英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
一种在微型仿生机器鱼上实现的自适应在线水下图像处理算法
摘要：针对计算量小的微型机器鱼，提出了一种新的水下图像处理方法，用于不同目标的检测和初步定位。 我们方法的一个关键方面是图像处理算法，这个算法是在线执行的，比如，在游泳的时候，在线执行，而不是作为一个离线的过程。 另一个关键问题是该算法能够在较大的距离范围内自适应地识别目标。 针对水下图像质量差、机器人计算量小的特点，首次采用了实时图像预处理算法——加速自动颜色均衡accelerated automatic color equation（AACE)模型，提高了图像的色差和边界清晰度。 基于 HSV 的自适应阈值分割、块检测、反射消除和路标匹配，以鲁棒的方式对目标进行定位和计算机器人与目标的距离。 系统地进行了一系列与机器鱼相关的实验，证明了所提出的图像处理方法对基于视觉的微型游动机器人在线应用具有自适应性、高效性和实时性。
1．介绍
随着人们对水下资源需求的日益增长，水下机器人一直是近几十年来的研究热点。 视觉是获取附近水环境丰富信息的最直接方式，对水下机器人起着至关重要的作用，类似于水生动物的眼睛。 例如，当执行水下任务时，水下人造结构的检查和修复，视觉辅助水下机器人可以直接识别周围的目标和障碍物，并及时准确地做出反应。 因此，基于视觉信息的水下机器人图像处理技术在过去几十年中得到了广泛的关注。 由于水介质的特殊性，水下图像处理面临着巨大的挑战。 与地面图像相比，水下图像质量相当差，如海洋积雪、对比度差、颜色扭曲和退化。 此外，当水下机器人移动时，图像变得模糊。 因此，在大多数情况下，图像预处理是提高水下图像质量的第一步。 文献中已经提出了几种水下图像预处理算法 ，这些算法显著地提高了图像质量。 然而，大多数这些算法处理水下仪器获得的离线视频。 然后进行图像增强，对水下图像进行处理，以提取不同应用的特定信息(如目标和障碍) ，如站点保持和定位。 许多图像处理算法已经被提出并部分实现在水下机器人上。然而，它们中的大多数都是离线执行的，类似于预处理过程。 此外，这些算法基本上是为大型水下机器人和机载 pc 系统设计的。 一般来说，这些机器人系统具有高计算能力和大的能量存储，可以运行复杂的图像处理算法，以适应许多水下情况。 另一方面，近年来，由于小型化、高柔韧性的仿生游泳机器人受到越来越多的关注，相应的低计算量图像处理算法迫切需要在这些机器人上开发和应用。 虽然已经建立了几种适用于水下机器人的图像预处理算法 ，但它们从未提及用于提高图像质量的预处理算法。因此，本文在以往视觉基础机器鱼研究项目的基础上，提出了一种新颖的自适应在线水下图像处理方法，用于不同目标的检测和机器鱼的初步定位。 与其他水下图像处理算法相比，在线、自适应和低运算量是我们处理水下图像的三个主要方面，特别是在低运算量的情况下，首次采用实时算法来改善水下图像的质量。 在此基础上，采用基于 HSV 的自适应阈值分割、块检测、反射消除和地标匹配的算法对目标进行粗糙集定位和计算机器人与目标之间的距离，为进一步的在线定位和运动控制奠定了基础。 第二部分提出了水下图像预处理的算法，第三部分描述了水下图像处理。 第四部分描述了机器鱼和实验平台。 第五节给出了系统的实验和结果，验证了所提出的方法。 部门负责这份报告。
2. 水下图像预处理: AACE model
除了水下图像的常见问题外，在线图像处理还面临着机器人运动引起的图像模糊问题。 因此，考虑到图像质量的提高和机器人计算资源的低下，采用一种新的模型进行图像预处理，该模型受到人类视觉的一些适应机制的启发，能够适应光强变化很大的条件，有效地从环境中提取视觉信息。 它可以提高图像的质量，主要是在控制色彩对比度，最大化图像动态范围和锐化图像的边界(Artusi 等人(2006年))。 然而，由于 ACE 的高计算成本，它不能胜任实时应用。 因此，本文对加速 ACE (AACE)模型(Artusi 等人(2006))进行了一些修正和采用，大大减少了计算时间。 图1展示了 AACE 方案，其中为输入图像， 为原始图像的子集， 为选定子集的中间结果， 为选定子集的最终输出，为整个输入的最终输出，下标 c 分别为 丹尼特思 R、 G、 B 色通道，相机的原始输出格式为 RGBB。
图一 AACE 模型的主要结构
为了大大减少计算开销，AACE 首先通过随机抽样从原始图像中选择一个子集，c。 注意，选择图像的大小可以用来调节不同应用的计算时间，然后，通过对每个通道 c 分别对每个像素 i 进行转换得到一个中间图像，
即 d (i，j)是全局和局部滤波效果的欧几里得度量。 分母是一个标准化因子，用来避免图像边界附近的渐晕。术语 是r()函数的最大值，定义为一个符号函数:
其次，为了提高图像的细节质量，在灰度世界和白色补丁之间增加了一个额外的全局平衡，扩展了 的动态范围到[0， ]。 输出的形式是
其中 是可用的动态最大值。 =255，=/ 2并且 / max (，c (i))。 然后，用多项式函数定义输入子集 ，c 和输出子集 c 之间的映射函数:
其中 index i 代表输入子集图像，index o 代表由 AACE运算法则处理的输出子集图像。 系数表示控制映射函数行为的未知系数。 一般来说，这些多项式函数是过定系统。 为此，采用奇异值分解的方法提取这些未知系数，一旦提取出映射函数的行为，就把它们应用到整个输入图像集中，获得最终的输出结果。
3．水下图像处理
经过预处理后的图像质量有了较大的提高，但图像中仍然存在噪声、反射和颜色失真等问题。 这些问题是解决使用自适应和有效的图像处理策略，这主要是在图2。 最后，通过自适应高效的方法在线获得机器人与目标的距离
3.1 基于HSV 的自适应阈值分割
首先，利用 HSV (色调、饱和度和值)颜色空间进行阈值分割。 它基本上不同于众所周知的RGB 颜色空间，因为它将亮度从颜色信息中分离出来(sural 等人(2002))。 从而在很大程度上避免了水下环境中光照不均匀的影响。 此外，我们还发现，随着机器人与目标之间的距离(ds，在后面的部分中明确定义)的增加，目标与背景之间的颜色收缩也逐渐增大。 为此，我们使用 去自适应调节目标的颜色阈值，从而获得稳健的目标颜色提取，实验上以色调概率为主要特征来识别目标的颜色。 首先，AACE 处理后的图像 从 RGB颜色空间转换为 HSV 颜色空间。 从现在开始，下标 c 分别表示 H,S,V 通道。 然后，将每个像素 i 自适应地识别为颜色，如果它满足本文中表示红色、黄色和绿色的条件，则 k 表示颜色的调节因子， 和 表示色相通道中颜色的下限和上限阈值， 和 分别是饱和度和值通道的最小值。 利用 和 去除图像背景中的噪声。 目标颜色的阈值是通过预先充分的实验获得的。
图2 在线水下图像处理算法流程图
3.2块度检测与反射消除
在自适应阈值分割后，同时提取目标和人体。 在大多数情况下，当噪声为单个或小组噪声时，目标聚集在一起，因此，引入了一个块状检测器来处理噪声。检测器有一个块状窗口(即临界尺寸)来判断所获得的块状物: 当尺寸大于临界尺寸时，记录下相应的块状物，否则，块状物会消失。 此外，噪音有时也会被错误地检测为块状。 考虑到实际块度,总是最大值,而且位置较低，提出了一种简单的反射消除方法，如图3所示。 注意，当检测到两个以上的肿块时，实际肿块是通过投票产生的。
图3反射消除流程图
3.3路标匹配和距离计算
反射消除后，进行地标匹配以识别真实目标。 为了提高识别的鲁棒性，我们使用两个不同颜色的路标并行连接作为有效目标。 首先，使用开源轮廓逼近函数(在公开 cv 库中)独立提取两个彩色地标的矩形轮廓。 然后，目标匹配成功，如果两个地标的中心线之间的距离小于一个临界值，无论是垂直方向还是水平方向。 最后，当在图像中检测到有效目标时，基本上根据针孔成像原理，计算出机器人与目标之间的距离。 图4显示了距离计算中的相关参数，距离确定如下
其中 是摄像机光学中心与场中心之间的距离，m 是中心偏心与目标中心之间的距离，h 是目标的高度， 是图像平面上场中心与地标中心之间的距离， 是图像平面上目标的高度。 通过预先实验测量，得到了最小二乘准则。 注意 ，， 和 的单位是像素，而 m，h 和 的单位是米。 假设目标的中心线和摄像机的中心线在同一水平面上，这大致上满足了精心布置的目标。 最后采用卡尔曼滤波器对计算距离进行平滑，为进一步的应用提供了稳定的输出。
- 机器鱼和实验平台
4.1机器鱼概述
自主 / 无线控制机器鱼的配置如图5所示。它由一个流线型的主体，一对胸鳍和一个尾鳍组成，因此机器人可以执行多种游泳模式，包括前进和后退游泳，转弯和俯仰。特别地，Raspberry Pi，采用信用卡大小、低成本的微型计算机作为机器人的主控制器。它有一个片上的 博通公司 BCM2835系统(SOC) ，其中包括一个 ARM1176JZF-S 700MHz 处理器。这个机器人是由一个linux系统(Debian)自动操作的，此外，低成本的摄像头有130万像素，用于拍摄水下图片相机图像的最大大小为1024times;768像素。 为了满足低性能处理器的实时性要求，实验中采用了176times;144像素的大小。
4.2实验平台实验中，机器人在一个300cm 200cm 30cm 的游泳池中游泳，6个目标(有效标志)均匀地分布在池壁上。 目标由不同颜色的地标产生，红色，黄色和绿色的组合，分别是RG, GR, YR, RY, GY and YG. RG和 GR 分别表示红绿色和绿红色，以此类推。 这个实验场景在无花果中展现出来。 图6。 一般来说，图像处理算法由机器人在线执行，当机器人从150厘米的距离游向不同的目标时。 同时，将相关结果实时记录在树莓皮闪光灯上并进行恢复。 同时，利用视觉跟踪平台对机器人的位置进行跟踪，并利用超高清摄像机计算机器人与目标的距离。 跟踪平台的最大误差为3厘米，因此，跟踪平台计算出的距离作为实际距离。
- 实验和结果
该图像处理算法在温室机器鱼上进行了验证。 系统地给出了该算法在计算资源较少的微型游泳机器人上运行时的预处理、图像处理和计算距离的结果，表明了该算法的自适应性和高效性。
5.1 AACE 预处理结果
这部分演示了机器人游向不同目标时，原始图像和经过处理的图像之间的对比结果，如图7所示。 经过预处理后的图像质量明显提高。 具体来说，经过处理的图像的 p 色变得更明亮，边缘变得更锐利，色彩对比度增强。 这些改进大大有利于后续的图像处理，从而有效地解决了水下图像质量差的问题。因此，提出的算法对水下图像质量较差的问题给出了满意的解决方案，更重要的是，提出的算法计算量小。 这使得低计算资源的水下机器人的图像预处理成为现实，特别是那些嵌入式系统的仿生游泳机器人。
5.2图像处理结果
经过预处理后，图像处理以一种有效的方式进行。 图8显示了机器人捕捉红绿色目标时图像处理的对比结果。 从图8(b)和(c)我们可以看出，经过处理后，噪声已经被显著地消除了。 这是由于声纳放大了目标和噪声之间的颜色对比。 检出肿块后，小的噪音被完全去除，并且寻找可能的地标，如图8(d)和(e)所示。 在照片里，目标被识别出来，有的有，有的没有。 然而，仔细的检查发现 AACE 处理的结果有更高的准确性，因为没有AACE 的识别目标与真实目标相比有一个小的向正确的方向移动。 这也得到了 fig 的证实。 8(e)及(g)项。 通过大量的实验系统地验证了该算法的自适应性，实验中机器人从远到近游向不同的目标。 图9同时说明了有和没有安全措施的影响结果。 显然可以观察到 AACE在目标感知距离上扩展了机器人的能力。 此外，经过处理的结果在识别目标大小方面具有较高的准确性。 这可能有利于进一步的基于视觉的应用，比如运动控制和定位。更常见的是，计算算法的识别率。 如表一所示，在较远的距离(120厘米sim;150厘米) ，AACE 显著地提高了机器人最终的目标识别率。 对于未知环境下的机器人而言，更宽的传感范围具有重要意义。 该算法不需要对图像进行(a)预处理和(b)预处理，而是在机器鱼游向不同距离的目标时进行图像处理，从而能够进行更全面的计划和响应。 在中距离(90厘米sim;120厘米) ，识别率稍有提高。 近距离(60厘米ー90厘米)识别率略有下降。 这可能是由于近距离目标颜色相对变化较大引起的，可以通过使用更合理的阈值来避免。
图8 图像处理中有(下)和无(上)的对比结果。 (a)原图。 (b)阈值分割后识别红色; (c)阈值分割后识别绿色; (d)块检测后识别红色块; (e)块检测后识别绿色块; (f)反射消除后识别红色块; (g)反射消除后识别绿色块; (h)最终目标识别。
图9 图像处理结果没有(a)和预处理(b) ，当机器鱼游向不同目标在不同的距离
5.3距离计算结果
来平滑到 Eqn 的计算距离。 (6)采用卡尔曼滤波。 这一部分说明了原始和卡尔曼滤波距离的特点，在机器人操作的时候。 实验过程如下: 一开始，机器人捕捉到一个有效目标的视觉，距离不超过140厘米; 在12秒时，机器人以大约8cm / s 的速度游向目标。 图10显示了用卡尔曼滤波器和不用卡尔曼滤波器计算的距离。 值得注意的是，与实际距离相比，滤波距离更稳定、更准确。
表1 算法的识别率，有和没有AACE(%)。
- 结论和未来的工作
-
该报告提出了一种在计算资源较少的小型机器鱼上实现的自适应在线水下图像处理方法。 针对水下图像中光照不均匀、颜色对
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238051]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
