CN115797225B - 一种水下地形测量用无人船采集图像增强方法 - Google Patents
一种水下地形测量用无人船采集图像增强方法 Download PDFInfo
- Publication number
- CN115797225B CN115797225B CN202310014810.1A CN202310014810A CN115797225B CN 115797225 B CN115797225 B CN 115797225B CN 202310014810 A CN202310014810 A CN 202310014810A CN 115797225 B CN115797225 B CN 115797225B
- Authority
- CN
- China
- Prior art keywords
- enhancement
- region
- obtaining
- value
- ambiguity
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明涉及图像处理技术领域,具体涉及一种水下地形测量用无人船采集图像增强方法。该方法通过无人船采集水下地形图,通过水下地形图中像素点灰度值一致性获得增强区域,根据增强区域中各像素点之间的关系以及该区域与相邻其他区域之间的关系对低对比度进行分析,获得区域增强度;根据初始增强过程对色偏程度进行分析,获得色彩增强度;根据区域增强度与色彩增强度构成的区域偏差度将对应的增强区域进行最终图像增强处理,本发明基于图像处理,考虑到不同物体在水下地形图中呈现出的色偏程度和低对比度的程度的不同,实现了对不同物体的不同增强效果,使整体图像增强效果更好更精确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种水下地形测量用无人船采集图像增强方法。
背景技术
在水中由于红、绿、蓝三种光的折射率不同,采集到的水下图像会表现出严重的蓝绿色偏。同时,水中悬浮的微粒会吸收光线的能量、改变光路,因此水下图像同时会出现低对比度的问题。但是由于其他技术成本高、受环境影响大,不适合移植到轻量级的水下机器人等应用等原因,目前的水下图像仍通过光学相机、激光扫描、距离选通等水下技术获取。所以关于水下识别技术的关键仍然是需要对光学获取到的水下图像进行图像增强,以解决色偏和低对比度的问题。
目前水下图像增强的方法主要有物理模型方法和非物理模型方法。从物理过程推导整个退化模型称为物理模型方法,需假设图像的先验条件,推导复杂模型的耗费较高但处理效果不足;非物理模型方法由于未考虑退化过程,对像素进行处理时可能会破坏结构或产生伪影。所以考虑提出一种复合物理模型和非物理模型的方法,而现有技术中提出的关于水体图像增强方法,仅考虑了每个像素点的低对比影响度和将色彩偏差作为权重调整增强程度,没有考虑到每个像素点增强过程中周围其他像素的影响,且色彩偏差未考虑到不同光对图像增强的影响,使整体图像增强效果较差,得到的图像质量也不好。
发明内容
为了解决现有技术中仅考虑了每个像素点的低对比影响度和将色彩偏差作为权重调整增强程度,没有考虑到每个像素点增强过程中周围其他像素的影响,且色彩偏差未考虑到不同光对图像增强的影响,使整体图像增强效果较差的技术问题,本发明的目的在于提供一种水下地形测量用无人船采集图像增强方法,所采用的技术方案具体如下:
本发明提供了一种水下地形测量用无人船采集图像增强方法,所述方法包括:
根据无人船采集装置获得水下地形图,根据像素值将水下地形图分割为预设分割数量个子区域;获得灰度化后的水下地形图中目标子区域的灰度值均匀度,根据灰度值均匀度和目标子区域与水下地形图之间的相对亮度值,获得目标子区域的模糊度;根据子区域之间的模糊度相似性对子区域之间进行合并,获得增强区域;
获得增强区域内目标像素点在预设第一邻域范围内的纹理特征,根据第一邻域范围内行间相关性与列间相关性获得目标像素点的灰度相似性,根据纹理特征和灰度相似性获得目标像素点的像素增强度;根据目标增强区域的面积和目标增强区域与邻近增强区域之间的模糊度相似性获得初始区域增强度;根据初始区域增强度和像素增强度获得每个增强区域的区域增强度;
根据水下地形图初始增强过程前后各颜色通道的色彩差异及对应的影响程度获得每个增强区域对应的色彩增强度,根据增强区域的区域增强度和色彩增强度获得区域偏差度;根据区域偏差度将对应的增强区域进行最终图像增强处理。
进一步地,所述模糊度的获取包括:
获得灰度化后的水下地形图中像素点的图像灰度值均值和对应所有子区域的区域灰度值均值;将图像灰度值均值与区域灰度值均值构成的均值差值与区域灰度值均值作比,获得相对亮度值;将目标子区域中每个像素点的灰度值与区域灰度值均值的差值绝对值作为灰度差异,将负相关映射的灰度差异均值作为灰度值均匀度;
将灰度均匀度与相对亮度值相乘,获得目标子区域的模糊度。
进一步地,所述模糊度相似性的获取包括:
获得两个子区域的模糊度,将两个子区域的模糊度差值绝对值与其中一个子区域的模糊度绝对值作比,获得模糊度差异,将负相关映射的模糊度差异作为模糊度相似性。
进一步地,所述像素增强度的获取包括:
获得增强区域内目标像素点在预设第一邻域范围内的灰度共生矩阵,将灰度共生矩阵获得的对比度和熵作为纹理特征;
通过皮尔逊相关系数获得任意两个不同行之间的行间相关性和任意两个不同列之间的列间相关性;
统计皮尔逊相关系数的总数量,根据总数量获得所有行间相关性和所有列间相关性的相关性均值;
将对比度和熵乘积的负相关映射并归一化的值与相关性均值相乘,获得像素增强度。
进一步地,所述初始区域增强度的获取包括:
获得所有增强区域内像素点数量的最大值记为最大面积,将目标增强区域的面积与最大面积的比值作为相对面积;将目标增强区域的相对面积和目标增强区域与邻近增强区域之间的最大模糊度相似性相乘,获得初始区域增强度。
进一步地,所述区域增强度的获取包括:
将增强区域的像素增强度均值与初始区域增强度相乘,获得增强区域的区域增强度。
进一步地,所述色彩增强度的获取包括:
对水下地形图采用图像恢复MSRCR算法完成初始增强过程,将初始增强过程前后的对应R,G,B三个通道内像素值的差值绝对值作为色彩差异;根据色彩增强度公式获得色彩增强度,所述色彩增强度公式包括:
式中,表示为增强区域的色彩增强度,表示为对应增强区域的像素点总数量,表示为增强区域内进行初始增强过程前后的第个像素点的R通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的G通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的B通道对应色彩差异,表示为最大值取值函数,表示以10为底的对数函数。
进一步地,所述区域偏差度的获取包括:
将增强区域的区域增强度的归一化值和色彩增强度的归一化值进行加权求和,获得区域偏差度;获得所有增强区域的区域偏差度。
进一步地,所述图像增强包括:
将完成增强区域划分的水下地形图输入到卷积神经网络中进行训练,将每个增强区域的区域偏差度作为标签,采用交叉熵作为损失函数,并采用自适应运动估计算法进行优化,获得训练完成的水下图像增强网络;所述水下图像增强网络的输入为完成增强区域划分的水下地形图,输出为增强后的水下地形图。
进一步地,所述增强区域的获取包括:
获得所有相邻子区域间的模糊度相似性,将模糊度相似性大于预设的模糊阈值的对应两个相邻子区域合并为一个子区域;根据模糊度相似性对所有子区域进行迭代合并,直到水下地形图中的子区域均不可再合并为止,此时将每个子区域记为一个增强区域,获得所有增强区域。
本发明具有如下有益效果:
在本发明实施例中,在对图像的低对比度分析过程中,根据低对比度的灰度值一致性特点获得具有相似灰度值特征的增强区域,对每个增强区域增强可以避免不同的水下物体对增强效果的影响,每个增强区域都代表一类物体。对于每个增强区域不仅考虑其中每个像素点的模糊度,该模糊度反映了每个像素点与周围像素点的灰度均匀变化情况,同时,也考虑获得每个增强区域与邻近增强区域的模糊度相似性,反映了每个增强区域周边的其他区域对该增强区域的影响,综合分析得到每个增强区域的区域增强度,使得到的区域增强度表明特征更准确更全面,对每个增强区的增强效果越好。而在色彩增强度的获取中,对每个颜色的增强偏差考虑了其影响程度的不同,也进行了不同比例的调整,使后续的增强效果更准确。最终综合区域增强度和色彩增强度得到区域偏差度,完成图像增强,实现了对每个增强区域的不同增强效果,使整体图像增强效果更好更精确,得到的图像质量越优。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种水下地形测量用无人船采集图像增强方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种水下地形测量用无人船采集图像增强方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种水下地形测量用无人船采集图像增强方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种水下地形测量用无人船采集图像增强方法流程图,该方法包括以下步骤:
S1:根据无人船采集装置获得水下地形图,根据像素值将水下地形图分割为预设分割数量个子区域;获得灰度化后的水下地形图中目标子区域的灰度值均匀度,根据灰度值均匀度和目标子区域与水下地形图之间的相对亮度值,获得目标子区域的模糊度;根据子区域之间的模糊度相似性对子区域之间进行合并,获得增强区域。
本发明实施例主要在水下地形的测量时,对无人船采集的水下地形图像通过水下图像增强方法,达到提高水下地形图像质量的目的,从而实现更好的图像增强效果,以便后续的分析使用。首先,采用无人船图像采集装置获取水下地形图,该水下地形图为RGB图像,为了保证后续图像增强过程更加准确,需要对水下地形图进行划分,对水下的不同类物体采用不同的增强效果,因此根据像素值将水下地形图分割为预设分割数量的子区域,对图像进行预分割处理,具体包括:在本发明实施例中,采用超像素分割方法将水下地形图分割为预设分割数量个子区域,预设分割数量为100,在此为了保证后续的图像增强更为准确,对于水下地形图中的各个物体都能实现更好的增强效果,该预设分割数量需要明显大于水下地形图中水体出现的各地块和礁石等物体的数量,因此可根据具体的实施方式对预设分割数量进行具体调整。需要说明的是,超像素分割为本领域技术人员熟知的技术手段,在此不做赘述。
为了保证水下地形图中不同物体在图像增强后更为清晰,进一步地,根据水下同一物体的特征将同一物体对应的区域划分出来,对属于同一物体的区域单独进行增强,避免了不同物体在同一区域共同进行调整时的互相影响。当水下地形图中的物体越模糊时,物体表面的清晰纹理会被破坏,表面呈现出高度一致性,因此模糊度越强,物体对应区域的灰度值呈现出越高的统一性。通过获得每个子区域的模糊度,可以根据同一物体表面特征相同的性质,即模糊程度大致相同的特征,对子区域进行进一步划分,获得可以代表每个物体的增强区域,完成对不同类物体的划分。因此获得灰度化后的水下地形图中目标子区域的灰度值均匀度,根据灰度值均匀度和目标子区域与水下地形图之间的相对亮度值,获得目标子区域的模糊度,具体包括:
将水下地形图进行灰度转换获得水下地形灰度图,通过对所有子区域的灰度值统一性进行分析,获得每个子区域的模糊度。需要说明的是,灰度转换为本领域技术人员熟知的技术手段,在此不做赘述。
首先对子区域的整体进行分析,获得水下地形灰度图的图像灰度值均值和所有子区域的区域灰度值均值,获得的图像灰度值均值与区域灰度值均值的差值记为均值差值,将均值差值与区域灰度值均值作比,获得相对亮度值。因为当区域灰度值均值小于图像灰度值均值时,说明该子区域呈现出的亮度相对较低,根据水下图像的低照度特点,亮度越低说明越模糊,因此通过子区域的相对亮度值表征模糊度的情况,当相对亮度值越大时,说明模糊度越大。
进一步对每个子区域内部进行分析,将目标子区域中每个像素点的灰度值与区域灰度值均值的差值绝对值作为灰度差异,将负相关映射的灰度差异均值作为灰度值均匀度。通过对子区域内部的灰度值差异变化大小可以判断该子区域的灰度值均匀度,当灰度值差异变化越小,说明灰度均匀度越大,灰度值均匀度越大说明该子区域的灰度值统一性越高,即模糊度越大。
根据灰度均匀度与相对亮度值对子区域的灰度值变化和亮度进行综合分析,将灰度均匀度与相对亮度值相乘,获得目标子区域的模糊度,在本发明实施例中,为了后续计算的准确性,目标子区域的模糊度为:
式中,表示为目标子区域的模糊度,表示为水下地形灰度图的图像灰度值均值,表示为目标子区域的区域灰度值均值,表示为目标子区域内的像素点总数量,表示为目标子区域中第个像素点的灰度值。
通过乘法将灰度相对值和灰度均匀度结合,表示为目标子区域的相对亮度值,其表征目标子区域在水下地形图中的亮度差异,与模糊度呈正相关关系,当相对亮度值越大,说明区域灰度值均值小于图像灰度值均值的程度越大,则表明目标子区域的亮度较低,故目标子区域的模糊度越大;表示为目标子区域中每个像素点灰度值的灰度差异,表示为目标子区域的灰度差异均值,与模糊度呈负相关关系,当灰度差异均值越大时,说明该目标子区域的灰度均匀度越差,则模糊度越小,因此表示采用倒数进行负相关映射获得灰度均匀度,当灰度均匀度越大时,则说明模糊度越大。
因为对于同一个物体而言,其表面的特征是相似的,而子区域的模糊度属于物体的表面特征,因此根据子区域之间的模糊度相似性可以判断两个子区域是否对应不同的物体,根据子区域之间的模糊度相似性对子区域之间进行合并,获得增强区域,具体包括:
获得水下地形图中任意两个子区域的模糊度,将两个子区域的模糊度差值绝对值与其中一个子区域的模糊度绝对值作比,获得模糊度差异,将负相关映射的模糊度差异作为模糊度相似性,在本发明实施例中,考虑到后续数值计算的便携性,相对模糊程度为:
式中,表示为第个子区域与第个子区域之间的模糊度相似性,表示为第个子区域的模糊度,表示为第个子区域的模糊度;表示为常数系数,在本发明实施例中设置为1。
表示为模糊度差异,模糊度差异与模糊度相似性呈负相关关系,当模糊度差异越大,说明两个子区域的模糊度越不相似,则模糊度相似性就越小,故采用负数的形式对模糊度差异进行负相关映射得到模糊度相似性,其中常数系数的设定目的是限定数值范围。
获得所有相邻子区域的模糊度相似性,当模糊度相似性大于预设的模糊阈值时,则说明两个子区域相似,认为两个子区域对应一个物体,将对应的两个相邻子区域合并为一个子区域,同时,若存在第三个子区域与相似的两个子区域都相邻且相似,则将三个子区域合并为一个子区域。在本发明实施例中,预设的模糊阈值为0.9。
根据上述合并规则,通过模糊度相似性对所有子区域进行迭代合并,到水下地形图中的子区域均不可再合并为止,此时水下地形图中每个子区域均对应水下不同的物体,将每个子区域记为一个增强区域,获得所有增强区域。
S2:获得增强区域内目标像素点在预设第一邻域范围内的纹理特征,根据第一邻域范围内行间相关性与列间相关性获得目标像素点的灰度相似性,根据纹理特征和灰度相似性获得目标像素点的像素增强度;根据目标增强区域的面积和目标增强区域与邻近增强区域之间的模糊度相似性获得初始区域增强度;根据初始区域增强度和像素增强度获得每个增强区域的区域增强度。
在水下图像增强时,根据不同物体对应的区域呈现出的色偏程度和低对比度不同,需要进行不同的增强处理,因此根据步骤S1所获得的增强区域对每个增强区域的低对比度和色偏程度进行分析,获得影响每个增强区域图像增强的区域偏差。首先,对增强区域的低对比度进行分析,结合增强区域内的各像素点之间的相关关系以及该增强区域与相邻其他增强区域之间的对应关系综合分析,使得到的特征结果更准确,以便后续的计算。
S2.1,对增强区域的各像素点之间的相关关系进行分析,获得增强区域内目标像素点在预设第一邻域范围内的纹理特征,根据第一邻域范围内行间相关性与列间相关性获得目标像素点的灰度相似性,根据纹理特征和灰度相似性获得目标像素点的像素增强度,具体包括:
由于水下地形图存在的低对比度问题,所以增强区域内的像素点差异是较小的。当增强区域内的像素点差异越小时,即区域越模糊,进行图像增强后这些像素点差异变化程度会越大,极易影响水下地形图的原始图片结构,因此分析增强区域内每个像素点的周围相似性和一致性,根据像素点周围的相似性和一致性获得像素增强度,表明该像素点对增强效果的影响。
在对增强区域中的目标像素点进行分析时,首先根据目标像素点周围的纹理特征情况进行分析,根据目标像素点在预设第一邻域范围内的其他像素点获得灰度共生矩阵,进一步获得灰度共生矩阵的对比度和熵。对比度反映了目标像素点与第一邻域范围内像素点的亮度对比情况,即反映了图像的纹理清晰情况,当对比度越小,图像越模糊;熵反应了目标像素点与第一邻域范围内像素点的灰度均匀情况,即反映了图像纹理复杂程度,当熵越小,图像纹理越均匀,图像越模糊。综合对比度和熵反映目标像素点的纹理特征,当对比度和熵值越大时,纹理越明显,像素点对应位置需要增强的程度就越小;当对比度和熵值越小时,纹理特征越模糊,则像素点对应位置需要增强的程度就越大。在本发明实施例中,预设的第一邻域范围为以目标像素点为中心建立了5*5的窗口,窗口内共5行,5列。需要说明的是,灰度共生矩阵以及相关特征的获取为本领域技术人员熟知的技术手段,在此不做赘述。
进一步对目标像素点与周围像素点的相关性进行分析,在本发明实施例中,将第一邻域范围中每行像素点的灰度值按顺序排列成为行数列,对每列像素点的灰度值按顺序排列成为列数列。优选地,采用皮尔逊相关系数对任意两个不同行对应的行数列计算获得行间相关性,对任意两个不同列对应的列数列计算获得列间相关性,获得所有的行间相关性和列间相关性。统计目标像素点在第一邻域范围内皮尔逊相关系数的总数量,根据皮尔逊相关系数的总数量和所有的行间相关性和列间相关性的累加值得到相关性均值。当相关性均值越大时,说明目标像素点与周围像素点的相似性和一致性越强,则像素点对应的位置模糊程度越高,需要的图像增强强度越大。需要说明的是,皮尔逊相关系数为本领域技术人员熟知的技术手段,在此不做赘述。
根据上述纹理特征和相关性综合分析得到像素增强度,将对比度和熵乘积的负相关映射并归一化的值与相关性均值相乘,获得像素增强度,在本发明实施例中,考虑到后续计算的准确性,像素增强度为:
式中,表示为坐标为的像素点的像素增强度,表示为灰度共生矩阵中第行与第行之间的皮尔逊相关系数,表示为灰度共生矩阵中第x列与第y列之间的皮尔逊相关系数,表示为皮尔逊相关系数的总数量,表示为灰度共生矩阵的对比度,表示为灰度共生矩阵的熵,表示为以自然常数为底的指数函数。
将对比度和熵乘积的负相关映射并归一化的值与相关性均值采用乘法进行综合分析,表示为相关性均值,与像素增强度呈正相关关系,当相关性均值越大时,说明目标像素点周围的相似性和一致性越强,则像素点对应的需要增强的强度越大,所以像素增强度越大。表示为采用以自然常数为底的指数函数将对比度和熵乘积进行负相关映射并归一化操作,对比度和熵均与像素增强度呈负相关关系,因此采用乘法将对比度和熵综合分析,当对比度与熵的乘积越小时,说明图像纹理特征越模糊,则像素点对应的需要增强的强度越大,所以像素增强度越大。
像素增强度反映了目标像素点周围位置由于低对比度呈现出的灰度一致性和相似性特征的程度,当目标像素点对应的特征越明显,则像素增强度越大,像素点对应位置需要增强的强度越大。
S2.2,对增强区域与相邻其他增强区域之间的对应关系,根据目标增强区域的面积和目标增强区域与邻近增强区域之间的模糊度相似性获得初始区域增强度,具体包括:
同样由于水下地形图存在的低对比度问题,当目标增强区域与周围增强区域的模糊程度越相似时,说明该增强区域的低对比度特征是越明显的,因此需要增强的程度越大,同时当目标增强区域的面积越大时,在增强过程中越应该重视,为了防止增强时对每个像素点的灰度值直接进行线性对应使图像的结构受到影响,该增强区域中像素点对应的灰度值受到的增强权重应该越大。因此综合目标增强区域的面积和目标增强区域与邻近增强区域之间的模糊度相似性进行分析。
首先,获得所有增强区域内像素点数量的最大值记为最大面积,将目标增强区域的面积与最大面积的比值作为相对面积,相对面积越大,表明该增强区域的面积越大,则对应位置需要增强的强度越大。
进一步获得目标增强区域与邻近增强区域之间的最大模糊度相似性,将最大模糊度相似性反映目标增强区域与周围邻近增强区域的模糊度的相似性进行分析,当最大模糊度相似性越大,说明目标增强区域在图像中的相对模糊程度越大,则该增强区域需要的增强程度越大。
根据上述对目标增强区域的面积和邻近增强区域之间的模糊度相似性综合分析获得初始区域增强度,将目标增强区域的相对面积和目标增强区域与邻近增强区域之间的最大模糊度相似性相乘,获得初始区域增强度,所述初始区域增强度为:
式中,表示为目标增强区域的初始区域增强度;表示为目标增强区域的面积,即目标增强区域的像素点总数量;表示为所有增强区域内像素点数量的最大值,即最大面积;表示为目标增强区域与邻近增强区域之间的最大模糊度相似性。
将目标增强区域的面积和邻近增强区域之间的模糊度相似性采用乘法综合分析,表示为目标增强区域的相对面积,对目标增强区域面积的数值范围进行了限定,相对面积与初始区域增强度呈正相关关系,当相对面积越大时,说明目标增强区域对应的面积越大,则初始区域增强度越大,表明受到图像增强的权重越大;最大模糊度相似性与初始区域增强度呈正相关关系,当最大模糊度相似性越大,说明目标增强区域在图像中的相对模糊程度越大,则初始区域增强度越大,该增强区域需要的增强程度越大。
初始区域增强度反映了增强区域对应整个图像的模糊程度和权重,当增强区域对应整个图像的模糊程度越大和所需权重越大,则初始区域增强度越大,对应增强区域需要增强的强度越大。
根据上述第一与第二中结合增强区域内的各像素点之间的相关关系以及该增强区域与相邻其他增强区域之间的对应关系进行综合分析,因此根据初始区域增强度和像素增强度获得每个增强区域的区域增强度,将增强区域的像素增强度均值与初始区域增强度相乘,获得增强区域的区域增强度,所述区域增强度为:
式中,b表示为增强区域的区域增强度,表示为坐标为的像素点的像素增强度,表示为增强区域的初始区域增强度;表示为增强区域的像素点总数量,表示为增强区域内所有像素点的集合。
将初始区域增强度和像素增强度采用乘法综合分析,表示为增强区域的像素增强度均值,与区域增强度呈正相关关系,当增强区域的像素增强度均值越大,说明该增强区域需要增强的程度越大,则区域增强度越大;初始区域增强度与区域增强度呈正相关关系,当初始区域增强度越大,也说明该增强区域需要增强的程度越大,则区域增强度越大。
S3:根据水下地形图初始增强过程前后各颜色通道的色彩差异及对应的影响程度获得每个增强区域对应的色彩增强度,根据增强区域的区域增强度和色彩增强度获得区域偏差度;根据区域偏差度将对应的增强区域进行最终图像增强处理。
根据步骤S2中描述,水下地形图中的色偏程度和低对比度均为影响每个增强区域图像增强的因素,因此进一步对色偏程度进行分析,首先需要对水下地形图进行初始增强,可以获得水下地形图进行图像恢复前后的色彩差异,根据色彩差异对每个增强区域进行分析,得到增强区域受色彩影响需要的增强强度,即色彩增强度,因此根据水下地形图初始增强过程前后各颜色通道的色彩差异及对应的影响程度获得每个增强区域对应的色彩增强度,具体包括:
优选地,对水下地形图采用图像恢复MSRCR算法完成初始增强过程,对每个增强区域单独进行分析,将初始增强过程前后的对应R,G,B三个通道内像素值的差值绝对值作为色彩差异。对于水下地形图像而言,由于红光波的波长较长,穿透能力弱,所以水下红光的偏差程度会较大,影响程度也会较大,因此对于水下地形图的色彩偏差分析时,对红光通道的色彩差异权重较大,而对于蓝光和绿光而言,偏差程度相近,仅在此选用其蓝光通道和绿光通道中色彩差异的较大值作为分析色彩偏差的影响值。需要说明的是,图像恢复MSRCR算法为本领域技术人员熟知的技术手段,在此不做赘述。
根据色彩增强度公式获得色彩增强度,所述色彩增强度公式包括:
式中,表示为增强区域的色彩增强度,表示为对应增强区域的像素点总数量,表示为增强区域内进行初始增强过程前后的第个像素点的R通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的G通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的B通道对应色彩差异,表示为最大值取值函数,表示以10为底的对数函数。
表示为增强区域内第个像素点的对应R,G,B三个通道的色彩差异的和,其中表示为对G,B通道对应的色彩差异取影响较小的权重系数,R通道对应的色彩差异取原值表示具有影响较大的权重系数为1,当色彩差异的和越大,增强区域的色彩差异均值越大,说明色彩偏差越大,则对应增强区需要进行色彩增强的程度越大,色彩增强度就越大。
综合每个增强区域的色彩增强度和步骤S2获得的区域增强度,根据增强区域的区域增强度和色彩增强度获得区域偏差度,将增强区域的区域增强度的归一化值和色彩增强度的归一化值进行加权求和,获得区域偏差度,所述区域偏差度为:
式中,表示为增强区域的区域偏差度, 表示为增强区域的区域增强度归一化值,表示为增强区域的色彩增强度归一化的值, 表示为以自然常数为底的指数函数,和 表示为预设的权重,在本发明实施例中,设置为0.4,设置为0.6。需要说明的是,归一化操作为本领域技术人员熟知的技术手段,在此不做赘述。
对于区域增强度和色彩增强度进行加权求和进行综合分析,当区域增强度和色彩增强度越大则区域偏差度越大,说明增强区域需要增强的程度越大,这里以自然常数为底的指数函数的目的是扩大数值的取值范围。
最终,根据区域偏差度将对应的增强区域进行最终图像增强处理,考虑到运算量和实时性,以及后续使用过程的便捷性,优选地采用卷积神经网络进行水下图像增强,将完成增强区域划分的水下地形图输入到卷积神经网络中进行训练,将每个增强区域的区域偏差度作为标签,采用交叉熵作为损失函数,并采用自适应运动估计算法进行优化,获得训练完成的水下图像增强网络,水下图像增强网络的输入为完成增强区域划分的水下地形图,输出为增强后的水下地形图。需要说明的是,卷积神经网络的本质任务是分类及集成自适应运动估计算法,因此实现该任务的卷积神经网络结构包含多种,在本发明实施例中,选择对抗神经网络作为结构主体,具体的神经网络结构、训练算法过程和自适应运动估计算法为本领域技术人员熟知的技术手段,在此不做赘述。
综上所述,本发明通过无人船采集水下地形图,通过水下地形图中像素点灰度值一致性获得增强区域,根据增强区域内各像素点之间的相关关系以及与相邻其他区域之间的对应关系对水下地形图的低对比度进行分析,获得区域增强度;根据增强区域的初始增强过程对水下地形图的色偏程度进行分析,获得色彩增强度;综合区域增强度与色彩增强度获得区域偏差度,根据区域偏差度将对应的增强区域进行最终图像增强处理,本发明基于图像处理,考虑到不同物体在水下地形图中呈现出的色偏程度和低对比度的程度的不同,对图像特征进行更全面准确的分析,实现了对不同物体的不同增强效果,使整体图像增强效果更好更精确,得到的图像质量越优。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (6)
1.一种水下地形测量用无人船采集图像增强方法,其特征在于,所述方法包括以下步骤:
S1:根据无人船采集装置获得水下地形图,根据像素值将水下地形图分割为预设分割数量个子区域;获得灰度化后的水下地形图中目标子区域的灰度值均匀度,根据灰度值均匀度和目标子区域与水下地形图之间的相对亮度值,获得目标子区域的模糊度;根据子区域之间的模糊度相似性对子区域之间进行合并,获得增强区域;
S2:获得增强区域内目标像素点在预设第一邻域范围内的纹理特征,根据第一邻域范围内行间相关性与列间相关性获得目标像素点的灰度相似性,根据纹理特征和灰度相似性获得目标像素点的像素增强度;根据目标增强区域的面积和目标增强区域与邻近增强区域之间的模糊度相似性获得初始区域增强度;根据初始区域增强度和像素增强度获得每个增强区域的区域增强度;
S3:根据水下地形图初始增强过程前后各颜色通道的色彩差异及对应的影响程度获得每个增强区域对应的色彩增强度,根据增强区域的区域增强度和色彩增强度获得区域偏差度;根据区域偏差度将对应的增强区域进行最终图像增强处理;
所述模糊度的获取包括:
获得灰度化后的水下地形图中像素点的图像灰度值均值和对应所有子区域的区域灰度值均值;将图像灰度值均值与区域灰度值均值构成的均值差值与区域灰度值均值作比,获得相对亮度值;将目标子区域中每个像素点的灰度值与区域灰度值均值的差值绝对值作为灰度差异,将负相关映射的灰度差异均值作为灰度值均匀度;
将灰度均匀度与相对亮度值相乘,获得目标子区域的模糊度;
所述模糊度相似性的获取包括:
获得两个子区域的模糊度,将两个子区域的模糊度差值绝对值与其中一个子区域的模糊度绝对值作比,获得模糊度差异,将负相关映射的模糊度差异作为模糊度相似性;
所述初始区域增强度的获取包括:
获得所有增强区域内像素点数量的最大值记为最大面积,将目标增强区域的面积与最大面积的比值作为相对面积;将目标增强区域的相对面积和目标增强区域与邻近增强区域之间的最大模糊度相似性相乘,获得初始区域增强度;
所述区域偏差度的获取包括:
将增强区域的区域增强度的归一化值和色彩增强度的归一化值进行加权求和,获得区域偏差度;获得所有增强区域的区域偏差度。
2.根据权利要求1所述的一种水下地形测量用无人船采集图像增强方法,其特征在于,所述像素增强度的获取包括:
获得增强区域内目标像素点在预设第一邻域范围内的灰度共生矩阵,将灰度共生矩阵获得的对比度和熵作为纹理特征;
通过皮尔逊相关系数获得任意两个不同行之间的行间相关性和任意两个不同列之间的列间相关性;
统计皮尔逊相关系数的总数量,根据总数量获得所有行间相关性和所有列间相关性的相关性均值;
将对比度和熵乘积的负相关映射并归一化的值与相关性均值相乘,获得像素增强度。
3.根据权利要求1所述的一种水下地形测量用无人船采集图像增强方法,其特征在于,所述区域增强度的获取包括:
将增强区域的像素增强度均值与初始区域增强度相乘,获得增强区域的区域增强度。
4.根据权利要求1所述的一种水下地形测量用无人船采集图像增强方法,其特征在于,所述色彩增强度的获取包括:
对水下地形图采用图像恢复MSRCR算法完成初始增强过程,将初始增强过程前后的对应R,G,B三个通道内像素值的差值绝对值作为色彩差异;根据色彩增强度公式获得色彩增强度,所述色彩增强度公式包括:
式中,表示为增强区域的色彩增强度,表示为对应增强区域的像素点总数量,表示为增强区域内进行初始增强过程前后的第个像素点的R通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的G通道对应色彩差异,表示为增强区域内进行初始增强过程前后的第个像素点的B通道对应色彩差异,表示为最大值取值函数,表示以10为底的对数函数。
5.根据权利要求1所述的一种水下地形测量用无人船采集图像增强方法,其特征在于,所述图像增强包括:
将完成增强区域划分的水下地形图输入到卷积神经网络中进行训练,将每个增强区域的区域偏差度作为标签,采用交叉熵作为损失函数,并采用自适应运动估计算法进行优化,获得训练完成的水下图像增强网络;所述水下图像增强网络的输入为完成增强区域划分的水下地形图,输出为增强后的水下地形图。
6.根据权利要求1所述的一种水下地形测量用无人船采集图像增强方法,其特征在于,所述增强区域的获取包括:
获得所有相邻子区域间的模糊度相似性,将模糊度相似性大于预设的模糊阈值的对应两个相邻子区域合并为一个子区域;根据模糊度相似性对所有子区域进行迭代合并,直到水下地形图中的子区域均不可再合并为止,此时将每个子区域记为一个增强区域,获得所有增强区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014810.1A CN115797225B (zh) | 2023-01-06 | 2023-01-06 | 一种水下地形测量用无人船采集图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310014810.1A CN115797225B (zh) | 2023-01-06 | 2023-01-06 | 一种水下地形测量用无人船采集图像增强方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797225A CN115797225A (zh) | 2023-03-14 |
CN115797225B true CN115797225B (zh) | 2023-04-21 |
Family
ID=85428601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310014810.1A Active CN115797225B (zh) | 2023-01-06 | 2023-01-06 | 一种水下地形测量用无人船采集图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797225B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116137022B (zh) * | 2023-04-20 | 2023-08-22 | 山东省三河口矿业有限责任公司 | 一种用于地下采矿远程监控的数据增强方法 |
CN116385315B (zh) * | 2023-05-31 | 2023-09-08 | 日照天一生物医疗科技有限公司 | 用于肿瘤治疗仪模拟消融的图像增强方法及系统 |
CN116703888B (zh) * | 2023-07-28 | 2023-10-20 | 菏泽城建新型工程材料有限公司 | 一种钻孔灌注桩施工辅助异常检测方法及其系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082361A (zh) * | 2022-08-23 | 2022-09-20 | 山东国晟环境科技有限公司 | 基于图像处理的浑浊水体图像增强方法 |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136733B (zh) * | 2013-02-25 | 2016-03-02 | 中国人民解放军总参谋部第六十一研究所 | 基于多尺度图像分割和颜色传递的遥感图像彩色增强方法 |
CN103530848A (zh) * | 2013-09-27 | 2014-01-22 | 中国人民解放军空军工程大学 | 一种非均匀光照图像二次曝光的实现方法 |
CN104599238B (zh) * | 2013-10-30 | 2017-09-12 | 腾讯科技(北京)有限公司 | 图像处理方法及装置 |
CN105374018B (zh) * | 2015-12-18 | 2018-10-19 | 厦门大学 | 一种对图像进行区域增强的方法 |
CN106651938B (zh) * | 2017-01-17 | 2019-09-17 | 湖南优象科技有限公司 | 一种融合高分辨率彩色图像的深度图增强方法 |
CN108596853B (zh) * | 2018-04-28 | 2022-07-08 | 上海海洋大学 | 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 |
CN109118445B (zh) * | 2018-07-27 | 2021-10-08 | 杭州电子科技大学 | 一种基于多分支生成对抗网络的水下图像增强方法 |
CN109949247A (zh) * | 2019-03-26 | 2019-06-28 | 常州工学院 | 一种基于yiq空间光学成像模型的梯度域自适应增益水下图像增强方法 |
CN112819702B (zh) * | 2019-11-15 | 2024-02-20 | 北京金山云网络技术有限公司 | 图像增强方法、装置、电子设备及计算机可读存储介质 |
CN110910323A (zh) * | 2019-11-19 | 2020-03-24 | 常州工学院 | 一种自适应分数阶多尺度熵融合的水下图像增强方法 |
CN111223110B (zh) * | 2020-01-06 | 2023-07-18 | 陈根生 | 一种显微图像增强方法、装置及计算机设备 |
CN111489303A (zh) * | 2020-03-27 | 2020-08-04 | 武汉理工大学 | 一种低照度环境下海事图像增强方法 |
US20240062530A1 (en) * | 2020-12-17 | 2024-02-22 | Trustees Of Tufts College | Deep perceptual image enhancement |
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 |
CN114004866B (zh) * | 2022-01-04 | 2022-03-22 | 天津大学四川创新研究院 | 一种基于图像相似度差异的蚊虫识别系统与方法 |
CN115147409B (zh) * | 2022-08-30 | 2022-11-29 | 深圳市欣冠精密技术有限公司 | 基于机器视觉的手机壳生产品质检测方法 |
CN115512224A (zh) * | 2022-09-28 | 2022-12-23 | 三峡大学 | 一种曲线拟合对比度增强的道路裂缝检测方法 |
CN115546060A (zh) * | 2022-09-29 | 2022-12-30 | 中国农业大学 | 一种可逆的水下图像增强方法 |
CN115311176B (zh) * | 2022-10-12 | 2023-03-07 | 江苏菲尔浦物联网有限公司 | 基于直方图均衡化的夜间图像增强方法 |
CN115393657B (zh) * | 2022-10-26 | 2023-01-31 | 金成技术股份有限公司 | 基于图像处理的金属管材生产异常识别方法 |
CN115423724B (zh) * | 2022-11-03 | 2023-03-21 | 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 |
-
2023
- 2023-01-06 CN CN202310014810.1A patent/CN115797225B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082361A (zh) * | 2022-08-23 | 2022-09-20 | 山东国晟环境科技有限公司 | 基于图像处理的浑浊水体图像增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115797225A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797225B (zh) | 一种水下地形测量用无人船采集图像增强方法 | |
Bai et al. | Underwater image enhancement based on global and local equalization of histogram and dual-image multi-scale fusion | |
KR101194481B1 (ko) | 디지털 카메라의 노출 조정 방법, 디지털 이미지의 노출 및톤 스케일 조정 방법 및 필터링 방법 | |
CN112288658A (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
Zhou et al. | Multi-scale retinex-based adaptive gray-scale transformation method for underwater image enhancement | |
Yang et al. | Underwater image enhancement using scene depth-based adaptive background light estimation and dark channel prior algorithms | |
CN115731146B (zh) | 基于色彩梯度直方图特征光流估计多曝光图像融合方法 | |
Steffens et al. | Cnn based image restoration: Adjusting ill-exposed srgb images in post-processing | |
CN114998141A (zh) | 基于多分支网络的空间环境高动态范围成像方法 | |
Almutiry et al. | Underwater images contrast enhancement and its challenges: a survey | |
Wang et al. | FWB-Net: front white balance network for color shift correction in single image dehazing via atmospheric light estimation | |
CN113096023A (zh) | 神经网络的训练方法、图像处理方法及装置、存储介质 | |
Huang et al. | Underwater image enhancement based on color restoration and dual image wavelet fusion | |
Saleem et al. | A non-reference evaluation of underwater image enhancement methods using a new underwater image dataset | |
Agrawal et al. | A joint cumulative distribution function and gradient fusion based method for dehazing of long shot hazy images | |
CN116823686B (zh) | 一种基于图像增强的夜间红外与可见光图像融合方法 | |
Hong et al. | Single image dehazing based on pixel-wise transmission estimation with estimated radiance patches | |
CN113286142B (zh) | 一种基于人工智能的图像成像感光度预测方法及系统 | |
Nair et al. | Benchmarking single image dehazing methods | |
Van Vo et al. | High dynamic range video synthesis using superpixel-based illuminance-invariant motion estimation | |
Zhang et al. | SDTCN: Similarity driven transmission computing network for image dehazing | |
CN116917954A (zh) | 图像检测方法、装置和电子设备 | |
Chen et al. | GADO-Net: an improved AOD-Net single image dehazing algorithm | |
CN109584173A (zh) | 基于高斯过程回归的有雾图像透射率估计方法及其应用 | |
CN113112429B (zh) | 一种用于复杂光照条件下有雾图像的通用增强框架 |
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 |