一种基于退化图像增强的轻量化水下目标检测方法及系统技术方案

本发明专利技术公开了一种基于退化图像增强的轻量化水下目标检测方法及系统，涉及深度学习图像处理技术领域，接收图像增强数据集UIE和水下目标检测数据集URPC，对UIE和URPC进行预处理，并划分为训练集、验证集和测试集；将预处理后的UIE的水下图像输入预先建立的水下成像模型内进行增强，得到清晰的水下图像，将URPC的图像输入预先建立的水下成像模型内，得到增强图像；将效果最好的水下图像和增强图像标记为权重文件，并对权重文件进行保存；将权重文件和训练集、验证集和测试集输入预先建立的轻量化水下目标检测模型内，最终输出包含水下目标检测框的图像，对水下目标检测框内的目标进行识别和标记，计算平均精度。计算平均精度。计算平均精度。

【技术实现步骤摘要】
一种基于退化图像增强的轻量化水下目标检测方法及系统


[0001]本专利技术涉及深度学习图像处理
，具体的是一种基于退化图像增强的轻量化水下目标检测方法及系统。

技术介绍

[0002]对于海洋的探索离不开水下目标检测任务，无论是在资源开发、海底捕捞、生态保护还是军事行动中，都具有重要价值。但是受到水下复杂环境带来的影响，人工或半人工的检测方式存在着诸如成本高、安全性低等一系列问题，这给水下任务带来了很大的挑战。现阶段，随着深度学习技术的蓬勃发展，基于视觉的目标检测技术已逐渐成为热点，被广泛用于水下目标识别任务，在资源开发、水下监测、生态保护等诸多方面发挥着重要作用，为水下检测任务提供了强有力的支撑。
[0003]水下环境较为复杂，给目标检测任务带来了很大的困扰。由于光线在水下会产生选择性衰减，即光在水下的传播存在着波长依赖关系。在水下环境中红色光衰减最快，其次是绿色光，再到蓝色光，因此采集到的水下图像往往呈现出蓝绿色背景，产生了色彩偏差。同时，水中的漂浮物会导致光的散射，从而使图像细节模糊。上述的问题会导致图像质量下降，直接影响了后续检测任务的精度。
[0004]近年来，深度学习正在蓬勃发展。目标检测技术取得了很大的进展，被广泛运用于各种场景。但是，现阶段的方法网络结构复杂且参数量庞大，不利于实时检测。目前，目标检测算法主要分为两类:一类是一阶段检测器，直接对特征图像上的位置进行类别预测，如SSD、YOLO系列等，具有速度快，准确性高等特点。另一类是基于检测帧和分类器的两阶段算法，先生成区域候选框，再由卷积神经网络对每个区域候选框进行分类，如R
‑
CNN、Fast
‑
RCNN和Faster
‑
RCNN等，具有准确性高但速度慢的特点。

技术实现思路

[0005]为解决上述
技术介绍
中提到的不足，本专利技术的目的在于提供一种基于退化图像增强的轻量化水下目标检测方法及系统，
[0006]本专利技术的目的可以通过以下技术方案实现：一种基于退化图像增强的轻量化水下目标检测方法，方法包括以下步骤：
[0007]接收图像增强数据集UIE和水下目标检测数据集URPC，对UIE和URPC进行预处理，并将预处理后的UIE和URPC划分为训练集、验证集和测试集；
[0008]将预先建立的水下成像模型嵌入UWCNN
‑
SD网络，并将UIE数据集中的水下图像输入UWCNN
‑
SD网络训练，通过原始水下图像和真实图像训练网络，保存训练好的权重，并将权重载入UWCNN
‑
SD网络，URPC数据集输入训练好的UWCNN
‑
SD网络，最终得到清晰的水下图像，
[0009]将清晰的水下图像、训练集、验证集和测试集输入预先建立的轻量化水下目标检测模型内，最终输出包含水下目标检测框的图像，对水下目标检测框内的目标进行识别和标记，计算平均精度得到检测结果。
[0010]其中可选的，所述UIE数据集包含950对水下图像和真实图像，其中真实图像是清晰的水下图像，没有色彩偏差。
[0011]其中可选的，所述URPC数据集包含7600张图片和相应的标签文件，所述标签文件包括标注框，标注框的位置信息以及标注框内容的真实类别信息。
[0012]其中可选的，所述水下成像模型对水下图像进行离散余弦变换，分离为高频部分和低频部分，再构建CNN网络和损失函数，将水下成像模型嵌入网络可以对低频部分消除色彩偏差，对高频部分突出纹理细节，最后将二者融合输出清晰的水下图像。
[0013]其中可选的，所述水下成像模型如下：
[0014]I
λ
(x)＝J
λ
(x)t
λ
(x)+A
λ
(1
‑
t
λ
(x))
[0015]式中，I
λ
(x)为捕获的水下图像，J
λ
(x)为清晰图像，t
λ
(x)为透射率，A
λ
为全局背景光，λ表示RGB通道；
[0016]对大气散射模型进行转换：
[0017]J
λ
(x)＝K
λ
(x)I
λ
(x)
‑
K
λ
(x)+1
[0018]将t
λ
(x)和A
λ
联合为一个单变量K
λ
(x)，对水下图像进行离散余弦变换，分离为高频分量和低频分量：
[0019]I
λ
(x)＝I
λLF
(x)+I
λHF
(x)
[0020]J
λLF
(x)＝K
λ
(x)I
λLF
(x)
‑
K
λ
(x)+1
[0021]J
λHF
(x)＝K
λ
(x)I
λHF
(x)
‑
K
λ
(x)+1
[0022]LF表示低频分量，HF表示高频分量，构建CNN网络，将UIE数据集中的水下图像输入网络训练，学习参数K
λ
(x)，将K
λ
(x)代入水下成像模型中，反解出清晰的水下图像。
[0023]其中可选的，所述CNN网络训练过程如下：
[0024]通过最小化损失函数来训练网络，首先采用高斯分布对网络参数初始化，Adam优化器用于优化网络参数，最后将学习到的权重保存并载入测试文件，将URPC数据集中的水下图像输入测试文件，获取增强后的水下目标检测图像，所述的损失函数如下：
[0025][0026]其中，
[0027][0028][0029][0030]μ和σ分别表示灰度图像J
λ
(x)和I
λ
(x)的均值与标准差，表示灰度图像J
λ
(x)和I
λ
(x)的协方差，C1＝(K1+L)2、C2＝(K2+L)2，式中K1＝0.01、K2＝0.03、L＝1。
[0031]其中可选的，所述轻量化水下目标检测模型通过将YOLOV5中的特征提取网络替换为GhostNet轻量化模块，提取到尺寸不同的三个特征图，在颈部添加CA注意力机制，然后将三个不同尺度的特征图分别输入到三个分类回归层进行预测。
[0032]其中可选的，所述所述的CA注意力机制包含以下三个操作：
[0033]信息嵌入操作：对于给定的一个输入特征图，使用全局平均池化分别沿着特征图的水平方向和垂直方向进行池化操作，得到两个嵌入后的信息特征图，水平方向使用H
×
1的池化核，将H
×
W
×
C的输入特征通过全局平均池化操作得到H
×1×
C的信息特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，方法包括以下步骤：接收图像增强数据集UIE和水下目标检测数据集URPC，对UIE和URPC进行预处理，并将预处理后的UIE和URPC划分为训练集、验证集和测试集；将预先建立的水下成像模型嵌入UWCNN
‑
SD网络，并将预处理后的UIE数据集中的水下图像输入UWCNN
‑
SD网络训练，通过原始水下图像和真实图像训练网络，保存训练好的权重，并将权重载入UWCNN
‑
SD网络，URPC数据集输入训练好的UWCNN
‑
SD网络，得到清晰的水下图像；将清晰的水下图像、训练集、验证集和测试集输入预先建立的轻量化水下目标检测模型内，最终输出包含水下目标检测框的图像，对水下目标检测框内的目标进行识别和标记，计算平均精度得到检测结果。2.根据权利要求1所述的一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，所述UIE数据集包含950对水下图像和真实图像，其中真实图像是清晰的水下图像，没有色彩偏差。3.根据权利要求1所述的一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，所述URPC数据集包含7600张图片和相应的标签文件，所述标签文件包括标注框，标注框的位置信息以及标注框内容的真实类别信息。4.根据权利要求1所述的一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，所述水下成像模型对水下图像进行离散余弦变换，分离为高频部分和低频部分，再构建CNN网络和损失函数，将水下成像模型嵌入网络可以对低频部分消除色彩偏差，对高频部分突出纹理细节，最后将二者融合输出清晰的水下图像。5.根据权利要求4所述的一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，所述水下成像模型如下：I
λ
(x)＝J
λ
(x)t
λ
(x)+A
λ
(1
‑
t
λ
(x))式中，I
λ
(x)为捕获的水下图像，J
λ
(x)为清晰图像，t
λ
(x)为透射率，A
λ
为全局背景光，λ表示RGB通道；对大气散射模型进行转换：J
λ
(x)＝K
λ
(x)I
λ
(x)
‑
K
λ
(x)+1将t
λ
(x)和A
λ
联合为一个单变量K
λ
(x)，对水下图像进行离散余弦变换，分离为高频分量和低频分量：I
λ
(x)＝I
λLF
(x)+I
λHF
(x)J
λLF
(x)＝K
λ
(x)I
λLF
(x)
‑
K
λ
(x)+1J
λHF
(x)＝K
λ
(x)I
λHF
(x)
‑
K
λ
(x)+1LF表示低频分量，HF表示高频分量，构建CNN网络，将UIE数据集中的水下图像输入网络训练，学习参数K
λ
(x)，将K
λ
(x)代入水下成像模型中，反解出清晰的水下图像。6.根据权利要求5所述的一种基于退化图像增强的轻量化水下目标检测方法，其特征在于，所述CNN网络训练过程如下：通过最小化损失函数来训练网络，首先采用高斯分布对网络参数初始化，Adam优化器用于优化网络参数，最后将学习到的权重保存并载入测试文件，将URPC数据集中的水下图
像输入测试文件，获取增强后的水下目标检测图像，所述的损失函数如下：其中，其中，其中，μ和σ分别表示灰度图像J
λ

【专利技术属性】
技术研发人员：周昕，吴至伟，范小婷，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：