CN114037622A - 一种基于成像模型和强化学习的水下图像增强方法 - Google Patents
一种基于成像模型和强化学习的水下图像增强方法 Download PDFInfo
- Publication number
- CN114037622A CN114037622A CN202111238495.8A CN202111238495A CN114037622A CN 114037622 A CN114037622 A CN 114037622A CN 202111238495 A CN202111238495 A CN 202111238495A CN 114037622 A CN114037622 A CN 114037622A
- Authority
- CN
- China
- Prior art keywords
- image
- underwater
- enhanced
- imaging model
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003384 imaging method Methods 0.000 title claims abstract description 32
- 230000002787 reinforcement Effects 0.000 title claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000000694 effects Effects 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000009365 direct transmission Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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 by the use of histogram techniques
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Studio Devices (AREA)
Abstract
一种基于成像模型和强化学习的水下图像增强方法，包括：步骤1、在水体中放入水下摄像头，拍摄预设距离下正常光照的水下图像，作为待增强的初始图像；步骤2、计算初始图像的灰度值，并进行分析处理；灰度值从高到低排序，取前百分之十的灰度值进行方差计算；步骤3、利用地面雾情况下图像的成像模型得到的近似水下图像成像模型，结合水下色彩测量指标UIQM进行自适应学习；步骤4、直至学习到对应设置好的训练次数后结束任务，得到输出的增强结果并保存本地；步骤5、选用图像峰值信号比PSNR以及结构相似性SSIM两种有参考评价指标将增强后的结果和初始的结果进行对比，作为增强效果的评价。本发明通过自适应学习未知参数，进一步提高了水下图像对比度、清晰度、饱和度等方面的性能。
Description
技术领域
本申请涉及人工智能图像处理技术领域，更具体涉及计算机视觉领域中的图像增强方法以及机器学习中的强化学习方法。
背景技术
水下图像在获取海洋信息方面有着大量的应用，例如，水下机器人搜索、沉船打捞等。但由于水这一介质所具有的特殊性质，如在水中不同波长的光衰减速度不同，使得水下图像会产生颜色失真、模糊、对比度低等情况，这严重影响了水下任务的顺利完成，因此很有必要对水下采集的原始图像进行增强，以更加清晰和完整的图像满足水下科研和工程应用的需求。
水下图像增强一般分为基于物理模型的方法、基于非物理模型的方法和基于学习的方法等几类。基于物理模型的方法对水下图像成像模型的相关参数进行估计，反演退化过程重构清晰图像。基于非物理模型的方法不考虑水下退化原理，通过调整图像的像素值来提高图像的清晰度。上述两种方法都考虑水下图像的先验信息，对于不同的水下图像的泛化能力较差，有一定的局限性。基于学习的方法是以数据驱动的方式，估计水下模型参数，逆求解成像模型来得到清晰化水下图像或直接通过端到端的网络重构清晰的水下图像，但使用训练网络的成对水下数据难以采集。因此本发明选用基于物理模型方法并结合机器学习中的强化学习，提出一种基于成像模型和强化学习的新型水下图像增强方法。
发明内容
针对水下图像增强现有技术的不足之处，如对于不同的水下图像的泛化能力较差等，提供一种基于成像模型和强化学习的水下图像增强方法。
本发明一种基于成像模型和强化学习的水下图像增强方法，其具体步骤如下：
步骤1、在水体中放入水下摄像头，拍摄预设距离下正常光照的水下图像，将此图像作为待增强的初始图像。
步骤2、计算初始图像的灰度值，并进行分析处理。灰度值从高到低排序，取前百分之十的灰度值进行方差计算。
若方差没有达到预设阈值时，则直接作为下一步骤的输入；
若方差达到预设阈值时，对图片进行直方图均衡化，通过直方图均衡化将原始图像的直方图变换成较均匀分布的形式，从而去除图片中异常亮点，将预处理后的图片作为强化学习的输入。
步骤3、由地面雾情况下图像的成像模型得到近似的水下图像成像模型：
其中x表示像素点坐标，I(x)表示水下环境中相机拍摄得到的图像，D(x)表示物体本身的辐射光，可以理解成消除水下环境因素影响后的水下图像，
表示直接传输参数，B表示环境光。利用强化学习DQN算法自适应学习环境光B和直接传输参数
将本增强问题看作马尔科夫过程，用反馈函数来评价所采取的动作，面对不同的当前状态，采取最合适的动作使得奖励值最大。结合水下成像公式进行重建,得到消除水下环境影响因素后的结果图像。其中反馈函数结合基于人类视觉系统激励的无参考水下图像质量评价指标UIQM作为中间反馈环节判断标准。针对水下图像的退化机理与成像特点，该标准采用色彩测量指标(UICM)，清晰度测量指标(UISM)，对比度测量指标(UIConM)作为评价依据，其各自的计算公式如下：
色彩测量指标：
其中计算平均值：
其中K指的是图像像素和，μ越接近0则平衡越好；
计算方差：
其中σ2越大色彩对比度越好；
清晰度测量指标：
其中c表示RGB三通道之一，公式中EME计算方法为：
对比度测量指标：
而UIQM则是以上三个指标的线性组合：
UIQM＝0.028×UICM+0.296×UISM+3.575×UIConM (8)
其中三个参数值为预设值，具体大小可以通过增强后的偏好而微调；
步骤4、直至学习到对应设置好的训练次数后结束任务，得到输出的增强结果并保存本地；
步骤5、选用图像峰值信号比PSNR以及结构相似性SSIM两种有参考评价指标将增强后的结果和初始的结果进行对比，作为增强效果的评价；针对两个尺寸为m×n的图像X和Y,其计算公式分别如下：
其中MAX为表示图像颜色的最大数值，预设值为255，MSE计算公式为：
以上公式中的μx、μy分别表示图像X和Y的均值，σx、σy分别表示图像X和Y的方差，σxy表示图像X和Y的协方差，c1＝(0.01×L)2,c2＝(0.03×L)2,c3＝c2/2,其中L为像素值动态范围，在此预设值为255。
通过计算使用本方法增强后和初始输入图像的PSNR和SSIM值，如果其值小于使用其他现有方法进行增强后的结果图像对应的值，则重新调整UIQM中的参数重新进行学习，直至达到满意的增强结果，结束所有步骤。
在步骤1中，具体的方法为：使用专业水下摄像头，在正常光照情况对水下图像进行采集，控制水下摄像头采集照片拍摄距离为3米，作为增强效果的优选条件。
在步骤2中，通过对图像直方图进行分析，取灰度值从高到低排序的前百分之十的数据进行方差计算，方差达到一定值时候即可对图片进行直方图均衡化，具体方差的值将随着整体检测环节而定，需要一定的先验即视情况而确定。通过直方图均衡化将原始图像的直方图变换成较为均匀分布的形式，从而达到去除图片中异常亮点的目的。
在步骤5中，选用图像峰值信号比PSNR以及结构相似性SSIM用于结果的评判，图像峰值信号比PSNR描述原图与处理后图片的均方根误差，对图像增强而言，PSNR的值越高越好，表示图像失真越少。同时对于结构相似性SSIM来说，分别从亮度、对比度、结构这三个方面度量图像相似性，对于图像增强的结果而言，SSIM的值越大，表示图像失真越小。
本发明专利有以下创新点：
1、本发明专利创新性地采用自适应学习未知参数的强化学习方法结合水下图像成像特点，极大的提高了图像增强的效率，减少了大量的训练时间，满足工程师对于实时性图像增强的要求，降低了硬件设备的成本。
2、本发明创新性地提出了使用针对水下图像制定的无参考评价标准UIQM作为强化学习的反馈函数，极大地提升了在正常光照的水下环境以及大于3米的拍摄距离条件下的图像增强学习效果，更加满足增强后对图像对比度、清晰度、饱和度等要求，是一种更加匹配水下成像环境的增强方法。
附图说明
附图1是本发明方法的实施流程图。
具体实施方式
下面对本发明的实施方式进行更为详细的描述，所述实施方式的流程图在附图1中展示。通过参考附图1描述的实施方案仅用于解释本发明，而不能解释为对本发明的限制。
参照图1，本发明的一种基于成像模型和强化学习的水下图像增强方法，其步骤具体如下：
1、在水体中放入水下摄像头，拍摄3米距离以上正常光照的水下图像，拍摄的图片增强效果更好，将此图像作为待增强的初始图像。
2、计算初始图像的灰度直方图，并进行分析处理。取灰度值从高到低排序的前百分之十的数据进行方差计算，方差达到一定值时候即可对图片进行直方图均衡化，具体方差的值将随着整体检测环节而定，需要一定的先验即视情况而确定。通过直方图均衡化将原始图像的直方图变换成较为均匀分布的形式，从而达到去除图片中异常亮点的目的。将如上预处理后的图片作为强化学习的输入。
3、由地面雾情况下图像的成像模型得到近似的水下图像成像模型：
I(x)＝D(x)t(x)+B(1-t(x)) (15)
其中x表示像素点坐标，I(x)表示水下环境中相机拍摄得到的图像，D(x)表示物体本身的辐射光，可以理解成消除水下环境因素影响后的水下图像，t(x)表示直接传输映射，B表示环境光。D(x)t(x)对应直接传输的光，B(1-t(x))对应背景散射的光。
直接传输的光经过水这一介质会经历衰减效应，衰减效应的大小由衰减系数β和传输距离d决定，而不同的光衰减系数也不一样，其公式如下：
t(x)＝e-βd (16)
而对于此水下成像模型中的不足，Akkaynak等人进行了大量的水下实验，基于水下环境的光学成像特点，对衰减系数进行了修正，从而提出了修正后的成像模型：
其中βD和βB分别表示直接传输和背景散射的衰减系数，d表示传输距离。直接传输和背景散射的衰减系数又分别依赖于VD＝[d,ρ,E,S,a,b]和VB＝[E,S,a,b]，其中d表示传输距离，ρ表示反射频谱，E表示辐照度，S表示相机频谱响应，a和b分别表示吸收和散射系数。进行整理得到如下公式形式：
由于在实验中βD-βB的值很小，在大于3米的距离下可以近似为0，因此可以近似为以下公式的形式：
通过使用最后推导出来的公式，可以得知如果需要得到消除水下环境影响后的图像，只需要先对未知的环境光参数B进行学习估计，接着和输入图像一起对直接传输参数
进行更全面的估计。最后利用估计出的B和
结合水下成像最后推导出来的公式进行重建，得到消除水下环境影响因素后的结果图像。
利用强化学习DQN算法自适应学习环境光B和直接传输参数
将本增强问题看作马尔科夫过程，用反馈函数来评价所采取的动作，面对不同的当前状态，采取最合适的动作使得奖励值最大。结合水下成像公式进行重建,得到消除水下环境影响因素后的结果图像。反馈函数结合基于人类视觉系统激励的无参考水下图像质量评价指标UIQM作为中间反馈环节判断标准。针对水下图像的退化机理与成像特点，该标准采用色彩测量指标(UICM)，清晰度测量指标(UISM)，对比度测量指标(UIConM)作为评价依据，UIQM表示为三者的线性组合。其值越大，表示图像的颜色平衡、清晰度、对比度越好。具体计算公式为：
色彩测量指标：
其中计算平均值：
其中K指的是图像像素和，μ越接近0则平衡越好；
计算方差：
其中σ2越大色彩对比度越好；
清晰度测量指标：
其中c表示RGB三通道之一，公式中EME计算方法为：
对比度测量指标：
而UIQM则是以上三个指标的线性组合：
UIQM＝0.028×UICM+0.296×UISM+3.575×UIConM (8)
通过多元的线性回归运算得到最终评价标准计算公式，以上为初定的大致参数值，可以按照具体的增强要求适当微调参数值，最终组合成UIQM评价标准。
由以上公式进行强化学习过程中间环节的反馈环节，将三个测量指标的综合运算结果UIQM作为反馈函数，反馈给强化学习中的网络对应采取下一个动作。
4、通过以上方式进行不断的学习迭代，直至迭代到预先设置好的最后终止条件，强化学习结束，将最后得到输出的增强结果保存至本地。
5、最后选用图像峰值信号比PSNR以及结构相似性SSIM用于结果的评判，图像峰值信号比PSNR描述原图与处理后图片之间的均方根误差，对图像增强而言，PSNR的值越高越好，表示图像失真越少。同时对于结构相似性SSIM来说，分别从亮度、对比度、结构这三个方面度量图像相似性，对于图像增强的结果而言，SSIM的值越大，表示图像失真越小。针对两个尺寸为m×n的图像X和Y,其计算公式分别如下：
其中MAX为表示图像颜色的最大数值，预设值为255，MSE计算公式为：
以上公式中的μx、μy分别表示图像X和Y的均值，σx、σy分别表示图像X和Y的方差，σxy表示图像X和Y的协方差，c1＝(0.01×L)2,c2＝(0.03×L)2,c3＝c2/2,其中L为像素值动态范围，在此预设值为255。
同时将本发明所提出的方法与其他几种先进方法进行评价对比，使用同一图像进行增强，将增强结果与原始图像进行峰值信号比PSNR以及结构相似性SSIM的计算。从表一所示的结果中可以看出，本发明提出的模型在两项评价标准上都优于其他几种方法，验证了本发明所提出的方法有效性。
表一本发明方法与其他增强方法评价对比
Claims (4)
1.一种基于成像模型和强化学习的水下图像增强方法，包括以下步骤：
步骤1、在水体中放入水下摄像头，拍摄预设距离下正常光照的水下图像，将此图像作为待增强的初始图像；
步骤2、计算初始图像的灰度值，并进行分析处理；灰度值从高到低排序，取前百分之十的灰度值进行方差计算；
若方差没有达到预设阈值时，则直接作为下一步骤的输入；
若方差达到预设值时，对图片进行直方图均衡化，通过直方图均衡化将原始图像的直方图变换成较均匀分布的形式，从而去除图片中异常亮点，将预处理后的图片作为下一步骤的输入；
步骤3、由地面雾情况下图像的成像模型得到近似的水下图像成像模型：
其中x表示像素点坐标，I(x)表示水下环境中相机拍摄得到的图像，D(x)表示物体本身的辐射光，可以理解成消除水下环境因素影响后的水下图像，
表示直接传输参数，B表示环境光；利用强化学习DQN算法自适应学习环境光B和直接传输参数
将本增强问题看作马尔科夫过程，用反馈函数来评价所采取的动作，面对不同的当前状态，采取最合适的动作使得奖励值最大；结合水下成像公式进行重建,得到消除水下环境影响因素后的结果图像；反馈函数结合基于人类视觉系统激励的无参考水下图像质量评价指标UIQM作为中间反馈环节判断标准；针对水下图像的退化机理与成像特点，该标准采用色彩测量指标(UICM)，清晰度测量指标(UISM)，对比度测量指标(UIConM)作为评价依据，其各自的计算公式如下：
色彩测量指标：
其中计算平均值：
其中K指的是图像像素和，μ越接近0则平衡越好；
计算方差：
其中σ2越大色彩对比度越好；
清晰度测量指标：
其中c表示RGB三通道之一，公式中EME计算方法为：
对比度测量指标：
而UIQM则是以上三个指标的线性组合：
UIQM＝0.028×UICM+0.296×UISM+3.575×UIConM (8)
其中三个参数值为预设值，具体大小可以通过增强后的偏好而微调；
步骤4、直至学习到对应设置好的训练次数后结束任务，得到输出的增强结果并保存本地；
步骤5、选用图像峰值信号比PSNR以及结构相似性SSIM两种有参考评价指标将增强后的结果和初始的结果进行对比，作为增强效果的评价；针对两个尺寸为m×n的图像X和Y,其计算公式分别如下：
其中MAX为表示图像颜色的最大数值，预设值为255，MSE计算公式为：
以上公式中的μx、μy分别表示图像X和Y的均值，σx、σy分别表示图像X和Y的方差，σxy表示图像X和Y的协方差，c1＝(0.01×L)2,c2＝(0.03×L)2,c3＝c2/2,其中L为像素值动态范围，在此预设值为255。
通过计算使用本方法增强后和初始输入图像的PSNR和SSIM值，如果其值小于使用其他现有方法进行增强后的结果图像对应的值，则重新调整UIQM中的参数重新进行学习，直至达到满意的增强结果，结束所有步骤。
2.基于权力要求1所述的一种基于成像模型和强化学习的水下图像增强方法，其特征在于，在所述步骤1中，控制水下摄像头采集照片拍摄距离为3米及以上，作为增强效果的优选条件。
3.基于权力要求1所述的一种基于成像模型和强化学习的水下图像增强方法，其特征在于，在所述步骤2中对前百分之十的数据进行方差计算，通过直方图均衡化将原始图像的直方图变换成较为均匀分布的形式，从而达到去除图片中异常亮点的目的。
4.基于权力要求1所述的一种基于成像模型和强化学习的水下图像增强方法，其特征在于，在所述步骤5中，选用图像峰值信号比PSNR以及结构相似性SSIM用于结果的评判，图像峰值信号比PSNR描述原图与处理后图片之间的均方根误差，对图像增强而言，PSNR的值越高越好，表示图像失真越少；同时对于结构相似性SSIM来说，分别从亮度、对比度、结构这三个方面度量图像相似性，对于图像增强的结果而言，SSIM的值越大，表示图像失真越少。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238495.8A CN114037622A (zh) | 2021-10-25 | 2021-10-25 | 一种基于成像模型和强化学习的水下图像增强方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111238495.8A CN114037622A (zh) | 2021-10-25 | 2021-10-25 | 一种基于成像模型和强化学习的水下图像增强方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037622A true CN114037622A (zh) | 2022-02-11 |
Family
ID=80141812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111238495.8A Pending CN114037622A (zh) | 2021-10-25 | 2021-10-25 | 一种基于成像模型和强化学习的水下图像增强方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037622A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723643A (zh) * | 2022-06-10 | 2022-07-08 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
| CN115423724A (zh) * | 2022-11-03 | 2022-12-02 | 中国石油大学(华东) | 强化学习参数优化的水下图像增强方法、装置及介质 |
| CN115993094A (zh) * | 2023-03-01 | 2023-04-21 | 大连交通大学 | 一种基于ccd相机的大型膜结构屋顶位移监测方法及系统 |
-
2021
- 2021-10-25 CN CN202111238495.8A patent/CN114037622A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723643A (zh) * | 2022-06-10 | 2022-07-08 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
| WO2023236565A1 (zh) * | 2022-06-10 | 2023-12-14 | 南京航空航天大学 | 一种基于强化学习和美学评估的低光图像增强方法 |
| CN115423724A (zh) * | 2022-11-03 | 2022-12-02 | 中国石油大学(华东) | 强化学习参数优化的水下图像增强方法、装置及介质 |
| CN115993094A (zh) * | 2023-03-01 | 2023-04-21 | 大连交通大学 | 一种基于ccd相机的大型膜结构屋顶位移监测方法及系统 |
| CN115993094B (zh) * | 2023-03-01 | 2023-09-12 | 大连交通大学 | 一种基于ccd相机的大型膜结构屋顶位移监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | A novel fast single image dehazing algorithm based on artificial multiexposure image fusion | |
| Song et al. | Enhancement of underwater images with statistical model of background light and optimization of transmission map | |
| CN114037622A (zh) | 一种基于成像模型和强化学习的水下图像增强方法 | |
| Muniraj et al. | Underwater image enhancement by combining color constancy and dehazing based on depth estimation | |
| CN110288550B (zh) | 基于先验知识引导条件生成对抗网络的单张图像去雾方法 | |
| Xiang et al. | Underwater image enhancement based on red channel weighted compensation and gamma correction model | |
| CN113284061B (zh) | 一种基于梯度网络的水下图像增强方法 | |
| Mathur et al. | Enhancement of nonuniformly illuminated underwater images | |
| Chen et al. | A benchmark dataset for both underwater image enhancement and underwater object detection | |
| Huang et al. | Underwater Image Enhancement Based on Zero-Reference Deep Network | |
| Mallik et al. | Visual enhancement of underwater image by white-balanced EMD | |
| Zhao et al. | Enhancing underwater imagery via latent low-rank decomposition and image fusion | |
| Hmue et al. | Image enhancement and quality assessment methods in turbid water: A review article | |
| CN113810683A (zh) | 一种客观评估水下视频质量的无参考评价方法 | |
| Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
| Mageshwari et al. | Underwater image re-enhancement with blend of simplest colour balance and contrast limited adaptive histogram equalization algorithm | |
| Bhat et al. | Fast Under Water Image Enhancement for Real Time Applications | |
| Dhanya et al. | L-CLAHE intensification filter (L-CIF) algorithm for underwater image enhancement and colour restoration | |
| Srigowri | Enhancing unpaired underwater images with cycle consistent network | |
| Dharwadkar et al. | Improving the quality of underwater imaging using deep convolution neural networks | |
| Martinho et al. | Underwater image enhancement based on fusion of intensity transformation techniques | |
| Peng et al. | Underwater image enhancement by rayleigh stretching in time and frequency domain | |
| Singh et al. | An optimized approach for underwater image dehazing and colour correction | |
| Xu et al. | Underwater Image Enhancement of Improved Retinex Base on Statistical Learning | |
| Sivaanpu et al. | Underwater Image Enhancement Using Dual Convolutional Neural Network with Skip Connections |
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 |