英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
基于两步法的单幅水下图像增强
摘 要：由于水中环境对光的吸收和散射，水下图像经常会发生颜色偏移和对比度降低的情况。为了解决这些问题，本文提出并解决了两个问题以提高水下图像的质量。首先，介绍了一种基于分段线性变换的有效色彩校正策略以解决色彩失真问题。然后讨论了一种新颖的最佳对比度改进方法，该方法既有效又可以减少伪影，以解决对比度低的问题。由于大多数操作都是按像素计算的，因此所提出的方法很容易实现并且适用于实时应用。另外，不需要关于成像条件的先验知识。实验表明，在色彩的增强、对比度、自然度和物体突出性图像方面有所改进。
关键词：水下图像；图像增强；色彩校正；对比度增强
1 引 言
随着工厂在海洋、河流和湖泊中寻找丰富的矿物和生物资源，水下成像正变得越来越重要。水下探测取得了显著进展，但在计算机视觉应用上，水下图像和视频处理技术仍有很大的发展潜力[1]。由于水中光的吸收和散射，色移和对比度降低是水下图像的两个主要问题。颜色失真主要是由不同光波长在水中的传播方式引起的，使得水下图像的颜色呈现蓝绿色。此外，由于光被悬浮在水中的颗粒随机衰减和散射，因此图像对比度趋于严重降低[2,3]。
为了解决这些问题并提高水下成像的质量，已经提出了各种图像恢复和增强方法[4]。在图像恢复中，[5]以通过直接建模退化过程来恢复图像为目标。例如，[2,6-12]提出去雾算法来处理对比度失真。[6,10]侧重于暗通道建模。为了抑制水下图像中的模糊效果，将点扩散函数与调制传递函数相结合[8]。在[13]中，通过偏振去雾方法恢复水下图像的可见性，而[9]将波长补偿与雾度模型相结合。[14]中介绍了一种基于模型使用辐射传递函数来恢复水下图像的可见性的方法。[15]中介绍了一种基于字典学习的恢复方法。[11]中，作者提出了一种去雾算法，目的于最小化信息丢失并恢复退化的图像，然后遵循对比度增强算法以进一步增强细节。最近，在分析图像模糊和光吸收的基础上，[12]中提出了一种深度估计算法来恢复和增强水下图像。
由于图像恢复方法对建模假设和参数敏感，因此这些方法在极其可变的水下环境中可能不起作用。与恢复方法相比，[4]的增强方法通常更简单，更快速。在这一系列算法中，目标是使用定性的主观标准来生成高质量的图像，而无需物理模型。例如，[16]融合了在不同方向通过偏振器拍摄的不同图像，以改善水下可见度，但不适合被应用到实际中。[1]中采用基于集成颜色模型的滑动拉伸算法来增强水下图像。[17]提出了一种基于光衰减反演的方法来改善颜色再现。[3,18]已经基于不同的启发式提出了其他方法。
本文提出了一种简单而有效的两步增强策略，该策略仅需要增强单个水下图像。每个步骤都处理颜色失真和低对比度这两个主要问题之一。对于颜色失真问题，提出了一种基于分段线性变换的颜色校正策略。与其他颜色校正算法相比，该算法在处理水下环境中不同程度的颜色失真时效果更好。针对对比度低的问题，提出了一种新颖的最佳对比度方法，该方法既有效又可以减少伪影。传统的对比度增强算法，例如直方图均衡化（HE）和对比度受限的自适应直方图均衡化（CLAHE）[19]，很容易实现补丁，但会因黑盒实施而产生不良后果。基于最优方法的其他对比度算法可以产生更好的结果，但是计算成本不适合实际应用[20-22]。与基于直方图分布的其他最优对比方法[20-22]相比，可以有效地解决所提出的最优对比度模型。另外，所提出的方法仅需要单幅水下图像作为输入，并且不需要昂贵的专用设备和关于成像条件的附加先验知识。
2 方法
在本节中，将介绍本文所提出的两步水下图像增强算法产生一种色彩和对比度校正图像。
2.1 色彩校正
水下图像的颜色由于光吸收而恢复起来较为困难，因此传统的色彩校正算法可能无法恢复颜色[23-25]。同时，由于光线不足，水下图像的场景显得暗淡。受灰色世界假设[23]的启发，本文使用基于线性变换的色彩校正策略。灰色世界假设的假设场景中的平均颜色是消色差的[23]，换句话说，图像的平均值在8位图像中等于128。
基于这种灰色世界假设所提出的色彩校正方法采用分段线性变换将图案的平均值拉伸到128。将S表示为输入图像，操作如下：首先，均值，最大值和最小值是在S的RGB通道中计算。灰度世界色彩校正方法的基本形式是
其中。，和是平均的，通道中的最大值和最小值，是颜色校正图像。平均值作为决定拉伸方向的标准。然而，在诸如由于红色波长的快速吸收而红色通道的强度非常小的水下图像的特殊情况下，采用上述缩放可能是导致过度拉伸的过度校正，如图1（b）。因此，提出以下简单改进：
|
|
|
|
|
（a）输入图像 |
（b）方程（1）的输出 |
（c）方程（2）的输出 |
|
图1 . 所提出的颜色校正方法的示例 |
||
其中是控制位移范围的正参数，是小于或等于40的像素值的概率。如图1（c）所示，这可以有效地处理过校正。后处理步骤用于避免超出像素范围。所有的操作都是对组件进行的。
2.2 最佳对比度
在校正颜色之后，水下图像仍然看起来模糊，因为水下条件类似于雾霾环境[2,7,9,13]。因此，应增强对比度以突出对象和细节。本文的对比方法的基本思想是找到原始图像和参考图像之间的模态图像。由于原始图像和和参考图像之间获得期望的折中。
提出以下最佳对比度目标来解释所需的平衡：
其中是在Sobolev空间的规范，是增强图像，是正参数，表示差运算符。
为简单起见，定义以下集合：
其中是具有紧致Lipschitz边界的的连通有界开放子集。（3）中的最小化问题被重写为：
前两个惩罚项表明，修改后的图像是和的加权平均值。另外，为了避免不自然的图像，可以将加权梯度约束添加到目标函数。这可以通过平滑增强图像以避免突然改变而不损害对比度增强来防止过度增强的结果。为此，在方程的第二行中的图像梯度上引入平滑惩罚项。
方程是考虑像素值和梯度的和之间的最佳权衡。由于方程中的所有术语是二次的，它是最小二乘问题，具有可以直接获得的近似解。用快速傅立叶变换（FFT）来加速处理这一过程。通过首先计算其傅立叶系数，然后执行逆变换来求解，
其中，1是单位矩阵，是FFT运算，是逆FFT操作，是共轭转置，和是水平和垂直方向。方程（6）中逆傅立叶变化之前的所有计算按像素执行。对于水下图像，被转换为Lab空间，是亮度分量。用户可以选择不同的成熟算法来生成参考图像。在本文中，CLAHE应用于以获得参考图像，因为CLAHE可以有效地增强局部对比度[19]。通过转换增强的Lab颜色空间进入RGB颜色空间获得最终结果。
3 实验结果
在本节中，将展示实验结果，以证明本文的方法的有效性。在具有4GB RAM的PC上使用Matlab R2012a作为仿真工具是。在该文件中，以获得彩色结果，设定以使和具有相同的权重。
3.1 定性评估
|
|
|||||
|
|
|
|
|
|
|
图2.潜水员1图像的结果 |
|||||
|
|
|||||
|
|
|
|
|
(f)建议的方法 |
|
图3.潜水员2图像的结果 |
|||||
|
|
|||||
|
|
|
|
|
|
|
图4.潜水员3图像的结果 |
|||||
|
|
|||||
|
|
|
|
|
(f)建议的方法 |
|
图5.潜水员4图像的结果 |
|||||
在本文的定性评估中，将算法与四种方法进行比较[2，3，7，10]。在实验中测试了许多图像，但只显示了本文中PFU-EAQA数据集[26]三个测试图像。这三幅图像的结果与在较大数据集上观察到的结果一致。这些图像包含不同的颜色失真，例如图2（a）和图3（a）中的绿色和图4（a）和图5（a）中的蓝色。测试图像还包含近景和远景，以显示从物体到相机的各种距离。
如这些图所示，细节通过方法[2]得到增强，虽然不能有效地校正颜色，例如图2（b）到图5（b）。图5（b）中的增强结果具有良好的主观视觉效果，但是由于颜色的过度校正，在鱼的表面上显示了一些红点。由于在不清楚的水和深海中，严重的颜色失真导致暗通道模型的失败，传输无法正确估计并且颜色增强算法不能工作。方法[7]和[10]中存在类似的缺点。
方法[3]基于使用融合策略的图像增强方法。在图2（e）和图3（e）中，颜色被校正，并且通过这种融合方法改善了对比度和细节。但是，在图4（e）和图5（e）中，颜色被过度校正，因为颜色校正方法对于处理各种水下环境是不稳健的。同时，一些区域通过方法[3]过度增强，如图4（e）中的潜水员氧气罐和图5（e）中的鱼的表面。如图2（f）至图5（f）所示，所提出的方法在色彩校正，对比度改善，自然保存和细节增强方面实现了良好的性能。由于所提出的鲁棒色彩校正算法和最佳对比度方法，所提出的方法在整体外观上优于其他方法。
3.2 定量评估
表1.SRNSS的定量测量结果[27]。
<t
剩余内容已隐藏，支付完成后下载完整资料</t
资料编号：[19465]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
|
输入 |
[2] |
[7] |
[10] |
[3] |
建议 |
|
|
潜水员1 |
89.3 |
88.6 |
74.1 |
78.4 |
74.0 |
89.9 |
|
潜水员2 |
75.4 |
78.5 |
56.8 |
79.9 |
75.4 |
82.6 |
|
潜水员3 |
76.2 |
59.2 |
66.8 |
76.4 |
48.6 |
91.6 |
|
鱼 |
83.9 |
69.2 |
80.8 |
82.1 |
55.0 |
92.5 |
|
平均 |
81.2 |
73.9 |
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
