CN115496694A - 基于改进图像形成模型对水下图像进行恢复和增强的方法 - Google Patents

基于改进图像形成模型对水下图像进行恢复和增强的方法 Download PDF

Info

Publication number
CN115496694A
CN115496694A CN202211218289.5A CN202211218289A CN115496694A CN 115496694 A CN115496694 A CN 115496694A CN 202211218289 A CN202211218289 A CN 202211218289A CN 115496694 A CN115496694 A CN 115496694A
Authority
CN
China
Prior art keywords
image
channel
value
underwater
estimate
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
CN202211218289.5A
Other languages
English (en)
Other versions
CN115496694B (zh
Inventor
陈祖国
李俊杰
陈超洋
卢明
陈永伟
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.)
Hunan University of Science and Technology
Original Assignee
Hunan University of Science and Technology
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 Hunan University of Science and Technology filed Critical Hunan University of Science and Technology
Priority to CN202211218289.5A priority Critical patent/CN115496694B/zh
Publication of CN115496694A publication Critical patent/CN115496694A/zh
Application granted granted Critical
Publication of CN115496694B publication Critical patent/CN115496694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/20Image enhancement or restoration using local operators
    • G06T5/30Erosion or dilatation, e.g. thinning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/50Depth or shape recovery
    • G06T7/55Depth or shape recovery from multiple images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00Image coding
    • G06T9/40Tree coding, e.g. quadtree, octree
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • G06V20/05Underwater scenes
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20212Image combination
    • G06T2207/20224Image subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07Target detection
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02ATECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于改进图像形成模型对水下图像进行恢复和增强的方法,首先在水下图像的模糊图像区域中提取BL,之后再基于水下图像模糊区域提取的BL得到了图像的场景深度和图像的TM,最后选取三种深度估计方法来估计场景深度的方法,通过得到的三个数值将水下图像进行场景恢复,得到了水下增强的图像;处理后的图像可以与当前的陆地上的目标检测识别技术相融合,实现陆地检测到水下检测的应用。

Description

基于改进图像形成模型对水下图像进行恢复和增强的方法
技术领域
本发明涉及水下图像处理领域,特别涉及一种基于改进图像形成模型对水下图像进行恢复和增强的方法。
背景技术
水下成像在海洋资源勘探、海洋生物识别、海防、水下机器人等方面发挥了重要的作用。由于水对光线的吸收和向后散射特性,造成了水下图像退化现象。通常,不同波长光纤的水体吸收系数也不相同,即各个通道的衰减程度不一致,从而导致了颜色偏移。光的衰减是产生雾状外观的主要原因,而从介质沿视线散射回来的光场景对比度大大降低。
在过去的几年里,水下图像增强在图像处理和水下视觉中都受到了广泛的关注。由于水下环境和光照条件复杂,水下图像的增强是一个具有挑战性的问题。通常,水下图像的退化是由波长相关的吸收和散射,包括前向散射和后向散射,这些不利影响降低了能见度,降低了对比度,甚至引入了色差,限制了水下图像和视频在海洋生物学和考古学,海洋生态等方面的实际应用。为了解决这个问题,早期的方法依赖于多个水下图像或偏振滤波器,而最近的算法只使用单个图像的信息来处理这个问题。尽管水下图像增强算法的研究成果丰富,但由于缺乏公开的真实水下图像数据集,水下图像增强算法的全面研究和深入分析在很大程度上仍不令人满意。此外,对于不同的水体类型,要同时拍摄真实的水下场景和对应的地面真实图像几乎是不可能的。
发明内容
为了解决上述技术问题,本发明提供一种算法简单的基于改进图像形成模型对水下图像进行恢复和增强的方法。
本发明解决上述技术问题的技术方案是:一种基于改进图像形成模型对水下图像进行恢复和增强的方法,包括以下步骤:
1)引入一个空间高斯滤波器,将输入的图像送入高斯滤波器进行处理,图像为水下图像,将处理之后的图像进行顶帽变换,得到了图像的模糊估计;
2)将图像进行处理,将处理后的图像R,G,B三通道的每一通道的像素点按最高到最低亮度值排序,选取每一通道的前0.1%的最高亮度像素值作为第一种候选
Figure BDA0003876599800000021
3)将图像R,G,B三通道的每一通道进行四叉树处理分解,计算各通道区域的信息熵,选取每一通道信息熵最大区域再进行四叉树分解,重复步骤(3)迭代n次,得到第二种候选
Figure BDA0003876599800000022
4)将1)中得到的模糊估计图像R,G,B三通道的每一通道进行四叉树处理分解,计算各通道区域的方差,选取每一通道方差最小区域再进行四叉树分解,重复(3)步骤迭代n次,得到第三种候选
Figure BDA0003876599800000023
5)确定了三种候选后,为输入图像分别对R,G,B每个颜色通道选取背景光BL;
6)选取三种深度估计方法来估计场景深度的方法,并融合三种深度估计方法提出新的场景深度估计方法,得到图像初步深度估计值,并经过一系列算法最终确定图像各通道的深度估计;
7)经过场景亮度恢复公式得到水下图像增强的图片。
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤1)的具体过程为:
(1-1)计算初始模糊度图Pinit
Figure BDA0003876599800000031
其中Ig是原始图像的灰度变换,Gk,σ为经过一个k*k的窗口,方差为σ2的高斯滤波器输出后的图像;r=2n+1,此处的n为迭代次数;
(1-2)经过最大滤波器计算粗略的模糊度图像Pr
Figure BDA0003876599800000032
其中Ω(x)是以x为中心的大小为k*k的一个区域;
(1-3)通过对模糊度图像Pr的开运算和顶帽操作,得到最终的细化模糊度图像Pblr
Pblr(x)=Fg{Cr[Pr(x)]}
其中Pr是对图像进行的开运算,Cr是对图像进行的顶帽变换操作,Fg为模糊度处理总函数。
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤2)的具体过程为:将输入图像每个通道像素点进行取以x为中心的大小为k*k的一个区域最小值作为该中心点的像素值,将处理完的图像R,G,B每一通道像素值进行由亮到暗的排序,对每个通道最亮的前0.1%的像素值取平均值作为第一种候选
Figure BDA0003876599800000033
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤3)中:
Figure BDA0003876599800000041
其中
Figure BDA0003876599800000042
H(X)为该区域的信息熵,m表示R,G,B三个像素通道中分别有多少种相同的像素;
通过四叉树分别分解图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道信息熵最大的区域进行迭代,最终得到每一个通道的信息熵最大区域的数值,将此数值作为第二种候选
Figure BDA0003876599800000045
c∈(R、G、B)。
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤4)中:
Figure BDA0003876599800000043
其中σ2为总体方差;X为R,G,B三通道每一个像素点的值;E(X)为期望值即R,G,B三通道每一通道像素的均值;N为通道的像素点数;通过四叉树分别分解经过步骤1)处理之后的模糊度图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道方差最小的区域进行迭代,最终得到每一个通道的方差最小区域的数值作为第三种候选
Figure BDA0003876599800000044
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤5)中:
S(a,v)=[1+e-s(a-v)]-1
其中S是一个经验函数用于处理后续的数值,s为常数,其中a代表图片各个通道像素点亮度大于0.5*225在该通道所有像素点中比例,v是经验值是一常数;
Figure BDA0003876599800000051
其中
Figure BDA0003876599800000052
为最终BL估计值,c∈(R、G、B),
Figure BDA0003876599800000053
为图像R,G,B三个通道三种BL数值最大值和最小值,α为S(a,v)计算值。
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤6)中:
Figure BDA0003876599800000054
Fs为一个拉伸函数,V是自变量,max(V)为自变量V中最大值,min(V)为自变量V中最小值;
通过假设保留更多红光的场景点离摄像机更近,直接从红色通道地图获得深度的第一个估计:
Figure BDA0003876599800000055
其中Ir(y)为输入图片的红色通道,
Figure BDA0003876599800000056
为红色通道图获得的第一个深度估计值;
Figure BDA0003876599800000057
其中
Figure BDA0003876599800000058
是红色通道像素最大值与蓝绿通道像素最大值的差值,
Figure BDA0003876599800000059
为第二个深度估计值;
Figure BDA00038765998000000510
其中Cr(Pr)为步骤2)处理的图像数值,
Figure BDA00038765998000000511
是第三个深度估计数值;
Figure BDA00038765998000000512
其中
Figure BDA00038765998000000513
θb=S(avgc(Ir),0.1),c∈(R、G、B),
Figure BDA00038765998000000514
表示三通道BL估计值均值,avgc(Ir)为红色通道像素均值,
Figure BDA00038765998000000515
为图像初步深度估计值;
Figure BDA0003876599800000061
Figure BDA0003876599800000062
Figure BDA0003876599800000063
Ic(x)为输入原始图像各通道像素值,
Figure BDA0003876599800000064
为对应图像通道最终BL估计值,
Figure BDA0003876599800000065
为最近的场景点和摄像机之间的距离的估计值,
Figure BDA0003876599800000066
为最终场景深度,D=8,
Figure BDA0003876599800000067
表示红色通道的TM估计值,β表示衰减系数;
Figure BDA0003876599800000068
Figure BDA0003876599800000069
根据水下固有的光学性质,其中λc为R,G,B通道光的波长,βk表示蓝、绿通道衰减系数,βr表示红色通道衰减系数,
Figure BDA00038765998000000610
为红色通道BL估计值,γ=-0.00113,σ=1.62517,
Figure BDA00038765998000000611
为蓝、绿通道TM估计值,
Figure BDA00038765998000000612
为蓝、绿通道BL估计值。
上述基于改进图像形成模型对水下图像进行恢复和增强的方法,所述步骤7)中:
Figure BDA00038765998000000613
通过将各个通道最终背景光估计值
Figure BDA00038765998000000614
各个通道TM估计值
Figure BDA00038765998000000615
以及原始各通道图像Ic带入,c∈(R、G、B),最终得到恢复场景图像
Figure BDA00038765998000000616
本发明的有益效果在于:本发明提出了一种基于光吸收和图像模糊相结合的水下图像增强技术,首先在水下图像的模糊图像区域中提取BL,之后再基于水下图像模糊区域提取的BL得到了图像的场景深度和图像的TM,最后选取三种深度估计方法来估计场景深度的方法,通过得到的三个数值将水下图像进行场景恢复,得到了水下增强的图像;处理后的图像可以与当前的陆地上的目标检测识别技术相融合,实现陆地检测到水下检测的应用。
附图说明
图1为本发明的流程图。
图2为本发明四叉树分解示意图。
图3为本发明顶帽变化原图和处理之后的示意图。
图4为本发明水下图像增强对比示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1所示,一种基于改进图像形成模型对水下图像进行恢复和增强的方法,包括以下步骤:
1)引入一个空间高斯滤波器,将输入的图像送入高斯滤波器进行处理,图像为水下图像,将处理之后的图像进行顶帽变换,得到了图像的模糊估计。
步骤1)的具体过程为:
(1-1)计算初始模糊度图Pinit
Figure BDA0003876599800000071
其中Ig是原始图像的灰度变换,Gk,σ为经过一个k*k的窗口,方差为σ2的高斯滤波器输出后的图像,r=2n+1,此处的n为迭代次数;
(1-2)经过最大滤波器计算粗略的模糊度图像Pr
Figure BDA0003876599800000072
其中Ω(x)是以x为中心的大小为k*k的一个区域;
(1-3)通过对模糊度图像Pr的开运算和顶帽操作,得到最终的细化模糊度图像Pblr
Pblr(x)=Fg{Cr[Pr(x)]}
其中Pr是对图像进行的开运算,Cr是对图像进行的顶帽变换操作,如图3所示,顶帽变换是在原图像基础上做出的形态学变换,即用原图像减掉原图像的开运算;Fg为模糊度处理总函数。
2)将图像进行处理,将处理后的图像R,G,B三通道的每一通道的像素点按最高到最低亮度值排序,选取每一通道的前0.1%的最高亮度像素值作为第一种候选
Figure BDA0003876599800000081
步骤2)的具体过程为:将输入图像每个通道像素点进行取以x为中心的大小为k*k的一个区域最小值作为该中心点的像素值,将处理完的图像R,G,B每一通道像素值进行由亮到暗的排序,对每个通道最亮的前0.1%的像素值取平均值作为第一种候选
Figure BDA0003876599800000082
3)将图像R,G,B三通道的每一通道进行四叉树处理分解,如图2所示,,将图片平均分成四个大小相等的区域,计算区域的相关数值,取符合要求的区域重复上述步骤,直到满足规定的条件;计算各通道区域的信息熵,选取每一通道信息熵最大区域再进行四叉树分解,重复步骤(3)迭代n次,得到第二种候选
Figure BDA0003876599800000083
Figure BDA0003876599800000084
其中
Figure BDA0003876599800000085
H(X)为该区域的信息熵,m表示R,G,B三个像素通道中分别有多少种相同的像素;
通过四叉树分别分解图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道信息熵最大的区域进行迭代,最终得到每一个通道的信息熵最大区域的数值,将此数值作为第二种候选
Figure BDA0003876599800000091
Figure BDA0003876599800000092
4)将1)中得到的模糊估计图像R,G,B三通道的每一通道进行四叉树处理分解,计算各通道区域的方差,选取每一通道方差最小区域再进行四叉树分解,重复(3)步骤迭代n次,得到第三种候选
Figure BDA0003876599800000093
Figure BDA0003876599800000094
其中σ2为总体方差;X为R,G,B三通道每一个像素点的值;E(X)为期望值即R,G,B三通道每一通道像素的均值;N为通道的像素点数;通过四叉树分别分解经过步骤1)处理之后的模糊度图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道方差最小的区域进行迭代,最终得到每一个通道的方差最小区域的数值作为第三种候选
Figure BDA0003876599800000095
5)确定了三种候选后,为输入图像分别对R,G,B每个颜色通道选取背景光BL。
S(a,v)=[1+e-s(a-v)]-1
其中S是一个经验函数用于处理后续的数值,s为常数,其中a代表图片各个通道像素点亮度大于0.5*225在该通道所有像素点中比例,v是经验值是一常数;
Figure BDA0003876599800000096
其中
Figure BDA0003876599800000097
为最终BL估计值,c∈(R、G、B),
Figure BDA0003876599800000098
为图像R,G,B三个通道三种BL数值最大值和最小值,α为S(a,v)计算值。
6)选取三种深度估计方法来估计场景深度的方法,并融合三种深度估计方法提出新的场景深度估计方法,得到图像初步深度估计值,并经过一系列算法最终确定图像各通道的深度估计。
Figure BDA0003876599800000101
Fs为一个拉伸函数,V是自变量,max(V)为自变量V中最大值,min(V)为自变量V中最小值;
通过假设保留更多红光的场景点离摄像机更近,直接从红色通道地图获得深度的第一个估计:
Figure BDA0003876599800000102
其中Ir(y)为输入图片的红色通道,
Figure BDA0003876599800000103
为红色通道图获得的第一个深度估计值;
Figure BDA0003876599800000104
其中
Figure BDA0003876599800000105
是红色通道像素最大值与蓝绿通道像素最大值的差值,
Figure BDA0003876599800000106
为第二个深度估计值;
Figure BDA0003876599800000107
其中Cr(Pr)为步骤2)处理的图像数值,
Figure BDA0003876599800000108
是第三个深度估计数值;
Figure BDA0003876599800000109
其中
Figure BDA00038765998000001010
θb=S(avgc(Ir),0.1),c∈(R、G、B),
Figure BDA00038765998000001011
表示三通道BL估计值均值,avgc(Ir)为红色通道像素均值,
Figure BDA00038765998000001012
为图像初步深度估计值;
Figure BDA00038765998000001013
Figure BDA00038765998000001014
Figure BDA00038765998000001015
Ic(x)为输入原始图像各通道像素值,
Figure BDA0003876599800000111
为对应图像通道最终BL估计值,
Figure BDA0003876599800000112
为最近的场景点和摄像机之间的距离的估计值,
Figure BDA0003876599800000113
为最终场景深度,D=8,
Figure BDA0003876599800000114
表示红色通道的TM估计值,β表示衰减系数;
Figure BDA0003876599800000115
Figure BDA0003876599800000116
根据水下固有的光学性质,其中λc为R,G,B通道光的波长,βk表示蓝、绿通道衰减系数,βr表示红色通道衰减系数,
Figure BDA0003876599800000117
为红色通道BL估计值,γ=-0.00113,σ=1.62517,
Figure BDA0003876599800000118
为蓝、绿通道TM估计值,
Figure BDA0003876599800000119
为蓝、绿通道BL估计值。
7)经过场景亮度恢复公式得到水下图像增强的图片。
Figure BDA00038765998000001110
通过将各个通道最终背景光估计值
Figure BDA00038765998000001111
各个通道TM估计值
Figure BDA00038765998000001112
以及原始各通道图像Ic带入,c∈(R、G、B),最终得到恢复场景图像
Figure BDA00038765998000001113
如图4所示,图4为本发明水下图像增强对比示意图,相对与原始图像对比,大大提高了图像的清晰程度。

Claims (8)

1.一种基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,包括以下步骤:
1)引入一个空间高斯滤波器,将输入的图像送入高斯滤波器进行处理,图像为水下图像,将处理之后的图像进行顶帽变换,得到了图像的模糊估计;
2)将图像进行处理,将处理后的图像R,G,B三通道的每一通道的像素点按最高到最低亮度值排序,选取每一通道的前0.1%的最高亮度像素值作为第一种候选
Figure FDA0003876599790000013
3)将图像R,G,B三通道的每一通道进行四叉树处理分解,计算各通道区域的信息熵,选取每一通道信息熵最大区域再进行四叉树分解,重复步骤(3)迭代n次,得到第二种候选
Figure FDA0003876599790000011
4)将1)中得到的模糊估计图像R,G,B三通道的每一通道进行四叉树处理分解,计算各通道区域的方差,选取每一通道方差最小区域再进行四叉树分解,重复(3)步骤迭代n次,得到第三种候选
Figure FDA0003876599790000012
5)确定了三种候选后,为输入图像分别对R,G,B每个颜色通道选取背景光BL;
6)选取三种深度估计方法来估计场景深度的方法,并融合三种深度估计方法提出新的场景深度估计方法,得到图像初步深度估计值,并经过一系列算法最终确定图像各通道的深度估计;
7)经过场景亮度恢复公式得到水下图像增强的图片。
2.根据权利要求1所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤1)的具体过程为:
(1-1)计算初始模糊度图Pinit
Figure FDA0003876599790000021
其中Ig是原始图像的灰度变换,Gk,σ为经过一个k*k的窗口,方差为σ2的高斯滤波器输出后的图像;r=2n+1,此处的n为迭代次数;
(1-2)经过最大滤波器计算粗略的模糊度图像Pr
Figure FDA0003876599790000022
其中Ω(x)是以x为中心的大小为k*k的一个区域;
(1-3)通过对模糊度图像Pr的开运算和顶帽操作,得到最终的细化模糊度图像Pblr
Pblr(x)=Fg{Cr[Pr(x)]}
其中Pr是对图像进行的开运算,Cr是对图像进行的顶帽变换操作,Fg为模糊度处理总函数。
3.根据权利要求2所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤2)的具体过程为:将输入图像每个通道像素点进行取以x为中心的大小为k*k的一个区域最小值作为该中心点的像素值,将处理完的图像R,G,B每一通道像素值进行由亮到暗的排序,对每个通道最亮的前0.1%的像素值取平均值作为第一种候选
Figure FDA0003876599790000023
4.根据权利要求3所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤3)中:
Figure FDA0003876599790000024
其中
Figure FDA0003876599790000025
H(X)为该区域的信息熵,m表示R,G,B三个像素通道中分别有多少种相同的像素;
通过四叉树分别分解图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道信息熵最大的区域进行迭代,最终得到每一个通道的信息熵最大区域的数值,将此数值作为第二种候选
Figure FDA0003876599790000031
Figure FDA0003876599790000032
5.根据权利要求4所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤4)中:
Figure FDA0003876599790000033
其中σ2为总体方差;X为R,G,B三通道每一个像素点的值;E(X)为期望值即R,G,B三通道每一通道像素的均值;N为通道的像素点数;通过四叉树分别分解经过步骤1)处理之后的模糊度图像R,G,B三个通道,分别地将输入图像每个通道分成n个等大小的块,取图像各个通道方差最小的区域进行迭代,最终得到每一个通道的方差最小区域的数值作为第三种候选
Figure FDA0003876599790000037
c∈(R、G、B)。
6.根据权利要求5所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤5)中:
S(a,v)=[1+e-s(a-v)]-1
其中S是一个经验函数用于处理后续的数值,s为常数,其中a代表图片各个通道像素点亮度大于0.5*225在该通道所有像素点中比例,v是经验值是一常数;
Figure FDA0003876599790000034
其中
Figure FDA0003876599790000035
为最终BL估计值,c∈(R、G、B),
Figure FDA0003876599790000036
为图像R,G,B三个通道三种BL数值最大值和最小值,α为S(a,v)计算值。
7.根据权利要求6所述的所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤6)中:
Figure FDA0003876599790000041
Fs为一个拉伸函数,V是自变量,max(V)为自变量V中最大值,min(V)为自变量V中最小值;
通过假设保留更多红光的场景点离摄像机更近,直接从红色通道地图获得深度的第一个估计:
Figure FDA0003876599790000042
其中Ir(y)为输入图片的红色通道,
Figure FDA0003876599790000043
为红色通道图获得的第一个深度估计值;
Figure FDA0003876599790000044
其中Dmip是红色通道像素最大值与蓝绿通道像素最大值的差值,
Figure FDA0003876599790000045
为第二个深度估计值;
Figure FDA0003876599790000046
其中Cr()r)为步骤2)处理的图像数值,
Figure FDA0003876599790000047
是第三个深度估计数值;
Figure FDA0003876599790000048
其中
Figure FDA0003876599790000049
θb=S(avgc(Ir),0.1),c∈(R、G、B),
Figure FDA00038765997900000410
表示三通道BL估计值均值,avgc(Ir)为红色通道像素均值,
Figure FDA00038765997900000411
为图像初步深度估计值;
Figure FDA00038765997900000412
Figure FDA00038765997900000413
Figure FDA0003876599790000051
Ic(x)为输入原始图像各通道像素值,
Figure FDA0003876599790000052
为对应图像通道最终BL估计值,
Figure FDA0003876599790000053
为最近的场景点和摄像机之间的距离的估计值,
Figure FDA0003876599790000054
为最终场景深度,D=8,
Figure FDA0003876599790000055
表示红色通道的TM估计值,β表示衰减系数;
Figure FDA0003876599790000056
Figure FDA0003876599790000057
根据水下固有的光学性质,其中λc为R,G,B通道光的波长,βk表示蓝、绿通道衰减系数,βr表示红色通道衰减系数,
Figure FDA0003876599790000058
为红色通道BL估计值,γ=-0.00113,σ=1.62517,
Figure FDA0003876599790000059
为蓝、绿通道TM估计值,
Figure FDA00038765997900000510
为蓝、绿通道BL估计值。
8.根据权利要求7所述的基于改进图像形成模型对水下图像进行恢复和增强的方法,其特征在于,所述步骤7)中:
Figure FDA00038765997900000511
通过将各个通道最终背景光估计值
Figure FDA00038765997900000512
各个通道TM估计值
Figure FDA00038765997900000513
以及原始各通道图像Ic带入,c∈(R、G、B),最终得到恢复场景图像
Figure FDA00038765997900000514
CN202211218289.5A 2022-09-30 2022-09-30 基于改进图像形成模型对水下图像进行恢复和增强的方法 Active CN115496694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211218289.5A CN115496694B (zh) 2022-09-30 2022-09-30 基于改进图像形成模型对水下图像进行恢复和增强的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211218289.5A CN115496694B (zh) 2022-09-30 2022-09-30 基于改进图像形成模型对水下图像进行恢复和增强的方法

Publications (2)

Publication Number Publication Date
CN115496694A true CN115496694A (zh) 2022-12-20
CN115496694B CN115496694B (zh) 2023-07-25

Family

ID=84473163

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211218289.5A Active CN115496694B (zh) 2022-09-30 2022-09-30 基于改进图像形成模型对水下图像进行恢复和增强的方法

Country Status (1)

Country Link
CN (1) CN115496694B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107705258A (zh) * 2017-09-19 2018-02-16 东华大学 一种三基色联合预均衡和去模糊的水下图像增强方法
CN108257101A (zh) * 2018-01-16 2018-07-06 上海海洋大学 一种基于最优复原参数的水下图像增强方法
CN113269763A (zh) * 2021-06-03 2021-08-17 大连海事大学 基于深度图复原和亮度估计的水下图像清晰度恢复方法
CN115100063A (zh) * 2022-06-28 2022-09-23 大连海洋大学 基于自监督的水下图像增强方法、装置及计算机存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107705258A (zh) * 2017-09-19 2018-02-16 东华大学 一种三基色联合预均衡和去模糊的水下图像增强方法
CN108257101A (zh) * 2018-01-16 2018-07-06 上海海洋大学 一种基于最优复原参数的水下图像增强方法
CN113269763A (zh) * 2021-06-03 2021-08-17 大连海事大学 基于深度图复原和亮度估计的水下图像清晰度恢复方法
CN115100063A (zh) * 2022-06-28 2022-09-23 大连海洋大学 基于自监督的水下图像增强方法、装置及计算机存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
宋巍;王;黄冬梅;贺琪;王振华;: "结合背景光融合及水下暗通道先验和色彩平衡的水下图像增强", 模式识别与人工智能, no. 09 *

Also Published As

Publication number Publication date
CN115496694B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN107103591B (zh) 一种基于图像雾霾浓度估计的单幅图像去雾方法
CN112288658A (zh) 一种基于多残差联合学习的水下图像增强方法
CN107301624B (zh) 基于区域划分及浓雾预处理的卷积神经网络去雾方法
Gao et al. Sand-dust image restoration based on reversing the blue channel prior
CN104299192B (zh) 一种基于大气光散射物理模型的单幅图像去雾方法
CN107767354A (zh) 一种基于暗原色先验的图像去雾算法
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
CN111861896A (zh) 一种面向uuv的水下图像色彩补偿与恢复方法
CN109118446B (zh) 一种水下图像复原及去噪方法
CN108257101B (zh) 一种基于最优复原参数的水下图像增强方法
CN108154492B (zh) 一种基于非局部均值滤波的图像去雾霾方法
CN111667433A (zh) 一种基于简单线性迭代聚类优化的无人机图像去雾方法
CN110097522B (zh) 一种基于多尺度卷积神经网络的单幅户外图像去雾方法
CN110675340A (zh) 一种基于改进的非局部先验的单幅图像去雾方法及介质
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
CN112419163B (zh) 一种基于先验知识和深度学习的单张图像弱监督去雾方法
CN111598814B (zh) 基于极端散射通道的单图像去雾方法
CN110827221A (zh) 一种基于双通道先验和侧窗导向滤波的单幅图像去雾方法
CN107093173A (zh) 一种图像雾霾浓度的估计方法
CN113284061A (zh) 一种基于梯度网络的水下图像增强方法
CN105023246B (zh) 一种基于对比度和结构相似度的图像增强方法
CN110335210B (zh) 一种水下图像复原方法
CN110349113B (zh) 一种基于暗原色先验改进的自适应图像去雾方法
CN111598886A (zh) 一种基于单幅图像的像素级透过率估计方法
CN116757949A (zh) 一种大气-海洋散射环境退化图像复原方法及系统

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