基于水下图像增强的目标实时检测算法研究.pdf

基于图像增强和水下目标实时识别算法研究

摘要

随着对海洋的探索，人们对于水下目标检测技术愈发的重视。近年来，随着深度学

习技术的不断发展和完善，大大提高了水下图像的清晰度和对水下生物目标的识别率。

然而，这些研究仍然存在一些缺陷：首先，退化的水下图像很难获得相应的参考图像，

这导致训练数据集相对稀少；此外，水下图像通常存在模糊、低对比度等问题。同时，

水下生物目标通常较小且密集分布，这使得水下图像的细节信息无法充分提取。虽然，

市面上有许多图像增强和目标检测算法。但是，现有的模型通常较大，无法实现对水下

信息的实时处理。因此，如何平衡模型的精度与效率，成为了水下图像处理领域的研究

热点。考虑到上述问题，本文的工作内容如下：

（1）针对水下图像增强网络训练数据集缺乏参考图像的问题，本文采用主流的图

像增强方法生成多个可能的参考图像。利用微信小程序让用户参与选择数据集中的参考

图像，获取所需的训练数据集。

（2）针对水下图像退化失真等问题，本文提出了一种基于深度学习的多输入类残

差网络并在预测阶段对训练模型和推理模型进行了解耦，简化了类残差网络的结构加速

了网络推理速度。在预测阶段，采用一种简单有效的后处理方式，增强图像对比度和细

节特征。该网络在增强水下图像的同时保留了原始图像的内容和细节，并在对比实验中

取得了良好的结果。

（3）针对水下目标检测网络大而慢且细节利用不充分等问题，本文提出了一个轻

量级水下目标检测网络算法，采用ASFF模块代替特征金字塔结构，使得网络自适应地

融合不同层级的特征图以提高目标检测准确性。同时，本文对NMS算法和soft_NMS

算法进行了实验和分析。通过与主流检测算法的对比实验证明该算法的可行性，并且本

文将提出的水下图像增强网络应用于目标检测中，再次证明了水下图像增强网络的可行

性。

（4）最后，本文设计了一个集目标检测和图像增强于一体的软件系统，包括移动

端和PC端操作展示界面以及后端算法服务器，系统采用前后端分离的设计模式。本文

对其进行了可行性分析、总体架构和功能设计，并对整个系统进行了测试。结果表明本

系统能够完成移动端和PC端的基本流程，达到了预期要求。

关键字：水下目标检测；水下图像增强；深度学习；卷积神经网络；轻量化；

基于图像增强和水下目标实时识别算法研究

Abstract

Withtheexplorationoftheocean,peoplehavepaidincreasingattentiontounderwater

targetdetectiontechnology.Inrecentyears,withthecontinuousdevelopmentand

improvementofdeeplearningtechnology,theclarityofunderwaterimagesandthe

recognitionrateofunderwaterbiologicaltargetshavebeengreatlyimproved.However,these

studiesstillhavesomeshortcomings:firstly,itisdifficulttoobtaincorrespondingreference

imagesfordegradedunderwaterimages,whichleadstoarelativelyscarcetrainingdataset;in

addition,underwaterimagesusuallyhaveproblemssuchasblurandlowcontrast.Atthesame

time,underwaterbiologicaltargetsareusuallysmallanddenselydistributed,makingit

difficulttoextractdetailedinformationfromunderwaterimages.Althoughtherearemany

imageenhancementandtargetd