CN113554565A - 一种基于朗伯比尔定律的水下图像增强方法 - Google Patents
一种基于朗伯比尔定律的水下图像增强方法 Download PDFInfo
- Publication number
- CN113554565A CN113554565A CN202110848397.XA CN202110848397A CN113554565A CN 113554565 A CN113554565 A CN 113554565A CN 202110848397 A CN202110848397 A CN 202110848397A CN 113554565 A CN113554565 A CN 113554565A
- Authority
- CN
- China
- Prior art keywords
- underwater
- image
- underwater image
- variance
- law
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 235000013405 beer Nutrition 0.000 title claims abstract description 25
- 230000002708 enhancing effect Effects 0.000 claims abstract description 11
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
本发明名公开了一种基于郎伯比尔定律的水下图像增强办法，首先，分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型；其次，使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差；然后，构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改善的细节的图像区域；最后，利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。本发明对水下图像产生更好的结构还原，更自然的色彩校正和更少的时间消耗。
Description
技术领域
本发明属于水下图像增强领域，具体为一种基于朗伯比尔定律的水下图像增强方法。
背景技术
由于水下环境的物理特性，水下光强度很容易受到两个因素的影响。首先，光在水中传播的距离越长，能量衰减越大，导致图像细节丢失。其次，红光的波长最长或能量最小，因此在水中吸收更多，而绿光和蓝光的特性相反，导致水下图像偏绿或偏蓝。为了解决这些问题，已经开发了许多方法来增强退化的水下图像，它们可以分为以下三种主要类型：(1)无模型方法。Singh等人提出了一种基于多尺度融合的方法，通过混合白平衡和对比度增强的输入及其色度、显着性、亮度的权重图来增强水下图像的可见性。Ancuti等人提出了一种基于多尺度融合原理的基于单幅图像的替代解决方案，从原始图像的颜色校正和对比度增强版本中获取两个输入，并定义了四个权重图以增加可见性远处的物体。Lu等人首先使用基于自相似性的超分辨率方法获得高分辨率的散射和去散射图像，然后应用凸融合规则恢复最终图像。通常，这些方法可以改善水下图像的整体对比度和边缘清晰度，但是存在色偏。(2)基于模型的方法。Fu等人提出了一种基于retinex的增强方法来增强单个水下图像。该方法使用颜色校正方案去除色偏，然后提出变分Retinex框架来增强反射率和照度，通过交替方向优化来解决。zhang等人提出了一种用于水下图像增强的多尺度Retinex系统，它在CIELAB颜色空间的三个通道上利用双边滤波器和三边滤波器的组合。此外，li等人提出了一种基于蓝绿通道去雾和红通道校正的水下图像恢复方法。虽然这些方法提升了水下图像的细节，但它们往往会过度放大噪声并导致颜色失真。(3)基于深度学习的方法。Perez等人提出了一种基于CNN的网络，该网络是增强水下图像的端到端框架。Li等人提出了WaterGAN，一种生成对抗网络(GAN)来生成逼真的水下图像，它涉及水下图像去雾方法和对比度增强算法。由于缺乏水下数据集，这些基于深度学习的方法不能产生有希望的视觉效果，但会产生一些过饱和、细节不清晰和背景颜色不自然的不良结果。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种简单高效的基于朗伯比尔定律的水下图像增强方法，在消除偏色的同时，增强了水下图像。
技术方案：本发明所述的一种基于朗伯比尔定律的水下图像增强方法，包括以下步骤：
(1)分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型；
(2)使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差；
(3)构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改善的细节的图像区域；
(4)利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。
进一步地，步骤(1)所述的通过朗伯比尔定律增强水下图像实现过程如下：
水下图像的衰减比例通过朗伯比尔定律来描述，朗伯比尔定律如下：
其中，i是光的波长，L是光程长度，Ii(L)是在视点上波长i的光强度，Ii,0是光源处的光强度，εi是不同波长的衰减系数；
进入水面时的光强度视为光源处的光强度，如下所述：
Ii,surface＝Ii,0
其中，Ii,surface表示光源处的光强度，而Ii,0表示光源处的光强度；
通过以下等式描述水下成像中的朗伯比尔定律：
其中，L1是水下场景与相机之间的距离，L2是水面与水下场景之间的距离，L表示水下光路的总长度；找到各像素点的衰减比例关系就可以对水下图像进行增强及复原。
进一步地，步骤(1)所述的水下图像增强模型为：
其中，
是每个通道的增强结果；δ∈{R，G，B}，R、G、B分别是红绿蓝通道；
是相机在水中捕获的退化水下图像；
和
分别是
的δ通道均值和方差；
和
是通过平均每个δ通道的自然图像而得到的均值和方差；运算符“·”为点积；
λ是一个与波长有关的常数，小于0；令
B＝Qδ,
其中A旨在纠正水下图像的偏色，B是与水下图像的均值和方差相关联的线性模型，C非线性自适应权重函数。
进一步地，步骤(2)所述的景物信息丰富的自然图像为图像中包括各种类型的具有足够数量的物体样品数据和色度、饱和度和对比度上色彩丰富的自然图像。
进一步地，步骤(3)所述的线性模型是使用图像像素中心趋势和一组图像像素的离散度来确定：
其中，
和
分别为相机在水中捕获的退化水下每个通道图像均值和方差，τ为权重平均值和方差的调整参数。
进一步地，步骤(4)所述的非线性自适应权重函数为：
其中，
加快C的收敛速度。
有益效果：与现有技术相比，本发明的有益效果：本发明针对水下图像偏色问题，提出一种基于朗伯比尔定律的水下图像增强方法，该方法简单高效，在消除偏色的同时，增强了水下图像。
附图说明
图1为本发明的效果图，其中(a)为预先获取的原图像，(b)为经过颜色校正后的图像；(c)为采用本发明后的图像。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于朗伯比尔定律的水下图像增强方法，通过Beer-Lambert定律推导一个数学模型，来消除色偏并增强水下图像的细节。具体包括以下步骤：
步骤1：分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型。
水下图像的衰减比例可以通过朗伯比尔定律来描述，朗伯比尔定律如下。
其中，i是光的波长，L是光程长度，Ii(L)是在视点上波长i的光强度，Ii,0是光源处的光强度，εi是不同波长的衰减系数。
Lambert-Beer定律中的衰减系数说明了水下图像的特征：首先，波长越长的光在水中的吸收速度越快，大多数水下图像通常显得带有绿色或蓝色调。其次，由于空气的衰减系数非常小，因此可以忽略空气中光的衰减。因此，进入水面时的光强度可以视为光源处的光强度，如下所述：
Ii,surface＝Ii,0
其中Ii,surface表示光源处的光强度，而Ii,0表示光源处的光强度。
因此，可以通过以下等式描述水下成像中的朗伯比尔定律：
其中L1是水下场景与相机之间的距离，L2是水面与水下场景之间的距离，L表示水下光路的总长度。
因此，只要找到各像素点的衰减比例关系就可以对水下图像进行较好的增强及复原。
本发明提出了一个有效的模型来增强单个水下图像，该模型基于两个假设：(1)相机可以从某个位置捕获的光能与图像的相应像素值成比例。(2)
是单色光在一定距离后传播的能量。
是相机可以在相同距离处捕获的能量。建立了用于增强水下图像的模型：
其中，
是每个通道的增强结果；δ∈{R，G，B}，R、G、B分别是红绿蓝通道；
是相机在水中捕获的退化水下图像；
和
分别是
的均值和方差；
和
是通过平均每个通道中的自然图像而得到的均值和方差；运算符“·”为点积；
λ是一个与波长有关的常数，小于0；令
B＝Qδ,
其中A旨在纠正水下图像的偏色，B是与水下图像的均值和方差相关联的线性模型，C非线性自适应权重函数。
步骤2：使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差。
首先从互联网上下载10000张自然图像，然后基于理想自然图像数据集的两个关键属性，选择景物信息丰富的自然图像作为水下图像增强的参考：(1)图片中包括各种类型的具有足够数量的物体样品数据。(2)色度，饱和度和对比度上的色彩丰富。然后，计算自然图像的均值及其分布以校正水下图像的均值及其分布。
步骤3：构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改善的细节的图像区域。
使用图像像素中心趋势(均值
)和一组图像像素的离散度(方差
)的度量来定位包含更多细节的图像区域：
其中，τ是权重平均值和方差的调整参数。
步骤4：利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。
权重函数的表达式定义如下：
其中，
加快C的收敛速度。
与现有的方式不同，本发明提出了一个简单而有效的模型，通过朗伯比尔定律来对增强水下图像；采用10000张自然图像的均值和方差作为参考对水下图像进行色彩校正，使水下图像的色彩更加自然；建立了一个与水下图像的均值和方差相关的线性模型来定位包含更多细节的图像区域，然后提出了一种利用该定位信息的非线性自适应权重策略来恢复更好的细节并防止局部过度增强；该模型是在像素到像素的操作上执行的，可以减少水下图像增强的运行时间，以满足实时性要求。
图1为本发明的效果图，其中(a)为预先获取的原图像，(b)为经过颜色校正后的图像；(c)为采用本发明后的图像。从图1可以看出我们的颜色校正算法对水下图像进行了初步处理，全局性解决了偏色问题，增强算法，对图像的整体清晰度做出了增强，使得处理后的图像细节更加清晰。
Claims (6)
1.一种基于朗伯比尔定律的水下图像增强方法，其特征在于，包括以下步骤：
(1)分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型；
(2)使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差；
(3)构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改善的细节的图像区域；
(4)利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。
2.根据权利要求1所述的基于朗伯比尔定律的水下图像增强方法，其特征在于，步骤(1)所述的通过朗伯比尔定律增强水下图像实现过程如下：
水下图像的衰减比例通过朗伯比尔定律来描述，朗伯比尔定律如下：
其中，i是光的波长，L是光程长度，Ii(L)是在视点上波长i的光强度，Ii,0是光源处的光强度，εi是不同波长的衰减系数；
进入水面时的光强度视为光源处的光强度，如下所述：
Ii,surface＝Ii,0
其中，Ii,surface表示光源处的光强度，而Ii,0表示光源处的光强度；
通过以下等式描述水下成像中的朗伯比尔定律：
其中，L1是水下场景与相机之间的距离，L2是水面与水下场景之间的距离，L表示水下光路的总长度；找到各像素点的衰减比例关系就可以对水下图像进行增强及复原。
3.根据权利要求1所述的基于朗伯比尔定律的水下图像增强方法，其特征在于，步骤(1)所述的水下图像增强模型为：
其中，
是每个通道的增强结果；δ∈{R，G，B}，R、G、B分别是红绿蓝通道；
是相机在水中捕获的退化水下图像；
和
分别是
的δ通道均值和方差；
和
是通过平均每个δ通道的自然图像而得到的均值和方差；运算符“·”为点积；
λ是一个与波长有关的常数，小于0；令
B＝Qδ,
其中A旨在纠正水下图像的偏色，B是与水下图像的均值和方差相关联的线性模型，C非线性自适应权重函数。
4.根据权利要求1所述的基于朗伯比尔定律的水下图像增强方法，其特征在于，步骤(2)所述的景物信息丰富的自然图像为图像中包括各种类型的具有足够数量的物体样品数据和色度、饱和度和对比度上色彩丰富的自然图像。
5.根据权利要求1所述的基于朗伯比尔定律的水下图像增强方法，其特征在于，步骤(3)所述的线性模型是使用图像像素中心趋势和一组图像像素的离散度来确定：
其中，
和
分别为相机在水中捕获的退化水下每个通道图像均值和方差，τ为权重平均值和方差的调整参数。
6.根据权利要求1所述的基于朗伯比尔定律的水下图像增强方法，其特征在于，步骤(4)所述的非线性自适应权重函数为：
其中，
加快C的收敛速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110848397.XA CN113554565B (zh) | 2021-07-27 | 2021-07-27 | 一种基于朗伯比尔定律的水下图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110848397.XA CN113554565B (zh) | 2021-07-27 | 2021-07-27 | 一种基于朗伯比尔定律的水下图像增强方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113554565A true CN113554565A (zh) | 2021-10-26 |
| CN113554565B CN113554565B (zh) | 2023-12-12 |
Family
ID=78104524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110848397.XA Active CN113554565B (zh) | 2021-07-27 | 2021-07-27 | 一种基于朗伯比尔定律的水下图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113554565B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156968A (zh) * | 2011-04-11 | 2011-08-17 | 合肥工业大学 | 一种基于颜色立方先验的单一图像能见度复原方法 |
| CN107886486A (zh) * | 2017-12-01 | 2018-04-06 | 天津大学 | 基于暗通道先验与变分Retinex水下图像增强方法 |
| CN110533583A (zh) * | 2019-08-29 | 2019-12-03 | 广州锟元方青医疗科技有限公司 | 一种基于宫颈液基细胞的自适应图像增广系统 |
| CN110827225A (zh) * | 2019-11-13 | 2020-02-21 | 山东科技大学 | 一种基于双重曝光框架的非均匀光照水下图像增强方法 |
| CN111220588A (zh) * | 2020-03-24 | 2020-06-02 | 哈尔滨工业大学（威海） | 一种基于油膜荧光亮度的流场辐聚辐散测量方法 |
| 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 |
-
2021
- 2021-07-27 CN CN202110848397.XA patent/CN113554565B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156968A (zh) * | 2011-04-11 | 2011-08-17 | 合肥工业大学 | 一种基于颜色立方先验的单一图像能见度复原方法 |
| CN107886486A (zh) * | 2017-12-01 | 2018-04-06 | 天津大学 | 基于暗通道先验与变分Retinex水下图像增强方法 |
| CN110533583A (zh) * | 2019-08-29 | 2019-12-03 | 广州锟元方青医疗科技有限公司 | 一种基于宫颈液基细胞的自适应图像增广系统 |
| CN110827225A (zh) * | 2019-11-13 | 2020-02-21 | 山东科技大学 | 一种基于双重曝光框架的非均匀光照水下图像增强方法 |
| CN111220588A (zh) * | 2020-03-24 | 2020-06-02 | 哈尔滨工业大学（威海） | 一种基于油膜荧光亮度的流场辐聚辐散测量方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113554565B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110148095B (zh) | 一种水下图像增强方法及增强装置 | |
| CN107767354B (zh) | 一种基于暗原色先验的图像去雾算法 | |
| CN106780368B (zh) | 一种基于前景模型的水下图像增强方法 | |
| CN108765342A (zh) | 一种基于改进暗通道的水下图像复原方法 | |
| CN108596853A (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 | |
| CN110827225A (zh) | 一种基于双重曝光框架的非均匀光照水下图像增强方法 | |
| CN111968055B (zh) | 一种基于颜色补偿和颜色线先验的水下图像复原算法 | |
| CN104867121B (zh) | 基于暗原色先验和Retinex理论的图像快速去雾法 | |
| CN109801233B (zh) | 一种适用于真彩色遥感图像的增强方法 | |
| CN110009574B (zh) | 一种低动态范围图像逆向生成高动态范围图像的方法 | |
| US7006252B2 (en) | Image processing system and method that maintains black level | |
| 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 | |
| Hou et al. | Underwater image dehazing and denoising via curvature variation regularization | |
| Kinoshita et al. | Hue-correction scheme based on constant-hue plane for deep-learning-based color-image enhancement | |
| CN109118437B (zh) | 一种可实时处理浑水图像的方法、存储介质 | |
| CN105809641B (zh) | 一种去雾图像的曝光补偿和边缘增强方法 | |
| CN111462022A (zh) | 一种水下图像清晰化增强方法 | |
| CN116823648A (zh) | 基于Zero-DCE网络的图像增强方法及系统 | |
| Kinoshita et al. | Hue-correction scheme considering CIEDE2000 for color-image enhancement including deep-learning-based algorithms | |
| JP2003076985A (ja) | 画像処理方法及び装置 | |
| CN107025641A (zh) | 基于对比度分析的图像融合方法 | |
| CN112488968B (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
| CN113554565B (zh) | 一种基于朗伯比尔定律的水下图像增强方法 | |
| JP5327766B2 (ja) | デジタル画像における記憶色の修正 | |
| Kalyan et al. | A New Concatenated Method for Deep Curve Estimation Using Low Weight CNN for Low Light Image Enhancement |
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 |