水下视觉SLAM的图像滤波除尘与特征增强算法

水下视觉SLAM的图像滤波除尘与特征增强算法

胡瀚文 王猛 程卫平 刘宗霖 陈苗苗
上海交通大学船舶海洋与建筑工程学院

1 引言(Introduction)

水下视觉 SLAM,即是在水下场景中,通过对所采集的图像进行特征匹配与追踪,完成对相机的轨迹定位与对周围环境的构建 [1],在无人勘测、自由巡航等领域有巨大的应用潜力。

水下环境与陆地环境之间存在巨大差异。首先,在水下尤其是深水中,主要依赖人工光源照明,而且水对光的吸收与散射作用 [2] 导致照明范围有限且清晰度不足,水下图像特征提取困难,特征匹配度不高。此外,潜水器在近底作业或观察时,本体或推进器的扰动会将海底的沉积物扬起,如图1(a) 所示,此为水下扬尘现象。这些被扬起的沉积物与背景环境亮度色彩差距明显,因此会被误选取为高质量的特征点参与匹配,大量无效的特征点会对轨迹的求解与定位产生较大影响,极易出现跟踪匹配目标丢失的问题。由于以上问题的存在,水下图像并不能直接应用于视觉 SLAM 中,需要对图像进行预处理,使得其在以 ORB-SLAM [3-4] 为代表的各类开源视觉 SLAM 框架[5-6] 中具有良好的表现。

图片[1]-水下视觉SLAM的图像滤波除尘与特征增强算法
图 1 海山区有、无沉积物干扰条件下的彩色对比图

为解决上述问题,应对水下图像进行两方面处理,分别为对水下扬起沉积物的过滤以及对有效特征的增强。目前缺乏有关对沉积物或杂质的特征分析以及其对图像所造成干扰的研究,而有关水下图像增强的算法研究较多,可以分为传统算法、去雾增强算法以及基于深度学习的算法 3 大类。

这 3 类算法中,传统方法包括滤波 [7]、直方图均衡化 [8] 以及独立成分分析 [9-11] 等,这些方法简单易用,但缺乏足够的灵活性来应对水下的复杂情况;去雾增强算法包括暗通道去雾 [12] 和 Retinex 去雾[13] 等,它们通过建立光照模型[2] 并提取图像本身的反射光成分来实现图像增强,这种算法的图像复原能力很强,但应用在水下时需要用深度信息计算光的衰减[2],在仅有灰度图的情况下对深度的估算具有较大的误差,增强效果有限;同时,基于深度学习的图像增强算法,例如用卷积神经网络增强 DSLR(数码单反)图像的算法[14] 和 WESPE(weakly supervised photo enhancer) [15] 等,无论在视觉效果或是图像评价指标上均表现出色,但其需要大量的数据集来训练生成式对抗网络,而且泛化能力不足,不能适应数据集外多样的环境。

本文工作可以分为两大部分:首先,为消除扬起沉积物对特征提取与匹配的干扰,通过分析沉积物的特征,设计一种半均值滤波算法,避免了视觉SLAM 系统出现跟踪定位失败的情况;其次,为解决照明范围限制和清晰度不足的问题,在已有研究的基础上,利用深海同一地形环境特征的相似性建立并求解光照模型,设计一种光照均衡化算法,用于对水下图像进行特征增强。

2 半均值滤波算法(Semi-mean filter algorithm)

2.1 图像沉积物杂质的特征

图 1 为水下机器人在海底作业时拍摄的图像,图 1(a) 展示了水中由于潜水器运动或螺旋桨扰动而扬起的沉积物(黄色的杂质)对图像的干扰,图1(b) 则为无沉积物干扰时的图像。

如图1(a)所示,大量水下沉积物杂质弥散在空间中,它们具有如下特征:
1) 粒度极小,一般在 10 个像素的范围内;
2) 与背景像素灰度值对比度极高,亮度差异很大;
3) 位置分散,不会显著影响背景图像的特征分布。

基于以上分析,半均值滤波算法在尽可能不影响原有的地形相关特征的基础上,滤掉被扬起的沉积物杂质,以提高特征点提取的有效性。

图片[2]-水下视觉SLAM的图像滤波除尘与特征增强算法
图 2 半均值滤波示意图

2.2 半均值滤波模型

图 2 为滤波示意图,整个矩形框表示图片,

水下视觉SLAM的图像滤波除尘与特征增强算法-AGV吧
水下视觉SLAM的图像滤波除尘与特征增强算法
此内容为免费资源,请登录后查看
积分
免费资源
© 版权声明
THE END
喜欢就支持一下吧
点赞5 分享
评论 抢沙发

请登录后发表评论

    暂无评论内容