基于深度学习的水下图像增强与目标检测方法研究.pdf

基于深度学习的水下图像增强及目标检测方法研究

摘要

近年来，随着海洋探索技术的不断发展，水下图像的研究逐渐被众多研究人员关

注。水下图像包含丰富的信息，包括水下地理环境、水下生物分布和水下矿产资源信

息等，已经成为研究者们研究水下环境的重要信息来源。然而，水下环境复杂，获得

的原始水下图像通常质量较差，对有效信息造成严重干扰，同时也影响了水下检测方

法的性能。本文总结近些年中水下图像处理的发展现状，介绍了目前深度学习中常见

的模型结构及组成模块，研究了现有的水下图像增强方法和水下目标检测方法，并针

对其中存在的问题提出改进。

为了解决原始水下图像中存在的颜色偏差、细节模糊和纹理失真等问题，本文提

出了一种结合卷积和Transformer的两阶段模型SCDTNet来提高水下图像质量。提出

的SCDTNet模型分别考虑了图像浅层特征和深层特征对图像视觉效果的影响，同时考

虑了卷积和Transformer在处理不同特征方面各自的优势，设计对应的模块结构处理不

同特征。针对图像浅层特征，使用基于密集连接的卷积块进行处理，以提高图像的细

节部分并校正颜色偏差。针对图像的深层特征，设计了一个基于通道处理Transformer

块的U型结构处理，以增强图像的语义信息和深层纹理。在公开数据集上的实验证明

了SCDTNet模型有着良好的水下图像增强效果。

为了解决目前水下目标检测任务中，检测精度较低，易漏检和误检的问题，本文

基于DETR类检测模型进行改进，提出一个改进模型Deformable-DETR-DA，用于水

下目标检测任务。模型考虑了原始Deformable-DETR模型中存在的特征提取能力不足

的问题，设计了使用通道注意力引导的模块进行改善，提出并嵌入额外的特征处理模

块以进一步提高检测性能。在公开数据集上的实验证明了Deformable-DETR-DA模型

有着良好的水下目标检测效果。

为了进一步提高提出的水下目标检测模型的性能，本文使用提出的水下图像增强

模型SCDTNet对数据集进行图像增强预处理，以提高提出的Deformable-DETR-DA模

型的检测性能，并通过实验证明了水下图像增强作为水下目标检测预处理的有效性。

关键词：水下图像处理；水下图像增强；水下目标检测；卷积神经网络；Transformer

基于深度学习的水下图像增强及目标检测方法研究

Abstract

Inrecentyears,withthecontinuousdevelopmentofoceanexplorationtechnology,the

researchofunderwaterimageshasgraduallyattractedtheattentionofmanyresearchers.Un-

derwaterimagescontainabundantinformation,includingunderwatergeographicalenviron-

ment,underwaterbiologicaldistribution,andunderwatermineralresourcesinformation.Un-

derwaterimageshavebecomeanimportantsourceofinformationforresearcherstostudythe

underwaterenvironment.

Tosolvetheproblemsofcolordeviation,detailblur,andtexturedistortioninoriginal

underwaterimages,thispaperproposesatwo-stagemodelSCDTNetthatcombinesconvolu-

tionallayersandTransformerblockstoimprovethequal