基于改进CNN-RANSAC的水下图像特征配准方法

计算机工程与科学

基于改进CNN-RANSAC的水下图像特征配准方法

盛明伟，唐松奇，万磊，秦洪德，李俊

（哈尔滨工程大学水下机器人技术重点实验室，黑龙江哈尔滨 150001）

收稿日期:2019-06-28 修回日期:2019-11-29 出版日期:2020-05-25 发布日期:2020-05-25
基金资助:
国家自然科学基金（51979057，51609050）；水下机器人技术重点实验室研究基金
（6142215180209）；中央高校基本科研业务费项目面向国际学术前沿支持计划（3072019CFG0101）

An underwater image feature registration

method based on improved CNN-RANSAC

SHENG Ming-wei，TANG Song-qi，WAN Lei，QIN Hong-de，LI Jun

（Science and Technology on Underwater Vehicle Laboratory,Harbin Engineering University,Harbin 150001，China）

Received:2019-06-28 Revised:2019-11-29 Online:2020-05-25 Published:2020-05-25

摘要/Abstract

摘要：

水对光的吸收和散射效应降低了水下图像的质量，水下图像的可视范围受到限制，复杂水下场景下的鲁棒性和精确性问题使得特征提取与匹配成为一项具有挑战性的任务。为了更好地配准水下图像，提出了一种改进CNN-RANSAC的水下图像特征配准方法，首先通过基于深度卷积神经网络的水下图像增强方法对水下图像进行增强预处理，通过水下图像分类数据集迁移学习训练VGGNet-16网络框架，利用修改后的网络框架进行特征提取，生成鲁棒的多尺度特征描述符与特征点，经过特征粗匹配与动态内点选择，使用改进的RANSAC方法剔除误匹配点。在大量水下图像数据集上进行了充分的特征提取和特征匹配实验，与基于SIFT和SURF的配准方法相比，该方法能够检测到更多的特征点，实现了匹配正确率的大幅度提高。

关键词: 水下图像, 图像配准, 卷积神经网络, 特征提取, 特征匹配

Abstract:

Due to the light absorption and scattering effect underwater, the quality of underwater images is reduced, which greatly limits the visual range of underwater images. The robustness and accuracy of complex underwater scenes make feature extraction and matching a challenging task. In order to get better registration of underwater images, this paper proposes an underwater image feature registration method based on improved CNN-RANSAC. Firstly, the underwater image is enhanced by the image enhancement algorithm based on deep convolutional neural network, and the VGGNet-16 framework is trained by transfer learning through the underwater image classification datasets, and the improved framework is applied to carry out feature extraction and generate robust multi-scale characteristic descriptor and feature points. After coarse feature matching and dynamic interior point selection, the improved RANSAC algorithm is used to eliminate false matching points. The feature extraction and feature matching experiments are carried out on a large number of underwater image datasets. Compared with the traditional SIFT and SURF registration algorithms, the proposed algorithm can detect more feature points and achieve a significant improvement in matching accuracy.

Key words: underwater images, image registration, convolutional neural network, feature extraction, feature matching

盛明伟，唐松奇，万磊，秦洪德，李俊. 基于改进CNN-RANSAC的水下图像特征配准方法[J]. 计算机工程与科学.

SHENG Ming-wei，TANG Song-qi，WAN Lei，QIN Hong-de，LI Jun.

An underwater image feature registration

method based on improved CNN-RANSAC

[J]. Computer Engineering & Science.

[1]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[2]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[3]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[4]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[5]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[6]	曹浩东, 汪海涛, 贺建峰. 融合序列局部信息的日期感知序列推荐算法[J]. 计算机工程与科学, 2024, 46(04): 734-742.
[7]	秦文强, 吴仲城, 张俊, 李芳, . 基于异构平台的卷积神经网络加速系统设计[J]. 计算机工程与科学, 2024, 46(01): 12-20.
[8]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[9]	周理, 赵祉乔, 潘国腾, 铁俊波, 赵王. 基于RISC-V的图卷积神经网络加速器设计[J]. 计算机工程与科学, 2023, 45(12): 2113-2120.
[10]	张文豪, 瞿绍军. 基于双解码器结构的多尺度注意力特征融合网络的视网膜血管分割#br#[J]. 计算机工程与科学, 2023, 45(12): 2175-2185.
[11]	陈巩, 李占利, 朱莉. 多尺度深度特征融合的个人信用风险预测[J]. 计算机工程与科学, 2023, 45(12): 2265-2273.
[12]	周成江, 贾云华, 张雨宽, 禄俊. 基于FCEEMD复合筛选的故障特征提取方法[J]. 计算机工程与科学, 2023, 45(11): 2070-2077.
[13]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[14]	余子丞, 凌捷. 基于Transformer和多特征融合的DGA域名检测方法[J]. 计算机工程与科学, 2023, 45(08): 1416-1423.
[15]	刘俊奇, 涂文轩, 祝恩. 图卷积神经网络综述[J]. 计算机工程与科学, 2023, 45(08): 1472-1481.