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．     

一种相干分布式目标的水声成像方法研究

介绍一种基于相干分布式目标模型的水声成像理论和方法.针对水下分布式目标成像的需要,建立了相干回波模型,并提取水下目标的本质特征,给出分布式目标成像的DSPE算法,并运用该算法对目标回波进行处理.通过计算机仿真分析,得出的仿真结果与理论分析相符,验证了分布式目标成像方法的有效性.构建目标的水声图像可以为水下探测实现精确定位提供技术支持,研究成果对基于分布式目标模型的水下目标成像理论和方法的研究具有重要的参考价值.     

水下成像声呐探测系统建模与仿真

水下探测技术已成为几年来各国普遍重视发展的技术之一。为解决通过试验进行水下声呐成像探测研究的方法中存在的经济成本高、技术方法准确性不好把握等问题。该文采用数学建模和计算机软件仿真的方法,在进行水下成像声呐探测仿真系统的总体软件设计的基础上,对各子模块的算法的研究现状进行分析,重点分析了声呐图像生成、图像滤波、目标识别以及控制系统等单元,并给出了部分算法的数学模型和仿真结果。从而实现了水下成像声呐探测系统的模拟,为水下声呐成像探测技术的研究提供了一个经济实用、高准确度的研究平台。     

一种水下运动物体三维轨迹视觉测量方法

针对海洋工程中采用的设备深海悬垂法安装过程,采用多摄像头视频运动分析方 法计算水下三维运动轨迹可用于指导海洋工程的结构安装和分析设备水下运动特征。水下视频 和图像的处理获取面临着诸多挑战,首先由于水下环境悬浮物和颗粒较多,光在水下发生了散 射,使水下图像发生了退化;其次水下视频运动分析遇到的一个主要障碍是光线的折射引起的 图像误差。由于光在水、玻璃、空气不同介质间发生折射,光路发生弯曲,陆地上的摄像机成 像模型在水中不再适用,需要提出新的水下摄像机成像模型。本文引入带光线折射的水下摄像 机成像模型,研究水下摄像机的内参数和外参数标定方法,利用固定布置的 3 个水下摄像机拍 摄的目标水下运动视频来计算水下目标的轨迹。该方法适用于水池环境下水下物体大范围运动, 可以得到较为精确的轨迹,并得到了实验验证。     

水下光学图像重建方法研究进展

水下光学图像可以提供直观丰富的海洋信息,近年来在海洋资源开发、环境保护和海洋工程等诸多领域发挥越来越重要的作用。但是受恶劣复杂的水下成像环境影响,水下光学图像普遍存在对比度低、图像模糊以及颜色失真等质量退化问题,严重制约水下智能处理系统的性能和应用。如何清晰地重建水下光学图像是国内外广泛关注的、具有挑战性的难点问题。随着深度学习技术的蓬勃发展,利用深度学习来提升水下图像质量成为当前的研究热点。鉴于目前国内在水下光学图像重建方面的研究综述较少,本文全面综述其研究进展。分析了水下图像退化机理,总结了现有水下成像模型以及水下图像重建的挑战;梳理了水下光学图像重建方法的发展历程,根据是否采用深度学习以及是否基于成像模型,将现有方法分为4大类,并按照研究发展顺序,依次介绍4类方法的基本思想,分析其优缺点;归纳了目前公开的水下图像数据集以及常用的水下图像质量评价方法,并对8种典型的水下图像重建方法进行了性能评测和对比分析;总结了该领域目前仍存在的问题,展望了后续研究方向,以便于相关研究人员了解该领域的研究现状,促进该领域的技术发展。     

基于K-L变换的水下目标声图像识别方法研究

研究准确识别水下目标问题,由于水下存在多种目标,根据目标信号的特点,提出了一种基于K-L(Karhunen-Loeve)变换的水下目标声图像识别方法.首先利用K-L变换对水下目标声图像进行降维处理,并求出其特征声图像,然后计算出待识别的水下目标声图像在特征声图像上的投影系数并进行判别.仿真结果表明,提出的方法在20dB信噪比条件下,对潜艇、尺度目标和点目标声图像的识别率分别为80％、100％和100％,可以有效的对水下目标声图像进行识别,为水下目标识别提供了一种简单可行的新思想和新方法.     

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。     

水下图像增强方法研究综述

水下图像增强是水下有人/无人设备完成深海探测任务的重要支撑技术。该技术综合应用信号处理、图像处理以及机器学习的相关理论知识以实现对水下图像的灵活增强。在简述了水下图像增强的研究背景、意义及热点问题的基础上,按照不基于成像模型、基于成像模型与基于学习3个方向对水下图像增强技术的发展进行了详细的论述,重点分析了不同方法的原理和技术特点。最后,根据水下图像增强技术的难点与目前面临的主要问题对研究方向和发展趋势进行了归纳和展望。     

基于双目视觉的水下海参尺寸自动测量方法

水下捕捞机器人在进行海参捕捞作业时,需要对海参进行精选分级。然而光视觉系统在水中的折射现象严重影响了海参尺寸的精确测量。因此,利用水下双目标定方法,求解水下相机模型参数,消除水下光线折射造成的图像失真,并在此基础上,提出了一种水下海参自动检测与尺寸测量方法。在左目矫正图像上,利用预先训练的YOLOv3海参检测模型,进行海参自动检测和感兴趣区域定位,并利用双目矫正图像构建当前水下场景深度信息。利用融合颜色和场景深度信息的高斯模型,构建新颖的GrabCut-RGBD图像分割方法,在感兴趣区域上分割二维海参目标。利用凸包与旋转卡壳算法,在海参目标图像上寻找最佳尺寸测量点,通过三角测量获取最佳测量点三维坐标,实现海参尺寸的自动测量。实验结果表明,所提方法在0.5～1.5 m范围内平均误差为1.65%,能较好地实现海参尺寸的水下测量。     

散射对激光水下图像传输影响的理论分析

激光水下成像技术在国内外已经取得较为完善的成果，目前主要采用距离选通和同步扫描两种方法。我国近海沿岸水质比较浑浊．散射现象严重。本文在研究了激光在水下的传输特性的基础上，结合散射光的分布特性，分析了在激光水下成像技术中．散射效应对传输目标图像精度的影响，以便能够在浑水中实现宽视角、全景深、图像清晰度高等技术指标。     

水下图像复原中背景光求解方法研究最新进展

水下特殊的成像环境,使得图像存在模糊、色偏等问题,给水下图像复原带来了新的挑战。基于成像模型的图像复原是提高水下图像质量的典型方法之一。背景光作为逆向复原的重要参数直接影响到水下图像复原的效果。目前对水下图像复原中背景光求解方法的综述文献较少,为了深入了解水下图像复原的研究现状和发展趋势,对水下图像复原中背景光求解方法进行综述。首先简述水下模型,然后归纳背景光的特征及背景光求解方法分类,接下来详细分析各种典型的背景光求解方法的原理和特点,之后总结归纳各种典型方法的优缺点,最后提出研究展望。     

水下图像增强和修复算法综述

因受到光线散射和吸收、水体杂质、人工光源等因素影响,水下成像质量较低,很难满足生产作业的需求,而水下图像的增强和复原技术有助于提升水下机器视觉的能力.为帮助研究者掌握水下图像处理领域的研究方法和现有技术,对水下图像增强和复原方法进行综述.首先对水下图像存在的主要退化类型进行分析;分别对水下图像增强、复原的经典方法和最新进展进行总结,系统梳理了水下图像质量评测体系和公开数据集;最后对水下图像处理未来的研究趋势进行了展望.     

水下图像增强和复原方法研究进展

目的 近年来随着水下图像/视频在海洋军事、海洋环境保护和海洋工程等科研和工业领域扮演越来越重要的角色,水下图像增强和复原作为关键技术之一,越来越多地成为研究的热点和难点问题。目前有关水下图像增强和复原方法研究进展的综述论文在国内外相对较少,为使即将进入该研究领域的学者比较全面地了解该领域的研究现状,促进该领域的快速发展,本文对其系统综述。方法 在广泛调研大量文献的基础上,按照是否基于物理模型对已有方法进行分类讨论,对其基本思想、方法特点、实验方法进行归纳和总结,其中对典型的方法进行具体介绍和分析。同时,介绍了水下图像质量的评测体系,针对典型方法的处理结果进行定性和定量的评测。进而,总结该研究领域目前存在的不足,展望未来可能的发展方向。结果 总结了水下图像退化的原因、水下图像增强和复原所采用的主要技术和方法、水下图像质量评测体系的发展历程,给出了亟待解决的问题,展望了未来的发展方向。结论 作为新兴的研究领域,水下图像增强和复原在工业界和学术界都具有广阔的应用前景和研究价值,但针对目前存在的一些局限性还需要进一步深入研究。     

不平衡数据集下的水下目标快速识别方法

水下目标的准确识别是水下机器人实现抓取、捕捞等安全作业的前提,针对水下图像质量差、样本数量少及类不平衡而导致目标识别精确度低的问题,提出了一种基于生成对抗网络（Generative Adversarial Networks, GAN）的水下目标快速识别算法。利用GAN理论搭建了深度卷积神经网络的水下图像生成模型,通过生成器与判别器的零和博弈生成特定水下目标图像;设计生成目标的中心坐标计算函数和边界融合函数,将生成目标与背景图像融合后训练水下目标识别模型。实验结果表明,所提方法能够显著提高水下目标识别精确度,对实现水下目标准确抓取、促进水下作业及海洋资源的开发具有重要意义。     

面向水下图像的质量评价方法

目的 针对目前水下图像质量评价方法少和现有方法存在局限性等问题,提出一种无参考并且无需手工设计特征的水下图像质量评价方法。方法 提出的水下图像质量评价方法将深度学习网络框架与随机森林回归模型相结合,首先采用深度神经网络提取水下图像的特征;然后使用提取的特征和标定的水下图像质量分数训练回归模型;最终,利用训练好的回归模型预测水下图像的质量。结果 在本文收集的水下图像数据集和水下图像清晰化算法处理结果上评测本文方法,并与多种质量评价方法进行比较,其中包括预测结果与主观质量分数比较、水下图像清晰化结果评测比较、预测结果与主观质量分数相关性比较、鲁棒性比较等。主观实验结果表明本文的评价方法可以相对准确地给出符合人类视觉感知的水下图像质量分数,并且具有更好的鲁棒性。定量实验结果表明本文方法与其他方法相比,预测的图像质量分数与主观分数具有更高的相关性。结论 提出的水下图像质量评价方法无需参考图像,省去了手工设计的特征,充分利用了深度学习网络的学习和表征能力。本文方法的准确性较好,普适性和鲁棒性较高,预测的质量分数与人类视觉感知具有较高的一致性。本方法适用于原始的水下图像和水下图像清晰化算法的处理结果。     

水下视觉环境感知方法与技术

有效感知水下环境是水下机器人自主运动与作业的关键。本文首先对水下视觉环境感知的共性问题进行分析,总结了视觉退化和折射畸变两大共性问题对水下视觉成像产生的影响。其次,围绕如何应对上述挑战,分别从水下视觉恢复方法、水下3维视觉感知以及水下视野增强方法3个方面对国内外主流的水下视觉环境感知方法的研究现状展开综述。最后,对水下视觉环境感知的未来发展趋势进行展望,重点包括集群化视觉感知、多模态感知信息融合、仿生视觉感知等热点研究方向。     

基于图像处理技术的军事目标识别方法综述

对国内外当前比较流行的军事目标识别的成像途径、分类方法梳理总结并对几种成像途径的军事目标识别的优劣势进行分析比较,最后对基于图像处理技术的军事目标识别方法与其他识别手段相结合的发展趋势做一简述。