[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

说明书

本发明涉及基于Lab域增强、分类及对比度提升的水下图像识别方法，属于图像增强及恢复技术领域。所述方法，包括：1)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，再与另1‑x％比例的固定维图像构成训练集；2)对训练集中的图像进行特征提取，得到特征地图；3)将特征地图输入RPN生成region proposals；4)将region proposals与特征地图输入ROI池化层，生成固定尺寸的特征地图；5)对“固定尺寸的proposal特征地图”进行一组全连接操作，再分别进行二分类和边框回归，生成分类结果以及物体精确位置。所述方法最大限度保留图像清晰度，又保证了更好的还原效果；在识别精度、复杂度、运算功耗方面有较高的优势，可用于实时高精度检测。

技术领域

本发明涉及基于Lab域增强、分类及对比度提升的水下图像识别方法，属于图像增强及恢复技术领域。

背景技术

海洋中存在着丰富的资源，水下图像作为海洋信息的重要载体，受到了越来越多的关注和重视，同时水下图像增强技术也得到了广泛应用，如水下目标检测与跟踪、水下基础设施检查和海洋生物研究等。与一般图像不同，由于光的吸收和散射效应，导致水下图像可见性差。其中，光的吸收减少了光照强度，且由于不同波长的光谱在水中的传播距离不同，造成水下图像的颜色失真；光的散射引起了光传播方向的变化，使图像产生雾状模糊。这些特性导致水下图像普遍存在模糊、偏色、对比度低等问题，极大限制了水下图像在海洋资源利用中的实际应用。因此，提升水下图像的质量具有重要意义。

近些年，水下图像增强已经有了很多的研究基础，包括先验IFM模型、基于卷积神经网络(CNN)等。有针对光的吸收和散射特性，根据水下模型对光进行补偿，用来实现对水下图像的增强和颜色校正；也有通过校正对比度和色彩来克服光在水下衰减和散射的问题，达到图像的增强，还有针对水下图像的模糊和色偏问题，暗通道先验的去雾增强等。

现有水下图像识别方法有传统方法及机器学习方法两类，深度卷积神经网络具有能够提取图像深度特征、识别速度快、识别准确率高的特点，Faster RCNN具有识别速度快、准确度高、运算功耗低以及占用内存小的特点，满足水下图像识别处理低功耗、精准识别的要求。

发明内容

本发明的目的是针对水下环境中不同光照条件下采集的图片或视频存在增强效果不佳的情况，提出了基于Lab域增强、分类及对比度提升的水下图像识别方法，将图像颜色模式调整为Lab模式，进行Lab色域的白平衡；然后，基于CLAHE进行直方图均衡得到提升照度的增强图像；最后，采用Faster RCNN模型对图像中的水下生物进行识别。

为达到上述目的，本发明所采用的技术方案如下：

所述水下图像识别方法，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，x取值范围为30到80；

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；

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I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；

其中，平衡参数A1的取值范围为1到3；