CN108596853B - 基于背景光统计模型和传输地图优化的水下图像增强方法 - Google Patents
基于背景光统计模型和传输地图优化的水下图像增强方法 Download PDFInfo
- Publication number
- CN108596853B CN108596853B CN201810400875.9A CN201810400875A CN108596853B CN 108596853 B CN108596853 B CN 108596853B CN 201810400875 A CN201810400875 A CN 201810400875A CN 108596853 B CN108596853 B CN 108596853B
- Authority
- CN
- China
- Prior art keywords
- channel
- image
- underwater
- background light
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 230000005540 biological transmission Effects 0.000 title claims abstract description 83
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000013179 statistical model Methods 0.000 title claims abstract description 18
- 238000003384 imaging method Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 description 15
- 238000012937 correction Methods 0.000 description 11
- 241000251468 Actinopterygii Species 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 235000014653 Carica parviflora Nutrition 0.000 description 4
- 241000243321 Cnidaria Species 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 241001474374 Blennius Species 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003707 image sharpening Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000003716 rejuvenation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于背景光统计模型和传输地图优化的水下图像增强方法,所述方法包括以下步骤:步骤S1.首先建立人为选择的背景光估计数据集(MABLs),然后选择模型的特征参数,最后建立R通道和GB通道的背景光估计模型;步骤S2.基于新UDCP水下暗通道先验性结论得出R通道传输地图(TM),并推理出深度地图,最终估计出GB通道的TMs及图像复原;步骤S3.在CIE‑Lab颜色模型中的自适应拉伸。其优点表现在:本发明方法适用于复杂环境下的水下图像增强、提高图像增强的运行效率、同时提高图像可视性以及获得更高信息量。相比于其它水下图像增强、复原方法,本文方法有着更好的实效性和鲁棒性。
Description
技术领域
本发明涉及水下图像复原及增强技术领域,具体地说,是一种基于背景光统计模型和传输地图优化的水下图像增强方法。
背景技术
水下考古、水下资源勘探、水下管道探索等水下活动面临着极大挑战,因此获得清晰的水下图像对于海洋探索起到关键作用。但是由于水下环境和其物理机制的影响,近些年水下图像处理逐渐受到人们的关注。在水下图像的成像过程,光线传播在水中受到水下环境的影响存在选择性吸收和色散等问题,造成水下图像模糊、偏色以及能见度低。水下图像的衰减主要由于光在水中传播时不同频率的通道呈现不同的指数衰减、水下环境导致水下图像引入较大噪声、人造光线的干扰导致图像部分质量降低等因素造成。目前的水下图像清晰化技术大致可以分为两类:水下图像增强方法和水下图像复原方法。水下图像增强方法并不考虑水下成像原理,主要通过调整图像中的像素值来调整对比度和颜色,从而获得水下图像更多的信息和细节。水下图像复原方法通常是基于水下成像物理模型,分析水下图像退化机理,估计成像模型参数并以反补偿等方式恢复出清晰自然的水下图像。近几年来水下图像清晰化技术已经取得了显著的效果,并且受到了广泛的应用。
水下图像增强方法往往不考虑图像的成像机制只关注于调整图像的像素值来实现图像增强效果。2003年,Chambah等人提出一种具有较好的非监督性和鲁棒性的水下图像颜色修正方法。实验表明该方法实际应用于水下图像分割和特征提取时,可以取得较好的效果。水下图像增强方法中最简单、最常见方法之一是直方图拉伸或直方图均衡化。2007年,Iqbal等人提出一种基于直方图滑动拉伸(ICM)的水下图像增强算法。首先,在RGB颜色模型中整个范围 [0,255]地拉伸衰减严重的R-G分量。然后图像被转换到HSI颜色模型,对‘S’和‘I’分量采用相似的全局直方图拉伸算法提高输出图像的饱和度和亮度。 2010年,Iqbal等人提出一种基于Von Kries hypothesis(VKH)的颜色修正和选择性直方图拉伸的对比度优化的非监督水下图像增强算法(UCM)。ICM改进后的UCM可以有效地移除蓝色偏差、提高低分量的红色信道和亮度。2012年, Ancuti等人提出了基于图像融合的水下图像增强模型。首先,根据输入图像产生两个融合图像:第一个通过白平衡进行颜色纠正,第二个通过局部自适应直方图均衡化进行对比度增强。然后,依据两个融合图像的对比度、显著特征和暴露比重确定4个融合权重。最后,将两个融合图像和定义好的权重采用多尺度融合策略产生具有更好对比度和白平衡的增强图片。2015年,Ghani等人在 ICM和UCM的基础上,考虑到清晰的水下图像呈现瑞利分布,因此采用瑞利分布函数对输入图像重分布。改进后结果很明显地提高图像对比度和减少过增强、过饱和区域以及噪声引入。
基于物理模型的方法需要建立水下图像的成像模型,通过限制条件估算构建模型中参数,最后反演退化过程得到理想的水下图像,属于图像复原范畴。 2006年,Trucco等人基于简化的Jaff-McGlamery水下成像数学模型提出一种自调的水下图像复原滤波器。该方法基于两种理想的假设条件:水下图像受到均匀光照并且只受到前向散射的影响。成像参数基于最大化全局对比度进行最优化估计,进而反演退化过程获得清晰的水下图像。实验结果表明该方法可以某种程度上降低图像受到的光照散射影响。然而,该方法的假设条件限制其实际应用。2007年,Hou等人将水下光学属性与传统图像复原方法相结合,假设水下图像的模糊是由水体以及悬浮颗粒引起的光照散射所导致的。该方法通过估计光照散射参数,采用反卷积的方式复原水下图像。由于水下图像成像环境和户外大雾天气相似,因此何凯明提出的暗通道先验特性(DCP)被广泛地使用在水下图像复原。2010年,Chao等人直接使用DCP复原水下图像,该算法只能提高部分水下图像对比度但是大部分复原图像出现颜色失真。同年, Carlevaris-Bianco等人发现红色通道和蓝绿色通道在水下传播时存在明显差异的衰减率,通过不同光线在水中传播的物理属性得出传输地图和背景光,简单地解决光照散射、对比度低的问题。2011年,Yang等人基于DCP探索出一个简单有效的复原方法,为了降低计算复杂度,使用最小滤波器和中值滤波器代替软抠图(Soft Matting)。该算法使用颜色纠正提高复原图像的对比度,但是低质量的复原结果限制输出图像的视觉效果。2012年,Chiang等人提出波长弥补和图像去雾(WCID)方法,该方法不但有效地产生高质量的水下图像,还可以降低人造光源对复原过程的影响。但是,本方法的物理模型构建局限性大、模型参数估计的计算复杂度高,不适用于不同类型的水下图像复原。为了减少红色分量在图像复原时的影响,研究人员进一步提出基于蓝绿色通道的 DCP也被称作UDCP)。2013年,Drews等人提出基于G-B通道的暗通道先验(UDCP) 估计更准确的水下传输地图(TM),最终得到效果更好的输出结果。同年,Wen 等人提出一种新的水下光学成像数学模型,基于UDCP推导出散射率和背景光,最后反演新的成像模型、输出复原图像。2015年,Galdran等人提出一种自动红色信道水下图像复原方法。该方法类似于UDCP,主要基于倒置的红色通道和蓝绿色通道的暗通道先验;合理地处理人造光源区域;复原图像颜色的真实性。 Peng等人研究发现图像中更模糊的目标表现更远的场景深度,因此提出了基于图像模糊强度估计传输地图和场景深度的水下图像复原方法。2016年,Li等人基于UDCP对蓝绿色通道去雾、基于灰度世界假设理论纠正红色通道,提出自适应曝光地图调整过亮或者过暗的区域,解决水下图像对比度低、颜色偏差的问题。
基于物理模型的图像复原方法不能够满足实际环境的应用,需要的方法往往具有实时性,而目前大部分的基于物理模型的图像复原方法都需要较长的处理时间,这一方面需要进行优化和提高。但现有方法的鲁棒性和自适应能力不足,应用在不同类型的退化图像不能自适应做出调整,而理想的水下图像增强方法应该做到针对不同的水下应用场景和不同类型的退化图像做出自适应的调整,不应受到应用场景和外界条件的限制,具有较好的鲁棒性和自适应能力。
综上所述,需要一种不仅可以提高图像视觉效果,而且增强后的图像可以有效提高图像分类、图像识别精度的水下图像增强方法,而关于这种水下图像增强方法目前还未见报道。
发明内容
本发明的目的是针对现有技术中的不足,提供一种不仅可以提高图像视觉效果,而且增强后的图像可以有效提高图像分类、图像识别精度的水下图像增强方法。
为实现上述目的,本发明采取的技术方案是:
步骤1:首先建立人为选择的背景光估计数据集(MABLs),然后依据RGB 不同通道的直方图分布特性的选择模型的特征参数,最后基于MABLs和选定参数的相关系数,建立R通道和GB通道的背景光估计模型;
背景光估计是一个被研究人员低估其重要性的一方面,但是背景光估计的正确性决定了复原图像的整体视觉,同时在估计传输地图和图像复原中都起到了关键作用。2012年,Chiang等人估计在DCP中最亮的点作为背景点;2013 年,Drews等人提出来UDCP(即GB通道的DCP)中最亮的点作为背景点。以上两种估计都只考虑了RGB通道的分布特性,在实验中本发明可以发现在一些特殊情况下复原图像会存在颜色失真等问题。
目前背景光估计方法只是考虑了输入图像的物理特性却忽视了整幅图像的直方图分布特性,而且目前还没有一个公认的正确的背景光数据集。为了复原水下图像工作的研究人员提供可以参考的背景光,本发明第一次建立可靠的、准确的背景光估计数据集。为了保证数据集的多样性和代表性,本发明选取多种场景的水下图像,例如单个鱼、鱼群、珊瑚礁和潜水者等不同场景,不同衰减的水下图像,例如深海图像、低亮度水下图像、非常模糊的水下图像和蓝绿色偏光的水下图像,依据以上原则从这些图像中随机选取300张水下图像作为数据集。当人为标注水下图像的背景光时,本发明邀请五名具有计算机视觉或者图像处理背景知识的专业人员选取图像中最远点中较大强度的点作为背景光。选取背景光的原则主要是可以用来表示背景光的区域,然后选取五个点,并且从五个候选点中选择R通道和GB通道最大差值的背景点作为最终的背景光。在保证MABLs的正确性和合理性后,本发明依据大量的水下图像直方图统计分布特性选择五个候选参数(平均值、中位数、最大值、最小值和标准差),以上选取参数几乎可以表现每个通道中相对分布集中的分量。由于MABLs 的GB通道分布呈现正态分布而R通道不是正态分布,因此R通道和GB通道分别通过MABLs与以上候选参数的皮尔逊相关系数和斯皮尔曼系数确定每个通道背景光估计模型的相关参数。通过以上相关系数的统计结果可以得出GB通道的背景光估计模型是平均值和标准差的线性模型;R通道的背景光估计模型是与中位数呈指数分布的非线性模型;通过预设的GB通道的线性模型和R通道非线性模型可以拟合出精确度较高的背景光估计模型。
步骤S2.基于新UDCP水下暗通道先验性结论得出R通道传输地图(TM),由于传输地图估计与残差能量比和传输距离成指数关系,并推理出深度地图,最终估计出GB通道的TMs及图像复原;
对于传输地图估计,何的暗通道先验性(DCP)早已被广泛的使用在水下图像复原,这种直接使用DCP估计传输地图的结果往往在复原图像时存在很大的局限性甚至造成颜色失真。本发明可以知道在自然场景中,RGB三通道的传输地图都设定成一样的,并且光线在空气中传播可以忽略不同光线受到不同衰减。水下图像大多呈现蓝绿色,主要是由于红色光线的波长最长其衰减率最大,因此水下图像丢失大量的红色通道细节出现了颜色偏差、对比度丢失等现象。为了减少红色通道对估计传输地图的影响,水下暗通道先验(UDCP) 主要是用在GB两个通道的DCP,貌似可以获得更加准确的传输地图(TM),但是获得的传输地图仍然作为三个通道共同使用的传输地图。在水下环境中,由于三个通道的传输特性受到了波长的影响(忽略浑浊的水质认为是较为清晰的水质),因此本发明需要分别估计三个通道的传输地图(TMs)。
本发明收集大量高质量水下图像作为统计数据集,将何的DCP算法用在本发明的数据集上,得到符合水下图像分布特性的水下暗通道先验性。首先基于本发明提出的水下暗通道先验(UDCP),使用水下图像成像模型(IFM)并对两边都采用最小滤波器并依据红色通道在水中的衰减度最大可以获得红色通道的传输地图。依据三个通道的传输地图与每个通道的标准残差能量比和传输距离呈指数关系,因此本发明可以得出统一的传输距离,最后使用传输地图的形成函数分别求出GB通道的传输地图。由于使用新的UDCP,传输地图中会存在块状影响,本发明使用引导图像滤波器精细化三个通道的传输地图(TMs)。
步骤3:在CIE-Lab颜色模型中的自适应拉伸
复原后的水下图像仍然存在亮度和对比度较低,颜色失衡的等问题,因此本发明使用一种新颖的颜色纠正模型提高图像的视觉效果。首先将复员后的水下图像转换到CIE-Lab颜色模型,其中‘L’分量表示图像亮度(‘L’=100 时图像最亮,‘L’=0时图像最暗),当‘a’=0,‘b’=0时,颜色通道将呈现中性灰度值。因此,‘a’和‘b’分颜色分量的渐变梯度可以通过调整得到正确的纠正色,然而‘L’亮度分量用来调整图像的整体亮度。
经过在RGB颜色模型中自适应直方图拉伸和在CIE-Lab颜色模型中线性和非线性调整后,最终可以得到高对比度、平衡化、饱和化的清晰图像。
本发明优点在于:
1、本发明的一种基于背景光统计模型和传输地图优化的水下图像增强方法,能够应用在海洋资源中,且海洋资源丰富、海洋生态多种多样,增强水下图像的对比度、饱和度、亮度,提高图像的可视性对于海洋资源开发及其保护都起到关键作用。研究表明复原后的水下图像不仅可以提高图像质量,而且能够应用于目标识别、目标分类中,有效提高图像分类、图像识别精度。
2、本发明对于水下物种探究、海洋工程、考古遗物等各类图像均有良好的增强效果,同时有助于水下对象(如鱼类、海藻)特征提取、对象识别和跟踪,以及水下导航定位等。而且,本发明技术上适用范围广(可以应用于复杂的水下环境),最起码不会给输入图像带来颜色衰减等问题,同时可以对本地图像快速自动纠正、图像复原,代码经过优化可以直接嵌入在图像拍摄端,实现实时自动图像复原,具有很高的实用价值。
3、本发明选取多种场景的水下图像,例如单个鱼、鱼群、珊瑚礁和潜水者等不同场景,不同衰减的水下图像,例如深海图像、低亮度水下图像、非常模糊的水下图像和蓝绿色偏光的水下图像,保证数据集的多样性和代表性。
4、本发明通过构建数据集和背景光的形式,考虑了整幅图像的直方图分布特性;本发明分别估计三个通道的传输地图(TMs),考虑了复杂的水下环境,能够获得更加准确的传输地图;本发明使用引导图像滤波器精细化三个通道的传输地图(TMs),可避免传输地图中会存在块状影响。
5、本发明使用一种新颖的颜色纠正模型提高图像的视觉效果,解决了复原后的水下图像仍然存在亮度和对比度较低,颜色失衡的等问题。
6、本发明使用整个直方图分布中的80%作为统计数据去计算平均值、中位数和标准差。通过五次交叉验证的线性回归模型和非线性回归模型,能够避免噪声和一些极端像素的影响。
7、本发明最终的输出结果显示在对比度、饱和度、明度等多方面都获得较好的增强效果。本发明方法适用于复杂环境下的水下图像增强、提高图像增强的运行效率、同时提高图像可视性以及获得更高信息量。相比于其它水下图像增强、复原方法,本文方法有着更好的实效性和鲁棒性。
附图说明
附图1是本发明的一种基于背景光统计模型和传输地图优化的水下图像增强方法的流程框图。
附图2是不同类型的水下图像估计的正确背景光示意图。
附图3是技术效果对比图。
附图4将水下图像应使用DCP应用在RGB通道和GB通道上分布示意图。
附图5为直方分布示意图。
具体实施方式
下面结合附图对本发明提供的具体实施方式作详细说明。
请参照图1,图1是本发明的一种基于背景光统计模型和传输地图优化的水下图像增强方法的流程框图。由于光线在水下从目标传播到照相机时受到不同程度的衰减、折射和散射,水下图像经常呈现颜色失衡、亮度和对比度偏低等问题。本发明主要包括基于IFM的图像复原方法和基于图像特性的颜色纠正方法。对于图像复原的IFM模型中本发明提出了RGB三通道统计分析的背景光估计模型和基于符合水下图像分布的暗通道先验性的RGB三通道传输地图估计方法。在颜色纠正模型中,本发明将RGB空间模型转换到CIE-Lab颜色模型,并对‘L’亮度分量和‘a’‘b’颜色分量分别进行线性和非线性的自适应拉伸。
一种基于背景光统计模型和传输地图优化的水下图像增强方法,所述方法包括以下步骤:
步骤1:基于RGB三通道统计分析的背景光估计以及图像复原
目前背景光估计方法只是考虑了输入图像的物理特性却忽视了整幅图像的直方图分布特性,而且目前还没有一个公认的正确的背景光数据集。为了复原水下图像工作的研究人员提供可以参考的背景光,本发明第一次建立可靠的、准确的背景光估计数据集。为了保证数据集的多样性和代表性,本发明选取多种场景的水下图像,例如单个鱼、鱼群、珊瑚礁和潜水者等不同场景,不同衰减的水下图像,例如深海图像、低亮度水下图像、非常模糊的水下图像和蓝绿色偏光的水下图像,依据以上原则从这些图像中随机选取300张水下图像作为数据集。当人为标注水下图像的背景光时,本发明邀请五名具有计算机视觉或者图像处理背景知识的专业人员选取图像中最远点中较大强度的点作为背景光。选取背景光的原则主要是可以用来表示背景光的区域,然后选取五个点,并且从五个候选点中选择R通道和GB通道最大差值的背景点作为最终的背景光。图2展示了不同类型的水下图像估计的正确背景光
在保证MABLs的正确性和合理性后,本发明依据大量的水下图像直方图统计分布特性选择五个候选参数(平均值Avg、中位数Med、最大值Max、最小值 Min和标准差Std),以上选取参数几乎可以表现每个通道中相对分布集中的分量。由于MABLs的GB通道分布呈现正态分布而R通道不是正态分布,因此R 通道和GB通道分别通过MABLs与以上候选参数的皮尔逊相关系数和斯皮尔曼系数确定每个通道背景光估计模型的相关参数。针对GB通道的皮尔逊相关系数(PCC)和针对R通道的斯皮尔曼系数分别运行。以上两种系数的范围都是[-1,1],其中PCC越接近1或者-1表示有一个越完美的线性关系,越接近于0表明期望值和变量关系越小,然而斯皮尔曼系数越接近1或者-1表示期望值和变量存在越完美的非线性关系。如下表1是不同通道的候选参数和MABLs的相关系数值。
表1:RGB不同通道中关于MABLs和Avg,Med,Max,Min and Std之间的皮尔逊相关系数和斯皮尔曼系数。
Channel | Avg | Med | Max | Min | Std |
R | 0.824** | 0.844** | 0.269** | 0.639** | 0.216** |
G | 0.687** | 0.672** | 0.017 | 0.264** | 0.186** |
B | 0.742** | 0.719** | 0.274** | 0.149** | 0.405** |
**Coefficient is significant at the 0.01 level(2-tails)
过以上相关系数的统计结果可以得出GB通道的背景光估计模型是平均值和标准差的线性模型;R通道的背景光估计模型是与中位数呈指数分布的非线性模型;通过预设的GB通道的线性模型和R通道非线性模型可以拟合出精确度较高的背景光估计模型。根据以上选择参数和MABLS的关系,本发明首先定义GB通道的背景光估计是平均值Avg和标准差Std的线性模型:
Bc′=α×Avgc′+β×Stdc′+γ,c′∈{g,b} (1)
其中c′表示GB两个通道,Avgc′和Stdc′表示GB某个通道中的平均值和标准差,α和β是相关系数,γ是个常数。
对于红色通道,依据曲线弥合估计一个非线性模型:
其中a,b,c都是弥合系数。为了避免噪声和一些极端像素的影响,本发明使用整个直方图分布中的80%作为统计数据去计算平均值、中位数和标准差。通过五次交叉验证的线性回归模型和非线性回归模型,本发明最终得出如下BG 通道和R通道的背景光估计模型。
Bc′=1.13×Avgc′+1.11×Stdc′-25.6
本发明将建立的背景光估计模型用于估计300水下图像的背景光。然后计算MABLs和估计的背景光的差距,并为R通道和GB通道设定30和40的允许误差值。由于MABLs也存在一些不确定因素而且存在少量偏差的背景光不会对复原质量产生影响。通过实验分析证明本发明的背景光估计方法可以得到更加准确的背景光而且极大地提高了背景光估计效率。
步骤S1需要说明的是:
步骤2:基于新UDCP结论的RGB三通道传输地图估计(TMs)及图像复原;
请参照图4,本发明收集大量高质量的水下图像然后使用DCP应用在RGB 通道和GB通道,直方图分布如图5所示。虽然直方图的分布情况与何在2011 年的文章中的直方图分布相似,然而其结论和本发明得出的水下暗通道先验差距很大。因此本发明提出新的暗通道先验。
存在介质的水中,水下图像的形成可以认为是介质、光线和场景的复杂交互作用,也可以认为是直接照明(Directillumination)、前景散射和背景散射的线性组合。由于前景散射对图像成像过程几乎没有影响但是背景散射是造成图像模糊的主要原因,这是简单的图像成像模型可以被简化成如下。
IC(x)=JC(x)tC(x)+BC(1-tC(x)),C∈{r,g,b}, (4)
其中x代表图像中的一个坐标(i,j),在本发明中Cc都代表红绿蓝(RGB) 通道,JC(x)表示复原后的图像也就是原来场景光亮,BC表示为均匀背景光, tC(x)表示为JC(x)经过衰减、散射和折射等过程到达相机的残余比例。
2009年,何提出暗通道先验(DCP),基于大量的户外清晰的图像统计分析,该方法提出在大多数没有天空的图片块中,在RGB通道中存在至少有一个像素点非常的小。当清晰的水下图像使用DCP是可以发现大约75%的像素点是0,大约90%的像素值是小于25的。这个假设被广泛地用在复原户外有雾的图像。
其中,Jc(y)是清晰户外图像的某一个通道,Ω(x)是一个以x为中心的局部块。这个猜想认为 大部分都小于25并且近似等于0。但是需要说明的是当明亮的天空使用DCP时,这时的复原图像不能获得预期的结果。将最小滤波器使用在公式4的两边,并且在两边都除上Bc,这时可以获得以下公式。
将公式5带到公式6中,可以获得最终的传输地图TM
依据不同通道的光学传输特性,不同通道的传输地图与对应的能量残差率和传播距离成指数关系。
tC(x)=e-β(x)d(x)=Nrer(λ)d(x),C∈{r,g,b} (10)
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明方法的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
在水中,tC(x)也叫残余能量比例,受到光线波长和场景与相机间距离的影响。Nrer(λ)为标准化残余能量比,代表初始化能量在水中每经过单位距离剩余的能量比,d(x)表示场景到相机的距离。蓝绿色光线波长比红色光线要短,蓝绿色光线的衰减率比红色光线的低,这也就说明深海图像多呈现蓝绿色调。Nrer(λ)只与光线波长有关,在海洋一级标准下它可以被定义如下:
因此本发明可以得出统一的传输距离,并且依次可以推理出GB通道的传输地图。
tc′(x)=Nrer(c′)d(x),c′∈{g,b}, (12)
最后,RGB通道的传输地图分别可以估计,设定RGB通道传输地图的最小值为 0.1~0.3,使用引导滤波器对RGB传输地图精细化处理。
在获得三个通道的传输地图TMs和每个通道的背景光BL,复原后的水下图像可以将TMs和BL带入下面的复原公式中。
步骤3:在CIE-Lab颜色模型中的自适应拉伸
对比度增强后的图像将在CIE-Lab颜色模型进行颜色纠正,‘L’分量表示图像亮度(‘L’=100时图像最亮,‘L’=0时图像最暗),当‘a’=0,‘b’=0时,颜色通道将呈现中性灰度值。因此,‘a’和‘b’分颜色分量的渐变梯度可以通过调整得到正确的纠正色,然而‘L’亮度分量用来调整图像的整体亮度。首先将‘L’分量归一化处理,通过分析‘L’分量的直方图分布特性,本发明采用以下拉伸方式。
式中,V表示‘L’分量归一化向量,选取0.1%到99.9%的拉伸范围。
本实验中,‘a’和‘b’分量的范围为[0,255],其中128是中间值,首先对色彩两个分量进行归一化处理,‘a’和‘b’分量采用方程式(24)进行自适应调整。
式中,Iχ和pχ分别表示输入和输出值,χ∈{a,b}表示‘a’和‘b’颜色分量。在本发明中,是最优的实验结果值,确定为1.5~2.0。公式(15)使用一个指数函数作为一个重分布系数,并且Iχ越接近于0.5,幅度越小。在RGB颜色模型经过自适应直方图拉伸后的增强图像仍然存在蓝绿色偏差问题,根据颜色偏差的程度使用指数型曲线函数调整图像色彩。
经过在RGB颜色模型中自适应直方图拉伸和在CIE-Lab颜色模型中线性和非线性调整后,最终可以得到高对比度、平衡化、饱和化的清晰图像。计出最优的复原参数后,反演退化过程获得高对比度、平衡化、饱和化的清晰图像。
请参照图3,图3是技术效果对比图。本发明最终的输出结果显示在对比度、饱和度、明度等多方面都获得较好的增强效果。本发明方法适用于复杂环境下的水下图像增强、有效地增强可视性和获得更高的信息。相比于其它水下图像增强、复原方法,本文方法有着更好的实时性和鲁棒性。
本发明的一种基于背景光统计模型和传输地图优化的水下图像增强方法,能够应用在海洋资源中,且海洋资源丰富、海洋生态多种多样,增强水下图像的对比度、饱和度、亮度,提高图像的可视性对于海洋资源开发及其保护都起到关键作用。研究表明复原后的水下图像不仅可以提高图像质量,而且能够应用于目标识别、目标分类中,有效提高图像分类、图像识别精度。本发明对于水下物种探究、海洋工程、考古遗物等各类图像均有良好的增强效果,同时有助于水下对象(如鱼类、海藻)特征提取、对象识别和跟踪,以及水下导航定位等。而且,本发明技术上适用范围广(可以应用于复杂的水下环境),最起码不会给输入图像带来颜色衰减等问题,同时可以对本地图像快速自动纠正、图像复原,代码经过优化可以直接嵌入在图像拍摄端,实现实时自动图像复原,具有很高的实用价值。本发明选取多种场景的水下图像,例如单个鱼、鱼群、珊瑚礁和潜水者等不同场景,不同衰减的水下图像,例如深海图像、低亮度水下图像、非常模糊的水下图像和蓝绿色偏光的水下图像,保证数据集的多样性和代表性;本发明通过构建数据集和背景光的形式,考虑了整幅图像的直方图分布特性;本发明分别估计三个通道的传输地图(TMs),考虑了复杂的水下环境,能够获得更加准确的传输地图;本发明使用引导图像滤波器精细化三个通道的传输地图(TMs),可避免传输地图中会存在块状影响;本发明使用一种新颖的颜色纠正模型提高图像的视觉效果,解决了复原后的水下图像仍然存在亮度和对比度较低,颜色失衡的等问题;本发明使用整个直方图分布中的80%作为统计数据去计算平均值、中位数和标准差。通过五次交叉验证的线性回归模型和非线性回归模型,能够避免噪声和一些极端像素的影响。本发明最终的输出结果显示在对比度、饱和度、明度等多方面都获得较好的增强效果。本发明方法适用于复杂环境下的水下图像增强、提高图像增强的运行效率、同时提高图像可视性以及获得更高信息量。相比于其它水下图像增强、复原方法,本文方法有着更好的实效性和鲁棒性。
Claims (9)
1.一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,所述的方法包括以下步骤:
步骤S1.基于RGB三通道统计分析的背景光估计模型以及图像复原;
步骤S11.选取多种场景的水下图像构建数据集;
步骤S12.人为选取图像中最远点中较大强度的点来标注水下图像的背景光;
步骤S13.依据大量的水下图像直方图统计分布特性选择平均值、中位数、最大值、最小值和标准差五个候选参数,且R通道和GB通道分别通过MABLs背景点与以上候选参数的皮尔逊相关系数和斯皮尔曼系数确定每个通道背景光估计模型的相关参数;得出GB通道的背景光估计模型是平均值和标准差的线性模型;R通道的背景光估计模型是一种与中位数呈指数分布的非线性模型;通过预设的GB通道的线性模型和R通道非线性模型可以拟合出精确度高的背景光估计模型;
步骤S2.基于新UDCP水下暗通道先验性估计R通道传输地图,然后得出统一的深度地图并推理出GB通道传输地图及图像复原;
步骤S21.使用水下图像成像模型(IFM)并对两边都采用最小滤波器并依据红色通道在水中的衰减度最大可以获得红色通道的传输地图;
步骤S22.依据三个通道的传输地图与每个通道的标准残差能量比和传输距离呈指数关系,得出统一的传输距离,最后使用传输地图的形成函数分别求出GB通道的传输地图;
步骤S23.获得三个通道的传输地图TMs和每个通道的背景光BLs后,将两个复原参数带入到复原公式可以得出最终的复原图像;
步骤S3.在CIE-Lab颜色模型中的自适应拉伸;
步骤S31.将复原后的水下图像转换到CIE-Lab颜色模型,其中‘L’分量表示图像亮度,‘a’和‘b’为色彩分量;
步骤S32.对‘L’图像亮度分量和‘a’‘b’色彩分量分别进行线性和曲线自适应直方图拉伸优化。
4.根据权利要求2所述的一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,步骤S21中的红色通道的传输地图具体如下:
步骤S211、考虑背景散射是造成图像模糊的因素,将水下图像成像模型公式简化为:
IC(x)=JC(x)tC(x)+BC(1-tC(x)),C∈{r,g,b},
其中x代表图像中的一个坐标(i,j),C代表红绿蓝RGB通道,JC(x)表示复原后的图像也就是原来场景光亮,BC表示为均匀背景光,tC(x)表示为JC(x)经过衰减、散射和折射过程到达相机的残余比例;
步骤S212、将最小滤波器使用在水下图像成像模型公式的两边,并且在两边都除上BC,获得以下公式:
获得最终的传输地图TM:
5.根据权利要求4所述的一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,步骤S22中的GB通道的传输地图具体如下:
步骤S222、依据不同通道的光学传输特性,不同通道的传输地图与对应的能量残差率和传播距离成指数关系:
tC(x)=e-β(x)d(x)=Nrer(λ)d(x),C∈{r,g,b}
tC(x)也叫残余能量比例,Nrer(λ)为标准化残余能量比,d(x)表示场景到相机的距离;
步骤S223、对Nrer(λ)在海洋一级标准下定义:
步骤S224、计算统一的传输距离d(x)=logNrer(Red){tr(x)},并且依次推理出GB通道的传输地图:
tc′(x)=Nrer(c′)d(x),c′∈{g,b}
步骤S225、在获得三个通道的传输地图TMs和每个通道的背景光BL,复原后的水下图像可以将TMs和BL带入下面的复原公式中:
7.根据权利要求1所述的一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,步骤S3中根据颜色偏差的程度使用指数型曲线函数调整图像色彩。
8.根据权利要求1所述的一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,步骤S2中引导图像滤波器精细化三个通道的传输地图。
9.根据权利要求1所述的一种基于背景光统计模型和传输地图优化的水下图像增强方法,其特征在于,步骤S11中水下场景图像包括不同场景,不同衰减的水下图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810400875.9A CN108596853B (zh) | 2018-04-28 | 2018-04-28 | 基于背景光统计模型和传输地图优化的水下图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810400875.9A CN108596853B (zh) | 2018-04-28 | 2018-04-28 | 基于背景光统计模型和传输地图优化的水下图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596853A CN108596853A (zh) | 2018-09-28 |
CN108596853B true CN108596853B (zh) | 2022-07-08 |
Family
ID=63619211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810400875.9A Active CN108596853B (zh) | 2018-04-28 | 2018-04-28 | 基于背景光统计模型和传输地图优化的水下图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596853B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886885B (zh) * | 2019-01-23 | 2021-03-02 | 齐鲁工业大学 | 一种基于Lab色彩空间和Retinex的图像增强方法及系统 |
CN109741285B (zh) * | 2019-01-28 | 2022-10-18 | 上海海洋大学 | 一种水下图像数据集的构建方法及系统 |
CN110415178A (zh) * | 2019-06-06 | 2019-11-05 | 长春理工大学 | 一种基于电磁波能量剩余比以及背景光估计的水下图像清晰化方法 |
CN111724301B (zh) * | 2020-06-19 | 2023-05-12 | 电子科技大学 | 一种基于直方图统计的自适应拉伸方法及系统 |
CN113947535B (zh) * | 2020-07-17 | 2023-10-13 | 四川大学 | 一种基于光照分量优化的低照度图像增强方法 |
CN112329615B (zh) * | 2020-11-04 | 2022-04-15 | 中国海洋大学 | 一种用于水下视觉目标自主抓取的环境态势评估方法 |
CN112488948B (zh) * | 2020-12-03 | 2023-05-16 | 大连海事大学 | 一种基于黑色像素点估计后向散射的水下图像复原方法 |
CN112862876A (zh) * | 2021-01-29 | 2021-05-28 | 中国科学院深海科学与工程研究所 | 一种用于水下机器人的实时深海视频图像增强方法 |
CN112907469B (zh) * | 2021-02-05 | 2022-09-16 | 北京理工大学 | 基于Lab域增强、分类及对比度提升的水下图像识别方法 |
CN113012037B (zh) * | 2021-03-11 | 2022-08-05 | 桂林电子科技大学 | 一种用于水下图像复原的深度学习训练数据集合成方法 |
CN112907582B (zh) * | 2021-03-24 | 2023-09-29 | 中国矿业大学 | 面向矿井的图像显著性提取去雾方法、装置及人脸检测 |
CN113177949B (zh) * | 2021-04-16 | 2023-09-01 | 中南大学 | 一种大尺寸岩石颗粒特征识别方法及装置 |
CN113538543B (zh) * | 2021-07-15 | 2024-04-30 | 大连海事大学 | 一种基于纹理分布和光吸收的水下图像复原方法 |
CN113610730B (zh) * | 2021-08-06 | 2023-08-29 | 上海大学 | 一种卫星影像非均匀薄云去除方法及系统 |
CN114066764B (zh) * | 2021-11-23 | 2023-05-09 | 电子科技大学 | 基于距离加权色偏估计的沙尘退化图像增强方法及装置 |
CN115797225B (zh) * | 2023-01-06 | 2023-04-21 | 山东环宇地理信息工程有限公司 | 一种水下地形测量用无人船采集图像增强方法 |
CN116434081A (zh) * | 2023-04-25 | 2023-07-14 | 广东工业大学 | 一种基于5g+云边端水下机器人控制管理方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485681A (zh) * | 2016-10-18 | 2017-03-08 | 河海大学常州校区 | 基于颜色校正和红通道先验的水下彩色图像复原方法 |
WO2017048927A1 (en) * | 2015-09-18 | 2017-03-23 | The Regents Of The University Of California | Cameras and depth estimation of images acquired in a distorting medium |
CN107403418A (zh) * | 2017-07-27 | 2017-11-28 | 北京大学深圳研究生院 | 基于通道透射率进行去雾和颜色校正的水下图像增强方法 |
-
2018
- 2018-04-28 CN CN201810400875.9A patent/CN108596853B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017048927A1 (en) * | 2015-09-18 | 2017-03-23 | The Regents Of The University Of California | Cameras and depth estimation of images acquired in a distorting medium |
CN106485681A (zh) * | 2016-10-18 | 2017-03-08 | 河海大学常州校区 | 基于颜色校正和红通道先验的水下彩色图像复原方法 |
CN107403418A (zh) * | 2017-07-27 | 2017-11-28 | 北京大学深圳研究生院 | 基于通道透射率进行去雾和颜色校正的水下图像增强方法 |
Non-Patent Citations (2)
Title |
---|
《Region-specialized underwater image restoration in inhomogeneous optical environments》;Chen, Z.;et al;《Optik》;20141231;第125卷(第9期);第2090-2098页 * |
《基于背景光估计与暗通道先验的水下图像复原》;谢昊伶,等;《光学学报》;20180131;第38卷(第1期);第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596853A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596853B (zh) | 基于背景光统计模型和传输地图优化的水下图像增强方法 | |
CN107507145B (zh) | 一种基于不同颜色空间自适应直方图拉伸的水下图像增强方法 | |
CN108257101B (zh) | 一种基于最优复原参数的水下图像增强方法 | |
CN109118446B (zh) | 一种水下图像复原及去噪方法 | |
CN108921887B (zh) | 基于水下光线衰减先验性的水下场景深度地图估计方法 | |
CN104166968A (zh) | 一种图像去雾的方法、装置及移动终端 | |
CN110689490A (zh) | 一种基于纹理颜色特征和优化透射率的水下图像复原方法 | |
CN107527325B (zh) | 一种基于暗通道优先的单目水下视觉增强方法 | |
CN111833258B (zh) | 一种基于双透射率水下成像模型的图像颜色校正方法 | |
Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
Yang et al. | Underwater image enhancement using scene depth-based adaptive background light estimation and dark channel prior algorithms | |
CN110930319B (zh) | 基于自适应透射率估计的水下图像清晰化方法 | |
CN104331867A (zh) | 图像去雾的方法、装置及移动终端 | |
Pei et al. | Underwater images enhancement by revised underwater images formation model | |
Huang et al. | Underwater image enhancement based on zero-reference deep network | |
CN117726545A (zh) | 一种使用非局部雾线和多重曝光融合的图像去雾方法 | |
Deng et al. | State of the art of the underwater image processing methods | |
CN115393209A (zh) | 一种基于多约束先验的贝叶斯Retinex深海图像增强方法 | |
CN115619662A (zh) | 一种基于暗通道先验的图像去雾方法 | |
CN109961413B (zh) | 大气光方向优化估计的图像去雾迭代算法 | |
Shi et al. | Underwater image enhancement based on adaptive color correction and multi-scale fusion | |
He et al. | Underwater image enhancement based on light attenuation prior and dual-image multi-scale fusion | |
Ghate et al. | Recent trends and challenges in Image Enhancement Techniques for Underwater Photography | |
Powar et al. | A review: Underwater image enhancement using dark channel prior with gamma correction | |
Huang et al. | A new method for automated driving image defogging based on improved dark channel prior |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |