CN117474818B - 基于非参数贝叶斯景深估计的水下图像增强方法及装置 - Google Patents
基于非参数贝叶斯景深估计的水下图像增强方法及装置 Download PDFInfo
- Publication number
- CN117474818B CN117474818B CN202311817383.7A CN202311817383A CN117474818B CN 117474818 B CN117474818 B CN 117474818B CN 202311817383 A CN202311817383 A CN 202311817383A CN 117474818 B CN117474818 B CN 117474818B
- Authority
- CN
- China
- Prior art keywords
- image
- underwater
- depth
- field
- adopting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 107
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 230000005540 biological transmission Effects 0.000 claims abstract description 41
- 230000015556 catabolic process Effects 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 claims abstract description 22
- 238000010606 normalization Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012634 optical imaging Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
Classifications
-
- 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 using two or more images, e.g. averaging or subtraction
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于非参数贝叶斯景深估计的水下图像增强方法及装置，属于图像处理技术领域。所述方法包括：输入原始水下降质图像；采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计；采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；将景深估计所计算的传输率与获得的水下增强图像进行多尺度融合，得到多尺度精细化的融合图像；将所述多尺度精细化的融合图像作为输出结果。本发明能够提升水下图像增强的性能。
Description
技术领域
本发明涉及图像处理技术领域，特别是指一种基于非参数贝叶斯景深估计的水下图像增强方法及装置。
背景技术
水下图像增强是水下光学成像的核心技术之一，在水下生物资源的开发与利用中提供了丰富且高质量的图像视频资源，并在海洋生物监测、水下矿物古迹探测、水下军事目标探测与打击等领域均得到广泛的应用。由于水下场景中目标和水下光学成像系统之间存在干扰介质（如泥沙、沙粒和悬浮粒子等），对光线有严重的吸收与散射，容易造成水下光学成像系统获得的最终图像呈现出能见度低、对比度性差、颜色失真、噪声伪影显著、目标边细节模糊等问题，严重影响了人眼视觉的主观感受，同时限制了图像后续分析与处理等相关性能。因此，水下图像增强方法已成为图像处理和计算机视觉等领域的重要研究热点之一。
然而，现有水下图像增强方法主要是基于自然图像去雾模型的水下增强研究，缺少考虑水下图像的特殊性，仍存在一些问题：水下图像传输率中求倒运算所导致的噪声伪影被成倍放大，模型参数人工设定选择及其对模型鲁棒性影响，对比度与亮度提升中的颜色失真，水下图像细节与边结构的能见度较差等。为此，如何构建一种去噪声伪影、模型参数自适应、真实颜色复原、细节结构增强的高效水下图像增强方法是本领域技术人员当前亟需解决的关键问题。
发明内容
为了解决现有水下图像增强方法的不足，本发明提供了一种基于非参数贝叶斯景深估计的水下图像增强方法及装置，通过非参数贝叶斯模型，稀疏建模与准确求解水下图像景深，克服传输率求倒的噪声伪影放大和人工调参的模型敏感等问题，此外，归一化统计操作有效恢复水下图像颜色，且多尺度融合策略有效提升水下图像细节结构。
为解决上述技术问题，本发明提供如下技术方案：
一方面，提供了一种基于非参数贝叶斯景深估计的水下图像增强方法，该方法包括以下步骤：
S1、输入原始水下降质图像；
S2、采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；
S3、采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；
S4、构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计；
S5、采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；
S6、将景深估计所计算的传输率与获得的水下增强图像进行多尺度融合，得到多尺度精细化的融合图像；
S7、将所述多尺度精细化的融合图像作为输出结果。
优选地，所述步骤S2具体包括：
采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理操作，具体运算如下：
(1)
其中，m是指颜色通道，其取值是红通道r，绿通道g和蓝通道b；I为原始水下降质图像，Im为I的颜色通道，包含红通道Ir、绿通道Ig和蓝通道Ib；Ic为颜色修正水下图像，为Ic的颜色通道，包含红通道/>、绿通道/>和蓝通道/>；/>和/>分别为Im的均值和方差，µ为调节图像动态范围的参数。
优选地，所述步骤S3具体包括：
采用基于暗通道先验的自然图像去雾方法，即He方法，计算所述颜色修正水下图像Ic的初始传输率t0与初始景深ρ0，具体计算如下：
(2)
(3)
其中，t0是通过He方法求解的初始传输率；ρ0是对应的初始景深，由初始传输率t0的对数与求反两种运算得到；max和min分别是图像像素级的最大化和最小化运算符号；A是全局大气光，由He方法求解得到，Am是A的颜色通道，包含红通道Ar、绿通道Ag和蓝通道Ab。
优选地，所述步骤S4具体包括：
构建非参数贝叶斯模型对水下图像景深ρ进行稀疏建模与估计，具体实现如下：
(4)
其中，ρ0是初始景深，下标i表示第i个图像块，ρi 0为初始景深ρ0的第i个向量化图像块，P为每个向量化图像块的维数，R是实数集；为待求解重构的理想景深图像块，D是稀疏表示字典，由[d1, d2, …, dK] 构成；dk是字典列，在初始化时由独立同分布的高斯函数N（0，P-1IP）产生，且其均值为0，IP为/>大小的单位矩阵，K为字典列的个数,k 从1到K中取值；
为对应理想景深图像块的稀疏系数，服从Spike-Slab先验分布，即表示为用于确定稀疏系数是否为0的冲激函δ和是否为非0系数权重的高斯分布/>的组合方式，δ分布对应于Spike项，而高斯分布/>对应于Slab项；根据非参数贝叶斯统计理论，稀疏系数/>的Spike-Slab先验分布是一种显性稀疏性建模方式，既保证系数稀疏性又可得L0范数下的稀疏解；参量πk为稀疏系数/>的非零概率，表示字典列dk被选中稀疏表征景深的概率，以控制/>的稀疏度，并由所有景深图像块共享，服从Beta分布；rα是非零系数的高斯分布精度，服从/>分布；εi为景深图像块的高斯噪声，其均值为0，rε为高斯噪声分布的精度，服从/>分布；a0、b0、c0、d0、e0、f0为模型的超参数，采用无信息先验设置上述参数；采用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数，即在其他变量固定前提下求解当前变量，然后对下一变量进行同样的操作，对所有待求变量进行逐步迭代求解，直至收敛到最终稳定状态，从而得出目前最优的模型参数；通过上述非参数贝叶斯模型，能够估计出准确稀疏的景深ρ。
优选地，所述步骤S5具体包括：
采用基于暗通道先验的自然图像去雾方法，即He方法，计算水下增强图像J，具体计算如下：
(5)
(6)
其中，t为由步骤S4景深估计所计算的传输率，e是指数，J为由He方法增强后获得的水下增强图。
优选地，所述步骤S6具体包括：
采用多尺度融合策略对景深估计所计算的传输率t和水下增强图像J进行融合，即对t进行高斯金字塔分解，对J进行拉普拉斯金字塔分解，然后通过逐层重建方法，得出多尺度精细化的融合图像O；具体计算公式如下：
(7)
其中，O为多尺度精细化的融合图像；q为金字塔分解的第q层，Gq和Lq分别是第q层的高斯金字塔分解和拉普拉斯金字塔分解， 为上采样过程，且 u=2q-1。
优选地，所述步骤S7具体包括：
将所述多尺度精细化的融合图像O作为水下图像增强的最终输出结果。
另一方面，提供了一种基于非参数贝叶斯景深估计的水下图像增强装置，该装置包括：
输入模块，用于输入原始水下降质图像；
预处理模块，用于采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；
第一计算模块，用于采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；
建模与估计模块，用于构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计，并用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数；
第二计算模块，用于采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；
融合模块，用于采用多尺度融合策略对景深计算的传输率和水下增强图像分别进行高斯金字塔分解和拉普拉斯金字塔分解，通过逐层重建以得到多尺度精细化的融合图像；
输出模块，用于将所述多尺度精细化的融合图像作为输出结果。
另一方面，提供了一种电子设备，所述电子设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上述基于非参数贝叶斯景深估计的水下图像增强方法的步骤。
另一方面，提供了一种计算机可读存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述基于非参数贝叶斯景深估计的水下图像增强方法的步骤。
与现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提出了一种基于非参数贝叶斯景深估计的水下图像增强方法。相比于现有水下图像增强方法，本方法的优点是基于非参数贝叶斯模型对水下图像景深进行稀疏建模与求解，克服传输率求倒运算所导致的噪声伪影被放大问题，同时自适应估计模型参数，以克服人工调节参数所导致的模型鲁棒性敏感问题。此外，对水下图像进行去均值和除方差的归一化统计操作，有效恢复水下图像颜色；结合景深估计和多尺度融合策略，有效提升水下图像的细节结构，从而最终提升水下图像增强的性能。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，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他的附图。
图1是本发明实施例提供的一种基于非参数贝叶斯景深估计的水下图像增强方法的流程图；
图2是本发明实施例提供的一种基于非参数贝叶斯景深估计的水下图像增强装置的结构框图；
图3是本发明实施例提供的一种电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供了一种基于非参数贝叶斯景深估计的水下图像增强方法，如图1所示，所述方法包括以下步骤：
S1、输入原始水下降质图像，作为开始的输入数据。
S2、采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像。
所述步骤S2具体包括：
采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理操作，具体运算如下：
(1)
其中，m是指颜色通道，其取值是红通道r，绿通道g和蓝通道b；I为原始水下降质图像，Im为I的颜色通道，包含红通道Ir、绿通道Ig和蓝通道Ib；Ic为颜色修正水下图像，为Ic的颜色通道，包含红通道/>、绿通道/>和蓝通道/>；/>和/>分别为Im的均值和方差，µ为调节图像动态范围的参数，一般经验性地设置为2.2。
上述运算分别是对原始水下降质图像I中的红通道、绿通道和蓝通道上进行操作，以有效克服水下降质图像的偏色问题。
S3、采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深。
所述步骤S3具体包括：
采用基于暗通道先验的自然图像去雾方法，即He方法，计算所述颜色修正水下图像Ic的初始传输率t0与初始景深ρ0，具体计算如下：
(2)
(3)
其中，t0是通过He方法求解的初始传输率；ρ0是对应的初始景深，由初始传输率t0的对数（ln）与求反（-）两种运算得到；max和min分别是图像像素级的最大化和最小化运算符号；A是全局大气光，由He方法求解得到，Am是A的颜色通道，包含红通道Ar、绿通道Ag和蓝通道Ab。
通过上述公式计算，得到预处理后颜色修正水下图像的传输率和景深的各自初始估计。
S4、在步骤S3的基础上，构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计。
所述步骤S4具体包括：
构建非参数贝叶斯模型对水下图像景深ρ进行稀疏建模与估计，具体实现如下：
(4)
其中，ρ0是初始景深，下标i表示第i个图像块，ρi 0为初始景深ρ0的第i个向量化图像块，P为每个向量化图像块的维数，R是实数集；为待求解重构的理想景深图像块，D是稀疏表示字典，由[d1, d2, …, dK] 构成；dk是字典列，在初始化时由独立同分布的高斯函数N（0，P-1IP）产生，且其均值为0，IP为/>大小的单位矩阵，K为字典列的个数,k 从1到K中取值；
为对应理想景深图像块的稀疏系数，服从Spike-Slab先验分布，即表示为用于确定稀疏系数是否为0的冲激函δ和是否为非0系数权重的高斯分布/>的组合方式，δ分布对应于Spike项，而高斯分布/>对应于Slab项；根据非参数贝叶斯统计理论，稀疏系数/>的Spike-Slab先验分布是一种显性稀疏性建模方式，既保证系数稀疏性又可得L0范数下的稀疏解；参量πk为稀疏系数/>的非零概率，表示字典列dk被选中稀疏表征景深的概率，以控制/>的稀疏度，并由所有景深图像块共享，服从Beta分布；rα是非零系数的高斯分布精度，服从/>分布；εi为景深图像块的高斯噪声，其均值为0，rε为高斯噪声分布的精度，服从/>分布；a0、b0、c0、d0、e0、f0为模型的超参数，采用无信息先验设置上述参数；
对于模型中的这些关键参数估计，非参数贝叶斯模型假设参数均服从一定先验分布的随机变量，结合相应似然函数可估计获得各参数的后验概率，以自适应估计各关键参数。采用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数，即在其他变量固定前提下求解当前变量，然后对下一变量进行同样的操作，对所有待求变量进行逐步迭代求解，直至收敛到最终稳定状态，从而得出目前最优的模型参数；通过上述非参数贝叶斯模型，能够估计出准确稀疏的景深ρ，从而使模型具有更好的抗噪鲁棒性能。
S5、在步骤S4的基础上，采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像。所述步骤S5具体包括：采用基于暗通道先验的自然图像去雾方法，即He方法，计算水下增强图像J，具体计算如下：
(5)
(6)
其中，t为由步骤S4景深估计所计算的传输率，e是指数，J为由He方法增强后获得的水下增强图像。由步骤S4的非参数贝叶斯模型估计更准确的景深值，有效克服传输率求倒运算中所导致的噪声伪影被放大问题。S6、在步骤S5的基础上，将景深估计所计算的传输率与获得的水下增强图像进行多尺度融合，得到多尺度精细化的融合图像。本步骤中，采用多尺度融合策略对景深估计所计算的传输率和水下增强图像分别进行高斯金字塔分解和拉普拉斯金字塔分解，通过逐层重建以得到多尺度精细化的融合图像。所述步骤S6具体包括：采用多尺度融合策略对景深估计所计算的传输率t和水下增强图像J进行融合，即对t进行高斯金字塔分解，对J进行拉普拉斯金字塔分解，然后通过逐层重建方法，得出多尺度精细化的融合图像O；具体计算公式如下：
(7)
其中，O为多尺度精细化的融合图像；q为金字塔分解的第q层，Gq和Lq分别是第q层的高斯金字塔分解和拉普拉斯金字塔分解， 为上采样过程，且u=2q-1。
高斯金字塔分解将传输率t经过高斯滤波后，在下采样后仍保持传输率的结构信息；而拉普拉斯金字塔分解则是融合水下增强图像J的相邻层级间差异，即抓捕图像细节及边结构。多尺度融合策略精细化融合图像，更好地克服直接融合所造成的光晕及伪影等问题。
S7、将所述多尺度精细化的融合图像作为输出结果。
所述步骤S7具体包括：
将所述多尺度精细化的融合图像O作为水下图像增强的最终输出结果。
与现有技术相比，本发明方法的优点是基于非参数贝叶斯模型对水下图像景深进行稀疏建模与求解，克服传输率求倒运算所导致的噪声伪影被放大问题，同时自适应估计模型参数，以克服人工调节参数所导致的模型鲁棒性敏感问题。此外，对水下图像进行去均值和除方差的归一化统计操作，有效恢复水下图像颜色；结合景深估计和多尺度融合策略，有效提升水下图像的细节结构，从而最终提升水下图像增强的性能。
相应地，本发明的实施例还提供了一种基于非参数贝叶斯景深估计的水下图像增强装置，图2是根据一示例性实施例示出的一种基于非参数贝叶斯景深估计的水下图像增强装置的结构框图。参照图2，该装置包括：
输入模块201，用于输入原始水下降质图像；
预处理模块202，用于采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；
第一计算模块203，用于采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；
建模与估计模块204，用于构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计，并用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数；
第二计算模块205，用于采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；
融合模块206，用于采用多尺度融合策略对景深计算的传输率和水下增强图像分别进行高斯金字塔分解和拉普拉斯金字塔分解，通过逐层重建以得到多尺度精细化的融合图像；
输出模块207，用于将所述多尺度精细化的融合图像作为输出结果。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
在示例性实施例中，本发明还提供一种电子设备，所述电子设备包括：处理器；存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如上述基于非参数贝叶斯景深估计的水下图像增强方法的步骤。
图3是本发明实施例提供的一种电子设备的结构示意图，如图3所示，电子设备300可以包括处理器3001和存储器3002。可选地，电子设备300还可以包括收发器3003。其中，处理器3001与存储器3002以及收发器3003，如可以通过通信总线连接。存储器3002上存储有计算机可读指令，所述计算机可读指令被处理器3001执行时，实现如上述基于非参数贝叶斯景深估计的水下图像增强方法的步骤。
在具体的实现中，作为一种实施例，处理器3001可以包括一个或多个CPU，例如图3中所示出的CPU0和CPU1。
在具体实现中，作为一种实施例，电子设备300也可以包括多个处理器，例如图3中所示的处理器3001和处理器3004。这些处理器中的每一个可以是一个单核处理器（single-CPU），也可以是一个多核处理器（multi-CPU）。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据（例如计算机程序指令）的处理核。
其中，所述存储器3002用于存储执行本发明方案的软件程序，并由处理器3001来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
收发器3003，用于与网络设备通信，或者与终端设备通信。
可选地，收发器3003可以包括接收器和发送器。其中，接收器用于实现接收功能，发送器用于实现发送功能。
可选地，收发器3003可以和处理器3001集成在一起，也可以独立存在，并通过电子设备300的接口电路与处理器3001耦合，本发明实施例对此不作具体限定。
需要说明的是，图3中示出的电子设备300的结构并不构成对该电子设备的限定，实际的电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。此外，电子设备300的技术效果可以参考上述方法实施例的技术效果，此处不再赘述。
在示例性实施例中，本发明还提供一种计算机可读存储介质，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如上述基于非参数贝叶斯景深估计的水下图像增强方法的步骤。例如，所述计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
在说明书中提到“一个实施例”、“实施例”、“示例性实施例”、“一些实施例”等指示所述的实施例可以包括特定特征、结构或特性，但未必每个实施例都包括该特定特征、结构或特性。另外，在结合实施例描述特定特征、结构或特性时，结合其它实施例（无论是否明确描述）实现这种特征、结构或特性应在相关领域技术人员的知识范围内。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况，其中A，B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a, b, c, a-b, a-c, b-c, 或a-b-c，其中a,b,c可以是单个，也可以是多个。
应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个设备，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。另外，为了避免对本发明的实质造成不必要的混淆，并没有详细说明众所周知的方法、过程、流程、元件和电路等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于非参数贝叶斯景深估计的水下图像增强方法，其特征在于，包括以下步骤：
S1、输入原始水下降质图像；
S2、采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；
所述步骤S2具体包括：
采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理操作，具体运算如下：
(1)
其中，m是指颜色通道，其取值是红通道r，绿通道g和蓝通道b；I为原始水下降质图像，Im为I的颜色通道，包含红通道Ir、绿通道Ig和蓝通道Ib；Ic为颜色修正水下图像，为Ic的颜色通道，包含红通道/>、绿通道/>和蓝通道/>；/>和/>分别为Im的均值和方差，µ为调节图像动态范围的参数；
S3、采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；
所述步骤S3具体包括：
采用基于暗通道先验的自然图像去雾方法，即He方法，计算所述颜色修正水下图像Ic的初始传输率t0与初始景深ρ0，具体计算如下：
（2）
(3)
其中，t0是通过He方法求解的初始传输率；ρ0是对应的初始景深，由初始传输率t0的对数与求反两种运算得到；max和min分别是图像像素级的最大化和最小化运算符号；A是全局大气光，由He方法求解得到，Am是A的颜色通道，包含红通道Ar、绿通道Ag和蓝通道Ab；
S4、构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计；
所述步骤S4具体包括：
构建非参数贝叶斯模型对水下图像景深ρ进行稀疏建模与估计，具体实现如下：
(4)
其中，ρ0是初始景深，下标i表示第i个图像块，ρi 0为初始景深ρ0的第i个向量化图像块，P为每个向量化图像块的维数，R是实数集；为待求解重构的理想景深图像块，D是稀疏表示字典，由[d1, d2, …, dK]构成；dk是字典列，在初始化时由独立同分布的高斯函数N（0，P-1IP）产生，且其均值为0，IP为/>大小的单位矩阵，K为字典列的个数, k 从1到K中取值；
为对应理想景深图像块的稀疏系数，服从Spike-Slab先验分布，即表示为用于确定稀疏系数是否为0的冲激函数δ和是否为非0系数权重的高斯分布/>的组合方式，δ分布对应于Spike项，而高斯分布/>对应于Slab项；根据非参数贝叶斯统计理论，稀疏系数/>的Spike-Slab先验分布是一种显性稀疏性建模方式，既保证系数稀疏性又可得L0范数下的稀疏解；参量πk为稀疏系数/>的非零概率，表示字典列dk被选中稀疏表征景深的概率，以控制/>的稀疏度，并由所有景深图像块共享，服从Beta分布；rα是非零系数的高斯分布精度，服从/>分布；εi为景深图像块的高斯噪声，其均值为0，rε为高斯噪声分布的精度，服从/>分布；a0、b0、c0、d0、e0、f0为模型的超参数，采用无信息先验设置上述参数；
采用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数，即在其他变量固定前提下求解当前变量，然后对下一变量进行同样的操作，对所有待求变量进行逐步迭代求解，直至收敛到最终稳定状态，从而得出目前最优的模型参数；通过上述非参数贝叶斯模型，能够估计出准确稀疏的景深ρ；
S5、采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；
S6、将景深估计所计算的传输率与获得的水下增强图像进行多尺度融合，得到多尺度精细化的融合图像；
S7、将所述多尺度精细化的融合图像作为输出结果。
2.根据权利要求1所述的基于非参数贝叶斯景深估计的水下图像增强方法，其特征在于，所述步骤S5具体包括：
采用基于暗通道先验的自然图像去雾方法，即He方法，计算水下增强图像J，具体计算如下：
（5）
（6）
其中，t为由步骤S4景深估计所计算的传输率，e是指数，J为由He方法增强后获得的水下增强图像。
3.根据权利要求2所述的基于非参数贝叶斯景深估计的水下图像增强方法，其特征在于，所述步骤S6具体包括：
采用多尺度融合策略对景深估计所计算的传输率t和水下增强图像J进行融合，即对t进行高斯金字塔分解，对J进行拉普拉斯金字塔分解，然后通过逐层重建方法，得出多尺度精细化的融合图像O；具体计算公式如下：
（7）
其中，O为多尺度精细化的融合图像；q为金字塔分解的第q层，Gq和Lq分别是第q层的高斯金字塔分解和拉普拉斯金字塔分解，为上采样过程，且u=2q-1。
4.根据权利要求3所述的基于非参数贝叶斯景深估计的水下图像增强方法，其特征在于，所述步骤S7具体包括：
将所述多尺度精细化的融合图像O作为水下图像增强的最终输出结果。
5.一种基于非参数贝叶斯景深估计的水下图像增强装置，所述装置用于实现如权利要求1至4中任一项所述的方法，其特征在于，所述装置包括：
输入模块，用于输入原始水下降质图像；
预处理模块，用于采用基于归一化统计的颜色修正方法对所述原始水下降质图像进行预处理，以得到颜色修正水下图像；
第一计算模块，用于采用基于暗通道先验的自然图像去雾方法计算所述颜色修正水下图像的初始传输率与初始景深；
建模与估计模块，用于构建非参数贝叶斯模型，对水下图像景深进行稀疏建模与估计，并用马尔科夫-蒙特卡洛中的吉布斯采样方法求解模型参数；
第二计算模块，用于采用基于暗通道先验的自然图像去雾方法计算获得水下增强图像；
融合模块，用于采用多尺度融合策略对景深计算的传输率和水下增强图像分别进行高斯金字塔分解和拉普拉斯金字塔分解，通过逐层重建以得到多尺度精细化的融合图像；
输出模块，用于将所述多尺度精细化的融合图像作为输出结果。
6.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如权利要求1至4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1至4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311817383.7A CN117474818B (zh) | 2023-12-27 | 2023-12-27 | 基于非参数贝叶斯景深估计的水下图像增强方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311817383.7A CN117474818B (zh) | 2023-12-27 | 2023-12-27 | 基于非参数贝叶斯景深估计的水下图像增强方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474818A CN117474818A (zh) | 2024-01-30 |
| CN117474818B true CN117474818B (zh) | 2024-03-15 |
Family
ID=89633344
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311817383.7A Active CN117474818B (zh) | 2023-12-27 | 2023-12-27 | 基于非参数贝叶斯景深估计的水下图像增强方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474818B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299268A (zh) * | 2008-07-01 | 2008-11-05 | 上海大学 | 适于低景深图像的语义对象分割方法 |
| CN104281999A (zh) * | 2013-07-12 | 2015-01-14 | 东北师范大学 | 基于结构信息的单幅图像去雾方法 |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| GB202006954D0 (en) * | 2019-05-14 | 2020-06-24 | Univ Beijing Science & Technology | Underwater image enhancement method and enhancement device |
| CN115393209A (zh) * | 2022-08-17 | 2022-11-25 | 沈阳化工大学 | 一种基于多约束先验的贝叶斯Retinex深海图像增强方法 |
| CN116416253A (zh) * | 2023-06-12 | 2023-07-11 | 北京科技大学 | 一种基于亮暗通道先验景深估计的神经元提取方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7118048B2 (ja) * | 2016-08-03 | 2022-08-15 | コーニンクレッカ フィリップス エヌ ヴェ | 局所的に修正された飛行時間（ｔｏｆ）カーネルを使用するｔｏｆ ｐｅｔ画像再構成 |
-
2023
- 2023-12-27 CN CN202311817383.7A patent/CN117474818B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101299268A (zh) * | 2008-07-01 | 2008-11-05 | 上海大学 | 适于低景深图像的语义对象分割方法 |
| CN104281999A (zh) * | 2013-07-12 | 2015-01-14 | 东北师范大学 | 基于结构信息的单幅图像去雾方法 |
| GB202006954D0 (en) * | 2019-05-14 | 2020-06-24 | Univ Beijing Science & Technology | Underwater image enhancement method and enhancement device |
| AU2020100460A4 (en) * | 2020-03-26 | 2020-04-30 | Huang, Shuying DR | Single image deraining algorithm based on multi-scale dictionary |
| CN115393209A (zh) * | 2022-08-17 | 2022-11-25 | 沈阳化工大学 | 一种基于多约束先验的贝叶斯Retinex深海图像增强方法 |
| CN116416253A (zh) * | 2023-06-12 | 2023-07-11 | 北京科技大学 | 一种基于亮暗通道先验景深估计的神经元提取方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Bayesian retinex underwater image enhancement;Peixian Zhuang et al.;Engineering Applications of Artificial Intelligence;20210531;全文 * |
| Iris recognition with enhanced depth-of-field image acquistion;Joseph van der Gracht et al.;Visual information Processing;20040715;全文 * |
| 基于色调映射和暗通道融合的弱光图像增强;杨爱萍;赵美琪;宋曹春洋;王金斌;;天津大学学报(自然科学与工程技术版);20180703(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474818A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097519B (zh) | 基于深度学习的双监督图像去雾方法、系统、介质和设备 | |
| CN113658051B (zh) | 一种基于循环生成对抗网络的图像去雾方法及系统 | |
| CN109410127B (zh) | 一种基于深度学习与多尺度图像增强的图像去噪方法 | |
| Yin et al. | Highly accurate image reconstruction for multimodal noise suppression using semisupervised learning on big data | |
| CN110675336A (zh) | 一种低照度图像增强方法及装置 | |
| CN111161360B (zh) | 基于Retinex理论的端到端网络的图像去雾方法 | |
| CN107133923B (zh) | 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法 | |
| CN111861894A (zh) | 基于生成式对抗网络的图像去运动模糊方法 | |
| CN107301662B (zh) | 深度图像的压缩恢复方法、装置、设备及存储介质 | |
| CN103093434A (zh) | 基于奇异值分解的非局部维纳滤波图像去噪方法 | |
| CN105096272A (zh) | 一种基于双树复小波的除雾方法 | |
| CN112529854A (zh) | 一种噪声估计方法、装置、存储介质及设备 | |
| CN116563146A (zh) | 基于可学习曲率图的图像增强方法与系统 | |
| CN110717864B (zh) | 一种图像增强方法、装置、终端设备及计算机可读介质 | |
| Li et al. | [Retracted] Research on Haze Image Enhancement based on Dark Channel Prior Algorithm in Machine Vision | |
| CN117474818B (zh) | 基于非参数贝叶斯景深估计的水下图像增强方法及装置 | |
| CN109859111A (zh) | 一种基于map方法的单幅图像盲去模糊方法 | |
| CN112825189B (zh) | 一种图像去雾方法及相关设备 | |
| CN115761242B (zh) | 一种基于卷积神经网络和模糊图像特征的去噪方法及终端机 | |
| Pan et al. | ChebyLighter: Optimal Curve Estimation for Low-light Image Enhancement | |
| CN103595933A (zh) | 一种图像的降噪方法 | |
| CN116309178A (zh) | 一种基于自适应注意力机制网络的可见光图像去噪方法 | |
| Wang et al. | Depth and reflection total variation for single image dehazing | |
| Kumar et al. | Underwater image enhancement using deep learning | |
| CN114066760A (zh) | 图像去噪方法、网络模型的训练方法、装置、介质和设备 |
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 |