1、第 49卷 第 4期2023年 4月Computer Engineering 计算机工程基于小波变换的水下显著性目标快速检测算法孙欣悦，李庆忠（中国海洋大学 工程学院，山东 青岛 266100）摘要：目前地面显著性目标检测取得了较大进展，而水下场景具有较高的复杂性，导致水下显著性目标检测仍然面临诸多挑战。为了实现复杂水下环境的显著性目标快速检测，提出一种基于小波变换的水下显著性目标检测算法。对水下采集图像进行多级小波变换预处理，针对提取的低频子带图像，利用自适应中值滤波去除其中的斑点颗粒，对相应的高频子带进行显著性边缘检测以强化目标边缘信息。在此基础上，利用小尺度超像素分割与合并策略分割处理后
2、的低频子带图像，通过基于区域对比度的显著性检测方法进行图像显著性计算。融合低频子带显著图和高频子带显著边缘图，得到最终的显著性检测结果。USOD公开数据集上的实验结果表明，在进行水下显著性目标检测时该算法的整体度量值达到93.9%，平均绝对误差低至3.08%，能较好地实现水下大目标和成群小目标的准确检测，且在处理大分辨率水下图像时具有良好的实时性，在 CPU平台上每帧的显著性目标检测时间为 168 ms，算法适用于水下机器人显著性目标快速检测应用场景。关键词：水下目标；显著性检测；小波变换；超像素分割；区域对比度开放科学（资源服务）标志码（OSID）：中文引用格式：孙欣悦，李庆忠.基于小波变换
3、的水下显著性目标快速检测算法 J.计算机工程，2023，49（4）：249-255.英文引用格式：SUN X Y，LI Q Z.Wavelet-transform based fast underwater salient object detection algorithm J.Computer Engineering，2023，49（4）：249-255.Wavelet-Transform Based Fast Underwater Salient Object Detection AlgorithmSUN Xinyue，LI Qingzhong（College of Engineerin
4、g，Ocean University of China，Qingdao 266100，Shandong，China）【Abstract】Ground-based salient object detection has made significant advances；however，the complexity of underwater scenes has led to many challenges in underwater salient object detection.For rapid detection of salient objects in complex unde
5、rwater environments，an underwater salient object detection algorithm based on wavelet transform has been proposed in this study.The underwater image is preprocessed by multilevel wavelet transforms.For the extracted low-frequency sub-band image，the speckle particles are removed by an adaptive median
6、 filter，and the corresponding high-frequency sub-band is identified by significant edge detection to strengthen the object edge information.Based on this，the low-frequency sub-band image is segmented using a small-scale super-pixel segmentation and merging strategy，and the regional contrast-based sa
7、liency detection method is applied to calculate the image saliency.The final saliency detection result is obtained by fusing the low-frequency sub-band saliency and high-frequency sub-band saliency edge images.Experimentally，the Underwater Salient Object Detection（USOD）public dataset revealed that t
8、he overall measurement value of the algorithm is 93.9%with a Mean Absolute Error（MAE）of 3.08%，making it suitable for accurate detection of large underwater objects and small groups of objects while also providing good real-time performance in processing high-resolution underwater images.The average
9、salient object detection time of each frame on the CPU platform was 168 ms，and the algorithm is applicable to the rapid detection of salient objects of underwater vehicles.【Key words】underwater object；salient detection；wavelet transform；superpixel segmentation；region contrastDOI：10.19678/j.issn.1000
10、-3428.00642780概述 水下机器人（ROVs/AUVs）1-2是目前最先进的深海工程与作业技术之一。要快速完成深海探测任务，水下机器人必须能够智能感知海底环境，并对任务所需的显著性目标进行快速检测3。此外，随着水下观测视频、图像数据库的剧增，如何从海量视频资料中快速搜索感兴趣目标或事件也是一个亟待解决的难题，对水下显著性目标进行快速检测4在未来科技发展中将发挥重要作用。基金项目：国家重点研发计划（2017YFC1405202）；海洋公益性行业科研专项（201605002）。作者简介：孙欣悦（1998），女，硕士研究生，主研方向为图像处理、模式识别；李庆忠，教授、博士生导师。收稿日期：
11、2022-03-23 修回日期：2022-05-13 Email：开发研究与工程应用文章编号：1000-3428（2023）04-0249-07 文献标志码：A 中图分类号：TP3912023年 4月 15日Computer Engineering 计算机工程目前，按发展类型可将水下显著性目标检测方法分为基于传统特征数据分析处理的显著性检测方法 和 基 于 深 度 机 器 学 习 的 显 著 性 目 标 特 征 检 测方法。在基于传统底层特征的显著性检测方面，代表性研究成果如下：针对水下图像对比度低的问题，LI等5利用水下鱼类目标定位与显著性检测相结合的方法进行显著性目标检测与前景提取，并取得
12、了较好的实验结果，但其实时性仍有待提高；JIAN 等6提出一种集成四元距离韦伯描述子（QDWD）、主成分分析和局部对比度的水下显著性目标检测算法，该算法可以得到较精确的前景目标；KUMAR等7基于显著性梯度的形态学主动轮廓模型，提出一种水下非限制场景中提取目标形状的方法，虽然该方法具有较高的形状精度，但是计算复杂度很高；CHEN等8提出一种结合二维和三维视觉特征的水下显著性目标检测方法，但是该方法需要估计海水的深度信息；FENG 等9根据水下图像 R 通道衰减最快的特点，提出基于 R 通道校正的显著性目标检测方法，但该方法主要适合于水体中显著性目标的提取，对于海底复杂场景中的目标提取存在困难；
13、孙杨等10提出融合区域和边缘特征的水下目标分割方法，但其需要基于深度信息的边缘特征，计算复杂度较高。总之，该类方法虽然可以取得较高的检测精度，但是运行效率仍有待提高，此外，大多方法也未考虑各种散射噪声对水下图像的影响。近几年，随着深度学习技术的成熟，显著性目标检测也在往深度神经网络的方向发展，通过卷积网络提取图像各层特征信息，然后结合不同尺度特征来完成显著性目标检测，其中代表性成果有：郭继昌等11提出一种基于 CycleGAN 模型的水下显著性检测方法，利用 CycleGAN 模型转换陆地图像和水下图像，从而弥补水下显著性检测训练数据不足的问题；HUANG 等12、LI等13均采用多尺度卷积神
14、经网络来实现水下目标的快速检测；PENG 等14在基于FCNs 的模型中融合图像模糊度来获得更好的检测效果。这类方法的优点是可以得到较高的检测准确率，但是需要较大的学习数据集来支持。综上，目前水下显著性目标检测主要存在以下问题：算法实时性较低，特别是对于水下机器人视频实时观测作业，要求快速实现感兴趣目标的提取。鉴于 ROVs/AUVs通常为嵌入式处理系统，其计算能力有限，而且采集的视频图像都是大分辨率图像，因此，算法的实时性是目前实际应用中的最大阻碍；在完成观测作业时，水下机器人自身的运动很容易搅动水中浮游生物等颗粒，在图像上产生大量散射斑点，严重影响后续显著性目标的检测效果；水下机器人在观测
15、作业时，由于采用人工光照方式，因此采集的水下图像会呈现光照不均现象，传统的基于全局对比度的显著性目标检测算法不再适用；水下场景中经常出现小目标群（如鱼群），且目标大小不一，这也给水下显著性目标检测带来挑战。为克服目前水下显著性目标检测中存在的以上问题，本文提出一种基于小波变换的水下显著性目标快速检测算法。为提高处理速度、降低高频噪声的影响，对采集图像进行小波变换预处理，只提取合适的低频子带和高频子带进行后续的显著性检测。为去除浮游生物颗粒斑点对小目标的影响，对低频子带图像进行自适应中值滤波处理，对相应的高频子带进行显著性边缘检测。针对处理后的低频子带图像，利用小尺度超像素技术将其分割为有限颜色
16、的超像素图像，并通过合并后处理避免过分割问题，由此兼顾大小目标的检测。针对超像素图像，利用基于区域对比度的方法进行水下光照不均性图像的显著性检测。在此基础上，融合低频子带显著图和高频子带显著边缘图，得到最终的显著性检测结果，并通过实验验证所提算法的合理性。1水下显著性目标快速检测算法简介 水下机器人采集的观测视频图像分辨率一般为3 8402 160 像素，而水下机器人都是采用嵌入式微机系统，其计算处理能力有限。因此，为了实现水下显著性目标检测，检测算法必须快速且有效。由于水中存在浮游生物等颗粒物，当水下机器人在进行水下观测时，很容易在图像上产生大量散射斑点，如图 1（a）所示，这会影响后续显著性目标的检测效果。此外，由于采用人工照明措施，因此采集的图像一般呈现光照不均现象，如图 1（b）所示。此外，由图 1 可知，水下场景图像的另一特点是颜色不太复杂，只含少量几种颜色（彩色效果见 计算机工程 官网 HTML 版）。根据水下图像的特点，本文提出一种基于小波变换的水下显著性目标快速检测算法，算法框图如图 2所示，主要步骤为：图 1水下图像特点Fig.1Characteristics of
