摘要
水下图像是人类利用计算机视觉技术研究海洋的数据基础，在水下勘探、水下目标检测和识别等领域都有广泛的应用。由于水下环境复杂，存在大量的岩石和悬浮粒子，导致水下数据采集存在对水下设备要求较高，设备移动不便等限制。因此，便捷地获得大量且含有丰富特征的水下图像是一个难点问题。除此之外，水中的悬浮粒子会造成光在水下传播被吸收和散射，这会导致水下图像存在颜色失真、内容不清晰和光照不均匀等问题。因此，水下图像复原和增强技术能为后续研究提供清晰的水下图像。本文从水下图像转译和水下图像复原两方面内容展开介绍。 对于传统的数据增强方法，通常利用旋转和剪裁等方式，但这并不能丰富数据的特征。随着深度学习的不断发展，基于生成对抗网络的图像转译方法不断涌现，利用生成对抗网络可以实现多个风格域图像的相互转换。由此，本文以获得大量数据和丰富特征的图像为目标，研究了多种生成对抗网络，提出了一种基于生成对抗网络的多风格水下图像转译技术。该方法解决了水下数据集缺失的问题，为水下图像研究提供了丰富数据。具体工作如下： 1.分析水下图像转译方法的现状。通过对现有的水下图像转译方法进行实验分析，发现其存在的难点和问题。由此，我们提出一种新的多风格水下图像转译方法。 2.多风格水下图像转译模型设计。该模型利用生成对抗网络，通过控制条件变量指导模型实现蓝色水域图像、绿色水域图像和陆地图像三种风格间的互相转换，最终可以实现水下图像特征的连续变化，为水下图像生成领域提供了新的思路。 3.水下图像的应用。为了证明我们提出的转译模型的有效性，利用该模型进行数据增强，再在现有水下图像处理模型的基础上进行实验，通过主观定性和客观定量分析，用我们的方法进行数据增强能够获得更好的结果。 另一方面，对于传统的水下图像复原方法需要依赖大量的水下参数和物理模型，这导致这类方法具有局限性，并不能适用于广泛的水下图像。由此，通过对前人方法的研究和探索，在此基础上我们提出了一种基于多尺度生成对抗网络的水下图像复原技术，能够获得更加清晰的水下图像。具体工作如下： 1.分析基于生成对抗网络的水下图像增强算法存在的问题。通过对实验结果进行分析，发现结构相似性损失函数的计算窗口尺寸对增强结果有一定影响。由此，我们提出了一种多尺度生成对抗网络模型。 2.多尺度生成对抗网络模型设计。首先我们利用暗通道图像去雾算法，获得水下图像的透射率图，其中包含了水下图像的深度信息。利用深度信息辅助实现多尺度结构相似性损失函数的计算。基于CycleGAN模型，我们提出了弱监督的多尺度生成对抗网络用于实现浑浊水下图像复原。 3.总结实验结果。同其他方法比较，利用我们提出的图像复原方法所得到的水下图像，在主观定性和客观定量分析都得到了较好的结果。为利用深度学习方法进行水下图像复原，提供了新的思路。
NETL