基于贝叶斯理论与深度学习的端到端水下图像增强算法研究.pdf

基于贝叶斯理论与深度学习的端到端水下图像增强算法研究

摘要

近几年来，一方面由于陆地资源被过度消耗，另一方面也是由于海洋领土的争端，

人们将目光投向了面积超过陆地两倍，且资源储量更为丰富的海洋。而出于对水下环

境信息的收集及应用，其中包括但不限于水下军事应用，自主式水下机器人（AUV），

海底地形地貌勘探等，水下目标的搜索与识别技术有着极其重要的地位。水下图像是

能够直观传递水下环境信息的重要载体，比声呐系统具有更高的分辨率，并能够处理

彩色信息，因此在水下目标识别的领域具有着不可替代的地位。但是，海水本身对于

不同波长的光线有着不同的吸收率，这会导致水下图像产生严重颜色失真；而海水中

所含有的可溶性无机盐、无机物及有机物颗粒，会对水下的光线产生严重的吸收及散

射，造成图像的边缘模糊、对比度下降。因此，面对难以提取图像特征信息的水下图

像，需要先通过图像增强技术对水下图像进行预处理，以提升图像的感知质量，使得

其可以在高级计算机视觉任务中被采用。

本研究结合各先验知识的自身优势，进一步研究了一种基于贝叶斯视网膜理论的

水下图像增强算法。算法采用一种简单有效的基于统计学方法的色彩校正方法来解决

水下图像的色彩失真问题，然后建立基于贝叶斯的视网膜概率模型，用来解决图像曝

光不足和模糊问题。在颜色校正图像上使用多阶梯度先验建立了用于视网膜水下图像

增强的最大后验(MAP)公式，对反射率和光照施加了一阶和二阶梯度先验，以从水下

图像中捕获更精细和完整的结构。接着将一个复杂的水下图像增强问题转化为两个简

单的去噪子问题，并对它们的收敛性进行了数学证明和分析。最后，开展实验来证明

所研究的方法在色彩校正和自然性保持、结构和细节提升以及伪影或噪声抑制方面的

有效性。

深度学习是水下图像增强研究的热点之一，针对深度学习网络模型在水下终端轻

量化部署的需求，本研究在Shallow-UWnet模型的基础上，进一步改良了一种改进的

浅层端到端水下图像增强模型，该模型由一系列卷积块、批量归一化层和LeakyReLU

激活函数构成，并使用包含均方误差损失、感知损失和结构相似性损失的联合损失函

数。实验结果证明，该网络的性能不低于目前主流的深度神经网络水下图像增强方法，

同时体积更小，处理速度更快。

最后，本文比较了两种算法在图像清晰化效果方面的表现，并得出结论，在针对

去除雾化现象和提升图像的亮度方面，在提升图像对比度方面，应当根据不同的需求

哈尔滨工程大学专业学位硕士学位论文

选择不同的图像处理方式，以达到最优的效果。

关键词：水下图像增强；贝叶斯视网膜理论；色彩校正；梯度先验

基于贝叶斯理论与深度学习的端到端水下图像增强算法研究

ABSTRACT

Inrecentyears,ontheonehand,duetotheexcessiveconsumptionoflandresources,

andontheotherhand,duetodisputesovermaritimeterritories,peoplehaveturnedtheir

attentiontotheocean,whichhasanareamorethantwicethatoflandandmoreabundant

resourcereserves.Duetothecollectionandapplicationofunderwaterenvironmental

information,includingbutnotlimitedtounderwatermilitaryapplications,autonomous

underwatervehicles(AUVs),seabedterrainandgeomorphologyexploration,thesearchand

recognitiontechnologyofunderwatertargetsplaysanextremelyimportantrole.Underwater

imagesareanimportantcarrierthatcanintui