CN108932700A - 基于目标成像模型的自适应梯度增益水下图像增强方法 - Google Patents
基于目标成像模型的自适应梯度增益水下图像增强方法 Download PDFInfo
- Publication number
- CN108932700A CN108932700A CN201810473525.5A CN201810473525A CN108932700A CN 108932700 A CN108932700 A CN 108932700A CN 201810473525 A CN201810473525 A CN 201810473525A CN 108932700 A CN108932700 A CN 108932700A
- Authority
- CN
- China
- Prior art keywords
- image
- gradient
- target imaging
- self
- transmissivity
- 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.)
- Withdrawn
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002708 enhancing effect Effects 0.000 claims abstract description 32
- 238000005286 illumination Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 230000035699 permeability Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 5
- 238000011084 recovery Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000009738 saturating Methods 0.000 claims description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000011158 quantitative evaluation Methods 0.000 abstract description 2
- 230000001629 suppression Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 230000001965 increasing effect Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
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
本发明公开了一种基于目标成像模型的自适应梯度增益水下图像增强方法，包括如下步骤：进行全局背景光照向量估计；将整体图像划分若干相同尺寸的分块图像；进行优化透射率估计；应改善透射率估计值；计算原始观测图像对应的去雾清晰图像；计算原始观测图像对应的梯度图像；获取基于原始观测图像丰富梯度信息的增强图像；对增强图像进行定量评价。本发明只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像自身的信息，对图像进行去噪增强处理、自适应增益、综合定量评价指标评估基于目标成像模型的自适应梯度增益增强图像。本发明能充分利用图像自身丰富的梯度信息实现图像增强处理，使得处理后的图像视觉质量提高、纹理信息丰富。
Description
技术领域
本发明属于图像信息处理领域，具体涉及一种基于目标成像模型的自适应梯度增益水下图像增强方法。
背景技术
水下目标探测图像往往存在非均匀亮度、低信噪比、低对比度等特殊情况，导致水下图像降质严重，常用的水下目标探测图像增强算法主要分为修改水下图像的光照和抑制图像对比度以保留图像边缘两大类，但不可避免会降低探测图像的视觉质量。传统的基于对比度增强的图像增强算法有很大的局限性，如直方图均衡化(histogram equalization，HE)对图像进行全局增强，但加大了噪声或者引入新的噪声。对比度受限自适应性直方图均衡(contrast limited adaptive histogram equalization，CLAHE)，克服了全局直方图均衡化难以适应局部灰度分布的缺陷，但其均衡化后人工块效应明显，会出现局部过度增强的现象。暗通道先验理论(dark channel prior，DCP)通过先验知识，借助大气散射目标成像模型，尽可能准确的估计出相关参数，对单幅图像去雾技术取得了实质性进展。但现有的先验知识均存在自身的局限性，特别是当目标亮度高于背景亮度时，往往难以获得预期效果。由于受到水的光学特性以及水中各种微粒、浮游生物和水体流动的影响，直接平移和转嫁大气散射目标成像模型的研究成果进行水下探测图像增强效果仍显不足。本专利将水下目标成像模型与原始探测图像丰富的梯度信息相结合，对水下图像进行增强处理，使得增强后的图像细节更加丰富清晰，整体图像的对比度、信息熵和色彩信息等等都能得到有效提升。
发明内容
本发明所要解决的技术问题，面对存在非均匀亮度、低信噪比、低对比度环境下的水下目标探测图像的精确定位和准确描述的客观实际需求，研究一种基于目标成像模型的自适应梯度增益水下图像增强方法，实现水下目标探测图像去噪增强处理，提高水下目标探测图像的对比度、信息熵、色彩等视觉质量。
本发明采用如下方案实现：
一种基于目标成像模型的自适应梯度增益水下图像增强方法，包括以下步骤：
步骤一：根据水下目标成像物理模型，进行全局背景光照向量估计。
水下目标成像物理模型表述为：
Ic(p)＝tc(p)Jc(p)+(1-tc(p))Ac,c∈{r,g,b}
其中，Ic(p)和Jc(p)分别为水下目标在像素点位置p处对应的原始观测图像和恢复图像；Ac为全局背景光照向量；tc(p)∈[0,1]为介质透射率，表示光线的光通量与其入射光通量的百分率。透射率取决于两方面的因素：一是目标与相机镜头之间的距离，二是衰减系数，RGB三种颜色光线衰减系数各不相同。
图像去噪的目的，就是由原始观测图像Ic(p)来计算恢复图像Jc(p)。要计算恢复图像 Jc(p)，必须先计算全局背景光照向量Ac和为介质透射率tc(p)。
全局背景光照向量估计Ac步骤：
①将原始观测图像平均划分为与原始图像尺寸等比例的四个矩形子图像块；
②计算各子图像块对应的像素均值与标准偏差对应的差值；
③选择差值最大的子图像块，将其进一步细分为四个矩形子图像块；
④重复步骤②③，直到子图像块的尺寸小于预先设定的阈值；
⑤在选定的子图像块中，选择最小距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||对应的RGB向量，作为全局背景光照向量估计Ac，Ac＝(Ar,Ag,Ab)T。
步骤二：假设局域图像景深一致，并将整体图像划分若干相同尺寸的分块图像。
将整体图像划分为尺寸大小为32×32的小图像块(边缘部分小图像块的长宽可能会小于 32)，并假设在每个小图像块内图像景深为固定值，即取相同的透射率估计值tc。则水下目标成像物理模型改写为：
步骤三：均衡考虑对比度增强最大与图像信息损失最小，进行优化透射率估计。
在Ic(p)和Ac是已知条件的情况下，恢复图像Jc(p)主要取决于tc。由上式可知，Jc(p)和 tc呈反比例关系。在图像块内，恢复图像的对比度随着透射率的减小而增加。因此，为了获取恢复图像较大的对比度，应该选择较小的透射率取值tc。
另一方面，小图像块内，tc和Ac均是固定值，则Jc(p)和Ic(p)呈正比例关系，比例系数为1/tc。已知，8位图像输入像素值范围Ic(p)∈[0,255]。比例系数越大，输出像素值Jc(p)取值范围也就越大，有可能超出取值范围[0,255]，而超出该范围的像素值无效。换言之，比例系数越大，要得到[0,255]的输出像素值，需要的输入像素值范围也就越小。直接导致有效输入像素值范围被截断，造成观测图像的信息量损失。因此，为了减少观测图像的信息损失，需要选择较小的比例系数，应该选择较大的透射率取值tc。
综合以上两方面的因素，在恢复图像的对比度和观测图像的信息量损失两方面应进行均衡处理，应选择比较合适的透射率。优化的透射率通过最小化代价函数E获取：
E＝Econtrast+ηEloss
其中，
其中，和分别为Jc(p)和Ic(p)在小图像块中的均值，NB为小图像块中的像素数量，hc(i) 为像素值为i是对应的直方图值，αc和βc分别表示像素值范围截断点取值。
步骤四：应用导引滤波算法，改善透射率估计值，消除透射率存在的块状效应。
通过图像块透射率估计，得到块状的景深图像。应用导引滤波算法，以块状透射率为输入图像，以原始观测图像为导引图像，得到平滑的全局图像透射率。
其中，r和eps分别为导引滤波算法的区域窗口半径和正则化参数。
步骤五：根据目标成像物理模型，计算原始观测图像对应的去雾清晰图像。
步骤六：将原始观测图像转换为灰度图像，应用4方向Sobel边缘检测器计算原始观测图像对应的梯度图像。
利用人眼对边缘等高频信息比较敏感的特性，选择具有一定噪声鲁棒性的Sobel算子获取边缘梯度图像。在传统Sobel算子滤波(0°和90°方向)的基础上，增加了两个对角方向(45°和 135°方向)的滤波，增强了平滑噪声的能力。
四个方向上的Sobel边缘检测器掩模定义为：
假设Z(i,j)定义为像素点(i,j)的3×3图像邻域，则Z(i,j)表示为：
其中，z(i,j)定义为像素点(i,j)的灰度值。
像素点(i,j)的4方向的梯度向量定义为：
Gk(i,j)＝∑∑z(i+m-1,j+n-1)×Sk(m,n),k＝1,2,3,4
像素点(i,j)的梯度图像定义为：
梯度图像归一化为：
其中，δ1和δ2为微小的扰动量，以确保gn(i,j)∈(0,1)。
为了得到丰富梯度信息的图像，在像素点(i,j)处的自适应增益函数λ(i,j)表述为：
其中，a和b为可调节正数变量，以确保自适应增益函数λ(i,j)均值在一个合适的范围内。
步骤七：对去雾清晰图像中R，G，B分量分别进行基于自适应梯度增益的广义有界对数乘法运算，获取基于原始观测图像丰富梯度信息的增强图像。
对去雾清晰图像R，G，B分量归一化，得到R′，G′，B′分量，然后分别进行基于自适应增益函数的广义有界乘法运算，获取基于原始图像梯度信息的增强图像R″G″B″。广义有界乘法运算表示为：
将增强图像的R″，G″，B″分量由[0,1]范围变换至[0,255]范围。
最后的输出图像表示为：
其中，
步骤八：对增强图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。
相关定量评价指标函数表示为：
均值：其中，μR、μG和μB分别为RGBout三通道颜色分量的均值。
对比度：式中，P(i,j；d,θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1,2,3,4。
信息熵：
色彩尺度：其中，α＝R-G，β＝(R+G)/2-B；μα和μβ分别是α和β的均值，σα和σβ分别是α和β的标准差。
对基于目标成像模型的自适应梯度增益水下图像增强方法有关问题的说明：
(1)优化的透射率可以通过最小化代价函数E获取，参数η是权重系数，用于控制对比度代价与信息损失代价之间的比重。在实际应用过程中，需要合理设置这项参数。RGB三种颜色光线衰减系数各不相同，红色光线衰减系数最大，绿色和蓝色衰减系数比较接近。
(2)广义有界对数加法和减法互为逆运算。采用加运算进行图像亮度调节，采用乘法运算进行图像对比度增强处理。乘法运算在自适应增益函数λ(i,j)＜1时，图像像素值整体上被压缩。乘法运算在λ(i,j)∈[1,3]时，在模型零值(x＝0.5)附近的像素值被拉伸，对远离零值的像素值进行压缩。在λ(i,j)＞3时，图像被过度增强，边缘锐化，增强图像呈现出无景深、平面化、雕刻状，不能体现图像增强效果，属于无效增强。
(3)在实际应用中，根据对比度增强的需要，可以对自适应增益函数λ(i,j)中的参数a和b 进行适当的调整，以期得到不同对比度的增强图像。
(4)在进行对比度增强时，还应综合考虑图像信息熵、色彩尺度等因素，以实现图像整体视觉效果的提升。
本发明所达到的有益之处在于：
本发明的方法，可以只利用单幅非均匀亮度、低信噪比、低对比度水下目标探测图像自身的信息，先对图像进行基于目标成像模型的去噪增强处理，再利用图像本身丰富的梯度信息进行自适应增益，最后从均值、对比度、信息熵和色彩尺度等综合定量评价指标评估基于目标成像模型的自适应梯度增益增强图像。本发明中用到的4方向Sobel边缘检测器，能充分利用图像自身丰富的梯度信息实现图像增强处理，使得处理后的图像视觉质量提高、纹理信息丰富。
附图说明
图1是基于目标成像模型的自适应梯度增益水下图像增强方法控制流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明一种基于目标成像模型的自适应梯度增益水下图像增强方法，其步骤包括：步骤一：根据水下目标成像模型，进行全局背景光照向量估计；步骤二：假设局域图像景深一致，并将整体图像划分若干相同尺寸的分块图像；步骤三：均衡考虑对比度增强最大与图像信息损失最小，进行优化透射率估计；步骤四：应用导引滤波算法，改善透射率估计值，消除透射率存在的块状效应；步骤五：根据目标成像物理模型，计算原始观测图像对应的去雾清晰图像；步骤六：将原始观测图像转换为灰度图像，应用4方向Sobel边缘检测器计算原始观测图像对应的梯度图像；步骤七：对去雾清晰图像中R，G，B分量分别进行基于自适应梯度增益的广义有界对数乘法运算，获取基于原始观测图像丰富梯度信息的增强图像；步骤八：对增强图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。本发明基于目标成像物理模型，能获取精确场景透射率参数；利用4方向Sobel边缘检测器，能充分利用原始观测图像丰富的纹理实现图像增强，使得增强处理后的图像对比度提高、梯度信息丰富，并且色彩质量提高。
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
参照图1所示，本发明是一种基于目标成像模型的自适应梯度增益水下图像增强方法，整体流程图如图1所示，具体实现步骤如下：
步骤一：根据水下目标成像物理模型，进行全局背景光照向量估计。
水下目标成像物理模型可以表述为：
Ic(p)＝tc(p)Jc(p)+(1-tc(p))Ac,c∈{r,g,b}
其中，Ic(p)和Jc(p)分别为水下目标在像素点位置p处对应的原始观测图像和恢复图像；Ac为全局背景光照向量；tc(p)∈[0,1]为介质透射率，表示光线的光通量与其入射光通量的百分率。透射率取决于两方面的因素：一是目标与相机镜头之间的距离，二是衰减系数，RGB三种颜色光线衰减系数各不相同。
图像去噪的目的，就是由原始观测图像Ic(p)来计算恢复图像Jc(p)。要计算恢复图像 Jc(p)，必须先计算全局背景光照向量Ac和为介质透射率tc(p)。
全局背景光照向量估计Ac步骤：
①将原始观测图像平均划分为与原始图像尺寸等比例的四个矩形子图像块；
②计算各子图像块对应的像素均值与标准偏差对应的差值；
③选择差值最大的子图像块，将其进一步细分为四个矩形子图像块；
④重复步骤②③，直到子图像块的尺寸小于预先设定的阈值；
⑤在选定的子图像块中，选择最小距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||对应的RGB向量，作为全局背景光照向量估计Ac，Ac＝(Ar,Ag,Ab)T。
步骤二：假设局域图像景深一致，并将整体图像划分若干相同尺寸的分块图像。
将整体图像划分为尺寸大小为32×32的小图像块(边缘部分小图像块的长宽可能会小于 32)，并假设在每个小图像块内图像景深为固定值，即取相同的透射率估计值tc。则水下目标成像物理模型可以改写为：
步骤三：均衡考虑对比度增强最大与图像信息损失最小，进行优化透射率估计。
在Ic(p)和Ac是已知条件的情况下，恢复图像Jc(p)主要取决于tc。由上式可知，Jc(p)和 tc呈反比例关系。在图像块内，恢复图像的对比度随着透射率的减小而增加。因此，为了获取恢复图像较大的对比度，应该选择较小的透射率取值tc。
另一方面，小图像块内，tc和Ac均是固定值，则Jc(p)和Ic(p)呈正比例关系，比例系数为1/tc。已知，8位图像输入像素值范围Ic(p)∈[0,255]。比例系数越大，输出像素值Jc(p)取值范围也就越大，有可能超出取值范围[0,255]，而超出该范围的像素值无效。换言之，比例系数越大，要得到[0,255]的输出像素值，需要的输入像素值范围也就越小。直接导致有效输入像素值范围被截断，造成观测图像的信息量损失。因此，为了减少观测图像的信息损失，需要选择较小的比例系数，应该选择较大的透射率取值tc。
综合以上两方面的因素，在恢复图像的对比度和观测图像的信息量损失两方面应进行均衡处理，应选择比较合适的透射率。优化的透射率tc*可以通过最小化代价函数E获取：
E＝Econtrast+ηEloss
其中，
其中，和分别为Jc(p)和Ic(p)在小图像块中的均值，NB为小图像块中的像素数量，hc(i) 为像素值为i是对应的直方图值，αc和βc分别表示像素值范围截断点取值。
步骤四：应用导引滤波算法，改善透射率估计值，消除透射率存在的块状效应。
通过图像块透射率估计，可以得到块状的景深图像。应用导引滤波算法，以块状透射率为输入图像，以原始观测图像为导引图像，得到平滑的全局图像透射率。
其中，r和eps分别为导引滤波算法的区域窗口半径和正则化参数。
步骤五：根据目标成像物理模型，计算原始观测图像对应的去雾清晰图像。
步骤六：将原始观测图像转换为灰度图像，应用4方向Sobel边缘检测器计算原始观测图像对应的梯度图像。
利用人眼对边缘等高频信息比较敏感的特性，选择具有一定噪声鲁棒性的Sobel算子获取边缘梯度图像。在传统Sobel算子滤波(0°和90°方向)的基础上，增加了两个对角方向(45°和 135°方向)的滤波，增强了平滑噪声的能力。
四个方向上的Sobel边缘检测器掩模定义为：
S1＝(-1 0 1；-2 0 2；-1 0 1)
S2＝(0 1 2；-1 0 1；-2-1 0)
S3＝(1 2 1；0 0 0；-1 -2 -1)
S4＝(2 1 0；1 0 -1；0 -1 -2)
假设Z(i,j)定义为像素点(i,j)的3×3图像邻域，则Z(i,j)可以表示为：
其中，z(i,j)定义为像素点(i,j)的灰度值。
像素点(i,j)的4方向的梯度向量可以定义为：
Gk(i,j)＝∑∑z(i+m-1,j+n-1)×Sk(m,n),k＝1,2,3,4
像素点(i,j)的梯度图像可以定义为：
梯度图像归一化为：
其中，δ1和δ2为微小的扰动量，以确保gn(i,j)∈(0,1)。
为了得到丰富梯度信息的图像，在像素点(i,j)处的自适应增益函数λ(i,j)可以表述为：
其中，a和b为可调节正数变量，以确保自适应增益函数λ(i,j)均值在一个合适的范围内。
步骤七：对去雾清晰图像中R，G，B分量分别进行基于自适应梯度增益的广义有界对数乘法运算，获取基于原始观测图像丰富梯度信息的增强图像。
对去雾清晰图像R，G，B分量归一化，得到R′，G′，B′分量，然后分别进行基于自适应增益函数的广义有界乘法运算，获取基于原始图像梯度信息的增强图像R″G″B″。广义有界乘法运算可以表示为：
将增强图像的R″，G″，B″分量由[0,1]范围变换至[0,255]范围。
最后的输出图像可以表示为：
其中，
步骤八：对增强图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。
相关定量评价指标函数表示为：
均值：其中，μR、μG和μB分别为RGBout三通道颜色分量的均值。
对比度：式中，P(i,j；d,θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1,2,3,4。
信息熵：
色彩尺度：其中，α＝R-G，β＝(R+G)/2-B；μα和μβ分别是α和β的均值，σα和σβ分别是α和β的标准差。
对基于目标成像模型的自适应梯度增益水下图像增强方法有关问题的说明：
(1)优化的透射率可以通过最小化代价函数E获取，参数η是权重系数，用于控制对比度代价与信息损失代价之间的比重。在实际应用过程中，需要合理设置这项参数。RGB三种颜色光线衰减系数各不相同，红色光线衰减系数最大，绿色和蓝色衰减系数比较接近。
(2)广义有界对数加法和减法互为逆运算。采用加运算进行图像亮度调节，采用乘法运算进行图像对比度增强处理。乘法运算在自适应增益函数λ(i,j)＜1时，图像像素值整体上被压缩。乘法运算在λ(i,j)∈[1,3]时，在模型零值(x＝0.5)附近的像素值被拉伸，对远离零值的像素值进行压缩。在λ(i,j)＞3时，图像被过度增强，边缘锐化，增强图像呈现出无景深、平面化、雕刻状，不能体现图像增强效果，属于无效增强。
(3)在实际应用中，根据对比度增强的需要，可以对自适应增益函数λ(i,j)中的参数a和b 进行适当的调整，以期得到不同对比度的增强图像。
(4)在进行对比度增强时，还应综合考虑图像信息熵、色彩尺度等因素，以实现图像整体视觉效果的提升。
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来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.基于目标成像模型的自适应梯度增益水下图像增强方法，包括如下步骤：
步骤一：根据水下目标成像物理模型，进行全局背景光照向量估计；
步骤二：假设局域图像景深一致，并将整体图像划分若干相同尺寸的分块图像；
步骤三：均衡考虑对比度增强最大与图像信息损失最小，进行优化透射率估计；
步骤四：应用导引滤波算法，改善透射率估计值，消除透射率存在的块状效应；
步骤五：根据目标成像物理模型，计算原始观测图像对应的去雾清晰图像；
步骤六：将原始观测图像转换为灰度图像，应用4方向Sobel边缘检测器计算原始观测图像对应的梯度图像；
步骤七：对去雾清晰图像中R，G，B分量分别进行基于自适应梯度增益的广义有界对数乘法运算，获取基于原始观测图像丰富梯度信息的增强图像；
步骤八：对增强图像从均值、对比度、信息熵和色彩尺度等方面进行定量评价。
2.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤一中，
水下目标成像物理模型表述为：
Ic(p)＝tc(p)Jc(p)+(1-tc(p))Ac,c∈{r,g,b}
其中，Ic(p)和Jc(p)分别为水下目标在像素点位置p处对应的原始观测图像和恢复图像；Ac为全局背景光照向量；tc(p)∈[0,1]为介质透射率，表示光线的光通量与其入射光通量的百分率；透射率取决于两方面的因素：一是目标与相机镜头之间的距离，二是衰减系数，RGB三种颜色光线衰减系数各不相同；
图像去噪的目的，就是由原始观测图像Ic(p)来计算恢复图像Jc(p)；要计算恢复图像Jc(p)，必须先计算全局背景光照向量Ac和为介质透射率tc(p)。
3.根据权利要求2所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：全局背景光照向量估计Ac步骤为：
步骤1-1：将原始观测图像平均划分为与原始图像尺寸等比例的四个矩形子图像块；
步骤1-2：计算各子图像块对应的像素均值与标准偏差对应的差值；
步骤1-3：选择差值最大的子图像块，将其进一步细分为四个矩形子图像块；
步骤1-4：重复步骤1-2和步骤1-3，直到子图像块的尺寸小于预先设定的阈值；
步骤1-5：在选定的子图像块中，选择最小距离||(Ir(p),Ig(p),Ib(p))-(255,255,255)||对应的RGB向量，作为全局背景光照向量估计Ac，Ac＝(Ar,Ag,Ab)T。
4.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤二中，
将整体图像划分为尺寸大小为32×32的小图像块，并假设在每个小图像块内图像景深为固定值，即取相同的透射率估计值tc；则水下目标成像物理模型改写为：
5.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤三中，
在恢复图像的对比度和观测图像的信息量损失两方面应进行均衡处理，选择合适的透射率；优化的透射率tc*通过最小化代价函数E获取：
E＝Econtrast+ηEloss
其中，
其中，和分别为Jc(p)和Ic(p)在小图像块中的均值，NB为小图像块中的像素数量，hc(i)为像素值为i是对应的直方图值，αc和βc分别表示像素值范围截断点取值。
6.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤四中，
通过图像块透射率估计，得到块状的景深图像；应用导引滤波算法，以块状透射率为输入图像，以原始观测图像为导引图像，得到平滑的全局图像透射率；
其中，r和eps分别为导引滤波算法的区域窗口半径和正则化参数。
7.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤五中，
计算原始观测图像对应的去雾清晰图像如下：
8.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤六中，
利用人眼对边缘等高频信息敏感的特性，选择具有噪声鲁棒性的Sobel算子获取边缘梯度图像；在传统Sobel算子滤波，0°和90°方向，的基础上，增加了两个对角方向，45°和135°方向，的滤波；
四个方向上的Sobel边缘检测器掩模定义为：
假设Z(i,j)定义为像素点(i,j)的3×3图像邻域，则Z(i,j)表示为：
其中，z(i,j)定义为像素点(i,j)的灰度值；
像素点(i,j)的4方向的梯度向量定义为：
Gk(i,j)＝∑∑z(i+m-1,j+n-1)×Sk(m,n),k＝1,2,3,4
像素点(i,j)的梯度图像定义为：
梯度图像归一化为：
其中，δ1和δ2为微小的扰动量，以确保gn(i,j)∈(0,1)；
为了得到丰富梯度信息的图像，在像素点(i,j)处的自适应增益函数λ(i,j)表述为：
其中，a和b为可调节正数变量，以确保自适应增益函数λ(i,j)均值在一个合适的范围内。
9.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤七中，
对去雾清晰图像R，G，B分量归一化，得到R′，G′，B′分量，然后分别进行基于自适应增益函数的广义有界乘法运算，获取基于原始图像梯度信息的增强图像R″G″B″；广义有界乘法运算表示为：
将增强图像的R″，G″，B″分量由[0,1]范围变换至[0,255]范围；
最后的输出图像表示为：
其中，
10.根据权利要求1所述的基于目标成像模型的自适应梯度增益水下图像增强方法，其特征在于：所述步骤八中，
相关定量评价指标函数表示为：
均值：其中，μR、μG和μB分别为RGBout三通道颜色分量的均值；
对比度：式中，P(i,j；d,θk)为灰度共生矩阵；θk为像素间角度，θk＝(k-1)×45°，k＝1,2,3,4；
信息熵：
色彩尺度：其中，α＝R-G，β＝(R+G)/2-B；μα和μβ分别是α和β的均值，σα和σβ分别是α和β的标准差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810473525.5A CN108932700A (zh) | 2018-05-17 | 2018-05-17 | 基于目标成像模型的自适应梯度增益水下图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810473525.5A CN108932700A (zh) | 2018-05-17 | 2018-05-17 | 基于目标成像模型的自适应梯度增益水下图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108932700A true CN108932700A (zh) | 2018-12-04 |
Family
ID=64448934
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810473525.5A Withdrawn CN108932700A (zh) | 2018-05-17 | 2018-05-17 | 基于目标成像模型的自适应梯度增益水下图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108932700A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070480A (zh) * | 2019-02-26 | 2019-07-30 | 青岛大学 | 一种水下光学图像的模拟方法 |
| CN110706165A (zh) * | 2019-09-12 | 2020-01-17 | 中国海洋大学 | 一种基于EME与Mask的水下图像匀光算法 |
| CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
| CN110851965A (zh) * | 2019-10-29 | 2020-02-28 | 中国海洋大学 | 一种基于物理模型的光源优化方法及优化系统 |
| CN111524152A (zh) * | 2020-05-08 | 2020-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度估计的水下图像复原计算效率提升方法及系统 |
| CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术（北京）有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
| CN112308929A (zh) * | 2020-10-28 | 2021-02-02 | 五邑大学 | 水下摄像标定方法、水下摄像标定系统及存储介质 |
| CN112598607A (zh) * | 2021-01-06 | 2021-04-02 | 安徽大学 | 基于改进加权clahe的内窥镜图像血管增强算法 |
| CN113238249A (zh) * | 2021-05-17 | 2021-08-10 | 湖南力研光电科技有限公司 | 一种水下实时三维成像方法及雷达装置 |
| CN113962890A (zh) * | 2021-10-22 | 2022-01-21 | 大连海事大学 | 一种基于仿射变换的水下色偏图像清晰化方法 |
| CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
| CN115345802A (zh) * | 2022-10-18 | 2022-11-15 | 苏州迈创信息技术有限公司 | 一种机电设备运行状态远程监控方法 |
| CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
| CN117221736A (zh) * | 2023-11-09 | 2023-12-12 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
-
2018
- 2018-05-17 CN CN201810473525.5A patent/CN108932700A/zh not_active Withdrawn
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070480A (zh) * | 2019-02-26 | 2019-07-30 | 青岛大学 | 一种水下光学图像的模拟方法 |
| CN110706165A (zh) * | 2019-09-12 | 2020-01-17 | 中国海洋大学 | 一种基于EME与Mask的水下图像匀光算法 |
| CN110706165B (zh) * | 2019-09-12 | 2023-05-12 | 中国海洋大学 | 一种基于EME与Mask的水下图像匀光算法 |
| CN110851965A (zh) * | 2019-10-29 | 2020-02-28 | 中国海洋大学 | 一种基于物理模型的光源优化方法及优化系统 |
| CN110851965B (zh) * | 2019-10-29 | 2023-05-12 | 中国海洋大学 | 一种基于物理模型的光源优化方法及优化系统 |
| CN110807742B (zh) * | 2019-11-21 | 2023-02-24 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
| CN110807742A (zh) * | 2019-11-21 | 2020-02-18 | 西安工业大学 | 一种基于一体式网络的微光图像增强方法 |
| CN111524152A (zh) * | 2020-05-08 | 2020-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度估计的水下图像复原计算效率提升方法及系统 |
| CN112053300A (zh) * | 2020-09-01 | 2020-12-08 | 国交空间信息技术（北京）有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
| CN112053300B (zh) * | 2020-09-01 | 2023-11-21 | 国交空间信息技术（北京）有限公司 | 一种光照不均匀图像的矫正方法、装置和设备 |
| CN112308929A (zh) * | 2020-10-28 | 2021-02-02 | 五邑大学 | 水下摄像标定方法、水下摄像标定系统及存储介质 |
| CN112308929B (zh) * | 2020-10-28 | 2024-03-15 | 深圳市开成亿科技有限公司 | 水下摄像标定方法、水下摄像标定系统及存储介质 |
| CN112598607A (zh) * | 2021-01-06 | 2021-04-02 | 安徽大学 | 基于改进加权clahe的内窥镜图像血管增强算法 |
| CN112598607B (zh) * | 2021-01-06 | 2022-11-18 | 安徽大学 | 基于改进加权clahe的内窥镜图像血管增强算法 |
| CN113238249A (zh) * | 2021-05-17 | 2021-08-10 | 湖南力研光电科技有限公司 | 一种水下实时三维成像方法及雷达装置 |
| CN113238249B (zh) * | 2021-05-17 | 2021-12-28 | 湖南力研光电科技有限公司 | 一种水下实时三维成像方法及雷达装置 |
| CN113962890A (zh) * | 2021-10-22 | 2022-01-21 | 大连海事大学 | 一种基于仿射变换的水下色偏图像清晰化方法 |
| CN113962890B (zh) * | 2021-10-22 | 2024-05-10 | 大连海事大学 | 一种基于仿射变换的水下色偏图像清晰化方法 |
| CN114627030A (zh) * | 2022-05-13 | 2022-06-14 | 深圳深知未来智能有限公司 | 一种自适应的图像锐化方法及系统 |
| CN115345802A (zh) * | 2022-10-18 | 2022-11-15 | 苏州迈创信息技术有限公司 | 一种机电设备运行状态远程监控方法 |
| CN116110053A (zh) * | 2023-04-13 | 2023-05-12 | 济宁能源发展集团有限公司 | 基于图像识别的集装箱表面信息检测方法 |
| CN117221736A (zh) * | 2023-11-09 | 2023-12-12 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
| CN117221736B (zh) * | 2023-11-09 | 2024-01-26 | 成都中轨轨道设备有限公司 | 低照度亮清采集的自动调节ai相机系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108932700A (zh) | 基于目标成像模型的自适应梯度增益水下图像增强方法 | |
| CN110097519B (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
| CN108596849B (zh) | 一种基于天空区域分割的单幅图像去雾方法 | |
| Park et al. | Single image dehazing with image entropy and information fidelity | |
| CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
| Lu et al. | Underwater image enhancement using guided trigonometric bilateral filter and fast automatic color correction | |
| CN109949247A (zh) | 一种基于yiq空间光学成像模型的梯度域自适应增益水下图像增强方法 | |
| Singh et al. | Image dehazing using Moore neighborhood-based gradient profile prior | |
| Gao et al. | Sand-dust image restoration based on reversing the blue channel prior | |
| Chiang et al. | Underwater image enhancement: using wavelength compensation and image dehazing (WCID) | |
| 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 | |
| KR20140142381A (ko) | 단일영상 내의 안개 제거 방법 및 장치 | |
| CN103198459A (zh) | 雾霾图像快速去雾方法 | |
| CN107833189A (zh) | 对比受限自适应直方图均衡的水下目标探测图像增强方法 | |
| CN113222866B (zh) | 灰度图像增强方法、计算机可读介质及计算机系统 | |
| CN108133462B (zh) | 一种基于梯度场区域分割的单幅图像的复原方法 | |
| CN112488948B (zh) | 一种基于黑色像素点估计后向散射的水下图像复原方法 | |
| CN111598791A (zh) | 一种基于改进动态大气散射系数函数的图像去雾方法 | |
| He et al. | Single image dehazing with white balance correction and image decomposition | |
| CN109961415A (zh) | 一种基于hsi空间光学成像模型的自适应增益水下图像增强方法 | |
| CN103226816A (zh) | 基于快速高斯滤波的雾霾图像介质传输率估算与优化方法 | |
| CN110675351A (zh) | 一种基于全局亮度自适应均衡化的海上图像处理方法 | |
| CN110175967B (zh) | 图像去雾处理方法、系统、计算机设备和存储介质 | |
| Sahu et al. | Image dehazing based on luminance stretching | |
| CN111598886A (zh) | 一种基于单幅图像的像素级透过率估计方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181204 |
|
| WW01 | Invention patent application withdrawn after publication |