基于监督学习的水下图像复原方法研究.pdf
《基于监督学习的水下图像复原方法研究.pdf》由会员分享,可在线阅读,更多相关《基于监督学习的水下图像复原方法研究.pdf(3页珍藏版)》请在咨信网上搜索。
1、信息记录材料 2023 年 7 月 第 24 卷第 7 期基于监督学习的水下图像复原方法研究谢佩诗(闽南理工学院信息管理学院 福建 石狮 362700)【摘摘要要】近年来,各国对海洋保护和开发越来越重视,众多研究机构和学者开始关注水下信息可视化技术的研究。针对水下图像的质量退化问题,文中引入深度学习方法,提出数据驱动的水下图像复原的网络模型 FNCNN。首先,介绍了水下图像清晰化方法的原理;其次,设计基于监督的水下图像复原网络模型、目标函数和图像合成方法;最后,给出网络模型的训练数据集,对所提网络模型在真实的水下图像数据集上进行比较验证,对结果进行分析。结果表明,FNCNN 网络模型的结果表现
2、出了很好的效果。【关关键键词词】深深度度学学习习;水水下下图图像像复复原原;卷卷积积神神经经网网络络;图图像像清清晰晰化化【中中图图分分类类号号】TP274 【文文献献标标识识码码】A 【文文章章编编号号】1009-5624(2023)07-0155-030 引言海洋面积占地球表面积的 70%,海洋拥有大量可开发利用的资源,具有较高的经济价值,开发和利用海洋资源成为各国经济发展的重要推动力。在海洋经济发展“十四五”规划中明确指出,增强海洋科技创新能力,积极推进海洋科技活动,推动水下智能装备高质量发展,将有助于我国实现海洋强国目标。我国在国民经济发展规划中将海洋经济纳入其中。由于海洋环境的特殊性
3、,人类很难获取其中的所有信息,大部分是通过视觉系统获得。因此,水下计算机视觉技术成为探索海洋科技的重要基础,得到国内外学者的广泛关注1。受到水下复杂的成像环境和设备的影响,大多图像对比度和清晰度较低等问题。这种情况下的图像很难应用于海洋环境保护、海洋工程、海洋军事等领域。因此,对水下图像进行处理,使得到的图像能够符合具体应用的需要。因此,对水下图像清晰化处理的算法研究具有重要的应用价值2-3。论文基于深度学习理论,提出数据驱动的水下图像复原的网络模型,基于此模型提出一种水下图像合成方法,该方法在图像复原上具有灵活性好,准确性高的特点。1 水下图像复原方法研究现状近年来,各国对海洋保护和开发越来
4、越重视,众多研究机构和学者开始关注水下信息可视化技术的研究。越来越多的水下图像处理的相关研究成果发表在国内外的权威期刊和会议上。在水下,光的传播通常是散射和吸收的形式与水以及水中的介质产生作用。在高吸收、强散射的水下环境,水下视觉增强方法是在实际应用中有效获取海洋信息的关键。真实海洋环境中存在很多影响图像清晰度的因素。Akkaynak D 等4在 2018 年充分考虑了水下的衰减系数、传感器和各类光学参数,提出复杂水下成像模型,更准确模拟水下成像过程。2019 年又证实了基于复杂水下成像模型复原结果优于简化成像模型5。2021 年在 LIU X等6为了提升复杂水下光学模型的适用性,设计网络模型
5、或利用黑色像素点先验信息估计场景深度信息。为了抑制噪声,2022 年,在 LI X 等7研究人员构建了一个自适应去噪 架 构,利 用 软 阈 值 抑 制 高 频 成 分 噪 声。同 年,ZHUANG P 等8提出了超拉普拉斯散射率先验的 Retinex变分模型,将复杂水下退化问题转化为照度去除简单子问题。ZHANG W 等9综合解决水下图像降质问题,利用最小颜色损失策略,以及最大衰减引导融合策略,增强图像颜色和细节。总的来说,随着国内外对海洋资源的重视,水下图像处理的相关研究领域已经有越来越多的研究人员重视。水下图像清晰化的研究得到快速的发展,水下图像清晰化处理研究的重要性越来越突显。2 水下
6、图像清晰化方法根据图像清晰化方法是否采用深度学习分为无监督方法和基于深度学习的方法。基于深度学习额方法中,进一步可以分为基于卷积神经网络(convolutional neuralnetwork,CNN)和基于生成对抗网络(generative adversarialnetwork,GAN)的方法。根据是否将水下模型引入,将CNN 方法分为结合物理模型的方法和非物理模型的方法。根据所采用的 GAN 方法的不同,将 GAN 方法分为基于条件生成的对抗网络(conditional generative adversarialnetwork,cGAN)和 基 于 循 环 一 致 性 对 抗 网 络(c
7、yclegenerative adversarial network,CycleGAN)。2.1 无监督的水下图像清晰化方法无监督的水下图像清晰化方法通常基于硬件的升级或者算法处理来提高图像的质量。基于硬件的方法一般是通过提高硬件成像设备的性能来提高图像质量。包括立体成像、距离成像、荧光成像等。设计水下摄像机、双目摄像机、三维扫描仪等。基于硬件升级的方法成本较高,而且不能解决不同环境出现的图像问题,因此需要借助软件的方法来提高图像质量。无监督的算法大致分为基于物理模型和非物理模型两类,物理模型方法是对图像的退化过程进行建模,进行参数估计,反演得到较清晰的图像。该方法通常要建立在一定的假设先验基
8、础上,算法复杂度高,应用上具有一定的局限性。非物理模型的方法不依赖成像模型,直接调整像素达到图像复原的效果。物理模型虽然方法在一定程度上提高图像复原的质量,但容易引入颜色偏差和伪影,加重噪声,因此存在过饱和及欠饱和551信息记录材料 2023 年 7 月 第 24 卷第 7 期问题。2.2 基于深度学习的水下图像清晰化方法在图像处理中,深度学习技术被广泛应用,根据不同的网络模型,分为基于 CNN 和 GAN 的方法。基于 CNN 的方法一般由多个卷积层构成,利用监督信息提取从低层细节到高层语义的特征表达,利用这些特征实现任务。CNN方法还可以根据是否利用物理模型分为结合物理模型的和非物理模型的
9、方法。结合物理模型的 CNN 方法如图 1所示。图 1 结合物理模型的 CNN 流程图非物理模型 CNN 主要研究设计物理模型和损失函数上,将原始图像输入到网络模型,输出清晰的水下图像,算法的适应性较好。非物理模型 CNN 流程图如图 2 所示。图 2 非物理模型 CNN 流程图3 基于监督学习的水下图像复原方法基于深度学习和水下成像原理,提出基于监督学习的水下图像复原网络模型。设计一种用于该网络模型训练的水下图像的合成方法。在图像数据集上进行比较,分析实验结果。3.1 网络模型设计在水下,光照吸收和散射存在波长相关的特性,使得出现图像变得模糊、颜色失真、对比度低等现象。因此设计一种针对该现象
10、的水下图像复原的网络模型,该模型采用全卷积网络结构,实现数据驱动的网络训练模型,该模型可以较灵活应用到其他深度模型中,还可以得到直接输出清晰的水下图像。水下成像过程可以用式(1)描述。其中 I 表示水下图像,x 表示像素位置,J 表示清晰图像,t 表示媒介透射率,A表示全局背景光。为了获得清晰的水下图像,复原算法一般采用先验信息从 I(x)中估计 A 和 t,反演清晰的图像 J(x)。本文采用卷积神经网络模型,重构水下图像,提出基于监督学习的水下图像复原网络模型 FSCNN。FSCNN是一个全卷积网络模型,输入为水下图像,输出为清晰图像。FSCNN 通过预测的方法,得到清晰和退化图像间的残差(
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 监督 学习 水下 图像 复原 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。