论文部分内容阅读
近年来,随着海洋研究和开发的不断深入以及国防的需要,作为海洋高科技重要组成部分的智能水下机器人得到了广泛的应用。由于水下机器人常常需要在恶劣且复杂多变的环境中进行作业,因此使得其视觉系统突显得尤为重要。本文的研究是结合某项目中“水下光视觉信息处理和理解技术”的工作而进行的。水下目标的图像分割和模式识别技术是水下光视觉技术中的两个重要环节。图像分割一直是图像处理中的经典难题,应用于水下图像更有其困难之处;而实现对目标的模式识别则是整个目标识别系统的关键一步,模式识别的方法很多,目前应用最广泛、效果最好的方法之一就是神经网络识别。本论文的目的就是通过课题相关的理论学习,研究一套实时处理能力强、鲁棒性高的图像分割和目标识别方法,并以此为基础构建一个基于“光视觉”的水下目标识别系统。论文首先回顾了优化相关的一些基本概念和定义,然后主要研究了一种基于群体智能的优化技术即粒子群优化(PSO)算法,并分别从算法的基本结构、收敛性条件、参数选择等方面对粒子群优化算法进行了详细的分析。这些内容将为后面的一些算法理论和改进的研究提供必不可少的基础。紧接着,论文从视觉系统中信息处理的可靠性出发,即考虑怎样才能充分利用系统获取的原始数据(例如采集到的光学图像)为后续处理环节提供更为有效的输入信息,深入研究了熵的相关理论和各种基于熵的图像处理方法。并针对水下图像的特点,设计了两种基于熵的阈值分割方法,来缓解水下成像造成信息丢失的影响。在特征提取阶段,论文对矩及不变矩理论作了一个较为详细的阐述,然后构造了基于区域矩的仿射变换不变量;并结合神经网络理论,提出了一种基于不变矩特征和神经网络的识别方法,所设计的识别模型包括不变矩特征提取、特征矢量标准化以及神经网络的设计和判别机制设计。论文还从视觉系统中信息处理的效率考虑,即在获取任务相关的有用信息的同时,尽量缩短系统流程中各个环节的处理时间,因此论文分别利用粒子群优化算法来搜索最优分割阈值及训练神经网络,从而实现了对图像分割处理及模式识别过程的优化。论文最后利用一定的硬件平台和相关的软件体系构建了一个水下光视觉目标识别系统。实验结果表明,针对水下目标的图像分割和识别任务,本文研究的方法是可行且有效的,在水下光视觉技术中有着重要的现实意义。