CN110148095A - 一种水下图像增强方法及增强装置 - Google Patents

一种水下图像增强方法及增强装置 Download PDF

Info

Publication number
CN110148095A
CN110148095A CN201910396668.5A CN201910396668A CN110148095A CN 110148095 A CN110148095 A CN 110148095A CN 201910396668 A CN201910396668 A CN 201910396668A CN 110148095 A CN110148095 A CN 110148095A
Authority
CN
China
Prior art keywords
underwater
image
original image
clear
obtains
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.)
Granted
Application number
CN201910396668.5A
Other languages
English (en)
Other versions
CN110148095B (zh
Inventor
陈哲涵
马小明
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.)
University of Science and Technology Beijing USTB
CCCC Guangzhou Dredging Co Ltd.
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN201910396668.5A priority Critical patent/CN110148095B/zh
Publication of CN110148095A publication Critical patent/CN110148095A/zh
Priority to GB2006954.8A priority patent/GB2585754B/en
Application granted granted Critical
Publication of CN110148095B publication Critical patent/CN110148095B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G06T5/73—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/46—Colour picture communication systems
    • H04N1/56—Processing of colour picture signals
    • H04N1/60—Colour correction or control
    • H04N1/6077—Colour balance, e.g. colour cast correction
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • H04N23/84—Camera processing pipelines; Components thereof for processing colour signals
    • H04N23/88—Camera processing pipelines; Components thereof for processing colour signals for colour balance, e.g. white-balance circuits or colour temperature control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N9/00—Details of colour television systems
    • H04N9/64—Circuits for processing colour signals
    • H04N9/646—Circuits for processing colour signals for image enhancement, e.g. vertical detail restoration, cross-colour elimination, contour correction, chrominance trapping filters
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20172—Image enhancement details
    • G06T2207/20192—Edge enhancement; Edge preservation
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种水下图像增强方法及增强装置，能够提高水下图像复原准确性和效率。所述方法包括：获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。本发明涉及图像增强与复原技术领域。

Description

一种水下图像增强方法及增强装置
技术领域
本发明涉及图像增强与复原技术领域，特别是指一种水下图像增强方法及增强装置。
背景技术
由于水体中悬浮颗粒对光线的吸收及散射作用，以及不同波长的光在水下的衰减程度不同，水下图像通常存在细节模糊、对比度低、颜色失真等问题，因此，需要改善水下图像质量。由于，水下光学成像模型和雾天成像模型具有一定的相似性，因此，可借鉴传统的暗通道先验去雾方法消除水下的后向散射模糊，恢复清晰图像。但与色偏不明显的雾天图像不同，水体介质对不同波长的光的吸收特性存在很大差异，传统的暗通道先验去雾算法对透射率的计算存在偏差，不适用于水下区域，当像素点的强度接近水下环境光值时，去雾的图像会出现局部的色斑，出现色偏效应。
发明内容
本发明要解决的技术问题是提供一种水下图像增强方法及增强装置，以解决现有技术所存在的暗通道先验去雾方法复原水下图像，会出现色偏效应的问题。
为解决上述技术问题，本发明实施例提供一种水下图像增强方法，包括：
获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
进一步地，水下光学成像模型表示为：
I(x)＝J(x)·t(x)+A·(1-t(x))
其中，I(x)表示水下原始图像，J(x)表示第一清晰图像，t(x)表示场景光透射率，A表示水下环境光。
进一步地，所述暗通道先验去雾算法采用的清晰化处理公式为：
其中，t0表示透射率阈值。
进一步地，对t(x)进行重新线性规划至t(x)change：
t(x)change＝t(x)*0.9+0.1
其中，t(x)change表示重新规划后的透射率。
进一步地，所述利用水下光学成像模型与大气模型相似的特点，利用暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像包括：
对水下原始图像进行降采样处理；
将降采样处理得到的缩小图像作为输入，计算暗通道和透射率图像；
使用双线性插值的方式重构暗通道和透射率图像，得到具有原图大小的第一清晰图像。
进一步地，所述利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像包括：
通过色温校正在水下原始图像的R、G、B三个通道乘以各自的增益，调节R、G、B三色的比例，得到：
C(R)＝R*ω1
C(G)＝G*ω2
C(B)＝B*ω3
其中，C(R)、C(G)、C(B)分别表示水下原始图像的R、G、B三个通道乘以各自的增益后的相应值；ω1,ω2,ω3都表示增益，ω1,ω2,ω3的取值依据将图像变为灰度图，通过图像信息熵最大理论求得：max(H(R*ω1+G*ω2+B*ω3))→(ω1,ω2,ω3)，H(·)代表图像熵；
根据得到的C(R)、C(G)、C(B)，对图像中的每个像素C，调整其R、G、B分量：
C(R′)＝C(R)*kr
C(G′)＝C(G)*kg
C(B′)＝C(B)*kb
其中，C(R′)、C(G′)、C(B′)分别表示C(R)、C(G)、C(B)乘以各自的增益系数后所得的数值，kr、kg、kb分别表示R、G、B通道的增益系数。
进一步地，所述利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像包括：
将第一清晰图像与第二清晰图像应用Haar小波基进行三层小波分解，得到不同尺度的低频分量和高频分量；
采用平均算子融合方式对低频分量进行处理，并乘以增益系数，获取低频带小波系数；
采用区域能量取大融合处理方式对高频分量进行处理，获取高频带小波系数；
根据得到的低频带小波系数和高频带小波系数，通过小波逆变换，重构图像，完成图像的融合，得到水下复原图像。
本发明实施例还提供一种水下图像增强装置，包括：
建立模块，用于获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
处理模块，用于利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
校正模块，用于利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
融合模块，用于利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
本发明的上述技术方案的有益效果如下：
上述方案中，获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像；利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；针对暗通道先验去雾算法校正后的第一清洗图像亮度偏暗，灰度世界算法校正后后的第二清晰图像亮度偏亮，利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到对比度、颜色和亮度更佳的水下复原图像。这样，基于多算法综合优化的水下图像增强方法，从对比度增强和颜色纠正两方面提高水下图像的视觉效果、保存图像有用信息并减少噪声，以便有效地提升低质量、低照度的水下图像的细节清晰度和色彩保真度，复原水下真实场景，从而提高水下图像复原的准确性和效率。
附图说明
图1为本发明实施例提供的水下图像增强方法的流程示意图；
图2为本发明实施例提供的图像增强结果示意图；
图3为本发明实施例提供的水下图像增强装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
本发明针对现有的暗通道先验去雾方法复原水下图像，会出现色偏效应的问题，提供一种水下图像增强方法及增强装置。
实施例一
如图1所示，本发明实施例提供的水下图像增强方法，包括：
S101，获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
S102，利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
S103，利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
S104，利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
本发明实施例所述的水下图像增强方法，获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像；利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；针对暗通道先验去雾算法校正后的第一清洗图像亮度偏暗，灰度世界算法校正后后的第二清晰图像亮度偏亮，利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到对比度、颜色和亮度更佳的水下复原图像。这样，基于多算法综合优化的水下图像增强方法，从对比度增强和颜色纠正两方面提高水下图像的视觉效果、保存图像有用信息并减少噪声，以便有效地提升低质量、低照度的水下图像的细节清晰度和色彩保真度，复原水下真实场景，从而提高水下图像复原准确性和效率。
在前述水下图像增强方法的具体实施方式中，进一步地，水下光学成像模型表示为：
I(x)＝J(x)·t(x)+A·(1-t(x))
其中，I(x)表示水下原始图像，J(x)表示第一清晰图像，t(x)表示场景光透射率，A表示水下环境光。
本实施例中，传统的暗通道先验模型多应用于雾天图像的清晰化，这一先验模型基于一个经验假设：绝大多数清晰无雾的大气图像中，至少存在一个颜色通道的强度值很低，甚至趋近于0，即：
其中，Ω(x)表示以x为中心的图像邻域，Jdark(x)是无雾图像J的暗通道，c表示图像某一颜色通道，Jc(y)表示RGB图像某一点y的某一个颜色通道，结合暗通道先验理论，对于J的非天空区域，Jdark(x)的值趋近于0。
因水下图像和雾天图像具有一定的相似性，该先验模型也逐渐被学者们应用于水下图像复原。
本实施例中，获取水下原始图像，并根据水下成像特点，建立水下光学成像模型：
I(x)＝J(x)·t(x)+A·(1-t(x))
其中，I(x)表示水下原始图像，J(x)表示第一清晰图像，t(x)表示场景光透射率，A表示水下环境光。水下光学成像模型中得J(x)·t(x)表示直接分量，A·(1-t(x))表示背景散射分量。
本实施例中，当已知透过率t(x)和水下环境光值A时，即可用于计算去雾后的图像。但考虑到在透射率趋近于零时，J(x)的值会趋于无穷大，从而使恢复得到的无雾图像整体向白场过度，导致图像失真，因此需要设置一个透射率阈值t0(一般取值0.1)来限制透射率t(x)。这样暗通道先验去雾算法采用的清晰化处理公式为：
本实施例中，当I(x)非常接近A时，t(x)就会很小，甚至接近于0，也就是说t(x)<t0，于是，计算J(x)时，会出现有很多的像素对应同一个t(x)值，即t0，这就会导致色斑的出现。因为计算t(x)时出现了问题，可以对t(x)进行一些处理。本实施例提出对原透射率t(x)进行重新线性规划至t(x)change，其中，t(x)change表示重新规划后的透射率，使t(x)始终不小于0.1，且通过式其中，Ω(x)表示以x为中心的图像邻域，c表示图像某一颜色通道，Ic(y)表示水下原始图像某一点y的某一个颜色通道，表示一个区域Ω(x)中的透射率估计值。在现实生活中，既使是晴朗天气，空气中也存在一些杂质和颗粒,因此，当我们看远处景物时,还是会感觉到一层薄雾的存在。如果完全忽略这些薄雾，得到的图像会不自然，也会失去景深的感觉，为此引入一个在[0,1]之间的影响因子ω来保留一定程度的雾,一般取ω＝0.95，Ac表示某一个颜色通道的水下环境光。所求的t(x)值大小顺序排列不变，避免原算法小于0.1的很多的像素对应着同一个t(x)值。使原透射率t(x)取值由[0，1]规划至[0.1，1]，同时对算得的t(x)进行线性提高，这样，通过，修正透射率使得复原的第一清晰图像不至于对比度过高，并且能够减少色偏效应，即：t(x)change＝t(x)*0.9+0.1。
在前述水下图像增强方法的具体实施方式中，进一步地，所述利用水下光学成像模型与大气模型相似的特点，利用暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像包括：
对水下原始图像进行降采样处理；
将降采样处理得到的缩小图像作为输入，计算暗通道和透射率图像；
使用双线性插值的方式重构暗通道和透射率图像，得到具有原图大小的第一清晰图像。
由于传统的暗通道先验去雾算法在透射图的修正中经典方法使用的是软抠图的方法，然而软抠图方法耗时严重，处理一幅图像也需要较长时间，这对于视频处理来说时间过长。
本实施例中，针对复原图像计算量大，处理时间长的问题，去雾过程中计算的暗通道和透射率图像不需要很高的分辨率，因此，可以先对输入的水下原始图像进行降采样处理，然后将降采样处理得到的缩小图像作为输入，计算暗通道和透射率图像；最后使用双线性插值的方式重构暗通道和透射率图像，得到具有原图大小的第一清晰图像，这样，可以有效的减少计算时间，为后续处理节省用时，提高效率。
本实施例中，为了更好地理解本发明，对降采样和双线性插值进行说明：
1)降采样方法
假设一幅图像I，尺寸为M*N，对其进行s倍下采样，即得到(M/s)*(N/s)尺寸的分辨率图像，s是M和N的公约数，如果是矩阵形式的图像，就是把原始图像s*s窗口(win)内的图像变成一个像素pn，这个像素点pn的值就是窗口(win)内所有像素的均值：其中，Ii表示图像I中的某一点，n表示窗口(win)内某一点。
2)双线性插值方法
对于一个目标像素，设置坐标通过反向变换得到的浮点坐标为f(i+u,j+v)，其中，i，j均为非负整数，u，v为[0,1]区间的浮点数，其中，i、j、u、v都表示图像坐标运算数值；则这个像素的值f(i+u,j+v)可由原图像中坐标为(i,j)、(i,j+1)、(i+1,j)、(i+1,j+1)所对应的周围四个像素的值决定，即：
f(i+u,j+v)＝(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)。
在前述水下图像增强方法的具体实施方式中，进一步地，所述利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像包括：
通过色温校正在水下原始图像的R、G、B三个通道乘以各自的增益，调节R、G、B三色的比例，得到：
C(R)＝R*ω1
C(G)＝G*ω2
C(B)＝B*ω3
其中，C(R)、C(G)、C(B)分别表示水下原始图像的R、G、B三个通道乘以各自的增益后的相应值；ω1,ω2,ω3都表示增益，ω1,ω2,ω3的取值依据将图像变为灰度图，通过图像信息熵最大理论求得：max(H(R*ω1+G*ω2+B*ω3))→(ω1,ω2,ω3)，H(·)代表图像熵；
根据得到的C(R)、C(G)、C(B)，对图像中的每个像素C，调整其R、G、B分量：
C(R′)＝C(R)*kr
C(G′)＝C(G)*kg
C(B′)＝C(B)*kb
其中，C(R′)、C(G′)、C(B′)分别表示C(R)、C(G)、C(B)乘以各自的增益系数后所得的数值，kr、kg、kb分别表示R、G、B通道的增益系数。
本实施例中，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到的第一清晰图像，具有色彩失真、亮度偏暗的缺陷，因此，提出一种灰色世界算法平衡暗色差，使图像亮度提高，提升视觉效果。
本实施例中，所述利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像包具体包括以下步骤：
A1，计算水下原始图像R、G、B三通道平均值
其中，表示水下原始图像R、G、B三通道平均值，分别表示R、G、B通道的平均值。
A2，计算水下原始图像R、G、B三个通道的增益系数：
其中，kr、kg、kb分别表示R、G、B通道的增益系数；
A3，通过色温校正，对水下原始图像R、G、B三通道进行自适应增量调节：
C(R)＝R*ω1
C(G)＝G*ω2
C(B)＝B*ω3
其中，C(R)、C(G)、C(B)分别表示水下原始图像的R、G、B三个通道乘以各自的增益后的相应值；ω1,ω2,ω3都表示增益；
本实施例中，色温校正就是在图像的三个通道乘以各自的增益,从而调节R、G、B三色的比例。色温校正必须进行溢出处理，防止R、G、B输出超出0～255的范围，其中ω1,ω2,ω3的取值依据将图像变为灰度图，通过图像信息熵最大理论求得，即：
max(H(R*ω1+G*ω2+B*ω3))→(ω1,ω2,ω3)
其中，H(x)代表图像熵(一维熵)；max(H(R*ω1+G*ω2+B*ω3))→(ω1,ω2,ω3)表示通过计算使得图像熵取得最大值时，求得ω1,ω2,ω3的取值。图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，灰度图像的一元灰度熵为：
其中，Pi是某个灰度在该图像中出现的概率，可由灰度直方图获得。
A4，根据冯克里斯(VonKries)对角模型，对于图像中的每个像素C，调整其R、G、B分量：
C(R′)＝C(R)*kr
C(G′)＝C(G)*kg
C(B′)＝C(B)*kb
其中，C(R′)、C(G′)、C(B′)分别表示C(R)、C(G)、C(B)乘以各自的增益系数后所得的数值，kr、kg、kb分别表示R、G、B通道的增益系数。
在前述水下图像增强方法的具体实施方式中，进一步地，所述利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像包括：
将第一清晰图像与第二清晰图像应用Haar小波基进行三层小波分解，得到不同尺度的低频分量(也可称为：低频信号)和高频分量(也可称为：高频信号)，其中，低频分量(低频信号)表示着图像中亮度或者灰度值变化缓慢(变化量小于预设的变化阈值)的区域，也就是图像中大片平坦的区域，描述了图像的主要部分。高频分量对应着图像亮度或者灰度值变化剧烈(变化量大于等于预设的变化阈值)的部分，也就是图像的边缘(轮廓)或者噪声以及细节部分。
采用平均算子融合方式对低频分量进行处理，并乘以增益系数(例如，1.5倍)，获取低频带小波系数；
采用区域能量取大融合处理方式对高频分量进行处理，获取高频带小波系数；
根据得到的低频带小波系数和高频带小波系数，通过小波逆变换，重构图像，完成图像的融合，得到水下复原图像。
本实施例中，利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到高质量，视觉效果更佳的水下复原图像，如图2所示。
实施例二
本发明还提供一种水下图像增强装置的具体实施方式，由于本发明提供的水下图像增强装置与前述水下图像增强方法的具体实施方式相对应，该水下图像增强装置可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的，因此上述水下图像增强方法具体实施方式中的解释说明，也适用于本发明提供的水下图像增强装置的具体实施方式，在本发明以下的具体实施方式中将不再赘述。
如图3所示，本发明实施例还提供一种水下图像增强装置
建立模块11，用于获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
处理模块12，用于利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
校正模块13，用于利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
融合模块14，用于利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
本发明实施例所述的水下图像增强装置，获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像；利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；针对暗通道先验去雾算法校正后的第一清洗图像亮度偏暗，灰度世界算法校正后后的第二清晰图像亮度偏亮，利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到对比度、颜色和亮度更佳的水下复原图像。这样，基于多算法综合优化的水下图像增强方法，从对比度增强和颜色纠正两方面提高水下图像的视觉效果、保存图像有用信息并减少噪声，以便有效地提升低质量、低照度的水下图像的细节清晰度和色彩保真度，复原水下真实场景，从而提高水下图像复原准确性和效率。
以上所述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，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种水下图像增强方法，其特征在于，包括：
获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
2.根据权利要求1所述的水下图像增强方法，其特征在于，水下光学成像模型表示为：
I(x)＝J(x)·t(x)+A·(1-t(x))
其中，I(x)表示水下原始图像，J(x)表示第一清晰图像，t(x)表示场景光透射率，A表示水下环境光。
3.根据权利要求1所述的水下图像增强方法，其特征在于，所述暗通道先验去雾算法采用的清晰化处理公式为：
其中，t0表示透射率阈值。
4.根据权利要求3所述的水下图像增强方法，其特征在于，对t(x)进行重新线性规划至t(x)change：
t(x)change＝t(x)*0.9+0.1
其中，t(x)change表示重新规划后的透射率。
5.根据权利要求1所述的水下图像增强方法，其特征在于，所述利用水下光学成像模型与大气模型相似的特点，利用暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像包括：
对水下原始图像进行降采样处理；
将降采样处理得到的缩小图像作为输入，计算暗通道和透射率图像；
使用双线性插值的方式重构暗通道和透射率图像，得到具有原图大小的第一清晰图像。
6.根据权利要求1所述的水下图像增强方法，其特征在于，所述利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像包括：
通过色温校正在水下原始图像的R、G、B三个通道乘以各自的增益，调节R、G、B三色的比例，得到：
C(R)＝R*ω1
C(G)＝G*ω2
C(B)＝B*ω3
其中，C(R)、C(G)、C(B)分别表示水下原始图像的R、G、B三个通道乘以各自的增益后的相应值；ω1,ω2,ω3都表示增益，ω1,ω2,ω3的取值依据将图像变为灰度图，通过图像信息熵最大理论求得：max(H(R*ω1+G*ω2+B*ω3))→(ω1,ω2,ω3)，H(·)代表图像熵；
根据得到的C(R)、C(G)、C(B)，对图像中的每个像素C，调整其R、G、B分量：
C(R′)＝C(R)*kr
C(G′)＝C(G)*kg
C(B′)＝C(B)*kb
其中，C(R′)、C(G′)、C(B′)分别表示C(R)、C(G)、C(B)乘以各自的增益系数后所得的数值，kr、kg、kb分别表示R、G、B通道的增益系数。
7.根据权利要求5所述的水下图像增强方法，其特征在于，kr、kg、kb分别表示为：
其中，表示水下原始图像R、G、B三通道平均值，分别表示R、G、B通道的平均值。
8.根据权利要求1所述的水下图像增强方法，其特征在于，所述利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像包括：
将第一清晰图像与第二清晰图像应用Haar小波基进行三层小波分解，得到不同尺度的低频分量和高频分量；
采用平均算子融合方式对低频分量进行处理，并乘以增益系数，获取低频带小波系数；
采用区域能量取大融合处理方式对高频分量进行处理，获取高频带小波系数；
根据得到的低频带小波系数和高频带小波系数，通过小波逆变换，重构图像，完成图像的融合，得到水下复原图像。
9.一种水下图像增强装置，其特征在于，包括：
建立模块，用于获取水下原始图像，并根据水下成像特点，建立水下光学成像模型；
处理模块，用于利用水下光学成像模型与大气模型相似的特点，利用对透射率进行线性规划的暗通道先验去雾算法对水下原始图像进行清晰化处理，得到第一清晰图像，其中，所述清晰化处理包括：对比度增强；
校正模块，用于利用灰度世界算法对水下原始图像进行颜色校正，得到第二清晰图像；
融合模块，用于利用基于小波变换的图像融合算法将第一清晰图像与第二清晰图像进行融合，得到水下复原图像。
CN201910396668.5A 2019-05-14 2019-05-14 一种水下图像增强方法及增强装置 Active CN110148095B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910396668.5A CN110148095B (zh) 2019-05-14 2019-05-14 一种水下图像增强方法及增强装置
GB2006954.8A GB2585754B (en) 2019-05-14 2020-05-12 Underwater image enhancement method and enhancement device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910396668.5A CN110148095B (zh) 2019-05-14 2019-05-14 一种水下图像增强方法及增强装置

Publications (2)

Publication Number Publication Date
CN110148095A true CN110148095A (zh) 2019-08-20
CN110148095B CN110148095B (zh) 2021-05-07

Family

ID=67594214

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910396668.5A Active CN110148095B (zh) 2019-05-14 2019-05-14 一种水下图像增强方法及增强装置

Country Status (2)

Country Link
CN (1) CN110148095B (zh)
GB (1) GB2585754B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080537A (zh) * 2019-11-25 2020-04-28 厦门大学 水下机器人智能控制方法、介质、设备及系统
CN111476744A (zh) * 2020-05-06 2020-07-31 北京理工大学 一种基于分类及大气成像模型的水下图像增强方法
CN112006651A (zh) * 2020-09-10 2020-12-01 孙礼华 一种白内障手术辅助诊断系统及其方法
CN112561804A (zh) * 2020-10-09 2021-03-26 天津大学 基于多尺度细节增强的低光照水下图像增强方法
CN113240606A (zh) * 2021-05-24 2021-08-10 博奥生物集团有限公司 中医望诊图像颜色校正方法及系统
CN113256563A (zh) * 2021-04-25 2021-08-13 广东工业大学 基于空间注意力机制的精品罐表面缺陷检测方法和系统
CN113657497A (zh) * 2021-08-17 2021-11-16 上海亨临光电科技有限公司 一种低信噪比图像增强处理与人体分割融合实现方法
CN114202491A (zh) * 2021-12-08 2022-03-18 深圳市研润科技有限公司 一种增强光学图像的方法及系统

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112907470A (zh) * 2021-02-05 2021-06-04 北京理工大学 基于Lab色域变换、分类及白平衡的水下图像恢复方法
CN113284060B (zh) * 2021-05-17 2024-04-05 大连海事大学 一种基于波长衰减识别的水下图像增强方法
CN113487501A (zh) * 2021-06-29 2021-10-08 嵊州市浙江工业大学创新研究院 基于暗通道先验和bm3d算法的新型水下图像复原方法
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
CN113658067B (zh) * 2021-08-11 2022-08-12 沭阳天勤工具有限公司 一种基于人工智能的气密性检测中水体图像增强方法及系统
CN114897710A (zh) * 2022-04-06 2022-08-12 四川大学 一种低照度环境下的视频增强方法
CN114821021A (zh) * 2022-04-28 2022-07-29 昆明理工大学 一种联合多通道均衡与多尺度融合的水下图像增强方法
CN115861450A (zh) * 2022-10-28 2023-03-28 河南科技学院 分段线性拉伸的水下图像颜色校正方法
CN116071520B (zh) * 2023-03-31 2023-07-14 湖南省水务规划设计院有限公司 一种数字孪生水务仿真模拟测试方法
CN116309232B (zh) * 2023-05-15 2023-08-18 中国海洋大学 一种结合物理先验与深度学习的水下图像增强方法
CN116631038A (zh) * 2023-06-06 2023-08-22 湖南三湘银行股份有限公司 基于图像验证银行用户身份的方法及系统
CN116863320B (zh) * 2023-06-06 2024-03-29 山东大学 基于物理模型的水下图像增强方法及系统
CN116523801B (zh) * 2023-07-03 2023-08-25 贵州医科大学附属医院 一种早产儿护理智能监测方法
CN116823674B (zh) * 2023-08-24 2024-03-12 湖南省水务规划设计院有限公司 一种跨模态融合的水下图像增强方法
CN117036207B (zh) * 2023-10-10 2024-01-19 慧医谷中医药科技(天津)股份有限公司 一种三维采集箱内红外图像增强方法
CN117474818B (zh) * 2023-12-27 2024-03-15 北京科技大学 基于非参数贝叶斯景深估计的水下图像增强方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942758A (zh) * 2014-04-04 2014-07-23 中国人民解放军国防科学技术大学 基于多尺度融合的暗通道先验图像去雾方法
CN106600547A (zh) * 2016-11-17 2017-04-26 天津大学 水下图像复原方法
CN107610058A (zh) * 2017-08-28 2018-01-19 浙江工业大学 基于下采样的高分辨率图像去雾方法
CN109389579A (zh) * 2018-08-29 2019-02-26 江苏理工学院 一种结合熵约束和标准差加权的纺织品色差检测抗光照干扰方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942758A (zh) * 2014-04-04 2014-07-23 中国人民解放军国防科学技术大学 基于多尺度融合的暗通道先验图像去雾方法
CN106600547A (zh) * 2016-11-17 2017-04-26 天津大学 水下图像复原方法
CN107610058A (zh) * 2017-08-28 2018-01-19 浙江工业大学 基于下采样的高分辨率图像去雾方法
CN109389579A (zh) * 2018-08-29 2019-02-26 江苏理工学院 一种结合熵约束和标准差加权的纺织品色差检测抗光照干扰方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王若谦: "基于图像融合的水下图像增强算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111080537A (zh) * 2019-11-25 2020-04-28 厦门大学 水下机器人智能控制方法、介质、设备及系统
CN111080537B (zh) * 2019-11-25 2023-09-12 厦门大学 水下机器人智能控制方法、介质、设备及系统
CN111476744A (zh) * 2020-05-06 2020-07-31 北京理工大学 一种基于分类及大气成像模型的水下图像增强方法
CN111476744B (zh) * 2020-05-06 2023-05-16 北京理工大学 一种基于分类及大气成像模型的水下图像增强方法
CN112006651A (zh) * 2020-09-10 2020-12-01 孙礼华 一种白内障手术辅助诊断系统及其方法
CN112561804A (zh) * 2020-10-09 2021-03-26 天津大学 基于多尺度细节增强的低光照水下图像增强方法
CN113256563A (zh) * 2021-04-25 2021-08-13 广东工业大学 基于空间注意力机制的精品罐表面缺陷检测方法和系统
CN113240606A (zh) * 2021-05-24 2021-08-10 博奥生物集团有限公司 中医望诊图像颜色校正方法及系统
CN113657497A (zh) * 2021-08-17 2021-11-16 上海亨临光电科技有限公司 一种低信噪比图像增强处理与人体分割融合实现方法
CN113657497B (zh) * 2021-08-17 2024-03-08 上海亨临光电科技有限公司 一种低信噪比图像增强处理与人体图像分割融合实现方法
CN114202491A (zh) * 2021-12-08 2022-03-18 深圳市研润科技有限公司 一种增强光学图像的方法及系统

Also Published As

Publication number Publication date
GB202006954D0 (en) 2020-06-24
GB2585754A (en) 2021-01-20
CN110148095B (zh) 2021-05-07
GB2585754B (en) 2022-06-01

Similar Documents

Publication Publication Date Title
CN110148095A (zh) 一种水下图像增强方法及增强装置
CN105631829B (zh) 基于暗通道先验与颜色校正的夜间雾霾图像去雾方法
CN106897981A (zh) 一种基于引导滤波的低照度图像增强方法
CN108765342A (zh) 一种基于改进暗通道的水下图像复原方法
CN110570360B (zh) 一种基于Retinex的鲁棒和全面的低质量光照图像增强方法
JP2003134352A (ja) 画像処理方法及び装置並びにプログラム
CN109816608B (zh) 一种基于噪声抑制的低照度图像自适应亮度增强方法
CN102750674A (zh) 基于自适应容差的视频图像去雾方法
CN109345490B (zh) 一种移动播放端实时视频画质增强方法及系统
CN107862672B (zh) 图像去雾的方法及装置
CN108198155B (zh) 一种自适用色调映射方法及系统
CN109255759A (zh) 基于天空分割和透射率自适应修正的图像去雾方法
CN107240081A (zh) 夜景影像去噪与增强处理方法
CN111462022B (zh) 一种水下图像清晰化增强方法
CN104899836A (zh) 一种基于近红外多光谱成像的雾天图像增强装置及方法
CN107527325A (zh) 一种基于暗通道优先的单目水下视觉增强方法
CN108093175A (zh) 一种实时高清视频自适应去雾方法及装置
CN109345479B (zh) 一种视频监控数据的实时预处理方法及存储介质
CN112488968B (zh) 一种分程度直方图均衡融合的图像增强方法
CN106709876A (zh) 一种基于暗像元原理的光学遥感图像去雾方法
CN109949239B (zh) 一种适用于多浓度多场景雾霾图像的自适应清晰化方法
CN109934780A (zh) 一种基于暗原色先验的道路监控视频去雾方法
CN112488957A (zh) 一种低照度彩色图像实时增强方法及系统
CN107317968A (zh) 图像去雾方法、装置、计算机可存储介质和移动终端
Zhao et al. An enhancement method of fog-degraded images

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231129

Address after: 100083 No. 30, Haidian District, Beijing, Xueyuan Road

Patentee after: University OF SCIENCE AND TECHNOLOGY BEIJING

Patentee after: CCCC GUANGZHOU DREDGING Co.,Ltd.

Address before: 100083 No. 30, Haidian District, Beijing, Xueyuan Road

Patentee before: University OF SCIENCE AND TECHNOLOGY BEIJING