一种水下图像目标检测方法与流程

技术特征：

1.一种水下图像目标检测方法，其特征在于：首先，计算水下图像中的颜色、灰度及深度信息，作为水下图像目标检测模型的输入；其次，在水下图像目标检测模型中分别计算图像中每个像素点颜色、灰度及深度信息的全局对比度，并融合生成多信息融合全局对比度；最后，在水下图像目标检测模型中将整幅水下图像中各像素点的多信息融合全局对比度归一化，生成多信息融合全局对比度特征图像，采用OTSU算法进行特征图像强度阈值的选择，当特征图像中像素点的强度大于阈值时，为该像素点属于目标所在的图像区域，以此判别出目标所在的图像区域，实现水下图像目标检测。

2.如权利要求1所述的水下图像目标检测方法，其特征在于：将水下图像中的颜色、灰度及深度信息作为水下图像目标检测模型的输入，并分别计算三种信息的全局对比度，并融合生成多信息融合全局对比度；通过提取水下图像各像素点的深度信息建立了一种计算水下图像中各像素点深度信息全局对比度的计算方法，并将该深度信息的全局对比度同颜色、灰度信息的全局对比度融合，形成一种水下图像深度、颜色、灰度信息多信息融合全局对比度计算方法；

将水下图像中像素点x的颜色、灰度及深度信息的全局对比度分别表示为和水下图像多信息融合全局对比度S_x可通过累加的方法进行融合计算：

$S_x=D_x^i+D_x^c+D_x^d---\left(1\right)$

其中，颜色信息全局对比度灰度信息全局对比度和深度信息全局对比度的计算方法分别为：

$D_x^c=\underset{\∀I_y\∈I}{\Σ}D(I_x^c,I_y^c)=\underset{\∀I_y\∈I}{\Σ}{({\left(I_x^c\left(L\right)-I_y^c\left(L\right)\right)}^2+{\left(I_x^c\left(a\right)-I_y^c\left(a\right)\right)}^2+{\left(I_x^c\left(b\right)-I_y^c\left(b\right)\right)}^2)}^{1/2}---\left(2\right)$

其中，和分别为水下图像像素点x和y在L*a*b空间的颜色信息，为像素点x和y在L*a*b空间颜色信息间的对比度，计算为像素点x和y在L*a*b空间颜色信息间的欧式距离：

${({\left(I_x^c\left(L\right)-I_y^c\left(L\right)\right)}^2+{\left(I_x^c\left(a\right)-I_y^c\left(a\right)\right)}^2+{\left(I_x^c\left(b\right)-I_y^c\left(b\right)\right)}^2)}^{1/2}---\left(3\right)$

其中,L、a、b分别为L*a*b空间颜色信息的三个分量；

$D_x^i=\underset{\∀I_y\∈I}{\Σ}D(I_x^i,I_y^i)=\underset{\∀I_y\∈I}{\Σ}\left|\right|I_x^i-I_y^i\left|\right|---\left(4\right)$

其中,和分别为水下图像像素点x和y的灰度信息，为水下图像像素点x和y灰度信息间的对比度，计算为和的绝对差：

$D_x^d=\underset{\∀I_y\∈I}{\Σ}D(I_x^d,I_y^d)=\underset{\∀I_y\∈I}{\Σ}\left|\right|I_x^d-I_y^d\left|\right|---\left(5\right)$

其中，和分别为水下图像像素点x和y的深度信息，为水下图像像素点x和y深度信息间的对比度，计算为和的绝对差：

3.如权利要求1所述的水下图像目标检测方法，其特征在于：采用了一种基于暗信道模型的图像分割方法，能够区分图像中不同区域中的光照成分，将水下图像分割为人造光区域及自然光区域，在不同的区域中分别进行深度估计；

区域中光幕光强度最大的点对应于该区域的背景光，根据背景光的差异区分水下图像中包含不同光照成分的不同图像区域：人工光区域及自然光区域；

<1>人工光区域暗信道模型

在水下，人工补光条件下水下图像中人工光区域中像素点的成像模型可以表示为：

I_x＝(B+L exp[-αr_x])ρ_xexp[-αr_x]+(B+β)(1-exp[-αr_x]) (6)

其中，I_x为水下图像像素点x的成像光线，B为自然背景光，L为人工光，r_x为水下图像像素点x的深度信息，α为水体的衰减系数，ρ_x为下图像像素点x位置处的目标反射率，β为人工光的散射光，(B+β)为人工背景光。

水下图像人工光区域中像素点x的暗信道可以表示为：

$\begin{array}{c}{I}_x^{dark}=\underset{c\&Element;\left\{r,g,b\right\}}{\min }\left(\underset{y\&Element;{\mathrm{\&Omega;}}_x}{\min }{I}^c\left(y\right)\right)\\ =\left(B^{dark}+L^{dark}\exp \&lsqb;-{\mathrm{\&alpha;}}^{dark}{r}_x\&rsqb;\right){\mathrm{\&rho;}}_y^{dark}\exp \&lsqb;-{\mathrm{\&alpha;}}^{dark}{r}_x\&rsqb;+\left(B^{dark}+{\mathrm{\&beta;}}^{dark}\right)\left(1-\exp \&lsqb;-{\mathrm{\&alpha;}}^{dark}{r}_x\&rsqb;\right)\end{array}---\left(7\right)$

其中，B^dark、L^dark、α^dark、β^dark分别为成像光、自然背景光、人工光、水体衰减系数、反射率及人工光散射光在暗信道中的强度；根据暗信道模型人工光区域中像素点x的暗信道为该像素点的光幕光：

$I_x^{dark}\&ap;(B^{dark}+{\mathrm{\&beta;}}^{dark})(1-\exp \&lsqb;-{\mathrm{\&alpha;}}^{dark}{r}_x\&rsqb;)---\left(8\right)$

水下图像暗信道中的最大值对应于水下图像中深度最大的像素点，该位置处的r_x→+∞，则exp[-α^darkr_x]≈0，因此在人工光区域中暗信道的最大值为人工背景光，可以表示为：

$\underset{x}{max}\left(I_x^{dark}\right)=B^{dark}+{\mathrm{\&beta;}}^{dark}---\left(9\right)$

<2>自然光区域暗信道模型

在水下，人工补光条件下水下图像中自然光区域中任意像素点x的成像模型可以表示为：

I_x＝Bρ_xexp[-αr_x]+B(1-exp[-αr_x]) (10)

根据<1>中所述暗信道模型的推导过程，水下图像中自然光区域中暗信道的最大值为自然背景光，可以表示为：

$\underset{x}{max}\left(I_x^{dark}\right)=B^{dark}---\left(11\right)$

<3>自然背景光及人工背景光计算

在水下，人工补光条件下由于人工光照准目标，水下图像中人工光区域面积小于自然光区域面积。根据图像大小取前N个最大的暗信道：

$\&lsqb;K_1^{dark},K_2^{dark},...,K_N^{dark}\&rsqb;---\left(12\right)$

其中，为水下图像中像素暗信道强度按照从大到小排列：

$K_n^{dark}=\underset{x}{sort}\left(I_x^{dark}\right)---\left(13\right)$

其中，为水下图像中图像所有像素点暗信道按照强度从大到小的排列计算；

中必然包含自然背景光B^dark及人工背景光B^dark+β^dark两种背景光。对这两种背景光，根据两个判决条件进行判决并分类；

判决条件一，在颜色信息上，自然背景光的颜色色调由于水体的光谱选择性吸收效应，暗信道必然位于红色信道：

$color\left(K_n^{dark}\right)=red---\left(14\right)$

其中color(·)为颜色信息，red为红色信道；

而在人工光区域中，由于人工散射光较强，人工背景光的颜色会发生偏移：

$color\left(K_n^{dark}\right)\&NotEqual;red---\left(15\right)$

判决条件二，在强度信息上，由于人工光叠加，自然背景光B^dark强度小于人工背景光B^dark+β^dark强度，因此采用OTSU算法计算前N个最大的暗信道强度值的分类阈值Τ^dark，并以分类阈值Τ^dark区分两种背景光成分；

最终，综合这两种判决条件，可得

如果且

如果且

<4>水下图像分割

由于人工光补光，当水下图像像素点x的暗信道值强度大于自然背景光强度时，认为水下图像像素点x属于人工光区域Π_a，反之则属于自然光区域Π_b：

x∈Π_a如果

x∈Π_b如果

4.如权利要求1所述的水下图像目标检测方法，其特征在于，采用基于图像区域的深度信息计算方法：

在人工光区域中：

如果x∈Π_a (20)

其中，B^dark+β^dark为人工背景光，由式.9计算得到，α^dark为水体在暗信道的衰减系数，为图像像素点x在暗信道上的强度；

在自然光区域中：

如果x∈Π_b (21)

其中，B^dark为自然背景光，由式11计算得到。

5.如权利要求1所述的水下图像目标检测方法，其特征在于，采用多信息融合全局对比度归一化方法生成特征图像，该特征图像中像素x计算为：

$S_x^{\&prime;}=\frac{S_x-\underset{y\&Element;I}{min}\left(S_y\right)}{\underset{y\&Element;I}{max}\left(S_y\right)-\underset{y\&Element;I}{\min }\left(S_y\right)}---\left(22\right)$

其中，I为整幅水下图像；

最后，对特征图像S′采用OTSU方法选择特征图像S′的分割阈值Τ′，采用分割阈值Τ′对特征图像S′进行分割，将分割结果作为水下图像目标检测结果。