像检测、视频检测、文件下载等功能。
基于子直方图均衡化水下图像增强方法研究
这是一篇关于子直方图均衡化,区间阈值选取,颜色校正,水下图像增强的论文, 主要内容为海洋内储藏着丰富的资源,且面积极广。当前陆地资源开发形势十分严峻,海洋因此成为资源开发的新目标。水下视觉技术可以帮助人们了解水下真实情况并获取资源信息,对于海洋资源开发有着十分重要的意义。传统资源勘探方式不足以适应当前海洋资源开发的发展。因此,采用水下视觉技术提升成像设备的成像质量成为资源勘探的新方向。以水下视觉技术获取水下信息代替人工采集水下信息可以有效降低海洋资源开发成本以及安全风险。高质量水下视觉信息对于资源勘测准确性至关重要。但由于复杂的水下环境,水下光学图像特征表示呈现全局不均匀非线性漂移的退化现象。为解决水下图像的这种退化现象,本文围绕水下图像增强方法展开研究,主要包括以下内容:(1)研究三区间子直方图均衡化水下图像增强方法。针对水下图像特征表示全局不均匀非线性漂移问题,提出三区间子直方图均衡化水下图像增强方法。提出一种基于子区间线性变换的颜色校正方法,利用图像像素变换调整图像统计特征的分布不均以实现颜色校正。设计一种三区间子直方图均衡化方法,基于水下图像统计特征设计一种基于最大像素偏差平方的阈值选取方法,将图像直方图划分为三个子直方图并分别均衡化以增强图像对比度。图像主观视觉效果表明,三区间子直方图均衡化水下图像增强方法可以有效提升图像对比度以及去除图像偏色。客观实验结果表明,在随机选取的单幅及多幅真实水下图像上,与代表性对比方法相比,三区间子直方图均衡化水下图像增强方法在绝大部分单幅图像上获得最优指标值,在多幅图像指标平均值上表现良好。(2)研究多区间子直方图均衡化水下图像增强方法。为解决子直方图均衡化方法依据水下图像统计特征增强图像过程中单一阈值选取方式自适应性差、泛化性不强问题,提出多区间子直方图均衡化水下图像增强方法。设计一种基于子区间线性变换以及变分模型的颜色校正方法,在图像像素变换基础上,通过变分模型建立数据项和正则项之间的竞争关系,梯度下降法迭代求解模型,调整图像统计特征的分布不均以提升颜色质量。设计一种多区间子直方图均衡化方法,根据区间个数设计一种自适应阈值选取方法,利用选取的阈值划分多子直方图并分别均衡化以提升图像细节。图像主观视觉效果表明,多区间子直方图均衡化水下图像增强方法可以有效去除图像偏色、增强图像细节。客观实验结果表明,与代表性对比方法相比,多区间子直方图均衡化水下图像增强方法在多数据集上的单幅图像指标以及多幅图像指标平均值均取得良好表现。消融实验结果表明多区间子直方图均衡化水下图像增强方法各组成部分均起到关键作用。本文基于水下图像统计特征对子直方图均衡化方法展开研究,解决子直方图均衡化方法应用于水下场景时所存在的部分问题,并对提出方法的性能以及有效性进行验证。三区间子直方图均衡化水下图像增强方法和多区间子直方图均衡化水下图像增强方法的主客观评价结果表明,两种方法均能够有效去除图像模糊、偏色,显著提升图像质量,可以帮助技术人员有效发掘海洋资源,在目标检测预处理以及提升海洋生物采集准确性方面有一定的应用价值。
基于深度学习的水下图像增强与目标检测
这是一篇关于水下图像增强,水下目标检测,CU-RetinexNet,DDA-RetinaNet的论文, 主要内容为水下图像增强与目标检测是人类探索海洋的关键技术,在国内外被广泛应用于水下捕捞、水下勘察等领域。目前,复杂水下环境的图像增强与目标检测技术一直是研究热点。本课题来源于国家重点研发计划项目“船载无人潜水器收放系统”(2018YFC0309100),重点研究恶劣水下环境的图像增强与目标检测技术,主要研究工作如下:水下图像的采集及扩充。搭建水下实验平台,选取水下目标,利用水下实验平台采集目标图像样本,提出一种基于融合Mixup像素特征方法对所采集到的水下图像数据集进行扩充,用于后续水下图像增强和水下目标检测实验的开展。水下图像合成算法研究。针对当前水下-陆地配对式数据集水下场景不够全面的问题,提出一种融合水下成像模型和生成对抗网络的水下图像合成算法;利用陆地图像数据集,生成不同风格的水下图像,组成水下-陆地配对式数据集,用于丰富水下图像增强实验的数据集。基于CU-Retinex Net的水下图像增强算法研究。在分析常用的水下图像增强方法的基础上,针对基于深度学习算法Retinex Net无法全面解决水下图像对比度差、细节不清晰以及图像色偏等问题,提出一种基于改进Retinex Net的水下图像增强算法CU-Retinex Net。该算法通过结合数据驱动的卷积神经网络(Convolutional Neural Network,CNN)将原始图像分解为光照和反射分量图像,对光照分量图像采用融合残差块的U-Net网络来自适应的提升图像亮度和对比度,保留图像的细节信息,最后将去噪处理过的反射分量图像与光照分量图像进行逐元素相乘,最终获得高质量的水下增强图像。通过实验结果的主客观数据证明该算法可以有效提升图像亮度、对比度、图像边缘细节以及恢复图像色彩真实度。基于DDA-RetinaNet的水下目标检测算法研究。在分析常用的深度学习目标检测方法的基础上,针对当前常用的目标检测算法在水下目标检测中检测速度和检测精度上无法做到均衡,提出一种基于改进RetinaNet的水下目标检测算法DDA-RetinaNet。该算法融合可学习分组卷积的Dense Net结构,提高对特征的提取能力;利用Dual-FPN提升网络对相互重叠水下目标的检测能力;利用基于Anchor Free的方法提升对水下小目标的检测能力,同时减少了模型参数的调节。通过实验结果的主客观数据证明该算法可以有效增强对水下目标检测的鲁棒性,在保证检测精度的同时又能满足实时检测的要求。
基于深度学习的水下图像增强和水下目标检测技术研究
这是一篇关于深度学习,水下图像增强,改进的生成对抗网络,水下目标检测,改进的Faster R-CNN的论文, 主要内容为近年来,水下目标检测技术发展迅速,在各个领域得到了广泛的应用。图像视觉系统因具有近距离感知且获得图像信息更丰富等优势而弥补了声视觉的不足,成为近年来国内外专家和学者研究水下目标检测的一个重要分支。在水下环境中由于水介质对光线的散射和折射作用、吸收效应以及水下悬浮物等不利因素的影响,会使得获取的图像常呈现细节模糊、对比度低及边缘不清晰等特点,并且现有水下目标检测方法由于受到环境背景因素和水下图像退化的影响,其检测性能也受到限制。针对上述问题,本文重点对基于深度学习的水下图像增强技术及基于深度学习的水下目标检测技术进行深入研究,以解决现有水下图像增强和水下目标检测领域存在的部分问题。本文主要工作如下:首先,对水下图像增强技术和水下目标检测技术的研究背景及意义进行阐述,并对基于传统方法和深度学习方法的水下图像增强技术和水下目标检测技术的国内外研究现状进行深入研究,分析了各种水下图像增强技术和水下目标检测技术的优势和不足。然后,针对水下直接拍摄所获取的图像会存在图像退化问题,提出了一种基于改进的生成对抗网络的水下图像增强方法。该方法将生成网络模块的部分激活函数替换成SeLU激活函数,为特征图提供更为丰富的特征;将特征提取网络替换为RepVGG网络,加快模型在推理时的速度;引入梯度图像L1损失,用于丰富生成图像的边缘信息和结构信息,提高水下退化图像的复原效果。通过实验证明,本文提出的水下图像增强方法复原的水下退化图像,可以达到较高的主观和客观评价标准,峰值信噪比和结构相似性分别达到28.90和0.91,与FUnIE-GAN和Shallow-UWnet相比,峰值信噪比分别提高了26.9%和39.1%,改进后的模型推理速度为14.5毫秒,为改进前模型的48.3%,仅为FFA-Net的6.7%。复原后的图像清晰度与原图相比提升了14.9%。最后,针对水下背景的环境较为复杂的问题,提出了一种基于改进的Faster R-CNN的水下目标检测方法。该方法将特征提取网络替换为ResNet-50网络,消除因为网络层数增加造成的识别精度急剧下降的问题;引入CBAM注意力机制,使模型能够减少背景等因素的干扰,利用有限的计算资源,获得更多有效信息,提高目标检测精度;用CIoU边框损失函数替换原边框损失函数,进一步提升目标检测框的精度。通过实验结果证明,本文提出的基于改进的Faster R-CNN的水下目标检测技术能够更加精准的检测出水下目标,在全国水下机器人大赛数据集上,与Faster R-CNN算法相比,多类别检测精度提升了1.55%,与SSD等算法相比有26%以上的提升;在Trash＿ICRA19数据集上,与Faster R-CNN算法相比,多类别检测精度提升了3.6%。
基于改进U-Net架构的水下图像增强方法研究
这是一篇关于水下图像增强,U-Net架构,卷积神经网络,颜色校正的论文, 主要内容为海洋的开发与国家的经济发展息息相关,清晰的水下图像对于海洋生态系统研究和海洋资源开发具有重要意义。水下图像增强技术可以帮助研究者更清晰地观察和记录海底动植物的分布、生长和繁殖情况,进一步研究海洋生态系统的动态演变和生态链条的形成规律,为保护和管理海洋生态系统提供可靠的数据支持,促进海洋经济的可持续发展。由于复杂的水下成像环境和光的衰减等原因,水下图像会产生如颜色扭曲、细节模糊和对比度低等问题。本文围绕水下图像清晰化问题展开研究,主要包括以下内容:1.基于U-Net架构的多方向卷积水下图像增强方法。针对仅依赖于单一方向上的卷积堆叠可能无法提升水下图像特征的问题,提出多方向卷积水下图像增强的方法。该方法包括多个特征旋转函数和对应的卷积操作,充分获取不同翻转特征图的多方向语义信息;设计联合损失函数,通过融合多个损失函数综合考虑水下图像的多方差异,充分发挥多种损失优势,减少过拟合风险同时提升模型的鲁棒性;在每个采样之后引入注意机制,使模型关注水下图像的显著特征,提高图像对比度和色彩还原度等。实验结果表明:在全测试集的真实水下图像上,本方法与代表性对比方法相比,客观指标均有不同程度的提升,如在全参考指标SSIM上平均提升0.103,在非参考指标UIQM上平均提升0.266。2.基于U-Net架构的多阶段特征融合水下图像增强方法。针对先前的水下图像增强任务网络结构未充分利用多阶段的特征信息,获取全尺度的信息能力不足的问题,提出基于U-Net架构的多阶段特征融合水下图像增强方法。该方法在U-Net架构的基础上设计多阶段特征融合模块,利用多尺度空洞卷积和深度可分离卷积,扩大感受野降低计算量,获取水下图像的多尺度语义信息和精细细节信息;设计外部的中转连接改进跳跃连接,解码器对相应编码器的不同尺度特征图进行融合,提升U-Net架构从全尺度探索足够信息的能力;融合坐标注意机制,它可以获取到水下图像的跨通道信息、方向和位置敏感信息,有助于模型提取相关特征。本文是基于U-Net架构对水下图像增强方法做了进一步优化研究,提出两种不同方法对水下图像进行清晰化。本文方法在去除模糊和偏色、提升亮度和对比度等方面表现良好,为科研工作者探索开发海洋资源提供技术基础,具有广泛的应用前景。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/48577.html
