基于深度学习的FasterRCNN水下图像复原

项目概述Waternet_FasterRCNN本项目旨在结合深度学习技术进行水下图像的还原与分析综合应用WaterNet和Faster R-CNN来完成以下功能水下图像还原利用 WaterNet 修复和增强水下图像质量。色板检测与提取通过 Faster R-CNN 从图像中自动提取色板。色彩分析分析提取出的色板色彩的差异性包括 Delta E 及色彩通道差异的百分比。⚠️注意事项功能不完善本项目目前尚未完全实现自动化的色板提取后续版本将基于手动提取工具进行更新。已知问题使用 Faster R-CNN 和透视校正进行色板检测时部分照片无法正确检测。建议测试时使用项目中的样本图片img/frame9125.jpg。当前程序仅支持分析存储在img文件夹中的色板图片若需支持其他规格的色板则需对代码进行重构可参考/ColorAnalysis文件夹。自动色板提取的效果不够稳定因此未来将倾向于手动提取。功能说明色板提取通过 Faster R-CNN 模型从图像中自动检测并提取色板。水下图像还原利用 WaterNet 对水下图像进行增强恢复图像的色彩与清晰度。色彩差异分析Delta E用于量化色彩的差异。色彩通道差百分比分析不同通道间的色彩变化。对比界面提供分割式界面可通过鼠标拖动查看图像还原前后的对比效果。文件结构与参考资源关键样例文件测试图片img/frame9125.jpgWaterNet 权重waternet/training/6/last.ptFaster R-CNN 权重logs/ep195-loss0.379-val_loss0.581.pth环境搭建与安装步骤安装依赖环境pipinstall-rrequirements.txt注意本项目使用 Python 3.8.10如果 Python 版本相差过大可能会导致依赖库无法正常使用。下载权重文件WaterNet 默认权重文件waternet/training/6/last.ptFaster R-CNN 默认权重文件logs/ep195-loss0.379-val_loss0.581.pth确保将以上权重文件放置到指定目录。如果需要指定其他位置可以通过命令行参数--weights进行设置。使用说明1. 运行process.py脚本通过process.py脚本可以完成图像还原基本用法如下usage: process.py[-h][--source SOURCE][--weights WEIGHTS]optional arguments: -h,--help显示帮助信息并退出--sourceSOURCE 设置待还原的图像路径--weightsWEIGHTS 设置 WaterNet 权重文件路径示例命令使用默认设置运行python process.py默认输入图片input/temp.jpg默认权重路径waternet/training/6/last.pt指定输入图片与权重文件python process.py--sourceimage path--weightsweight path示例python process.py--sourceinput/example.jpg--weightswaternet/training/6/last.pt贡献指南如果您希望为本项目贡献代码或改进功能请按照以下步骤进行Fork 仓库将本项目 Fork 到您的账户中。创建分支为您的更改创建一个独立分支。gitcheckout-bbranch-name提交更改完成修改后提交代码。gitadd.gitcommit-mAdd detailed description of changes推送到远程仓库gitpush originbranch-name创建 Pull Request在 GitHub 仓库中创建 Pull Request描述您的更改并提交。已知问题及后续改进方向自动检测精度问题使用 Faster R-CNN 和透视校正时部分图像如非规则色板可能无法正确检测。临时解决方案建议使用测试图片img/frame9125.jpg进行验证。支持色板的多样性目前程序仅适配/img文件夹中的色板。如果需要处理其他格式的色板需对代码结构进行优化。可参考/ColorAnalysis文件夹中的工具和示例。稳定性改进自动色板提取功能尚不稳定后续版本将倾向于手动辅助工具例如“Give-ocean-a-piece-of-your-mind”项目来提升准确性。示例效果与分析图像还原前后对比通过 WaterNet 模型修复水下图像可显著提升画面清晰度和色彩。原始图像 (frame9125)WaterNet 还原后色彩分析Delta E 计算量化原始图像与还原图像的色彩差异。色彩通道差异百分比对 RGB 通道分别进行分析展示各通道的变化情况。