水下图像清晰化与目标识别检测技术研究

• 作 者: 代成刚
• 出 处: 山东大学
• 发表日期: 2020年01期

海洋占据71%的地表面积,蕴藏着丰富的自然资源,是人类发展可以利用的领地之一。随着海洋的不断开发与探索,水下机器人的探测系统逐渐成为水下探测领域的研究重点。然而,水中细微颗粒和水介质分别对光线产生散射和吸收作用,导致水下拍摄的图像质量较差。降质的水下图像对后续的图像分割、水下生物识别与检测等环节造成负面影响。图像清晰化的目的即是有针对性地改善水下降质图像,在一定程度上抑制低对比度、色彩失真、噪声等缺陷造成的影响,为后续图像分析提供高质量图像,对提升水下目标的辨别性具有促进意义。因此,水下图像清晰化技术是水下探测系统的关键技术之一。此外,在复杂的海洋环境中,良好的感知能力是水下探测设备实现自主作业的关键。因此,目标识别与检测技术也是水下探测系统的另一关键技术。传统的水下目标识别和检测技术严重依赖人工设计的特征,而人工设计的特征难以准确表达图像的高层语义信息,判别性和泛化能力较弱。不同于特征设计的模式,卷积神经网络（CNN）可以基于大数据自主学习图像特征,并通过逐层传导的模式实现低层纹理信息到高层特征表达的转变。由于强大的特征学习能力,CNN在目标识别和检测方面展现出优秀的识别性能和泛化能力。然而,在水下应用场景中,由于水下环境复杂,获取的图像质量差,将弱化特征表达;且水下图像获取难度大,样本稀缺,难以有效地训练CNN模型。此外,水下生物的多样性也进一步降低目标识别准确率与检测精度。因此,如何改善水下图像质量,并强化CNN的特征转变能力,最终提高CNN的识别准确率与检测精度是水下探测领域的研究重点,对提升水下探测设备的自主作业水平具有重要意义。基于上述背景,提出水下图像清晰化与目标识别检测技术研究,研究内容和创新点如下:（1）针对水下图像能见度低和颜色失真等缺陷,提出基于颜色衰减曲线分解的水下图像复原算法。首先,研究水下图像背景区域特性,提出背景区域评分公式,并结合四叉树层级搜索方法,计算背景光值。其次,研究水下图像颜色衰减曲线先验,创新性地分解颜色衰减曲线至RGB坐标轴,计算初始透射图;再结合RGB透射图通道间的数学关系以及几何约束,修正初始透射图,实现水下图像复原。最后,针对水介质对光线的不平衡吸收效应,提出基于亮通道的色彩补偿算法,平衡图像色彩。（2）针对水下图像复原过程中噪声放大的问题,提出基于鲁棒水下成像模型的图像复原算法,在复原水下图像的同时抑制噪声。首先,研究图像复原过程中的噪声放大机理,并构建鲁棒水下成像模型。其次,针对鲁棒水下成像模型中多个未知量引起的不适定问题,提出后验概率最大化方法求解亮度图、反射图和图像噪声,并运用后处理方法矫正亮度图和反射图,实现水下图像复原。最后,针对经验法设置的参数不是最优的问题,提出基于遗传算法的参数寻优方法优化图像复原算法的参数。（3）针对静态卷积核不能动态适应变化的输入特征的问题,设计内部特征和卷积核校准模块,提高水下目标识别准确率。首先,分析静态卷积核的特征聚合特性,提出特征和卷积核校准策略。其次,研究特征注意力机制,在空间和通道维度上强调重要特征;并探索卷积核校准方式,对不同的特征分配独有的卷积核。最后,结合分组卷积策略,在两条分支中分别执行卷积核和特征校准,降低模块的复杂度。由于设计的模块采用分组-转换-级联的方式,在不同的分支中同时执行特征和卷积核校准,故该模块不仅能实现动态卷积,还能建立特征空间与通道间的依赖,从而增强网络的特征转变能力,并提高水下目标识别准确率。（4）特征金字塔中差异较大的特征层通常共用检测端,该方式将削弱检测端的特征转变能力。针对该问题,设计金字塔解耦模块,提高水下目标检测精度。首先,分析特征金字塔共享检测端导致的问题,提出特征金字塔解耦策略。其次,研究卷积核融合方式,从特征金字塔的层索引或不同的特征层中学习卷积核融合因子,实现特征金字塔解耦。最后,结合无锚框目标检测框架,构建目标检测网络,实现水下目标检测。由于卷积核校准因子是从特征金字塔中学习到的融合因子,故该模块可以对金字塔不同的特征层分配不同的卷积核,从而提升检测端的特征转变能力,最终提高水下目标检测精度。