《表1 目标识别准确率(mAP)及检测率对比(Num)(%)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于色彩补偿的水下图像综合增强算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

水下图像增强的目的不仅是为了主观视觉质量的改进，更主要的是为了能够完成更高级别的视觉分析任务（例如目标识别和检测）。本文通过目标检测网络模型对经过7种算法增强后的水下图像数据集进行训练与测试，对比了平均水下目标识别准确率（mean average precision，mAP）和检测到目标数量与实际的目标数量的比值（Num）来评估各个增强算法对于水下目标识别和检测任务中的作用。实验的图像数据来自于RUIE （real-world underwater image enhancement）[22]近海水下图像数据集，该数据集提供3类海洋生物，即扇贝、海胆和海参的边界框和标签。由于这3种海洋生物的外观和周围环境十分相似，因此对该数据集进行目标检测及识别均具有一定的挑战性。本文从该数据集中选取2 400张标记过的水下图像作为实验图像，图像归一化大小为300×400。其中2 000张图像作为训练集，400张图像为测试集。用各种方法增强后的RUIE数据集重新训练目标检测网络YOLO-V3[23]并对3种目标进行检测，结果如图5和表1所示。3类目标的识别准确率和检测率如图6所示。在图像未经过增强处理前，m AP和Num分别为0.323和0.347。