计算机工程

作者：杨谢柳, 门国文, 梁文峰, 王丹, 谢正义, 范慧杰

单位：1. 沈阳建筑大学 机械工程学院, 沈阳 1101682. 中国科学院沈阳自动化研究所 机器人学国家重点实验室, 沈阳 110016

关键词：水下图像,图像增强,图像复原,目标检测,跨数据集

基金：国家自然科学基金(61973224); 兴辽英才计划"青年拔尖人才"(XLYC2007186); 辽宁省教育厅面上项目(LJKZ0571); 道路施工技术与装备教育部重点实验室开放基金(300102259506)

因水下环境的特殊性，水下光学图像往往存在色偏、模糊、对比度低等退化现象。为恢复颜色正常、清晰的水下图像，大量的水下图像增强复原方法已被提出，但是现有的水下图像增强复原方法主要以提高水下图像的视觉效果为直接目标，对基于深度学习的水下目标检测精度的影响尚不明确。因此，使用14种典型的水下图像增强复原方法和3种典型的基于深度学习的目标检测模型，在URPC2018和URPC2019数据集上从训练集与测试集的域差异、训练集的域数量、训练集的图像数量等方面，详细深入地探讨图像增强复原方法对基于深度学习的目标检测模型精度的影响，并自建数据集进行跨数据集测试。实验结果表明，在训练集和测试集均属同一数据集时，水下图像增强复原方法无论作为图像预处理方法还是数据增强方法，对深度学习目标检测精度的提升都无明显效果，但是在跨数据集检测时，借助水下图像增强复原方法能够大幅提升深度学习目标检测精度，mAP最高可提高13.6个百分点。

来源：2023年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第11期