陳哲，王慧斌，沈潔，徐立中

（河海大學(xué) 計算機(jī)與信息學(xué)院，江蘇 南京 211100）

1 引言

水下目標(biāo)檢測是水下目標(biāo)定位、跟蹤及識別等系統(tǒng)的關(guān)鍵單元[1～3]。由于水介質(zhì)本身及懸浮顆粒所造成的光譜、光強(qiáng)衰減及光線散射，導(dǎo)致水下圖像色彩畸變、細(xì)節(jié)模糊，并且這種影響并非穩(wěn)定的，隨著水質(zhì)、成像水深及視距而發(fā)生動態(tài)變化[4]。由于這種復(fù)雜多變且顯著迥異于大氣的光學(xué)環(huán)境[5,6]，簡單的移植或改進(jìn)常用的機(jī)器視覺算法進(jìn)行水下目標(biāo)檢測的策略在實際應(yīng)用中被證明存在較多弊端，主要體現(xiàn)在算法頑健性的嚴(yán)重降低。針對目標(biāo)檢測算法的水下適應(yīng)性問題，目前的研究工作主要集中于通過各種預(yù)處理方法提高原始圖像的質(zhì)量，為后端的信息處理提供支持。其中，基于先驗知識的水下圖像恢復(fù)算法因為其較為完備的理論基礎(chǔ)以及較為出色的性能，引起了極為廣泛的研究興趣[7,8]。它將成像過程視為激勵—響應(yīng)過程，將獲取圖像反卷積點擴(kuò)散函數(shù)來獲取清晰圖像，以增強(qiáng)水下圖像視覺效果為目的。在以圖像恢復(fù)為預(yù)處理的目標(biāo)檢測中，由于成像模型通常以傳播介質(zhì)折射率，衰減度、成像距離等物理參數(shù)為先驗知識，造成復(fù)雜環(huán)境中的知識學(xué)習(xí)及率定十分困難，嚴(yán)重影響實際應(yīng)用中的便捷性和推廣性。甚至在有些情況下由于知識的不適定性，極易造成目標(biāo)、背景信息的擾動，反而增加了目標(biāo)檢測的困難性。本質(zhì)上，水下目標(biāo)檢測的目的是通過區(qū)分圖像中目標(biāo)、背景信息間的差異實現(xiàn)對目標(biāo)區(qū)域的提取。因此，理想的預(yù)處理算法應(yīng)能夠最大化拉伸目標(biāo)同背景間的對比度。圖像恢復(fù)算法顯然不具備此類功能。因此對于水下目標(biāo)檢測，如何通過對先驗知識設(shè)計、學(xué)習(xí)及引入策略的優(yōu)化，在提高檢測精度的同時盡可能地減少計算復(fù)雜度，是本文所思考的主要問題。

水下生物視覺機(jī)制給予我們一個可以借鑒的范例。對水下生物視覺系統(tǒng)的生理學(xué)研究發(fā)現(xiàn)，限于組織結(jié)構(gòu)的規(guī)模，水下生物視覺系統(tǒng)不可能實現(xiàn)復(fù)雜的圖像預(yù)處理計算，因而其所獲取及處理的圖像按照人類視覺感知標(biāo)準(zhǔn)必然是“低質(zhì)量的，模糊的”[9]。進(jìn)一步的生物學(xué)研究還發(fā)現(xiàn)大多的水下生物能夠?qū)鈴?qiáng)、光譜及偏振3種光學(xué)信息敏感，并且敏感特性及融合方式同其特定棲息環(huán)境中的光學(xué)環(huán)境相匹配[10]。同傳統(tǒng)水下機(jī)器視覺算法相比，這種信息的處理機(jī)制反應(yīng)出一種全新的系統(tǒng)設(shè)計框架，即在不進(jìn)行圖像預(yù)處理的前提下將先驗知識直接引入到圖像數(shù)據(jù)的高級處理階段，實現(xiàn)目標(biāo)檢測?；诖?，本文歸納不同環(huán)境中生物視覺組織結(jié)構(gòu)的變化規(guī)律，并仿照生物視覺的信息處理模式最終提出一種新的基于先驗知識指導(dǎo)的多信息仿生融合算法。該算法估計當(dāng)前水下光學(xué)環(huán)境中目標(biāo)檢測任務(wù)對不同光學(xué)信息的依賴度，以此形成融合權(quán)重實現(xiàn)加權(quán)融合。不同于水下圖像恢復(fù)方法將先驗知識用于對原始圖像數(shù)據(jù)的處理，新算法直接將水下光學(xué)先驗知識引入到目標(biāo)檢測過程中，指導(dǎo)特征層面的信息優(yōu)選及融合。真實水下環(huán)境中的實驗證明，本方法在原始圖像的基礎(chǔ)上能夠直接實現(xiàn)精度較高且復(fù)雜度較低的目標(biāo)檢測。

2 水下生物視覺信息融合模型

水下生物視覺在長期進(jìn)化過程中逐步優(yōu)化其視覺器官的組織結(jié)構(gòu)，最終使其光強(qiáng)、光譜及偏振視覺敏感特性同棲息地的光學(xué)環(huán)境特性相匹配。與通常的信息處理方式不同，這種視覺信息融合方式是隨光學(xué)環(huán)境變化而變化的，體現(xiàn)出一種特有的適應(yīng)性信息融合機(jī)制。本節(jié)以水下甲殼綱昆蟲為例總結(jié)歸納生物視覺敏感機(jī)制中所反映出的視覺信息適應(yīng)性融合機(jī)制。

水下甲殼綱昆蟲的棲息地極為廣泛，幾乎覆蓋全世界所有緯度以及所有深度的水域。從寒冷的兩級到炎熱的赤道，從明亮的海洋表面到海洋中層直至海底均生存者不同種類的甲殼綱生物，這種極強(qiáng)的環(huán)境適應(yīng)能力在昆蟲中是不多見的。最新的生物學(xué)研究證明，它們敏銳的視覺主要依賴于獨特的復(fù)眼敏感特性及其對棲息地光線環(huán)境的適應(yīng)。這種能力使其能夠接收光強(qiáng)、光譜信息外還具備偏振信息的采集、處理能力。生活在不同光線環(huán)境中的甲殼綱昆蟲的復(fù)眼在中央帶小眼組成、小眼孔徑，小眼數(shù)量以及小眼視域重疊度等方面上均有顯著差異。而生活在同一水域中的昆蟲在以上幾項指標(biāo)上卻較為相近。總體上，隨著水深的減小，環(huán)境光線強(qiáng)度逐漸增加；光譜信息逐漸豐富；中央帶小眼更加的發(fā)達(dá)；小眼可接收孔徑逐漸減??；小眼數(shù)量逐漸增加；視域重疊逐漸減小。結(jié)合物理成像知識以及生物解剖學(xué)研究成果發(fā)現(xiàn)這一變化對應(yīng)著光譜敏感性及成像分辨率的增加，光強(qiáng)、偏振敏感性的降低。同水下光學(xué)成像研究結(jié)果對比后發(fā)現(xiàn)，這一生物視覺變化趨勢與不同環(huán)境中的光學(xué)特性變化完全匹配。例如，在深水區(qū)域，色彩信息幾乎衰減殆盡，僅有微弱的光強(qiáng)信息的存在，此時用于獲取色彩信息的中央帶小眼明顯衰退甚至消失，而上下半球小眼則以犧牲空間分辨率為代價換取光強(qiáng)信息的累積。而對于淺水區(qū)域的個體而言，其視覺敏感特性與此恰好相反。這種視覺調(diào)節(jié)機(jī)制能夠?qū)⒆陨淼囊曈X敏感及信息處理機(jī)制同周圍光學(xué)環(huán)境相適應(yīng)，實現(xiàn)最優(yōu)的光學(xué)信息采集及融合。結(jié)合目標(biāo)檢測問題，給予我們的啟發(fā)是：在水下目標(biāo)檢測任務(wù)中，如果能夠有效地估計當(dāng)前水下光學(xué)環(huán)境中的不同光學(xué)特征的顯著性，作為先驗知識指導(dǎo)檢測計算，將有助于提高檢測結(jié)果的頑健性。鑒于此，通過模擬抽象甲殼綱昆蟲視覺的并行分級神經(jīng)系統(tǒng)及池細(xì)胞等“調(diào)制細(xì)胞”的極化、去極化的工作模式，采用線性加權(quán)求和模型模擬視覺信息的融合過程。

其中，iw為信息融合權(quán)重，用于模擬生物視覺對某種光學(xué)特征的依賴程度；ir為初級目標(biāo)檢測結(jié)果，用于模擬生物視覺對相應(yīng)光學(xué)信息的響應(yīng)；R為最終目標(biāo)檢測結(jié)果。

3 水下目標(biāo)檢測框架

為了實現(xiàn)快速高效的水下目標(biāo)檢測，首先，仿照甲殼綱昆蟲的視覺敏特性，對目標(biāo)圖像提取光強(qiáng)、光譜及偏振光學(xué)特征。隨后，將學(xué)習(xí)得到的水下光學(xué)先驗知識直接引入到多信息線性加權(quán)融合模型中，完成水下目標(biāo)的檢測。系統(tǒng)框架如圖1所示，主要包括水下光學(xué)先驗知識學(xué)習(xí)以及知識指導(dǎo)下的信息融合。

圖1 基于先驗知識的水下目標(biāo)檢測框架

3.1 基于單一特征的水下初級目標(biāo)檢測

初級目標(biāo)檢測主要包括圖像特征提取及檢測 2部分。圖像特征主要考慮光強(qiáng)、光譜及偏振特征。算法流程如圖2所示。

圖2 初級目標(biāo)檢測

3.1.1 多特征提取

對于圖像特征除了考慮到目標(biāo)同背景間的光強(qiáng)、色彩的差異之外，針對水下強(qiáng)散射環(huán)境所可能產(chǎn)生的偏振差異，綜合提取光強(qiáng)、光譜及偏振特征。其中，在顏色初級特征提取時，將原始RGB通道變換為調(diào)制色彩通道：其中r、g、b分別為原始RGB圖像3個色彩通道。對于亮度初級特征，本文取r、g、b 3通道強(qiáng)度的均值： I = ( r + g + b )/3。偏振特征提取時首先通過線偏振濾波片的旋轉(zhuǎn)，采集偏振角α=0°、45°、90°方向上的目標(biāo)灰度圖像I。然后，根據(jù) Stokes方程I = A s in[2(φ -α) + π4]+B 解得偏振度δ=A B并歸一化表征為灰度特征圖。考慮到目標(biāo)同背景間的紋理差異，對該特征圖采用二維 Gabor濾波器來提取0°、45°、90°和135°這 4 個方向上的特征。

3.1.2 初級目標(biāo)檢測

基于單一特征的水下目標(biāo)初級檢測結(jié)果是后端多信息融合的基礎(chǔ)。比較分析了現(xiàn)有目標(biāo)檢測算法在水下環(huán)境中的性能，選擇視覺注意機(jī)制算法[11]。

在視覺注意機(jī)制算法中，為了實現(xiàn)中央周邊差計算，首先需要對原始圖像的像素點值進(jìn)行降采樣，分別獲得6、12、24層低分辨率圖像。然后，通過不同層圖像中對應(yīng)點的差確定中央層和周邊層，并對分辨率較低的周邊層進(jìn)行插值，放大至中央層分辨率。最后，兩層之間的對應(yīng)像素再次相減，生成相應(yīng)層的特征圖。對每組特征圖，采用迭代非線性歸一化算子N(·)實現(xiàn)特征圖合并。對給定特征圖 F(c,(c+s))，N(·)算子的計算如下

其中，DOG表示雙高斯差分函數(shù)，C是引入的偏置。

3.2 先驗知識學(xué)習(xí)

為了能夠在自然環(huán)境下較為簡便、準(zhǔn)確地獲取水下光學(xué)知識，本文設(shè)計了一種基于標(biāo)定圖及機(jī)器學(xué)習(xí)方法。首先，設(shè)計具有典型代表性水下標(biāo)定圖像，并將其置于待測水下環(huán)境中成像，生成訓(xùn)練樣本。隨后，設(shè)計初始權(quán)重對初級目標(biāo)檢測結(jié)果融合。最后，根據(jù)標(biāo)定圖像的檢測結(jié)果對權(quán)重進(jìn)行優(yōu)化，使得檢測結(jié)果能夠最優(yōu)逼近真實的目標(biāo)區(qū)域。通過該學(xué)習(xí)方式，可以得到當(dāng)前水下光學(xué)環(huán)境特性所決定的目標(biāo)檢測任務(wù)對不同光學(xué)信息的依賴度。其中標(biāo)定圖、損失函數(shù)及優(yōu)化函數(shù)的設(shè)計是該方法的關(guān)鍵。

3.2.1 標(biāo)定圖設(shè)計

在標(biāo)定圖設(shè)計中，針對水下目標(biāo)檢測任務(wù)，較為注重背景和目標(biāo)的光強(qiáng)、光譜，以及偏振特征間的差異。因此對于標(biāo)定圖，需要綜合設(shè)計不同色彩，不同輪廓的假想目標(biāo)。其中分別設(shè)計正方形、三角形，圓形、高斯形目標(biāo)用于模擬不同空間形狀以及突變或平滑漸變的輪廓形態(tài)。著色分別對應(yīng)682nm、607nm、577nm、542nm、492nm、462nm、410nm譜段、黑色及彩色條紋。將該 36張標(biāo)定圖置于待測水下環(huán)境中，進(jìn)行光學(xué)成像，生成彩色及三方向偏振圖像。

3.2.2 損失函數(shù)的設(shè)計及優(yōu)化

考慮到利用損失函數(shù)度量目標(biāo)檢測結(jié)果同真實目標(biāo)區(qū)域間的差異。若目標(biāo)檢測結(jié)果及真實目標(biāo)區(qū)域均表示為二值化掩膜圖，二者間的差異可以采用點對點的距離度量來表示。

其中， (,)S i j表示目標(biāo)檢測結(jié)果中對應(yīng)像素點(,)i j的強(qiáng)度值，mask(,)S i j為真實目標(biāo)區(qū)域圖中相應(yīng)點的值。對其進(jìn)行優(yōu)化

約束條件

由于變量kw較低的自由度，本文采用窮舉算法實現(xiàn)最優(yōu)的估計效果。

3.3 算法描述

本文所述的基于知識的水下目標(biāo)檢測算法主要包括水下先驗知識學(xué)習(xí)及基于多信息融合的目標(biāo)檢測2部分。先驗知識的學(xué)習(xí)主要包括標(biāo)定圖目標(biāo)區(qū)域檢測及優(yōu)化。檢測主要包括測試圖目標(biāo)區(qū)域檢測及校正，其中校正采用區(qū)域生長算法[12]，用于邊緣平滑。算法流程如下。

1) 水下先驗知識學(xué)習(xí)

步驟1 提取標(biāo)定圖顏色、亮度及偏振特征。

步驟2 基于視覺顯著模型的標(biāo)定圖初級。

2) 目標(biāo)檢測

步驟1 基于初始權(quán)重的多信息融合式(4)。

步驟2 建立誤差函數(shù)進(jìn)行權(quán)重優(yōu)化式(5)。

3)水下目標(biāo)檢測

步驟1 提取測試圖顏色、亮度及偏振特征。

步驟2 基于視覺顯著模型的測試圖初級。

4)目標(biāo)檢測

步驟1 基于最優(yōu)權(quán)重的多信息融合式(4)。

步驟2 檢測結(jié)果校正。

4 實驗及結(jié)果討論

水下圖像采集于 2012年 7月 14日 10：00（UTC/GMT+ 8.00，地點位于中國江蘇省南京市河海大學(xué)池塘（經(jīng)度：118.7°，緯度：31.9°），氣象條件陰，水下能見度小于 85cm，水下背景顏色為淺黃色。選用Nikon CMOS商用數(shù)字相機(jī)并外置防水罩進(jìn)行水下成像實驗，有效像素為 510萬，選擇B+W線偏振片。待測目標(biāo)選擇圓柱的人造目標(biāo)。水下標(biāo)定圖像及待測目標(biāo)的成像距離為 40cm，成像水深40cm。

通過36幅水下標(biāo)定圖像學(xué)習(xí)得到的3種特征所對應(yīng)的最優(yōu)權(quán)重的統(tǒng)計直方圖如圖3所示。從圖中可以看到三類特征所對應(yīng)的權(quán)重具有明顯的聚類效果，其中顏色特征的權(quán)重主要集中在[0.05，0.25]，亮度特征主要分布在[0.1，0.45]，方向特征則分布在[0.4，0.85]區(qū)間內(nèi)。通過高斯曲線的擬合，以高斯均值為該權(quán)重的代表點?？梢钥吹綑?quán)重間具有顯著差異，這一現(xiàn)象進(jìn)一步從實驗角度證明：在水下環(huán)境中，不同特征對目標(biāo)信息的表征及檢測能力不同。據(jù)此，所獲得的代表點為1w=0.079 4、w2=0.303 8、 w3=0.616 8，分別對應(yīng)顏色、光強(qiáng)及偏振信息的融合權(quán)重。從中可以看出在當(dāng)前水下環(huán)境中目標(biāo)檢測對色彩特征的依賴程度較低，更大程度地依賴于光強(qiáng)及偏振特征。

圖3 先驗知識（權(quán)重分布）

對于待測目標(biāo)，所獲得的彩色圖像、三方向偏振圖像及計算所得偏振度圖像如圖4所示。從偏振度圖像中可以看到，由于景深短，目標(biāo)同背景間僅能產(chǎn)生較為微弱的偏振差異。盡管如此，偏振度圖像仍然能夠很好地抑制背景噪聲。

圖4 水下偏振信息

根據(jù)目標(biāo)光譜，光強(qiáng)特征所獲得的目標(biāo)顯著圖如圖5(a)和圖5(b)所示,從圖中可以看到限于顏色信息的衰減，在顏色特征顯著圖中無法有效分辨目標(biāo)及背景差異。同色彩信息相比，基于光強(qiáng)特征的顯著圖能夠有效地區(qū)分背景和目標(biāo)區(qū)域，然而該特征易受背景中亮點的影響，在顯著圖中混疊了大量噪聲信息。與前2種信息相比，偏振度信息能夠提供最為可靠的目標(biāo)檢測信息如圖5(c)。首先，它能夠較為完整地刻畫出目標(biāo)的區(qū)域。其次，偏振度信息能夠有效抑制背景噪聲特別是亮點區(qū)域。在水下實驗中為了驗證本文所提出算法的有效性及優(yōu)越性，設(shè)計3組對比實驗。第一組對比實驗比較有/無先驗知識指導(dǎo)下的水下目標(biāo)檢測結(jié)果。第二組實驗從目標(biāo)檢測精度及運算時間2個方面將本文所提出的算法與基于先驗知識預(yù)處理的目標(biāo)檢測算法相比較。第三組實驗在不進(jìn)行訓(xùn)練的情況下，直接將經(jīng)驗性的融合權(quán)重引入到新環(huán)境中的目標(biāo)檢測，分析算法在環(huán)境不匹配的情況下算法的頑健性的容忍度。評價指標(biāo)

其中，?i表示檢測區(qū)域，?o表示目標(biāo)的真實區(qū)域，?b表示背景區(qū)域。 Cgood表示檢測區(qū)域占目標(biāo)真實區(qū)域的比例，Cgood越高說明檢測區(qū)域?qū)δ繕?biāo)真實區(qū)域描述得越完整。Cfalse表示目標(biāo)真實區(qū)域外的檢測區(qū)域占背景區(qū)域的比例， Cfalse越大，說明檢測的區(qū)域中包含的非目標(biāo)區(qū)域越大，效果越差。

圖5 顯著圖

4.1 有/無先驗知識指導(dǎo)下的水下目標(biāo)檢測

本實驗主要通過比較有/無先驗知識指導(dǎo)下的信息融合，分析先驗知識對水下多信息融合的指導(dǎo)及目標(biāo)檢測的影響。由于沒有先驗知識的指導(dǎo)，均勻分配信息融合權(quán)重。

從圖6中可以看到，由于光強(qiáng)顯著圖中背景噪聲的影響，綜合顯著圖中包含有大量的背景噪聲，導(dǎo)致進(jìn)一步檢測區(qū)域中包含有大量的背景區(qū)域。相比較，在先驗知識的指導(dǎo)下，融合權(quán)重得到優(yōu)化。目標(biāo)檢測對偏振度信息的依賴度增加，從而抑制顏色及亮度顯著圖中的背景噪聲。根據(jù)評價指標(biāo)如表1所示，基于先驗知識的目標(biāo)檢測精度（ Cgood=0.911 4，Cfalse=0.007 2）顯著優(yōu)于非知識指導(dǎo)下的目標(biāo)檢測精度（ Cgood=0.877 0， Cfalse=0. 091 9）。這說明水下場景中的光線環(huán)境對圖像中的目標(biāo)特征產(chǎn)生嚴(yán)重的影響，并導(dǎo)致目標(biāo)檢測算法對不同圖像特征的依賴度有所差異。因此，在水下目標(biāo)檢測過程中通過對成像環(huán)境的分析，進(jìn)而基于先驗信息對各種特征區(qū)別處理的策略有助于提高整體算法的頑健性。

圖6 目標(biāo)檢測結(jié)果

表1 目標(biāo)檢測精度

4.2 基于圖像恢復(fù)的目標(biāo)檢測算法比較

將本文算法同基于圖像恢復(fù)預(yù)處理的目標(biāo)檢測算法相比較。圖像恢復(fù)算法采用高斯模型逼近點擴(kuò)散函數(shù)[13]

其中，(x, y)為像素坐標(biāo)，(x0, y0)為原始坐標(biāo)，α為衰減系數(shù)，k為規(guī)整化系數(shù)， Dh為(x, y)的變化范圍。其中衰減系數(shù)由水下標(biāo)定圖估計得到?；謴?fù)后的圖像如圖7(a)所示。同原始水下圖像相比，恢復(fù)后圖像的對比度顯著拉伸，但是背景及目標(biāo)色彩產(chǎn)生了一定程度的畸變，背景噪聲有所加強(qiáng)。

圖7 水下圖像恢復(fù)及目標(biāo)檢測結(jié)果

由于圖像恢復(fù)過程中有可能破壞偏振信息，因此對恢復(fù)結(jié)果中色彩及亮度特征進(jìn)行處理，所獲得的色彩及亮度顯著圖如圖7(b)和圖7(c)所示。在顯著圖中背景噪聲對真實目標(biāo)區(qū)域產(chǎn)生了嚴(yán)重的影響，并沒有有效地提高目標(biāo)同背景間的區(qū)分度，采用均勻權(quán)重（ w1= w2= w3= 0 .33）進(jìn)行多信息融合后的檢測結(jié)果及檢測精度如圖7(d)和表2所示，可以看到基于圖像恢復(fù)的目標(biāo)檢測結(jié)果中包含有大量的背景區(qū)域，檢測精度較低。根據(jù)評價指標(biāo)，分別得 Cgood=0.915 8,Cfalse=0.196 8。在計算復(fù)雜度比較中，由于圖像恢復(fù)過程需要對逐一像素進(jìn)行反卷積運算，導(dǎo)致大量計算資源的消耗。在一定的實驗條件下（PC，Dual-Core 2.7GHz，2GB），對640×480像素的圖像，其運算時間需要 1.55s，加之后端的目標(biāo)檢測計算，總體運算時間達(dá)到 2.87s。相比較，由于不需要繁瑣的圖像恢復(fù)計算，新算法所需時間為 1.32s，證明了本文算法在計算復(fù)雜度上的優(yōu)越性，并且這種優(yōu)勢隨著圖像尺寸的增加而越發(fā)顯著。

表2 同基于水下圖像恢復(fù)的目標(biāo)檢測精度比較

4.3 算法的頑健性分析

為了進(jìn)一步分析在光學(xué)環(huán)境不匹配的情況下新算法頑健性的容忍度。本文選取另一組實驗數(shù)據(jù)，在不進(jìn)行訓(xùn)練的前提下直接引入經(jīng)驗知識，分析其頑健性變化。

目標(biāo)檢測結(jié)果及精度計算，如圖8(c)、圖8(d)及表3所示。

表3 新水下環(huán)境中目標(biāo)檢測精度比較

從中可以看出經(jīng)驗知識在新水下環(huán)境中的頑健性有所下降，這主要是由于不同水體中懸浮物種類及含量差異造成水下光學(xué)特性變化所致。然而，新方法的檢測精度仍高于基于圖像恢復(fù)的目標(biāo)檢測方法。這說明盡管水下光學(xué)環(huán)境不匹配，但環(huán)境中光強(qiáng)、光譜及偏振特性的顯著度仍存在一定的相似性。

5 結(jié)束語

本文提出了一種基于光強(qiáng)—光譜—偏振信息仿生融合的目標(biāo)檢測算法，除常用的光強(qiáng)光譜信息外，偏振信息也被引入到目標(biāo)檢測過程中。不同與傳統(tǒng)水下目標(biāo)檢測框架，本文采用水下光學(xué)先驗知識確定檢測對不同圖像特征的依賴程度，最終實現(xiàn)多信息的最優(yōu)化融合。實驗結(jié)果證明先驗知識指導(dǎo)下的多信息仿生融合算法能夠較為準(zhǔn)確實現(xiàn)水下目標(biāo)檢測，結(jié)果顯著優(yōu)于非知識指導(dǎo)及以圖像恢復(fù)為預(yù)處理的水下目標(biāo)檢測算法。但是，這里要指出水下光學(xué)成像環(huán)境需要綜合考慮氣象、氣候條件、水質(zhì)、成像水深及成像距離等多種因素。在水下先驗知識的獲取時，對于上述可能的影響因素，本文均在實際實驗中做了明確的約束。在實際中，研究人員所面對的水下圖像的成像環(huán)境是多變的。面對新環(huán)境中采集得到的水下圖像，以往所獲得的先驗知識的頑健性會有所下降。這一問題會一定程度影響到本文所提算法的推廣性。然而，注意到水下環(huán)境對成像的影響并非是隨機(jī)的，它隨著多種因素變化而有規(guī)律的變化，是一種漸變的過程。因而在將來的研究中，不僅要孤立地考察特定的水下成像環(huán)境，更要建立多水下光學(xué)環(huán)境中先驗知識間的動態(tài)聯(lián)系規(guī)律，實現(xiàn)對未知水下環(huán)境中先驗信息的估計和預(yù)測，以便提高該算法的推廣性。

[1] GIAN L F. Visual inspection of sea bottom structures by an autonomous underwater vehicle[J]. IEEE Transactions on Systems, Man and Cybernetics, Part B, 2001, 31：691-705.

[2] HU Y, WANG L, LIANG J, et al. Cooperative box-pushing with multiple autonomous robotic fish in underwater environment[J]. Control Theory & Applications, 2011, 5(17)：2015-2022.

[3] FANDOS R, ZOUBIR A M. Optimal feature set for automatic detection and classification of underwater objects in SAS images[J]. IEEE Journal of Selected Topics in Signal Processing, 2011,5(3)：454-468.

[4] SCHETTINI R, CORCHS S. Underwater image processing： state of the art of restoration and image enhancement methods[J]. EURASIP Journal on Advances in Signal Processing, 2010,2010：1-14.

[5] WANG X, YAN X J, LV G F, et al. Balloon-borne spectrum- polarization imaging for river surface velocimetry under extreme conditions[J].Infrared Physics & Technology, 2013,277(3)：182-194.

[6] TAN G P, LI Y H. An adaptive HEC scheme with variable packet size for wireless real-time reliable multicast[J]. Chinese Journal of Electronics, 2012, 21：299-303.

[7] WANG G, ZHENG B, SUN F F. Estimation-based approach for underwater image restoration[J]. Optics Letter, 2011, 36：2384-2386.

[8] LIU Z, YU Y, ZHANG K, et al. Underwater image transmission and blurred image restoration[J]. Optical Engineering, 2001, 40： 1125-1131.

[9] LANGY M S, MOVSHON J A. Computational Models of Visual Processing[M]. Cambridge： MIT Press, 1991.

[10] SCHIFF H, DORE B, BOIDO M. Morphology of adaptation and morphogenesis in stomatopod eyes[J]. Ital J Zool, 2007, 74：123-134.

[11] ITTI L, KOCH C, NIEBUR E. A model of saliency-based visual attention for rapid scene analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(11)：1254-1259.

[12] HOJJATOLESLAMI S A, KITTLER J. Region growing： a new approach[J]. IEEE Transactions on Image Process, 1998, 7：1079-1084.

[13] ELDER J H, ZUCKER S W. Local scale control for edge detection and blur estimation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1998, 20(7)：699-716.