王金康 何曉暉 邵發(fā)明 盧冠林

（中國(guó)人民解放軍陸軍工程大學(xué) 南京 210007）

1 引言

隨著水資源的開(kāi)發(fā)利用和深度學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的水下計(jì)算機(jī)視覺(jué)領(lǐng)域被越來(lái)越多研究者所關(guān)注。圖像分割［1］作為計(jì)算機(jī)視覺(jué)的一個(gè)重要研究方向，已經(jīng)有研究者將其用在水下圖像對(duì)目標(biāo)分類中。但由于水下環(huán)境復(fù)雜，水介質(zhì)對(duì)光線的散射以及吸收效應(yīng)，水下圖像質(zhì)量差，一般會(huì)存在色偏，對(duì)比度低、噪音以及光照不均的問(wèn)題。這對(duì)水下圖像分割的完整性和準(zhǔn)確性提出了很大的挑戰(zhàn)。傳統(tǒng)的語(yǔ)義分割方法面臨以下問(wèn)題：

1）過(guò)深的卷積網(wǎng)絡(luò)會(huì)降低特征圖分辨率，導(dǎo)致一些關(guān)鍵信息丟失；

2）不同尺度目標(biāo)的存在需要結(jié)合全局和局部信息，導(dǎo)致特征提取困難；

3）CNN的空間不變性造成定位精度的下降，目標(biāo)與背景之間邊界模糊。

近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的進(jìn)步，基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法大放異彩。Deeplab V3+［2］針對(duì)FCN 的不足進(jìn)行改進(jìn)，通過(guò)圖像金字塔［3］、空洞卷積［4］、空間金字塔池化［5］等技術(shù)有效擴(kuò)大感受野，捕捉圖像上下文信息，從而改善分割結(jié)果。但是稠密的網(wǎng)絡(luò)結(jié)構(gòu)導(dǎo)致分割速度慢，且Deeplab V3+算法對(duì)于小尺寸的目標(biāo)分割效果不明顯。Segnet［6］采用編解碼機(jī)制，通過(guò)Uppooling 還原像素的空間位置信息，提高分割分辨率。但其網(wǎng)絡(luò)訓(xùn)練參數(shù)過(guò)多，計(jì)算成本較高。DenseASPP［7］在ASPP的基礎(chǔ)上采用密集連接，覆蓋大范圍的語(yǔ)義信息，對(duì)高分辨率圖像有較好的分割效果，但是同時(shí)密集連接也導(dǎo)致計(jì)算量急速上升。DFANet［8］采用Xception網(wǎng)絡(luò)作為主干結(jié)構(gòu)，將高級(jí)上下文合并到編碼的功能中，在分割速度和準(zhǔn)確度之間取得有效平衡。DANet［9］提出自我關(guān)注機(jī)制的雙注意力網(wǎng)絡(luò)，增強(qiáng)場(chǎng)景分割特征表示的判別能力，顯著改善了分割結(jié)果。Auto-APCNet［10］提出自適應(yīng)上下文模塊，自適應(yīng)的構(gòu)建多尺度上下文表示。CANet［11］開(kāi)發(fā)了一種新穎的雙分支密集比較模塊，有效地利用來(lái)自CNN的多級(jí)特征表示來(lái)進(jìn)行密集的特征比較，同時(shí)加入注意力機(jī)制融合來(lái)自不同支持示例的信息。MagNet［12］提出一個(gè)多尺度框架，通過(guò)多個(gè)放大級(jí)別逐步細(xì)化分割輸出，進(jìn)行從粗到細(xì)的信息傳播。解決了局部圖像模糊的問(wèn)題，分割性能大大提高。SETR［13］將語(yǔ)義分割視為序列到序列的預(yù)測(cè)任務(wù)，通過(guò)編碼transformer 建模全局上下文信息，提升分割精度。RobustNet［14］提出了一種新的實(shí)例選擇性白化損失，將特征表示的高階統(tǒng)計(jì)量中編碼的特定于領(lǐng)域的樣式和領(lǐng)域不變的內(nèi)容分開(kāi)，并選擇性地只刪除導(dǎo)致領(lǐng)域漂移的樣式信息，以提高不可見(jiàn)區(qū)域分割網(wǎng)絡(luò)的健壯性?；谏疃葘W(xué)習(xí)的圖像語(yǔ)義分割技術(shù)在魯棒性特征的自主學(xué)習(xí)和分類過(guò)程中，表現(xiàn)出巨大優(yōu)勢(shì)，分割精度和速度較傳統(tǒng)的語(yǔ)義分割技術(shù)有極大提升。

本文在上述文獻(xiàn)的基礎(chǔ)上決定先對(duì)水下圖像進(jìn)行圖像增強(qiáng)，再做下一步的語(yǔ)義分割。首先，我們采用密集連接的混合空洞卷積，相比Deeplab 系列算法等單純的用多層空洞卷積而言，能夠覆蓋更大感受野，有效地保持了特征信息的整體性，減少信息丟失。其次，級(jí)聯(lián)空洞卷積空間金字塔池化模塊對(duì)特征圖做細(xì)化處理，通過(guò)融合不同感受野下的圖像特征來(lái)共享多尺度目標(biāo)信息，這種方法在上述論文中是沒(méi)有出現(xiàn)過(guò)的。最后，創(chuàng)造性的提出上下文信息聚合網(wǎng)絡(luò)，通過(guò)將深層網(wǎng)絡(luò)與淺層網(wǎng)絡(luò)中的特征信息融合，細(xì)節(jié)信息更加豐富，對(duì)邊緣細(xì)節(jié)的把握更加充分。

2 方法簡(jiǎn)介

為了解決水下圖像語(yǔ)義分割過(guò)程中遇到的困難，本文提出一種基于編解碼機(jī)制的上下文信息融合的水下圖像分割算法，算法流程如圖1所示。首先提出一種基于加權(quán)融合的多空間轉(zhuǎn)換水下圖像增強(qiáng)方法［27］對(duì)原始水下圖像進(jìn)行增強(qiáng)處理，其次通過(guò)具有50 個(gè)網(wǎng)絡(luò)層、濾波器大小為1×1 和3×3、步幅為2 的基礎(chǔ)網(wǎng)絡(luò)Resnet50［15］進(jìn)行特征提取，使用密集連接的方式將提取到的特征圖輸入到HAC塊，通過(guò)一系列的連續(xù)擴(kuò)張卷積組合級(jí)聯(lián)，擴(kuò)大神經(jīng)元感受野。HAC塊包含三個(gè)3×3空洞卷積，空洞卷積的擴(kuò)張率分別為1、2、5。然后通過(guò)級(jí)聯(lián)空洞卷積空間金字塔池化模塊兼顧不同尺度的目標(biāo)區(qū)域，豐富目標(biāo)細(xì)節(jié)信息和更高層次的圖像語(yǔ)義信息，CASPP 模塊包含2 個(gè)1×1 卷積和三個(gè)3×3 空洞卷積，空洞率分別為5、9 和13，過(guò)濾器數(shù)量為256個(gè)。以上兩個(gè)部分組成編碼器，實(shí)現(xiàn)對(duì)水下圖像的語(yǔ)義邊緣信息提取和融合。解碼器創(chuàng)造性的采用上下文信息聚合機(jī)制，通過(guò)雙線性插值將深層網(wǎng)絡(luò)與淺層網(wǎng)絡(luò)的特征信息融合，并使用3×3 卷積對(duì)特征進(jìn)行微調(diào)，更加充分地把握?qǐng)D像邊緣細(xì)節(jié)，大幅度減少了圖像特征信息的丟失。最后采用雙線性插值法進(jìn)行2倍的上采樣，得到最終的圖像分割結(jié)果。

圖1 基于編解碼機(jī)制的水下圖像分割算法框架

2.1 加權(quán)融合的多空間轉(zhuǎn)換水下圖像增強(qiáng)

針對(duì)質(zhì)量不佳的水下圖像，由于其對(duì)比度低、存在色偏、細(xì)節(jié)模糊，直接進(jìn)行語(yǔ)義分割效果不好，我們先對(duì)水下原始圖像進(jìn)行增強(qiáng)處理。多空間轉(zhuǎn)換水下圖像增強(qiáng)算法流程圖如圖2所示。

圖2 加權(quán)融合的多空間轉(zhuǎn)換水下圖像增強(qiáng)算法流程圖

加權(quán)融合的多空間轉(zhuǎn)換水下圖像增強(qiáng)算法流程如下：首先對(duì)輸入圖像進(jìn)行白平衡處理，以消除或減輕輸入圖像的色偏問(wèn)題。之后，經(jīng)過(guò)白平衡處理的圖像分別進(jìn)行三個(gè)支路的后續(xù)處理。第一條支路將圖像從RGB 通道轉(zhuǎn)化為L(zhǎng)AB 通道，并對(duì)L通道進(jìn)行伽馬校正，以調(diào)節(jié)圖像整體亮度，最后再轉(zhuǎn)化為RGB 通道。第二條支路對(duì)圖像先后進(jìn)行CLAHE 處理和雙邊濾波處理，去除噪聲的同時(shí)提高圖像的清晰度。第三條支路將圖像從RGB 通道轉(zhuǎn)化為HSV通道，并對(duì)V通道進(jìn)行單尺度retinex處理，保證圖像的色彩飽和度，提高細(xì)節(jié)處理，最后再轉(zhuǎn)化為RGB 通道。對(duì)三條支路的處理結(jié)果進(jìn)行加權(quán)融合，得到圖像的最終增強(qiáng)效果。

2.2 密集連接的混合空洞卷積模塊

Deeplab系列網(wǎng)絡(luò)使用多層連續(xù)空洞卷積進(jìn)行特征提取，但在感受野擴(kuò)大的同時(shí)，會(huì)造成“gridding issue”，這是因?yàn)樵谑褂枚鄬涌斩淳矸e后，會(huì)對(duì)輸入的采樣變得很稀疏，從而導(dǎo)致一些局部信息丟失，特征圖整體連續(xù)性信息被忽視。為了解決這個(gè)問(wèn)題，我們采用不同空洞率的混合空洞卷積，小空洞率用來(lái)提取本地信息，大空洞率用來(lái)提取長(zhǎng)距離信息，這樣既可以獲取更寬闊的區(qū)域信息，又能在保持感受野不變的情況下提高信息利用率。如圖3，我們以空洞率為1，2，3 的混合空洞卷積為例，在一開(kāi)始就保留完整連續(xù)的3×3 區(qū)域，之后幾層的空洞率設(shè)置又剛好保證拼起來(lái)感受域的連貫性，雖然有所重疊，但是密不透風(fēng)，可以有效地保持了特征信息的整體性。它的結(jié)構(gòu)需滿足公式：

圖3 不同空洞率混合空洞卷積的覆蓋效應(yīng)

其中，ri為第i層的空洞率，Mi為在第i層插入的最大空洞數(shù)量，若卷積核大小為k*k，則需要滿足Mr≤k，這樣就可以覆蓋所有空洞。

通過(guò)密集連接的方式將空洞卷積塊連接到一起，獲得越來(lái)越大的感受野的同時(shí)，對(duì)多尺度的語(yǔ)義信息做編碼，不同特征圖對(duì)來(lái)自不同尺度的信息做編碼，最終輸出特征不僅覆蓋大范圍的語(yǔ)義信息，而且以非常密集的方式覆蓋信息編碼。

2.3 級(jí)聯(lián)空洞卷積空間金字塔池化模塊

對(duì)于質(zhì)量低下的水下圖像，層層卷積下使特征圖分辨率逐漸減小，這對(duì)于水下圖像分割來(lái)說(shuō)更加困難，會(huì)導(dǎo)致目標(biāo)細(xì)節(jié)的缺失和各像素關(guān)聯(lián)性的弱化。針對(duì)這個(gè)問(wèn)題，我們使用空洞率分別為5，9，13 的三個(gè)空洞卷積并聯(lián)對(duì)特征圖做細(xì)化處理，同時(shí)兼顧不同大小尺度的目標(biāo)區(qū)域，豐富目標(biāo)細(xì)節(jié)和更高層次的圖像語(yǔ)義信息。此外，利用級(jí)聯(lián)融合的方式，將三個(gè)并行空洞卷積后的特征圖級(jí)聯(lián)相加，通過(guò)融合不同感受野下的圖像特征來(lái)共享多尺度目標(biāo)信息，不同空洞率卷積相互依賴，將不同感受野下的特征信息進(jìn)行級(jí)聯(lián)整合，進(jìn)一步提高全局像素信息的關(guān)聯(lián)性和連續(xù)性。最后通過(guò)維度拼接的方式將得到的5 個(gè)特征圖在通道維度上進(jìn)行融合，獲得包含更多邊緣細(xì)節(jié)和高級(jí)語(yǔ)義的特征圖。級(jí)聯(lián)空洞卷積空間金字塔池化模塊結(jié)構(gòu)圖如圖4所示。

2.4 上下文信息聚合網(wǎng)絡(luò)

圖像在不同網(wǎng)絡(luò)深度具有不同特點(diǎn)的特征信息，淺層特征圖尺度大，具有較多的特征信息，利用淺層網(wǎng)絡(luò)可以將目標(biāo)進(jìn)行簡(jiǎn)單的區(qū)分，但由于卷積核以及計(jì)算資源的限制，網(wǎng)絡(luò)只能在小感受野的范圍內(nèi)提取到具有顏色、紋理等細(xì)節(jié)信息的圖像局部特征；在深層網(wǎng)絡(luò)中，特征圖經(jīng)過(guò)層層卷積和下采樣，分辨率減小，特征圖尺寸降低，感受野也增大，網(wǎng)絡(luò)能夠在全局范圍內(nèi)提取到較為明確的位置、類別等高級(jí)語(yǔ)義信息，但由于缺失幾何空間細(xì)節(jié)信息，在標(biāo)定目標(biāo)位置類別時(shí)對(duì)于邊緣細(xì)節(jié)信息的準(zhǔn)確度不夠。通過(guò)將深層網(wǎng)絡(luò)與淺層網(wǎng)絡(luò)中的特征信息融合，能夠大幅度減少圖像特征信息的丟失，使得圖像在保證位置類別準(zhǔn)確的情況下，細(xì)節(jié)信息更3加豐富，對(duì)邊緣細(xì)節(jié)的把握更加充分。

上下文信息聚合網(wǎng)絡(luò)如圖5所示。首先，將級(jí)聯(lián)空洞空間金字塔池化模塊輸出的特征圖F4 與空洞卷積塊3 提取的特征圖F3 進(jìn)行逐像素相加操作；然后經(jīng)過(guò)2 倍上采樣增大特征圖分辨率，并空洞率為2 的空洞卷積結(jié)合相鄰像素的特征信息，對(duì)特征圖的上采樣特征進(jìn)行細(xì)化處理；接著將處理過(guò)的該特征圖與空洞卷積塊2 的特征圖F2 進(jìn)行加和操作，再經(jīng)空洞卷積細(xì)化處理后與特征圖F1進(jìn)行相加融合，獲取有效的圖像目標(biāo)空間信息與物體邊緣信息：最后經(jīng)過(guò)2 倍上采樣后得到分割結(jié)果。利用自底而上的方式將各路徑特征信息進(jìn)行聚合，使得深層圖像語(yǔ)義信息逐漸與圖像淺層邊緣線條、形狀位置等細(xì)節(jié)信息融合，在傳達(dá)強(qiáng)定位信息特征的同時(shí)傳達(dá)強(qiáng)語(yǔ)義信息特征，捕捉清晰的目標(biāo)邊界信息，細(xì)化分割結(jié)果，有效提高物體分割的精度。

圖5 上下文信息聚合模塊結(jié)構(gòu)圖

3 實(shí)驗(yàn)分析

3.1 數(shù)據(jù)庫(kù)

為了完成水下圖像語(yǔ)義分割的研究，我們對(duì)RUIE［16］和UIEBD［17］兩個(gè)開(kāi)源水下圖像數(shù)據(jù)集合并以構(gòu)建一個(gè)水下圖像分割數(shù)據(jù)集。我們對(duì)其中的3000 張圖像采用Resize 操作將大分辨率圖像進(jìn)行像素聚類，對(duì)小分辨率圖像進(jìn)行像素插補(bǔ)，在一定程度上對(duì)圖像信息進(jìn)行提取并按512×512 分辨率重排像素點(diǎn)，以致達(dá)到統(tǒng)一像素。按照COCO 數(shù)據(jù)集的標(biāo)注格式，通過(guò)LabelMe 軟件以手工標(biāo)注的方式進(jìn)行標(biāo)注。我們的標(biāo)注包括海魚(yú)、潛水員、珊瑚、礁石、雕塑、章魚(yú)、海龜、水草、Mobula、海膽、扇貝、海星12個(gè)類別。

3.2 實(shí)驗(yàn)設(shè)置

我們的水下圖像分割方法在PyTorch軟件中進(jìn)行了實(shí)驗(yàn)。運(yùn)行平臺(tái)為：Windows 10 64 位操作系統(tǒng)、NVIDA GeForce RTX 4000、8 GB DDR3 內(nèi)存、英特爾酷睿i7-6700U、CPU@4.00 GHz。我們的算法運(yùn)行在GPU 上。

在訓(xùn)練參數(shù)設(shè)置中，我們?cè)O(shè)置初始學(xué)習(xí)率為0.01，采用帶動(dòng)量的隨機(jī)梯度下降法（SGD）進(jìn)行網(wǎng)絡(luò)優(yōu)化。動(dòng)量參數(shù)為0.9，權(quán)重衰減正則項(xiàng)為0.00005，批量大小為16。

3.3 評(píng)價(jià)指標(biāo)

本章使用OA，IOU 和MIOU 作為綜合評(píng)價(jià)指標(biāo)評(píng)價(jià)網(wǎng)絡(luò)的分割效果。

OA代表總體精度，表示分類正確的樣本個(gè)數(shù)占所有樣本個(gè)數(shù)的比例，表達(dá)式如式（2）所示。

IOU表示每類目標(biāo)數(shù)據(jù)分割的預(yù)測(cè)值與真實(shí)值之間的交集和并集之比，表達(dá)式如式（3）所示，MIOU即每類目標(biāo)IOU的平均值，表達(dá)式如式（4）所示。

其中，k表示分割類別數(shù)量，包括背景的話，則有k+1個(gè)類別。

3.4 實(shí)驗(yàn)結(jié)果

為了直觀地表現(xiàn)我們提出的算法的有效性，將本文算法與現(xiàn)有最先進(jìn)的4 種經(jīng)典分割算法在合成數(shù)據(jù)集上的對(duì)比結(jié)果如圖6所示，從左到右分別為原始圖像、強(qiáng)化圖像、Deeplab V3+、DFANet、APCNet、CANet和本文方法的分割效果圖以及真實(shí)值。

圖6 水下圖像語(yǔ)義分割的定性比較

水下圖像由于產(chǎn)生色偏現(xiàn)象，導(dǎo)致圖像的對(duì)比度降低，從圖6 實(shí)驗(yàn)結(jié)果可以看出，我們的方法在色偏現(xiàn)象嚴(yán)重的水下圖像分割中效果最好?？v向來(lái)看，Deeplab V3+在對(duì)原始圖像進(jìn)行語(yǔ)義分割的時(shí)候由于對(duì)比度下降會(huì)漏掉一下圖像信息，不能對(duì)每個(gè)目標(biāo)都進(jìn)行充分的分割，（c）中的礁石和（d）中上側(cè)的礁石和魚(yú)，（e）中零星的海星和貝殼都沒(méi)能分割出來(lái)，而且邊緣定位不準(zhǔn)確。DFANet較Deeplab V3+稍有改善，但是對(duì)于（c）中的章魚(yú)分類不正確，而且（d）中的上側(cè)礁石和（e）中較小的海星和貝殼未能捕捉到。APCNet對(duì)于水下圖像的分割效果稍好，但是已經(jīng)捕捉到的輪廓分割信息過(guò)多，如（a）中潛水員分割邊界出現(xiàn)寧濫勿缺的現(xiàn)象。相比前幾種方法，CANet 分割效果較好但是對(duì)于圖片（c）這種對(duì)比度很低的圖像不能取得良好的分割效果。與其他算法相比，我們的方法分割對(duì)象完整，定位準(zhǔn)確，雖然有不同程度的漏檢和邊界不清晰的問(wèn)題出現(xiàn)，但是我們的方法取得的分割結(jié)果與真實(shí)值最為接近。橫向來(lái)看，對(duì)于a、b、d 這類邊界模糊的圖像，我們的方法的分割結(jié)果邊界清晰，最接近真實(shí)值；對(duì)于c、e 這類對(duì)比度低的圖像，經(jīng)過(guò)圖像增強(qiáng)后的效果還是顯而易見(jiàn)的，我們的方法對(duì)一些容易漏檢的小目標(biāo)定位準(zhǔn)確，而其他方法都存在不同程度的漏檢和誤檢。總的來(lái)說(shuō)，相比其他方法，本文提出的方法在分割完整度、定位精準(zhǔn)度、邊界清晰度、細(xì)節(jié)方面都是最好的，可以對(duì)水下圖像不同類別對(duì)象進(jìn)行有效分類，語(yǔ)義分割效果最好。

本節(jié)的客觀評(píng)價(jià)使用3.3小節(jié)中提到的圖像質(zhì)量評(píng)價(jià)指標(biāo)對(duì)分割精準(zhǔn)度進(jìn)行評(píng)價(jià)測(cè)試，表1 展示了數(shù)據(jù)集中所有類別目標(biāo)的平均交并比和整體精準(zhǔn)度。黑色加粗表示最優(yōu)結(jié)果。

表1 不同方法的MIOU和OA測(cè)試結(jié)果對(duì)比

我們可以看出，本文方法在大多數(shù)類別目標(biāo)分割中的IOU值是最大的，在所有類別平均交并比和整體精準(zhǔn)度是最高的，從客觀數(shù)據(jù)上分析分割效果是最好的，這與主觀評(píng)價(jià)基本一致。

表2 展示了我們的方法與其他算法在CUOID數(shù)據(jù)集上的參數(shù)、浮點(diǎn)數(shù)和FPS 的比較結(jié)果，可以看出我們的方法相對(duì)來(lái)說(shuō)參數(shù)較少、浮點(diǎn)數(shù)小，對(duì)計(jì)算資源占用小。同時(shí)檢測(cè)速度相對(duì)來(lái)說(shuō)比較快，F(xiàn)PS 達(dá)到125。綜合來(lái)說(shuō)，我們的方法在檢測(cè)精度和速度方面有良好的平衡。

表2 不同方法計(jì)算資源對(duì)比

3.5 消融實(shí)驗(yàn)

我們?cè)诤铣蓴?shù)據(jù)集上驗(yàn)證了我們的方法中每個(gè)模塊對(duì)算法性能的影響。表3 顯示了在特征提取網(wǎng)絡(luò)框架上添加不同模塊的消融實(shí)驗(yàn)結(jié)果。從實(shí)驗(yàn)結(jié)果來(lái)看，每一個(gè)模塊的添加都具有一定的效果，圖像語(yǔ)義分割的精準(zhǔn)度都有提高，其中圖像增強(qiáng)模塊的添加對(duì)水下圖像語(yǔ)義分割效果增強(qiáng)影響最大。添加了4 個(gè)模塊的網(wǎng)絡(luò)客觀評(píng)價(jià)指標(biāo)均達(dá)到最高，這表明4 個(gè)模塊缺一不可，綜合起來(lái)對(duì)水下圖像的分割效果最好。

表3 消融實(shí)驗(yàn)結(jié)果對(duì)比

4 結(jié)語(yǔ)

本研究設(shè)計(jì)了一種編解碼機(jī)制的水下圖像語(yǔ)義分割算法。相比于當(dāng)前流行的語(yǔ)義分割算法，我們聚焦水下圖像，針對(duì)水下圖像的特點(diǎn)，基于加權(quán)融合的多空間轉(zhuǎn)換對(duì)水下圖像進(jìn)行增強(qiáng)處理，通過(guò)骨干網(wǎng)絡(luò)得到邊界特征圖，將混合空洞卷積進(jìn)行密集連接以在擴(kuò)大感受野的同時(shí)消除“gridding issue”問(wèn)題，通過(guò)級(jí)聯(lián)空洞卷積空間金字塔池化模塊豐富目標(biāo)細(xì)節(jié)信息。采用上下文信息聚合機(jī)制將淺層網(wǎng)絡(luò)和深層網(wǎng)絡(luò)的特征進(jìn)行融合，大大減少信息丟失。實(shí)驗(yàn)表明，我們的方法對(duì)比當(dāng)前主流語(yǔ)義分割算法，無(wú)論是主觀感受還是客觀數(shù)據(jù)上都是最好的，在分割完整度、定位精準(zhǔn)度、邊界清晰度、細(xì)節(jié)方面遠(yuǎn)超其他先進(jìn)算法，我們提出的方法可以對(duì)水下圖像進(jìn)行有效分割。

本文提出的方法使得分割效果得到改善，但是對(duì)區(qū)分度不大的目標(biāo)還是會(huì)出現(xiàn)誤判漏判的情況，我們下一步的工作將著重改進(jìn)這方面問(wèn)題，并將結(jié)合目標(biāo)檢測(cè)，圖像增強(qiáng)，深入剖析算法機(jī)理，對(duì)水下圖像處理進(jìn)行系統(tǒng)性的分析和改進(jìn)。