基于卷积神经网络的舰船图像增强算法

为了改善舰船图像增强效果,提出基于卷积神经网络的舰船图像增强算法,首先采用同态滤波器对原始舰船图像进行预处理,有效压缩舰船图像的动态范围,丰富舰船图像的细节信息,然后引入卷积神经网络对舰船图像色彩进行校正处理和补偿,解决舰船图像偏色问题,最后进行舰船图像增强仿真模拟实验。结果表明,卷积神经网络可以提高舰船图像的对比度,凸显了舰船图像细节,舰船图像的视觉效果优,舰船图像的增强结果要优于对比算法,同时降低了舰船图像增强的时间复杂度,舰船图像增强效率得以提升。     

一种面向水下无人航行器的实效图像增强算法

针对水下图像存在严重模糊、对比度低、噪声多等问题,根据小波的时频特性及多分辨率特点,提出一种基于小波变换的水下模糊图像增强算法。利用小波变换对RGB图像进行二层小波分解,把原图分解为高、低频子带,利用导向滤波算法估计低频子带上的照射分量并进行去除;利用软阈值算法对高频子带上的图像边轮廓信息进行去噪和增强处理;对水下图像进行小波逆构,并进行伽玛校正;最后利用改进的灰度世界算法对水下图像进行颜色校正。试验结果表明,使用文章中算法处理所得到图像的对比度及信噪比都较高,且清晰度较高,满足水下无人航行器的要求。     

基于改进DCP水下图像增强算法研究

为提高舰员对舰船的维修保障能力,尤其是舰船水下部分及附属装置的检查、清洗、切割或维修等,需借助水下视觉辅助设备,但利用视觉设备在水下所取得的图像存在着清晰度低模糊、色偏严重对比度不高、亮度偏暗等缺点。为解决这一问题,在深入分析常用图像增强算法的基础上,经过筛选采用改进后的暗通道优先算法对水下图像进行增强,提高水下图像的对比度和对水下图像进行颜色校正,以适应人眼对图像信息的获取。首先使用传统的暗通道先验算法对图像颜色校正,使图像看起来颜色更加均匀对比度更高,随后利用改进的暗通道先验算法进行改进。改进后的算法模型传输率更高,PSNR更均衡,图片中噪声更小,更清晰,可以满足水下图像的观测要求,为实际舰船水下检修提供可靠的帮助。     

一种隧洞探测型自主式水下机器人及其图像拼接方法

针对采用自主式水下机器人(AUV)巡检和拍摄输水隧洞中的裂缝时水下环境会极大地限制光视觉图像的可视范围和分辨率,单幅水下图像获得的视角范围有限的问题,提出一种基于加速稳健特征(SURF)算法的AUV水下图像拼接方法。在图像预处理阶段对水下图像进行去畸变和限制对比度自适应直方图均衡化处理,用于解决水下图像存在的畸变、对比度低和噪声严重等问题。将SURF特征点检测算法应用到水下图像配准中,并与RANSAC算法相结合,对特征点进行精确匹配。应用线性渐变融合算法实现水下图像融合,有效去除拼接缝隙,完成水下图像拼接,最终通过水池和外场试验拼接图像验证所提方法的正确性。     

基于卷积神经网络的舰船图像类型识别

舰船图像类型识别是计算机视觉领域研究的热点,当前舰船图像类型识别方法存在误识率高、识别时间长等不足,为获得更优的舰船图像类型识别结果,提出基于卷积神经网络的舰船图像类型识别方法。首先提取舰船图像,对其进行增强、去噪、过滤处理,提升舰船图像质量,然后从舰船图像中提取识别特征,将其作为卷积神经网络的输入,舰船图像类型识别作为卷积神经网络的输出,建立舰船图像类型识别分类器,最后采用Matlab2017对5种类型的舰船图像进行仿真测试,卷积神经网络的舰船图像类型识别正确率超过95%,舰船图像类型的误识率和漏识别均低于5%,获得了理想的舰船图像类型识别结果,而且舰船图像类型识别性能远高于其他舰船图像类型识别方法,具有十分广泛的前景。     

一种隧洞探测型AUV及其图像拼接方法研究

裂缝是输水隧洞最普遍的缺陷和潜在威胁,AUV巡检与拍摄输水隧洞中的裂缝,通过拍摄的水下图像进行处理,以确定裂缝位置。但由于水下环境极大限制了光视觉图像可视范围与分辨率,单幅水下图像所获得的视角范围有限,所以本文提出了基于SURF算法的AUV水下图像拼接方法研究。该方法首先在图像预处理阶段对水下图像进行去畸变与限制对比度自适应直方图均衡化处理,用于解决水下图像存在的畸变、对比度低、噪声严重等问题。接着将SURF特征点检测算法应用于水下图像配准当中,并与RANSAC算法相结合对特征点进行精确匹配,然后应用线性渐变融合算法实现水下图像融合,有效去除拼接缝隙,完成水下图像拼接,最终通过水池与外场实验拼接图像来验证该方法的正确性。     

卷积神经网络船舶遥感图像目标检测

本文提出卷积神经网络的船舶遥感图像目标检测方法。采用拉普拉斯算子增强处理船舶遥感图像,使得船舶目标特征信息更加清晰;基于Snake模型分割出遥感图像中的船舶目标,通过Gabor滤波器提取船舶遥感图像目标特征向量;基于卷积神经网络搭建船舶遥感图像目标检测架构,统一化处理分支网络置信度,对卷积神经网络进行训练,获取最优权重系数;将遥感图像输入至训练好的卷积神经网络中,即可实现船舶目标的检测。实验数据显示：应用本文方法获得的F1 Score参量与IoU参量数值全部大于给定标准数值,充分证实本文方法具有较好的船舶遥感图像目标检测效果。     

基于卷积神经网络的舰船图像边缘检测算法

为合理分布舰船行驶图像卷基层结构中的边缘化网络参数,设计基于卷积神经网络的舰船图像边缘检测算法。按照图像数据特征可视化处理依据,设定必要的神经动量值,完成基础卷积神经网络设计。在此基础上,命名舰船图像节点,再以基本边缘数据结构连接原理为参照,配置检测链接库,实现舰船图像边缘检测算法的顺利应用。对比实验结果,与理论检测手段相比,应用舰船图像边缘检测算法后,最大化网络参数值达到9.0×1015 T,图像边缘化检测覆盖率超过80%,舰船行驶图像卷基层结构中的边缘化网络参数达到理想化分布状态。     

基于卷积神经网络的船舶图像增强研究

为了更好的识别船舶图像信息,提出基于卷积神经网络的船舶图像增强方法,利用卷积神经网络技术对船舶图像特征进行采集和建模,并对采集到的数据进行降噪,再根据图像颜色特征进行图像缺陷修复和图像的逆向恢复处理,从而获得高品质的船舶图像。最后通过实验证实,卷积神经网络能够有效改善船舶图像的显示质量,满足传播图像增强的设计目标。     

基于Chan-Vese模型的海面油膜分割应用

考虑到采用高空间辨率的光学图像开展海面油膜的监测由于海面风、浪、流等环境因素的影响,采集到的视频图像普遍存在成像光照不均匀、低对比度、低信噪比等问题,采用自适应高斯滤波进行图像噪声去除,基于一种局部图像对比度增强算法进行去雾和对比对增强处理,通过颜色空间转换配合Chan-Vese模型进行图像分割,使得海面油膜图像处理取得了良好效果。     

基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明：分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.     

基于改进YOLOv5的船体焊缝缺陷自动检测方法

为解决采用人工手段检测船体焊缝速度慢、准确度低的问题,提出基于改进YOLOv5的船体焊缝缺陷自动检测方法。利用相机采集船体焊缝图像,使用正弦灰度变换对焊缝图像进行处理,避免焊缝图像特征消失,提高正常焊缝与存在缺陷焊缝间的对比度,将处理后焊缝图像作为YOLOv5网络的输入样本,经网络Backbone、Neck以及Head部分处理,输出焊缝缺陷自动检测结果,并使用Ghost Net替换YOLOv5网络主体部分的一般卷积层（CBS）,降低网络进行船体焊缝缺陷检测的计算量和资源消耗量。实验结果表明,采用正弦灰度变换后的图像更加清晰,可突出显示焊缝缺陷特征,提升焊缝缺陷检测结果精准。改进后网络训练损失函数为0.15,平均准确率为98%,可实现不同焊缝位置的缺陷检测。     

基于深度卷积神经网络的船舶识别方法研究

为解决目前船舶识别率较低的问题,基于深度卷积神经网络算法,提出一种在深度卷积神经网络基础上的改进算法。利用卷积神经网络对船舶图片进行深度特征提取,结合HOG算法得到准确的边缘特征,结合HSV算法得到颜色特征,通过SVM分类器对船舶进行分类。算法主要包括2个阶段:训练阶段实现卷积神经网络的预训练,将得到特征归一化,PCA降维,通过HOG算法得到边缘特征,最后训练SVM分类器;测试阶段则对算法的准确性进行核实。实验结果表明,该方法平均识别正确率达到93.6%,可以很好地实现船舶识别。     

不稳定条件下船舶遥感图像层次特征识别分析

传统遥感图像特征识别方法,在不稳定条件下无法准确对图像中的层次信息进行特征识别及分析处理。因此,提出不稳定条件下船舶遥感图像层次特征识别方法。通过对遥感图像进行特征干扰源提取计算,使图像层次变得清晰;引入卷积神经网络算法对图像层次特征进行网络化特征提取计算;采用像素特征识别方法对图像层次特征进行识别与分析;最后,通过实验对设计方法进行可行性的客观论证。     

船舶采集图像智能分类研究

为实现不同角度和不同距离下,船舶采集图像的智能分类,提出基于多尺度注意力深度卷积神经网络分类算法的船舶采集图像智能分类。将采集的船舶图像输入该网络中,网络的多尺度深度卷积层采用3个多尺度特征注意力模块结合深度残差模块,提取船舶采集图像不同层次的局部不变性特征;池化层对该特征转换处理后形成特征向量;全连接层池化层引入尺寸匹配函数融合特征向量,形成多尺度纹理特征向量并输入分类层,实现船舶采集图像智能分类。测试结果显示：该方法可实现不同船舶类别图像特征提取,gini指数结果均在0.963以上,可依据分类需求,实现不同角度以及距离条件下、不同的船舶图像类别的准确分类。     

图像增强技术在码头水下结构外观巡检中的应用*

定期开展码头水下结构的外观巡检是码头平稳运行的重要保障。通过分析现有的检测方法，发现获取图像质量不佳是采用视觉技术实施外观巡检的主要限制条件。结合相关检测作业的要求，创新提出将人造多幅欠曝光算法与颜色通道补偿方式进行融合，并通过试验验证使用图像增强算法的水下拍摄图像的视觉质量。结果表明，多曝光与颜色补偿可有效提升水下图像的对比度、恢复细节信息并进行颜色矫正，且运算效率高；图像增强算法可有效提升水下拍摄图像的视觉质量，帮助技术人员及时识别水下结构缺陷；试验中SIFT特征点匹配数量说明提出的算法有利于后续开展缺陷的自动识别及测量研究。     

船舱内部监控图像模糊增强算法

常用的图像增强处理算法利用图像直方图均衡原理进行增强,算法的时间复杂度很高,实时性和处理效果较差。为提高图像质量,研究船舱内部监控图像模糊增强算法。监控图像经过预处理后,将图像变换到模糊域,使用图像对比度作为模糊增强算子对图像进行增强处理,完成算法研究。通过与2种传统增强算法的对比实验,证明了研究的算法相比较至少缩短约40%的处理时间,且处理后的图像质量相比更佳。     

海上拍摄图像的清晰化算法研究

海上拍摄的图像易受到雾气与海面光影的影响,导致图像对比度低、可读性差,对后续图像分析造成了不利影响。论文提出了一种清晰化算法,改进了暗通道去雾方法中大气透射率的估计方法,利用引导滤波优化透射率,进而求解大气散射物理模型实现去雾。针对去雾后图像亮度较低,对比度差,不利于后续的图像分析问题,对去雾后图像进行gamma校正,增强对比度,改善可读性。将算法应用于典型图像,与经典算法相比,所提算法效果显著,实现了去雾功能,有效增强了目标对比度,图像自然且无失真情况,为进一步的图像分析打下了良好的基础。     

特征匹配的舰船图像识别算法

针对传统的舰船图像识别算法的鲁棒性较差的问题,研究特征匹配的舰船图像识别算法。对待识别的舰船图像做降噪和边缘强化处理,建立高斯金字塔使用SIFT方法提取预处理后的图像中的特征,并对提取的特征进行匹配。在神经网络中对匹配后特征对过滤,对过滤后的匹配特征对分类处理完成对舰船图像的识别。通过与传统图像识别算法的对比实验,证明了研究的特征匹配的舰船图像识别算法具有更佳的鲁棒性。     

胶囊网络矢量水听器DOA估计

针对水下环境信噪比低的特点,以及传统子空间算法计算复杂度高等问题,提出一种基于胶囊网络（capsules network,CapsNet）的波达方向（direction of arrival,DOA）估计模型。将水下矢量水听器阵列采集的协方差数据实虚部分离作为二维数据输入,利用胶囊结构构建向量神经元,通过动态路由的特征传递方法,得到相应矢量胶囊的分类输出,实现低信噪比条件下的DOA估计。为了验证胶囊网络模型的性能,在不同信噪比下条件下,与多重信号分类（multiple signal classification,MUSIC）和卷积神经网络（convolutional neural networks, CNN）的DOA估计结果进行对比分析。仿真结果表明,训练后的胶囊网络,具有更高的水下DOA估计准确率,抗噪性方面优势更加明显,并且在提升性能的同时,加快了方位估计速度。