隨著水產(chǎn)品需求量的增加,研究利用水下機(jī)器人檢測(cè)海洋生物從而完成養(yǎng)殖物的打撈成為未來(lái)水產(chǎn)品獲取的重要途徑。海膽營(yíng)養(yǎng)豐富,是重要的水產(chǎn)品之一,且海膽生活環(huán)境的復(fù)雜性高,可以代表大部分水產(chǎn)品,因此本文選擇海膽作為水下機(jī)器人面向水產(chǎn)品養(yǎng)殖研究的實(shí)驗(yàn)對(duì)象,研究圍繞海膽檢測(cè)識(shí)別的相關(guān)問(wèn)題。水下圖像受到水質(zhì)吸收、光散射的影響,導(dǎo)致水下圖像存在偏色、對(duì)比度較低、清晰度較低等缺點(diǎn),這些缺點(diǎn)會(huì)嚴(yán)重影響到海膽的檢測(cè)識(shí)別性能,因此對(duì)水下圖像進(jìn)行增強(qiáng),提高水下圖像的質(zhì)量是非常必要的。本文針對(duì)水下圖像存在偏色、對(duì)比度較低、清晰度較低等問(wèn)題,對(duì)現(xiàn)有的水下圖像增強(qiáng)的算法進(jìn)行優(yōu)化來(lái)增強(qiáng)水下圖像,使算法能夠根據(jù)水體環(huán)境自適應(yīng)的增強(qiáng)水下圖像,獲得穩(wěn)定的圖像增強(qiáng)效果,并可以用于工程實(shí)踐之中,實(shí)現(xiàn)水下機(jī)器人的實(shí)時(shí)視覺(jué)的穩(wěn)定的增強(qiáng)。而后通過(guò)深度學(xué)習(xí)檢測(cè)算法絡(luò)對(duì)圖像中目標(biāo)物進(jìn)行分類和定位二維坐標(biāo)回歸框,最后將回歸框作為感興趣區(qū)域進(jìn)行視覺(jué)定位,可以大幅度提高海膽檢測(cè)及分類的精度。本文的研究?jī)?nèi)容主要如下:1.水下環(huán)境獲得的圖像存在偏色、對(duì)比度較低的問(wèn)題,嚴(yán)重影響到水下海膽的檢測(cè)和識(shí)別能力。本文針對(duì)水下圖像的恢復(fù)進(jìn)行研究,提出了一種基于... 

【文章來(lái)源】：南京信息工程大學(xué)江蘇省

【文章頁(yè)數(shù)】：94 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 選題背景及研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 水下圖像增強(qiáng)的國(guó)內(nèi)外現(xiàn)狀
        1.2.2 水下目標(biāo)檢測(cè)的國(guó)內(nèi)研究現(xiàn)狀
    1.3 水下圖像海膽檢測(cè)的問(wèn)題與難點(diǎn)
    1.4 本文主要內(nèi)容及組織結(jié)構(gòu)
第二章 基于ODCP去霧的水下圖像增強(qiáng)算法
    2.1 引言
    2.2 數(shù)據(jù)集建立
    2.3 水下圖像質(zhì)量評(píng)估指標(biāo)
        2.3.1 圖像信息熵
        2.3.2 水下彩色圖像質(zhì)量評(píng)估
        2.3.3 自然圖像質(zhì)量評(píng)估器
    2.4 基于暗通道先驗(yàn)水下圖像復(fù)原算法
        2.4.1 暗通道先驗(yàn)?zāi)Ｐ?br>        2.4.2 基于暗通道先驗(yàn)的去霧算法
        2.4.3 優(yōu)化的DCP算法(Optimized DCP algorithm)
        2.4.4 基于無(wú)參考圖像質(zhì)量?jī)?yōu)化的ODCP景深因子優(yōu)化
    2.5 實(shí)驗(yàn)結(jié)果及分析
    2.6 本章小結(jié)
第三章 基于改進(jìn)的多尺度Retinex水下圖像增強(qiáng)算法
    3.1 引言
    3.2 基于色彩恢復(fù)的水下圖像增強(qiáng)算法
        3.2.1 基于多尺度Retinex色彩增強(qiáng)的圖像增強(qiáng)算法
        3.2.2 基于優(yōu)化的多尺度Retinex的水下圖像增強(qiáng)算法
        3.2.3 基于無(wú)參考圖像質(zhì)量?jī)?yōu)化的OMSR算法高斯核優(yōu)化
    3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第四章 基于改進(jìn)的SSD算法的水下海膽檢測(cè)
    4.1 引言
    4.2 基于邊緣多通道融合的SSD算法
        4.2.1 SSD算法
        4.2.2 邊緣特征增強(qiáng)顏色空間
    4.3 ISSD(Improved SSD algorithm)
    4.4 實(shí)驗(yàn)分析
        4.4.1 實(shí)驗(yàn)配置
        4.4.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.4.3 基于水下圖像的海膽檢測(cè)實(shí)驗(yàn)結(jié)果及分析
        4.4.4 基于視覺(jué)增強(qiáng)的水下圖像的海膽檢測(cè)實(shí)驗(yàn)結(jié)果及分析
        4.4.5 基于邊緣特征增強(qiáng)的水下海膽檢測(cè)實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)DCP算法的水下機(jī)器人視覺(jué)增強(qiáng)[J]. 湯忠強(qiáng),周波,戴先中,谷海濤.  機(jī)器人. 2018(02)
[2]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[3]一種基于深度學(xué)習(xí)的新型小目標(biāo)檢測(cè)方法[J]. 陳江昀.  計(jì)算機(jī)應(yīng)用與軟件. 2017(10)
[4]基于先驗(yàn)知識(shí)與大氣散射模型的圖像增強(qiáng)算法[J]. 鞠銘燁,張登銀.  電子學(xué)報(bào). 2017(05)
[5]K-均值聚類算法在海水背景石斑魚(yú)彩色圖像分割中的應(yīng)用[J]. 馬國(guó)強(qiáng),田云臣,李曉嵐.  計(jì)算機(jī)應(yīng)用與軟件. 2016(05)
[6]基于融合顯著圖與GrabCut算法的水下海參圖像分割[J]. 郭傳鑫,李振波,喬曦,李晨,岳峻.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(S1)
[7]基于偏振特征的水下目標(biāo)檢測(cè)[J]. 馬偉英.  電子測(cè)量技術(shù). 2014(12)
[8]基于區(qū)域顯著度與水下光學(xué)先驗(yàn)的目標(biāo)檢測(cè)[J]. 王慧斌,張倩,王鑫,陳哲.  儀器儀表學(xué)報(bào). 2014(02)
[9]基于注意機(jī)制的水下目標(biāo)檢測(cè)方法[J]. 董欣.  計(jì)算機(jī)與現(xiàn)代化. 2013(05)
[10]基于灰度-梯度不變矩的水下目標(biāo)識(shí)別系統(tǒng)[J]. 張銘鈞,尚云超,楊杰.  哈爾濱工程大學(xué)學(xué)報(bào). 2009(06)

博士論文
[1]基于監(jiān)控的大型城市車輛目標(biāo)識(shí)別與分類的若干關(guān)鍵技術(shù)研究[D]. 王茜.上海大學(xué) 2018
[2]基于水下機(jī)器視覺(jué)的海參實(shí)時(shí)識(shí)別研究[D]. 喬曦.中國(guó)農(nóng)業(yè)大學(xué) 2017

碩士論文
[1]水下圖像的目標(biāo)檢測(cè)與定位研究[D]. 張巍.華中科技大學(xué) 2007



本文編號(hào)：3204074