光线自适应的水下管线识别与定位系统

本文论述了在水下环境下如何通过视觉识别管线并给以精确的定位．提出了水下视 觉系统的总体设计方案．在识别目标时,以目标的颜色为特征,并将颜色从RGB空间转换到H SI空间,使图像处理的速度和特征抽取的鲁棒性得到提高．由于水下环境光照变化剧烈,使 用模糊神经网络来动态调整特征颜色阈值．对水下环境中点和线的精确定位进行了详细的分 析,给出定位算法．最后的实验结果证明了算法的有效性．     

基于图像融合的低光照水下图像增强

水下机器人可用于水产养殖动态监测和水下拍摄,然而摄像机在水下抓拍的海洋图像呈现蓝绿色调、对比度低、细节模糊、亮度暗等问题,严重影响水下目标识别与检测的准确率。为此,本文提出了一种基于图像融合的低照度水下图像增强方法。首先,利用灰度世界算法对图像颜色进行校正,有效去除水下图像的蓝(绿)色基调;然后,对颜色校正后的图像分别进行锐化处理和HSV颜色空间下的亮度增强,分别得到细节增强图像和亮度增强图像;最后,将细节增强图像和亮度增强图像进行多尺度融合,得到最后的增强图像。实验结果表明,该算法不仅有效地解决了水下图像呈现蓝绿色的问题,而且增强了图像的整体亮度,使得细节更加清晰,提高了水下机器人的视觉感知能力。     

水下机器人光视觉目标识别系统

介绍了一个用于水下机器人的光视觉目标识别系统,描述了该系统的硬件结构和软件体系．论述了水下图像的处理方法,分析了在离散状态下比例因子对不变矩特征的影响,构造了基于不变矩的仿射变换不变量．详细描述了用于目标识别的免疫遗传神经网络的结构和建模．通过对4类实测水下目标的识别实验,证明了所提水下目标识别系统可以用于水下目标识别,并且具有较高的准确性和实时性．     

基于单目视觉的水下机器人悬停定位技术与实现

以7000m载人潜水器的水下悬停为应用背景，以单目CCD摄像机为传感器，提出了基于模型的单目视觉定位和基于特征的视觉伺服两种水下机器人视觉悬停技术方案，分别适用于已知模型的观察目标和未知模型的观察目标两种情况．以自行研制的水下机器人控制系统实验平台为实验载体，利用前视摄像机和水下人工目标，建立了水下演示实验验证系统，并在室内实验水池中，分别实现了两种悬停方法的水下演示实验．演示实验表明：在两种视觉悬停方法的闭环控制下，水下机器人能够抵抗恒定水流干扰和人工位置扰动，很好地实现水下悬停作业．     

一种基于色彩补偿的水下图像综合增强算法

针对退化的水下图像在高级视觉分析任务中无法进行有效的目标检测及识别的问题,提出了一 种通过色彩补偿和对比度拉伸,HSV 空间 γ 校正和亮度通道去模糊系列方法实现了对水下图像的色彩校正、色 彩对比度、饱和度和细节清晰度的综合提高。其中,提出了基于高斯滤波的亮度通道去散射方法,并对典型水 体水下图像综合增强参数进行了分析。实验对比了综合增强方法和其他增强方法对偏蓝、偏绿、偏黄、白色近 岸浅滩水下图像的处理结果并通过目标检测网络对 7 种算法增强后的水下图像数据集进行训练与测试,对比了 平均水下目标识别准确率和检测到的目标数量与实际目标数量的比值来评估各个增强算法对于水下目标识别 和检测任务中的作用。实验表明,与现有方法相比,该算法不仅可以有效地实现各类水下图像清晰度和色彩增 强,适用范围广,而且可以有效地提高水下图像目标识别任务的准确率和检测数量。     

水下智能识别与自主抓取机器人设计与实现

设计了一款面向海珍品捕捞的水下智能识别与自主抓取机器人. 首先通过YOLOv4-tiny网络对海珍品图像 离线训练, 设计单双目自适应切换与多目标选择算法以实现海珍品在线识别与持续定位. 进一步, 采用声呐与深度 传感器融合策略获取水下机器人深度信息, 设计基于模糊比例–积分–微分控制的定深抓取控制器, 以确保目标定位 与抓取过程中深度信息的有效反馈. 所提目标识别算法, 具有实时性强、复杂度低优点; 同时, 定深与抓取控制器, 不依赖于系统复杂模型, 可适应不同海况下的精确抓取. 最后, 通过试验验证了方法的有效性.     

基于注意机制的水下目标检测方法

针对水下光学图像清晰度低和物体颜色失真造成水下目标检测困难的问题,本文提出一种基于注意机制的水下目标检测方法。在最具代表性的视觉注意模型(Itti模型)基础上,在特征提取阶段,引入带色彩恢复的多尺度Retinex算法对图像的颜色信息进行恢复和增强。针对具体的水下环境,通过实验构造带彩色恢复的多尺度Retinex算法中的增强因子,从而构建一种新的适用于水下环境的目标检测方法。实验结果表明,本文的算法能有效地检测出目标且能得到较完整的目标区域。     

小波分析和神经网络在水下目标识别中的研究

研究水下目标识别问题.由于环境因素的影响,采集到的水下目标回波信号中含有大量噪声且信号频率范围大,传统方法不能有效提取信号特征导致水下目标识别率低.为了提高水下目标识别的准确率,提出一种基于小波分析和BP神经网络组合的水下目标识别方法(W-BPNN).采用小波对水下目标回波信号进行去噪处理,滤除噪声信号.通过小波包对信号的特征进行提取,提取出最能反映目标本质性质的特征向量,对提取的特征向量作为BP神经网络的输入进行识别.为了验证W-BPNN算法有效性,在Matlab平台上对3类水下目标进行了仿真.结果表明,相对于传统识别算法,W-BPNN获得了更高的识别准确率,证明是有效的水下目标识别方法.     

基于视觉感知的海生物吸纳式水下机器人目标捕获控制

针对近海水产养殖环境下海生物目标的机器捕捞,设计了一款海生物吸纳式水下机器人.该水下机器人可以采取手动遥控吸取和视觉伺服控制吸取方式完成对海生物目标的机器捕捞.为了实现基于视觉感知的目标捕获控制,在摄像机平面坐标系上建立了水下机器人和目标之间的运动学关系,并在此基础上提出了自适应递归神经网络控制器.通过设计递归神经网络估计和补偿外界环境干扰,利用S面函数使水下机器人快速到达期望位置并保持稳定,结合递归神经网络和系统动力学模型设计鲁棒函数进一步提高非线性系统在视觉控制中的可靠性和稳定性.最后,在近海自然养殖条件下对海生物进行视觉跟踪控制实验,实现了对海生物目标的主动吸取控制,验证了该控制器的功能.     

基于BPSO的水下目标特征选择方法

为了提高水下目标识别的识别率,降低水下目标特征提取的代价,提出了基于二进制粒子群优化(Discrete Binary Parti-cle Swarm Optimization,BPSO)的水下目标特征选择算法,并结合k近邻分类算法,对三类实测水下目标数据进行了最优特征集的选择及分类实验.实验结果表明该特征选择方法能有效降低水下目标的特征维数,选择出利于分类的特征子集,提高了水下目标识别的分类效果.为了说明方法对于其他模式识别问题的效果,另外选择了UCI机器学习数据库中的四组标准数据进行仿真分析.     

The extended marine underwater environment database and baseline evaluations

Images captured in underwater environments usually exhibit complex illuminations, severe turbidity of water, and often display objects with large varieties in pose and spatial location, etc., which cause challenges to underwater vision research. In this paper, an extended underwater image database for salient-object detection or saliency detection is introduced. This database is called the Marine Underwater Environment Database (MUED), which contains 8600 underwater images of 430 individual groups of conspicuous objects with complex backgrounds, multiple salient objects, and complicated variations in pose, spatial location, illumination, turbidity of water, etc. The publicly available MUED provides researchers in relevant industrial and academic fields with underwater images under different types of variations. Manually labeled ground-truth information is also included in the database, so as to facilitate the research on more applicable and robust methods for both underwater image processing and underwater computer vision. The scale, accuracy, diversity, and background structure of MUED cannot only be widely used to assess and evaluate the performance of the state-of-the-art salient-object detection and saliency-detection algorithms for general images, but also particularly benefit the development of underwater vision technology and offer unparalleled opportunities to researchers in the underwater vision community and beyond.     

基于颜色校正和去模糊的水下图像增强方法

由于光在水下传播时会出现吸收和散射的情况,水下图像往往存在色偏、对比度低、模糊、光照不均匀等问题。根据水下图像成像模型,人们在海底拍摄所获得的图像往往是退化的图像,而退化的图像不能完整地表达海洋场景信息,难以满足实际的应用需要。为此,文中提出了一种基于颜色校正和去模糊的水下图像增强方法。该方法有效融合了颜色校正和去模糊两个阶段,取得了递增的增强效果。在颜色校正阶段,首先对原始图像进行对比度拉伸,在对比度拉伸完成之后,图像可能存在拉伸过度或拉伸不足的现象。因此,所提方法根据灰度世界先验,在对比度拉伸后进一步使用伽马校正来优化和调整图像的对比度和色彩,使图像的R,G,B三通道的灰度值之和趋于相等。接着,在去模糊阶段,通过融合暗通道先验对颜色校正后的图像进行去模糊,得到最终的增强图像。实验结果表明,所提方法具有良好的整体恢复效果,能有效地恢复图像信息,在主观评价和客观评价上均展现出较好的效果。另外,所提方法可以作为水下图像分类等计算机视觉任务的预处理步骤,在实验中能够将水下图像集的分类精度提升16%左右。     

Natural-based underwater image color enhancement through fusion of swarm-intelligence algorithm

Underwater imagery suffers from severe effects due to selective attenuation and scattering effects when light travels through water medium. Such damages limit the ability of vision tasks and reduce image quality. There are a lot of enhancement methods to improve the quality of underwater image. However, most of the methods produce distortion effects in the output images. The proposed natural-based underwater image color enhancement (NUCE) method consists of four steps. The first step introduces a new approach to neutralize underwater color cast. The inferior color channels are enhanced based on gain factors, which are calculated by considering the differences between the superior and inferior color channels. In the second step, the dual-intensity images fusion based on average of mean and median values is proposed to produce lower-stretched and upper-stretched histograms. The composition between these histograms improves the image contrast significantly. Next, the swarm-intelligence based mean equalization is proposed to improve the naturalness of the output image. Through the fusion of swarm intelligence algorithm, the mean values of inferior color channels are adjusted to be closed to the mean value of superior color channel. Lastly, the unsharp masking technique is applied to sharpen the overall image. Experiments on underwater images that are captured under various conditions indicate that the proposed NUCE method produces better output image quality, while significantly overcoming other state-of-the-art methods.     

结合背景光融合及水下暗通道先验和色彩平衡的#br# 水下图像增强

水下环境、光线衰减和拍摄方式造成水下图像具有不同色调、对比度和模糊度.基于图像成像模型的水下图像复原方法通常基于暗通道先验或最大像素先验,容易受到水下复杂环境的干扰而输出低质量的复原图像,因此文中提出基于背景光融合及水下暗通道先验和色彩平衡的水下图像增强方法.首先,提出多候选背景光融合方法,估计正确的背景光.然后,基于高质量水下图像统计得出水下暗通道先验,计算更准确的RGB分量传输地图.将复原图像从RGB颜色模型转换到CIE-Lab颜色模型,对L亮度分量和a、b色彩分量分别进行归一化拉伸和优化调整,进一步提高复原后水下图像的亮度和对比度.多种定性和定量分析说明文中方法增强的图像在对比度、亮度和颜色上的显示效果优于大部分现有的水下图像增强方法复原的图像.     

基于CIELab颜色空间和颜色分布信息熵的图像检索

针对基于颜色空间信息熵的图像检索,提出了一种新的改进方案,使对颜色特征的提取建立在CIELab颜色空间的基础之上。利用CIELab的均匀颜色空间特性,来完成对颜色空间的分割,使之更符合人眼的色彩感觉特性,得到符合人眼色彩感觉的颜色空间信息熵。在图像相似性度量方面,提出了加权颜色统计函数的比较方法。经实验表明,该算法能够获得比较满意的效果。     

基于改进的ISODATA算法彩色图像分割

如何对彩色图像中的目标进行快速、精确的有效分割是计算机视觉和图像分析的重点和难点。提出了一种基于区域的彩色图像分割方法。该方法首先选择合适的彩色空间,提取出图像中的每个像素点的颜色、纹理、位置等综合特征,形成特征向量空间;在特征空间中,运用改进的ISODATA算法自适应地确定初始聚类数目和聚类中心,然后对图像进行聚类和区域分割,最后抽取出图像区域的特征,并与相类似的方法进行了比较实验。实验结果表明,该方法能够产生较好的分割效果及较快的分割速度,适合于基于图像区域检索系统,具有较好的应用价值。     

基于局部累积直方图和纹理特征的图像检索方法

提出了结合HSI颜色空间的局部累积直方图和图像的纹理特征进行检索的新方法.在HSI颜色空间求局部累积直方图,既可以消除大量离散的零值点,又考虑到累积前后两种颜色的相似性,符合人眼的视觉感知特点;利用以灰度共生矩阵为基础的纹理特征对局部累积直方图检索的结果进行二次检索,充分考虑了图像的空间信息.避免单一的颜色特征描述图像的片面性.基于花卉图像库的检索实验结果表明,该方法可以取得良好的检索效果.     

Underwater image co-enhancement based on physical-guided transformer interaction

Most existing underwater image enhancement methods only focus on enhancing a single image. However, underwater images taken in the same scene often exhibit similar degradation characteristics, which can provide richer complementary information to each other. In this paper, a novel underwater image co-enhancement based on physical-guided Transformer interaction (UICE-PTI), which adopts a multi-scale encoder–decoder structure to effective mine the rich semantic information, is proposed. Specifically, considering that the degradation of underwater image is directly related to scene depth, the Dark Channel Prior-guided Transformer (DCPT) module is embedded into the framework before the preliminary feature extraction. Then, the convolution operation in the preliminary feature extraction is proposed for the local degradation of the underwater image. After that, considering the non-local and heterogeneous degradation of the underwater images across different channels and pixels, the CS-Transformer block with second-order statistics is proposed, which incorporates both channel and spatial Transformer modules. Furthermore, considering the rich complementary information between images of the same scene for enhancement, the Feature Transformer Interaction Module (FTIM) is proposed to capture the correlation between two branches in the network bottleneck layer. Additionally, the proposed UICE-PTI can also be extended to underwater stereo image enhancement. Finally, the experimental results demonstrate the superior performance of the proposed UICE-PTI and the effectiveness of each module.