基于机器学习的水下图像恢复及海胆识别研究
发布时间：2021-05-24 10:52
随着水产品需求量的增加,研究利用水下机器人检测海洋生物从而完成养殖物的打捞成为未来水产品获取的重要途径。海胆营养丰富,是重要的水产品之一,且海胆生活环境的复杂性高,可以代表大部分水产品,因此本文选择海胆作为水下机器人面向水产品养殖研究的实验对象,研究围绕海胆检测识别的相关问题。水下图像受到水质吸收、光散射的影响,导致水下图像存在偏色、对比度较低、清晰度较低等缺点,这些缺点会严重影响到海胆的检测识别性能,因此对水下图像进行增强,提高水下图像的质量是非常必要的。本文针对水下图像存在偏色、对比度较低、清晰度较低等问题,对现有的水下图像增强的算法进行优化来增强水下图像,使算法能够根据水体环境自适应的增强水下图像,获得稳定的图像增强效果,并可以用于工程实践之中,实现水下机器人的实时视觉的稳定的增强。而后通过深度学习检测算法络对图像中目标物进行分类和定位二维坐标回归框,最后将回归框作为感兴趣区域进行视觉定位,可以大幅度提高海胆检测及分类的精度。本文的研究内容主要如下:1.水下环境获得的图像存在偏色、对比度较低的问题,严重影响到水下海胆的检测和识别能力。本文针对水下图像的恢复进行研究,提出了一种基于...
【文章来源】：南京信息工程大学江苏省
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 水下图像增强的国内外现状
1.2.2 水下目标检测的国内研究现状
1.3 水下图像海胆检测的问题与难点
1.4 本文主要内容及组织结构
第二章 基于ODCP去雾的水下图像增强算法
2.1 引言
2.2 数据集建立
2.3 水下图像质量评估指标
2.3.1 图像信息熵
2.3.2 水下彩色图像质量评估
2.3.3 自然图像质量评估器
2.4 基于暗通道先验水下图像复原算法
2.4.1 暗通道先验模型
2.4.2 基于暗通道先验的去雾算法
2.4.3 优化的DCP算法(Optimized DCP algorithm)
2.4.4 基于无参考图像质量优化的ODCP景深因子优化
2.5 实验结果及分析
2.6 本章小结
第三章 基于改进的多尺度Retinex水下图像增强算法
3.1 引言
3.2 基于色彩恢复的水下图像增强算法
3.2.1 基于多尺度Retinex色彩增强的图像增强算法
3.2.2 基于优化的多尺度Retinex的水下图像增强算法
3.2.3 基于无参考图像质量优化的OMSR算法高斯核优化
3.3 实验结果及分析
3.4 本章小结
第四章 基于改进的SSD算法的水下海胆检测
4.1 引言
4.2 基于边缘多通道融合的SSD算法
4.2.1 SSD算法
4.2.2 边缘特征增强颜色空间
4.3 ISSD(Improved SSD algorithm)
4.4 实验分析
4.4.1 实验配置
4.4.2 评价标准
4.4.3 基于水下图像的海胆检测实验结果及分析
4.4.4 基于视觉增强的水下图像的海胆检测实验结果及分析
4.4.5 基于边缘特征增强的水下海胆检测实验结果及分析
4.5 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
作者简介
【参考文献】：
期刊论文
[1]基于改进DCP算法的水下机器人视觉增强[J]. 汤忠强,周波,戴先中,谷海涛. 机器人. 2018(02)
[2]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[3]一种基于深度学习的新型小目标检测方法[J]. 陈江昀. 计算机应用与软件. 2017(10)
[4]基于先验知识与大气散射模型的图像增强算法[J]. 鞠铭烨,张登银. 电子学报. 2017(05)
[5]K-均值聚类算法在海水背景石斑鱼彩色图像分割中的应用[J]. 马国强,田云臣,李晓岚. 计算机应用与软件. 2016(05)
[6]基于融合显著图与GrabCut算法的水下海参图像分割[J]. 郭传鑫,李振波,乔曦,李晨,岳峻. 农业机械学报. 2015(S1)
[7]基于偏振特征的水下目标检测[J]. 马伟英. 电子测量技术. 2014(12)
[8]基于区域显著度与水下光学先验的目标检测[J]. 王慧斌,张倩,王鑫,陈哲. 仪器仪表学报. 2014(02)
[9]基于注意机制的水下目标检测方法[J]. 董欣. 计算机与现代化. 2013(05)
[10]基于灰度-梯度不变矩的水下目标识别系统[J]. 张铭钧,尚云超,杨杰. 哈尔滨工程大学学报. 2009(06)
博士论文
[1]基于监控的大型城市车辆目标识别与分类的若干关键技术研究[D]. 王茜.上海大学 2018
[2]基于水下机器视觉的海参实时识别研究[D]. 乔曦.中国农业大学 2017
硕士论文
[1]水下图像的目标检测与定位研究[D]. 张巍.华中科技大学 2007
本文编号：3204074
【文章来源】：南京信息工程大学江苏省
【文章页数】：94 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 选题背景及研究意义
1.2 国内外研究现状
1.2.1 水下图像增强的国内外现状
1.2.2 水下目标检测的国内研究现状
1.3 水下图像海胆检测的问题与难点
1.4 本文主要内容及组织结构
第二章 基于ODCP去雾的水下图像增强算法
2.1 引言
2.2 数据集建立
2.3 水下图像质量评估指标
2.3.1 图像信息熵
2.3.2 水下彩色图像质量评估
2.3.3 自然图像质量评估器
2.4 基于暗通道先验水下图像复原算法
2.4.1 暗通道先验模型
2.4.2 基于暗通道先验的去雾算法
2.4.3 优化的DCP算法(Optimized DCP algorithm)
2.4.4 基于无参考图像质量优化的ODCP景深因子优化
2.5 实验结果及分析
2.6 本章小结
第三章 基于改进的多尺度Retinex水下图像增强算法
3.1 引言
3.2 基于色彩恢复的水下图像增强算法
3.2.1 基于多尺度Retinex色彩增强的图像增强算法
3.2.2 基于优化的多尺度Retinex的水下图像增强算法
3.2.3 基于无参考图像质量优化的OMSR算法高斯核优化
3.3 实验结果及分析
3.4 本章小结
第四章 基于改进的SSD算法的水下海胆检测
4.1 引言
4.2 基于边缘多通道融合的SSD算法
4.2.1 SSD算法
4.2.2 边缘特征增强颜色空间
4.3 ISSD(Improved SSD algorithm)
4.4 实验分析
4.4.1 实验配置
4.4.2 评价标准
4.4.3 基于水下图像的海胆检测实验结果及分析
4.4.4 基于视觉增强的水下图像的海胆检测实验结果及分析
4.4.5 基于边缘特征增强的水下海胆检测实验结果及分析
4.5 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
作者简介
【参考文献】：
期刊论文
[1]基于改进DCP算法的水下机器人视觉增强[J]. 汤忠强,周波,戴先中,谷海涛. 机器人. 2018(02)
[2]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[3]一种基于深度学习的新型小目标检测方法[J]. 陈江昀. 计算机应用与软件. 2017(10)
[4]基于先验知识与大气散射模型的图像增强算法[J]. 鞠铭烨,张登银. 电子学报. 2017(05)
[5]K-均值聚类算法在海水背景石斑鱼彩色图像分割中的应用[J]. 马国强,田云臣,李晓岚. 计算机应用与软件. 2016(05)
[6]基于融合显著图与GrabCut算法的水下海参图像分割[J]. 郭传鑫,李振波,乔曦,李晨,岳峻. 农业机械学报. 2015(S1)
[7]基于偏振特征的水下目标检测[J]. 马伟英. 电子测量技术. 2014(12)
[8]基于区域显著度与水下光学先验的目标检测[J]. 王慧斌,张倩,王鑫,陈哲. 仪器仪表学报. 2014(02)
[9]基于注意机制的水下目标检测方法[J]. 董欣. 计算机与现代化. 2013(05)
[10]基于灰度-梯度不变矩的水下目标识别系统[J]. 张铭钧,尚云超,杨杰. 哈尔滨工程大学学报. 2009(06)
博士论文
[1]基于监控的大型城市车辆目标识别与分类的若干关键技术研究[D]. 王茜.上海大学 2018
[2]基于水下机器视觉的海参实时识别研究[D]. 乔曦.中国农业大学 2017
硕士论文
[1]水下图像的目标检测与定位研究[D]. 张巍.华中科技大学 2007
本文编号：3204074
本文链接：https://www.wllwen.com/nykjlw/scyylw/3204074.html
