CN109284769B - 一种基于量化参数的水下图像自适应分类方法 - Google Patents

一种基于量化参数的水下图像自适应分类方法 Download PDF

Info

Publication number
CN109284769B
CN109284769B CN201810874993.3A CN201810874993A CN109284769B CN 109284769 B CN109284769 B CN 109284769B CN 201810874993 A CN201810874993 A CN 201810874993A CN 109284769 B CN109284769 B CN 109284769B
Authority
CN
China
Prior art keywords
image
adaptive
underwater
self
input
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
Application number
CN201810874993.3A
Other languages
English (en)
Other versions
CN109284769A (zh
Inventor
叶秀芬
胡盛翔
刘文智
梅新奎
李传龙
贾云鹏
王潇洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201810874993.3A priority Critical patent/CN109284769B/zh
Publication of CN109284769A publication Critical patent/CN109284769A/zh
Application granted granted Critical
Publication of CN109284769B publication Critical patent/CN109284769B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns

Abstract

本发明提供了一种基于量化参数的水下图像自适应分类方法，属于数字图像处理领域，适用于水下图像增强前预分类。本发明主要包括以下步骤，首先构造自适应参数，设定自适应参数阈值；然后读取水下图像并转换为灰度图像；对灰度图像进行处理获得输入水下图像的亮度特征图像；求得水下图像的自适应参数，并与自适应参数阈值进行比较；当自适应参数大于设定阈值时，表明输入图像属于具有雾状模糊的水下图像；小于设定阈值时，表明输入图像属于亮度分布不均的水下图像。本发明提供的方法从人眼对水下图像的直观感受出发，通过卷积与最大值池化，忽略图像细节信息，保留对图像的总体认知，并且提供了实际应用的可能性。

Description

一种基于量化参数的水下图像自适应分类方法
技术领域
本发明属于数字图像处理领域，涉及一种基于水下图像特征的自适应分类方法。
背景技术
海洋资源探索与开发的需求与日俱增，但采集的水下图像多数具有低对比度、模糊、可视距离有限等特征，难以满足实际应用。图像增强技术可以有效的增强图像中有用信息，降低噪声干扰，实现图像质量的提高。通过图像增强技术改善水下图像的视觉效果对海洋探索具有重大意义。
水下图像增强算法可分为空间域增强、频率域增强、基于颜色恒常理论等，目前主流算法对不同水下图像的增强效果不够理想。水下图像成像过程相比于大气成像更为复杂，增加了图像增强的难度。此外，水下环境多变，图像成像过程的干扰因素众多，不同场景下干扰因素的比重各不相同，难以建立统一数学模型。单一的图像增强算法适用范围有限，无法对所有水下图像均取得较好的增强效果。
发明内容
本发明提供了一种基于量化参数的水下图像自适应分类方法，其目的在于根据水下图像特征，构造一种自适应参数并设定其阈值。通过卷积和最大值池化提取特征图像，计算特征图像的平均灰度和标准差，求得输入水下图像的自适应参数。根据设定阈值，实现水下图像自适应分类。
本发明的目的是通过以下技术方案实现的：
包括以下几个步骤：
步骤一：构造自适应参数η，该参数是平均灰度μ和标准差σ的函数。其中，k为比例系数，用以调节自适应参数数量级。
η＝μe-kσ,k＞0
步骤二：设定自适应参数阈值。自适应参数阈值属于经验参数，经统计分析可得，当比例系数k取0.01时，阈值设定在[70,80]区间之间，对水下图像分类较为准确。
步骤三：获取输入水下图像，并转换为灰度图像。对灰度图像进行卷积和最大值池化，获得输入图像的亮度特征图像。
步骤四：计算亮度特征图像的平均灰度和标准差。通过特征图像的平均灰度表征输入水下图像的平均亮度，通过标准差表征输入水下图像亮度分布的离散程度。
步骤五：根据特征图像的平均灰度和标准差，计算输入图像的自适应参数。
步骤六：比较输入图像的自适应参数与自适应参数阈值。当自适应参数大于设定阈值时，将输入图像归为具有雾状模糊的水下图像；当自适应参数小于设定阈值时，将输入图像归为亮度分布不均的水下图像。
步骤七：对其他水下图像进行自适应分类，重复步骤三至步骤六，输出水下图像所属类别。
与现有技术相比，本发明的优势在于：
现有方法大部分停留在对水下图像降质原理的理论分类上，无法对分类过程量化，难以证明分类的完备性，缺乏实际应用的可能性。本发明提供的方法从人眼对水下图像的直观感受出发，通过卷积与最大值池化，忽略图像细节信息，保留对图像的总体认知，通过平均灰度和标准差表征图像的平均亮度与亮度分布的离散程度，构造自适应参数反映水下图像综合信息。本发明通过自适应参数及其阈值实现对分类过程量化，自适应分类方法为复数图像增强算法分时复用提供可能性。
附图说明
图1是本发明方法流程图。
图2是自适应参数函数曲面。
图3是输入水下图像。
图4是对图像卷积运算示意图。
图5是对图像池化运算示意图。
图6是被放大至原始尺寸的特征图像。
具体实施方式
下面结合图1至图6对本发明做进一步详细说明。
本发明提供了一种基于量化参数的水下图像自适应分类方法，包括以下步骤：
(1)构造自适应参数，当k取0.01时，自适应参数函数曲面如图1所示，当平均灰度越大、标准差越小时，自适应参数值越大。自适应参数函数没有极值点。
(2)当k取0.01时，设定自适应参数阈值在[70,80]区间之间，当自适应参数大于阈值时，将图像归为具有雾状模糊的水下图像；当自适应参数小于阈值时，将图像归为亮度分布不均的水下图像。
(3)获取水下图像，如图3所示。
(4)将输入图像转换为灰度图像，对灰度图像进行卷积和最大值池化运算，如图4和图5所示，获得特征图像，如图6所示。
(5)计算特征图像的平均灰度和标准差。
(6)由特征图像的平均灰度和标准差，计算输入图像的自适应参数。
(7)比较输入图像的自适应参数与设定阈值的大小，确定输入图像所属的类别。
(7)使用本发明方法重复步骤三至步骤六，对水下图像进行自适应分类。
如图1所示流程，本发明方法具体步骤如下：
步骤一：构造自适应参数η，该参数是平均灰度μ和标准差σ的函数。其中，k为比例系数，用以调节自适应参数数量级。
η＝μe-kσ,k＞0
步骤二：设定自适应参数阈值。自适应参数阈值属于经验参数，经统计分析可得，当比例系数k取0.01时，阈值设定在[70,80]区间之间，对水下图像分类较为准确。
步骤三：获取输入水下图像，并转换为灰度图像。先对灰度图像进行卷积，通过卷积运算获得像素空间分布特征。将卷积核指定为高斯模糊模板或均值滤波模板。
Figure BDA0001751937980000031
对输出图像进行最大值池化，压缩图像尺寸，获得输入图像的亮度特征图像。通过卷积和最大值池化，忽略水下图像细节，使特征图像表现原始图像的亮度及其分布特征等综合信息。
步骤四：计算亮度特征图像的平均灰度。通过特征图像的平均灰度表征输入水下图像的平均亮度。
Figure BDA0001751937980000032
计算亮度特征图像的标准差。通过特征图像的标准差表征输入水下图像亮度分布的离散程度。
Figure BDA0001751937980000033
步骤五：根据特征图像的平均灰度和标准差，计算输入图像的自适应参数。
步骤六：比较输入图像的自适应参数与自适应参数阈值。当自适应参数大于设定阈值时，将输入图像归为具有雾状模糊的水下图像；当自适应参数小于设定阈值时，将输入图像归为亮度分布不均的水下图像。
步骤七：对其他水下图像进行自适应分类，重复步骤三至步骤六，输出水下图像所属类别。

Claims (3)

1.一种基于量化参数的水下图像自适应分类方法，其特征在于：包括以下步骤：
步骤一：构造自适应参数η；
所述的自适应参数η是平均灰度μ和标准差σ的函数；
η＝μe-kσ,k＞0
Figure FDA0003267068980000011
Figure FDA0003267068980000012
其中，k为比例系数，用以调节自适应参数数量级；特征图像的平均灰度μ表征输入水下图像的平均亮度；特征图像的标准差σ表征输入水下图像亮度分布的离散程度；
步骤二：设定自适应参数阈值；
步骤三：获取输入水下图像，并转换为灰度图像， 对灰度图像进行卷积和最大值池化，获得输入图像的亮度特征图像；
步骤四：计算亮度特征图像的平均灰度和标准差， 通过特征图像的平均灰度表征输入水下图像的平均亮度，通过标准差表征输入水下图像亮度分布的离散程度；
步骤五：根据特征图像的平均灰度和标准差，计算输入图像的自适应参数；
步骤六：比较输入图像的自适应参数与自适应参数阈值， 当自适应参数大于设定阈值时，将输入图像归为具有雾状模糊的水下图像；当自适应参数小于设定阈值时，将输入图像归为亮度分布不均的水下图像；
步骤七：对其他水下图像进行自适应分类，重复步骤三至步骤六，输出水下图像所属类别。
2.根据权利要求1所述的一种基于量化参数的水下图像自适应分类方法，其特征在于：所述的步骤一中比例系数k取0.01，步骤二中自适应参数阈值设定在[70,80]区间之间。
3.根据权利要求1所述的一种基于量化参数的水下图像自适应分类方法，其特征在于：所述自适应分类方法，即比较输入图像的自适应参数与自适应参数阈值， 当自适应参数大于设定阈值时，将输入图像归为具有雾状模糊的水下图像；当自适应参数小于设定阈值时，将输入图像归为亮度分布不均的水下图像。
CN201810874993.3A 2018-08-02 2018-08-02 一种基于量化参数的水下图像自适应分类方法 Active CN109284769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810874993.3A CN109284769B (zh) 2018-08-02 2018-08-02 一种基于量化参数的水下图像自适应分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810874993.3A CN109284769B (zh) 2018-08-02 2018-08-02 一种基于量化参数的水下图像自适应分类方法

Publications (2)

Publication Number Publication Date
CN109284769A CN109284769A (zh) 2019-01-29
CN109284769B true CN109284769B (zh) 2022-03-18

Family

ID=65182928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810874993.3A Active CN109284769B (zh) 2018-08-02 2018-08-02 一种基于量化参数的水下图像自适应分类方法

Country Status (1)

Country Link
CN (1) CN109284769B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563517B (zh) * 2020-04-20 2023-07-04 腾讯科技（深圳）有限公司 图像处理方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982514A (zh) * 2012-12-10 2013-03-20 河海大学常州校区 一种暗原色和白平衡相结合的水下彩色图像增强方法
CN103514587A (zh) * 2013-09-24 2014-01-15 北京环境特性研究所 基于海天分界线检测的舰载稳像方法
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105744256A (zh) * 2016-03-31 2016-07-06 天津大学 基于图谱视觉显著的立体图像质量客观评价方法
CN105989368A (zh) * 2015-02-13 2016-10-05 展讯通信(天津)有限公司 一种目标检测方法及装置以及移动终端
CN107220950A (zh) * 2017-05-31 2017-09-29 常州工学院 一种自适应暗通道先验的水下目标探测图像增强方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9412183B2 (en) * 2013-10-18 2016-08-09 Apple Inc. Method for color balancing underwater photography

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102982514A (zh) * 2012-12-10 2013-03-20 河海大学常州校区 一种暗原色和白平衡相结合的水下彩色图像增强方法
CN103514587A (zh) * 2013-09-24 2014-01-15 北京环境特性研究所 基于海天分界线检测的舰载稳像方法
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105989368A (zh) * 2015-02-13 2016-10-05 展讯通信(天津)有限公司 一种目标检测方法及装置以及移动终端
CN105744256A (zh) * 2016-03-31 2016-07-06 天津大学 基于图谱视觉显著的立体图像质量客观评价方法
CN107220950A (zh) * 2017-05-31 2017-09-29 常州工学院 一种自适应暗通道先验的水下目标探测图像增强方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Underwater image nhancement using particle swarm optimization;AbuNaser A;《Journal of Intelligent Systems》;20150131;全文 *
亮度分布不均的水下图像;郭继昌;《中国图象图形学报》;20170131;第2节 *

Also Published As

Publication number Publication date
CN109284769A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
CN108875935B (zh) 基于生成对抗网络的自然图像目标材质视觉特征映射方法
CN109872285B (zh) 一种基于变分约束的Retinex低照度彩色图像增强方法
CN110232661B (zh) 基于Retinex和卷积神经网络的低光照彩色图像增强方法
CN111583123A (zh) 一种基于小波变换的融合高低频信息的图像增强算法
CN108416745B (zh) 一种具有色彩恒常性的图像自适应去雾增强方法
CN110428379B (zh) 一种图像灰度增强方法及系统
CN110533614B (zh) 一种结合频域和空域的水下图像增强方法
CN103295191A (zh) 多尺度视觉自适应图像增强方法及评价方法
KR20010022487A (ko) 이미지 및 신호 처리를 위한 장치 및 방법
CN107798661B (zh) 一种自适应的图像增强方法
CN104504662A (zh) 一种基于同态滤波的图像处理方法及系统
CN114972107A (zh) 基于多尺度堆叠式注意力网络的低照度图像增强方法
CN115984134A (zh) 一种遥感测绘图像智能增强方法
CN112991199A (zh) 一种基于残差密集网络的图像高低频分解噪声去除方法
JP2020197915A (ja) 画像処理装置、画像処理方法、及びプログラム
CN114742911A (zh) 图像压缩感知重建方法、系统、设备及介质
CN109284769B (zh) 一种基于量化参数的水下图像自适应分类方法
CN108090914B (zh) 基于统计建模与像素分类的彩色图像分割方法
CN108648180B (zh) 一种基于视觉多重特征深度融合处理的全参考图像质量客观评价方法
US20240054605A1 (en) Methods and systems for wavelet domain-based normalizing flow super-resolution image reconstruction
CN116862809A (zh) 一种低曝光条件下的图像增强方法
Huang et al. An improved retinex algorithm for underwater image enhancement based on HSV model
Parihar Histogram modification and DCT based contrast enhancement
CN113850733A (zh) 基于变幂次单稳态自适应随机共振的彩色图像增强方法
Cao et al. A License Plate Image Enhancement Method in Low Illumination Using BEMD.

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