基于迁移学习的水下图像增强与目标检测研究.pdfVIP

摘 要 摘 要 水下目标检测旨在定位和识别水下场景中的目标，在海洋探测和监测、自主水下 航行器等水下应用中具有重要意义。然而在复杂的水下环境中获取的图像通常存在严 重的退化，影响水下目标检测等高层次视觉任务的执行。水下图像增强算法可以改善 图像退化，提高水下图像质量，但是水下缺少真值图像，基于学习的方法在合成数据 上训练的模型泛化性能有限，并且图像增强与目标检测任务的优化目标不同，仅考虑 算法的增强效果时，增强后的图像不一定能真正帮助目标检测任务的执行。如何有效 增强水下图像，提高水下目标检测算法的性能，成为水下计算视觉的热点和难点问题。 本文针对真实场景下水下图像退化，影响水下目标检测等高层次任务的执行这一 问题，首先提出了两步域适应水下图像增强方法，提供了利用迁移学习解决水下图像 增强问题的新思路。进一步，为了使增强后的图像更好地应用于实际，在第一个工作 的基础上提出了基于深度迁移学习和颜色恢复模型的水下图像增强算法。最后，提出 了真实场景下联合水下图像增强与目标检测算法，同时优化水下图像增强和目标检测， 使水下图像增强算法能够真正提高目标检测任务的性能。本文的主要创新如下： 第一，由于水下缺少成对的训练图像，许多方法在合成的水下图像上训练的模型， 导致这类方法在增强真实场景的水下图像时泛化性能有限。针对这一问题，受迁移学 习启发，提出了一种新的两步域适应水下图像增强方法，将图像去雾迁移到水下图像 增强。通过风格迁移域适应模块和图像增强域适应模块，实现了水下域到空气域的跨 域迁移。该方法不需要使用合成的水下图像训练，不依赖于水下真值图像。 第二，针对水下航行器探测海洋时视觉系统获取的图像能见度低、细节模糊、颜 色失真的问题，在第一个工作的基础上，提出了基于深度迁移学习和颜色恢复模型的 水下图像增强方法，在域变换模块中嵌入颜色恢复模型，恢复出满足物理模型且更自 然的水下图像。并且在域变换之前增加粗粒度的图像相似度计算，提高算法的性能， 有效去除图像中的色差，提高了水下图像的质量，帮助水下探测任务的执行。 第三，水下图像的退化影响水下目标检测任务的检测精度，许多水下图像增强算 法单纯追求图像增强的效果，没有考虑增强后的图像对后续的水下目标检测任务的影 响，导致了图像增强与目标检测不同的优化方案。针对上述问题，提出了一种真实场 i 基于迁移学习的水下图像增强与目标检测研究 景下联合水下图像增强与目标检测方法，同时优化图像增强与目标检测，在改善水下 图像退化的同时生成有利于水下目标检测的水下图像，提高水下目标检测的精度。 关键词：水下图像增强；水下目标检测；迁移学习；域适应；水下光学成像模型； 粗粒度相似性 ii 目 录 目 录 第1 章 绪论 1 1.1 研究背景 1 1.2 国内外研究现状 1 1.2.1 水下图像增强方法 1 1.2.2 水下目标检测方法 5 1.3 论文的主要研究内容 6 1.4 论文的组织结构 7 第2 章 基础知识 9 2.1 迁移学习 9 2.2 水下光学成像模型 10 2.3 基于Haze-line 的水下图像颜色恢复模型 11 2.4 本章小结 13 第3 章 两步域适应水下图像增强方法 14 3.1 问题的提出 14 3.2 方法设计 16 3.2.1 域适应框架 16 3.2.2 风格迁移域适应模块 17