基于卷积神经网络的水下图像质量提升方法

发布时间：2021-05-27 09:20

　　水下复杂的成像环境和光照条件,导致水下图像存在对比度低、颜色失真、纹理模糊和非均匀光照等主要质量退化问题,严重制约着其在水下矿物勘探、水下目标检测分类、水下导航、海洋地理工程勘察以及海洋军事等领域之中的应用。因此,深入研究水下图像质量提升方法,具有重要的理论与实际应用价值。目前,深度学习在去雨、低照度增强、去雾等恶劣成像环境下的图像处理问题中,取得了优于传统方法的结果。但是深度学习需要大量的且包含尽可能大的变化性的有标签数据用于训练,相比于自然空气场景图像中数十万、百万甚至千万量级的有标样本数,在水下环境中采集大量图像数据集是非常困难的,且难以获得对应的理想成像环境下的高质量图像作为标签样本,从而限制了深度学习在水下图像质量提升问题中的应用。论文围绕水下图像质量提升问题展开,提出基于卷积神经网络的水下图像质量提升方法。论文主要工作和创新点如下:（1）针对只有小量无标水下图像的问题,本文提出基于图像特征匹配的仿真方法,实现简单而有效的空气场景图像到水下场景图像的风格迁移,获得大量有标仿真水下图像集。（2）结合深度卷积神经网络和水下图像处理的领域知识,设计适合本文任务的深度卷积神经网络模型... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 研究现状
        1.2.1 基于图像处理的增强技术
        1.2.2 基于成像模型的复原技术
        1.2.3 基于深度学习的方法
    1.3 论文主要内容与结构
        1.3.1 研究内容
        1.3.2 结构安排
第二章 相关研究工作
    2.1 引言
    2.2 水下图像质量提升理论基础
        2.2.1 水中光传播的光学特性
        2.2.2 图像预处理技术
    2.3 深度学习理论基础
        2.3.1 前馈神经网络
        2.3.2 卷积神经网络
        2.3.3 卷积神经网络在恶劣成像环境下的图像应用
    2.4 本章小结
第三章 基于卷积神经网络的水下图像质量提升方法
    3.1 引言
    3.2 仿真水下数据集
        3.2.1 自然水下场景图像收集
        3.2.2 仿真水下图像集
        3.2.3 仿真水下图像集对比
    3.3 深度卷积水下图像质量提升网络
        3.3.1 网络架构
        3.3.2 图像预处理
        3.3.3 训练过程
    3.4 本章小结
第四章 实验验证
    4.1 引言
    4.2 评价指标
        4.2.1 有参考图像质量评价
        4.2.2 无参考图像质量评价
        4.2.3 主观质量评价
    4.3 实验验证
        4.3.1 预处理和批量归一化的影响
        4.3.2 仿真水下图像
        4.3.3 真实水下图像
        4.3.4 高层任务应用
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间的研究工作及成果


【参考文献】：
期刊论文
[1]水下图像增强和复原方法研究进展[J]. 郭继昌,李重仪,郭春乐,陈善继.  中国图象图形学报. 2017(03)
[2]水下光电成像技术与装备研究进展(下)[J]. 金伟其,王霞,曹峰梅,黄有为,刘敬,李海兰,徐超.  红外技术. 2011(03)



本文编号：3207314