[发明专利]基于Lab域增强、分类及对比度提升的水下图像识别方法

权利要求书

1.基于Lab域增强、分类及对比度提升的水下图像识别方法，其特征在于：包括如下步骤：

步骤1、将采集的水下原始图像经缩放操作生成固定维图像；

步骤2、从固定维图像中随机选择x％比例的固定维图像，并对每一张进行色彩校正和增强；

其中，每一张固定维图像进行色彩校正和增强，具体包括如下子步骤：

步骤2.1将固定维图像对应的图像矩阵转换为HSV域的图像矩阵I；

步骤2.2、分别计算步骤2.1转换的HSV域图像矩阵的H矩阵分量的平均值H1以及S矩阵分量的平均值S1；

其中，H矩阵分量的平均值H1计算方法为：H1＝E(H)；S矩阵分量的平均值S1的计算方法为：S1＝E(S)/255；E为取均值操作；H和S分别为HSV域图像矩阵的H和S矩阵分量；

步骤2.3、判断H1和S1的数值范围，对HSV域图像矩阵表征的水下图像进行分类，将水下图像划分为偏蓝图像或偏绿图像跳入步骤2.4进行颜色校正或输出图像矩阵并跳至步骤2.5，具体为：

2.3A若H1在50和180之间且S10.3，则将HSV域图像矩阵表征的水下图像判定为偏绿图像，将平衡参数设为A1，并跳至步骤2.4进行颜色校正；

2.3B若H1在180和300之间且S10.3，则将HSV域图像矩阵表征的水下图像判定为偏蓝图像，将平衡参数设为B1，并跳至步骤2.4进行颜色校正；

2.3C否则，若不满足2.3A及2.3B，即H1不在50和300之间或S1≤0.3，则输出当前HSV域图像矩阵对应的图像矩阵I，并跳至步骤2.5；

步骤2.4，步骤2.3输出的偏蓝或偏绿图像对应的图像矩阵转换为Lab色域进行颜色校正，得到颜色校正后的矩阵I_Lab，具体为：

步骤2.4A将图像矩阵转换为Lab色域的图像矩阵J；

其中，图像矩阵J包括明度向量W、a通道向量a_color以及b通道向量b_color；

步骤2.4B计算a通道向量和b通道向量的均值，再基于参数A1或B1进行颜色校正，输出校正后的图像矩阵I_Lab；

其中，计算a通道向量和b通道向量的均值，具体为：基于E_a＝E(a_color)计算a通道向量的均值E_a，基于E_b＝E(b_color)计算b通道向量的均值E_b；

颜色校正依据如下公式：

a_Lab＝a_color-((E_a-128)*(W/255)*A1/B1)

b_Lab＝b_color-((E_b-128)*(W/255)*A1/B1)

ILab＝[W,a_Lab,b_Lab]

步骤2.5：根据大气成像模型对步骤2.3输出的图像矩阵I或步骤2.4输出的图像矩阵I_Lab进行暗通道先验去雾后再转换为HSV色域图像，得到图像矩阵J_HSV；

其中，步骤2.3输出的图像矩阵I或步骤2.4输出的图像矩阵I_Lab，统称为图像矩阵I_DCPbefore；

步骤2.5，具体包括如下子步骤：

步骤2.5A：对图像矩阵I_DCPbefore进行背景光BL进行估计，得到背景光BL；

其中，背景光BL的选取点为图像中红色光波与蓝色和绿色光波中最大值相差最大的点；

步骤2.5B：在得到图像矩阵I_DCPbefore的背景光BL之后，再求得大气光及透射率,然后根据暗通道先验计算得图像矩阵J_DCP；

步骤2.5C：将图像矩阵J_DCP转换为HSV色域，得到图像矩阵J_HSV，再对该矩阵的V分量取均值得V_J；

步骤2.6：依据V_J，判断图像矩阵J_HSV对应的图像是否为低照度图像，明度对图像划分为3个层次，并设定3个对比度阈值，对得到直方图均衡处理之后的图像J_HSV，再替换掉固定维图像，具体包括如下子步骤：

步骤2.6A：若图像矩阵J_HSV的V_J分量小于Ja，则将对比度阈值设置为Aa并基于该阈值进行对比度拉伸和直方图均衡，得到均衡后图像，再将生成的均衡后图像替换对应的x％比例中的固定维图像；

步骤2.6B：若图像矩阵J_HSV的V_J分量大于等于Ja且小于Jb，则将对比度阈值设置为Ab，并据此进行对比度拉伸和直方图均衡，得到均衡后图像；

步骤2.6C：若图像矩阵J_HSV的V_J分量大于Jb，则将对比度阈值设置为Ac，进行对比度拉伸和直方图均衡，得到均衡后图像；

其中，Ja的取值范围为80到90之间；Jb的取值范围为105到115之间；至此，从步骤2.1到步骤2.6，完成了一张固定维图像的色彩校正和增强；

步骤3、重复步骤2，遍历x％比例的固定维图像，对每一张固定维度图像进行色彩校正和增强，再与另外1-x％比例的固定维图像共同构成更新后的训练集；

步骤4、对步骤3更新后的训练集中的图像通过一组“卷积层+Relu+池化层”基础组合进行特征提取，得到特征地图；

其中，一组“卷积+Relu+池化层”体为“卷积层+Relu+卷积层+Relu+1个池化”、“卷积层+Relu+卷积层+Relu+卷积层+Relu+1个池化”以及“卷积层+Relu+卷积层+Relu+卷积层”的组合；

步骤5、将步骤4提取的特征地图输入RPN生成精确候选框区域，具体为：将特征地图进行裁剪过滤后通过二分类判断是物体还是背景后变维和判决，再结合边框回归判断结果修正目标框，形成精确候选框区域；

其中，裁剪过滤具体通过3*3卷积以及1*1卷积实现；RPN，即Region ProposalNetworks，区域生成网络；所述二分类采用Svmeans方法；

步骤5、具体基于步骤4输出的特征地图生成一堆Anchor box，经裁剪过滤模块进行裁剪过滤，再经过成型模块改变维度后通过第1二分类模块判决anchors属于前景还是背景，同时，第1边框回归模块修正anchor box，形成region proposals；

步骤6、将步骤5输出的精确候选框区域与步骤4得到的特征地图输入ROI池化层，生成固定尺寸的特征地图，具体为：该层利用RPN生成的精确候选框区域和步骤4“卷积+Relu+池化层”最后一层得到的feature map送入Roi Pooling层，得到固定尺寸的proposal特征地图；

步骤7、对步骤6生成的“固定尺寸的proposal特征地图”进行一组全连接操作；

其中，一组全连接操作，具体为：“全连接层+Relu+全连接层+Relu”后，再分别进行“全连接”；第2二分类模块对“用于分类和回归的精确候选框区域”进行分类；第2边框回归模块将“用于分类和回归的精确候选框区域”进行边框回归，获取物体精确位置，即为得出分类概率和边框回归，对水下图像进行联合训练，再对图像中的水下生物进行识别，得到水下图片中各类物种。