结合细节信息的自适应Retinex算法水下图像增强

针对Retinex算法应用于水下图像增强中,常出现颜色失真与图像细节增强相矛盾的现象,提出了结合细节信息的自适应多尺度Retinex水下图像增强算法。分析包含不同细节信息的水下图像对Retinex算法增强中卷积函数尺度大小的选择要求;采用图像梯度作为调节因子,自适应调整多尺度Retinex算子的权重,用于适应包含不同细节信息的水下图像对对比度增强的要求,有效地缓和了水下图像增强在颜色失真和细节对比度提升之间的矛盾。多组实验验证了该算法在去除水下图像的蓝绿背景、避免颜色失真、消除非均匀光照和图像细节增强等方面均优于传统多尺度和颜色保真的多尺度Retinex算法。     

基于图像融合的自适应水下图像增强

针对水下图像对比度低及细节模糊的问题,提出一种基于图像融合的自适应水下图像增强方法,实现不同类型水下图像的增强效果。基于颜色校正方法对水下图像进行颜色均衡化预处理;对亮度分量L进行Gamma校正,获得对比度提升的亮度图像;对两个亮度分量进行三层小波分解,提出对分解所得的低频分量及高频分量分别采用线性融合和自适应融合策略进行融合。多尺度融合保证了增强图像细节的丰富性,自适应融合策略体现了融合过程的可控性。实验结果表明,增强的水下图像呈现出高对比度和清晰的细节。     

融合暗通道与Retinex算法的水下图像复原研究

针对水下图像存在细节模糊和色彩失真等问题,基于水下光学成像模型,提出了一种融合暗通道先验和Retinex的方法。首先为避免场景中亮白区域影响,提出一种基于四叉树分解方法改进对背景光的估计,进一步分通道对透射率进行估计,引入自适应容差补偿机制,根据图像区域的明亮程度自适应修正透射率,并利用改进的导向滤波细化透射率,消除了图像块效应,利用优化的暗通道先验算法对图像进行清晰化处理得到复原图像;其次用Retinex算法提高水下图像对比度以及校正颜色畸变;然后依据复原图像与Retinex算法增强图像的特点进行像素级融合,最终得到复原后的水下图像。为定量评价复原算法,选取了信息熵、平均梯度和UIQM定量化评价因子。实验结果表明,所提算法在主观及客观评价方面均优于对比算法,为后续水下目标探测提供了研究基础。     

基于暗原色先验原理的水下图像增强

针对水下光衰减和散射导致的图像严重降质问题和用传统方法进行水下图像增强 产生色偏现象,提出一种新的水下图像增强方法。基于暗原色先验原理进行水下图像增强,用 软抠图的方法对图像暗通道进行细化;在图像前0.1%最亮的像素点中,用中值滤波算法计算出 这些像素点的中值,再计算这些像素点和与之对应的中值的差值,差值最小的像素点作为背景 光的预估值,并用该像素点所在区域颜色饱和度方差来判断预估背景光的准确性;利用Retinex 算法和图像各颜色通道的衰减系数比对增强后的图像进行颜色校正。实验表明,该方法能有效 地去除水下图像中的雾色、校正图像色偏问题,进而提高图像对比度。     

融合引导滤波和小波变换的水下图像增强算法

针对水下环境对比度低和极其模糊的视觉效果问题,提出了一种融合引导滤波和小波变换的水下图像增强算法。利用引导滤波将图像分为基础部分和细节部分,将小波变换应用于基础部分,对产生的低频图像进行限制对比度直方图均衡,高频部分分别使用改进的对数函数增强,然后将处理后的高低频部分进行小波逆变换。细节部分进行增益计算;最后将处理后的基础部分和细节部分进行加权融合,再对融合图像进行限制对比度直方图均衡,得到目标图像。仿真实验表明,该方法在保留图像细节的同时很好地克服了光照不均匀对图像的影响.     

基于衰减补偿与直方图拉伸的水下图像增强算法

水下物理环境复杂多变,导致获取的水下图像颜色失真、对比度低且细节模糊,影响了水下场景探测的准确性。结合衰减补偿和直方图拉伸技术,提出水下图像增强算法ACHS。根据不同颜色通道的衰减特性,设计基于衰减补偿的颜色校正方法解决水下图像颜色失真问题。将需要颜色校正的水下图像从RGB颜色模型转换到LAB颜色模型,使用引导滤波将亮度通道L分解为基础层和细节层,同时提出基于K-means聚类的双直方图增强算法用于增强基础层的对比度,通过Gamma校正突显细节层的纹理结构。在此基础上,累加亮度通道L的基础层和细节层,并将其从LAB颜色模型转换到RGB颜色模型以获取最终的增强图像。实验结果表明,与GDCP、REBE、WaterNet等算法相比,经该算法增强的水下图像可视度较高,并且具有自然的颜色和清晰的细节。     

基于多尺度特征融合生成对抗网络的水下图像增强

针对水下退化图像细节模糊、对比度低和蓝绿色偏问题,提出了一种基于多尺度特征融合生成对抗网络的水下图像增强算法。算法以生成对抗网络为基本框架,结合传统白平衡算法和多尺度增强网络实现对水下退化图像的增强。通过改进的通道补偿白平衡算法矫正蓝绿色偏,并以卷积神经网络提取偏色校正后图像的特征;提取图像多尺度特征,结合提出的残差密集块将每一层的局部特征增强为捕获语义信息的全局特征,并与偏色校正图像的特征相融合;通过重建模块将融合特征重建为清晰图像,恢复图像的细节信息。实验结果表明,该算法增强的水下图像去雾效果较好且颜色更真实,有效改善了水下图像色偏和模糊的问题,在主观指标和客观指标上的实验结果均优于对比算法。     

基于人工欠曝光融合和白平衡技术的水下图像增强算法

获得清晰准确的水下图像是人类探索水下世界的重要前置条件。然而与平常图像相比,水下图像往往具有对比度低、细节保留不足及颜色失真等问题,这导致其视觉效果不佳。针对上述问题,提出了基于人工欠曝光融合和白平衡技术（AUF+WB）的水下图像增强算法。首先,利用调节伽马值的方式对原始水下图像进行操作,从而生成5幅相应的欠曝光图像;然后,以对比度、饱和度及良好曝光度作为融合权重,并结合多尺度融合来生成融合图像;最后,将各类颜色通道补偿后的图像分别结合灰色世界假设白平衡生成相应的白平衡图像,再利用水下彩色图像质量评价指标（UCIQE）及水下图像质量评价标准（UIQM）对得到的白平衡图像进行评价。通过选取不同类型的水下图像作为实验样本,将AUF+WB算法与现存先进的水下图像去雾算法进行比较,结果表明AUF+WB算法在图像质量定性、定量两方面分析中和对比算法相比均有更好的表现。所提出的AUF+WB算法可矫正水下图像的颜色失真,并增强其对比度、恢复其细节,有效提升了水下图像的视觉质量。     

一种基于图像方向信息测度算法的自适应表格图像增强算法

图像增强是图像处理的重要任务.为了有效地增强对比度极低的表格图像,提出了基于图像方向信息测度算法的自适应图像增强算法.该方法首先在像素级利用图像方向信息侧度将图像像素分为平滑点和阶跃边缘点;然后针对表格图像特点,再对平滑点细分为平滑点和屋脊边缘点,同时,对不同类型的点设计不同的滤波方法,以便通过算法自适应来初步增强图像;最后,利用模糊增强算法来对图像进行对比度增强,以达到更好的增强效果.实验表明,该算法能有效地增强对比度极低的表格图像,并使得结果图像有很好的视觉效果.     

基于图像融合的低光照水下图像增强

水下机器人可用于水产养殖动态监测和水下拍摄,然而摄像机在水下抓拍的海洋图像呈现蓝绿色调、对比度低、细节模糊、亮度暗等问题,严重影响水下目标识别与检测的准确率。为此,本文提出了一种基于图像融合的低照度水下图像增强方法。首先,利用灰度世界算法对图像颜色进行校正,有效去除水下图像的蓝(绿)色基调;然后,对颜色校正后的图像分别进行锐化处理和HSV颜色空间下的亮度增强,分别得到细节增强图像和亮度增强图像;最后,将细节增强图像和亮度增强图像进行多尺度融合,得到最后的增强图像。实验结果表明,该算法不仅有效地解决了水下图像呈现蓝绿色的问题,而且增强了图像的整体亮度,使得细节更加清晰,提高了水下机器人的视觉感知能力。     

一种基于色彩补偿的水下图像综合增强算法

针对退化的水下图像在高级视觉分析任务中无法进行有效的目标检测及识别的问题,提出了一种通过色彩补偿和对比度拉伸,HSV空间γ校正和亮度通道去模糊系列方法实现了对水下图像的色彩校正、色彩对比度、饱和度和细节清晰度的综合提高.其中,提出了基于高斯滤波的亮度通道去散射方法,并对典型水体水下图像综合增强参数进行了分析.实验对比了...     

Visual enhancement of underwater images using Empirical Mode Decomposition

Most underwater vehicles are nowadays equipped with vision sensors. However, it is very likely that underwater images captured using optic cameras have poor visual quality due to lighting conditions in real-life applications. In such cases it is useful to apply image enhancement methods to increase visual quality of the images as well as enhance interpretability and visibility. In this paper, an Empirical Mode Decomposition (EMD) based underwater image enhancement algorithm is presented for this purpose. In the proposed approach, initially each spectral component of an underwater image is decomposed into Intrinsic Mode Functions (IMFs) using EMD. Then the enhanced image is constructed by combining the IMFs of spectral channels with different weights in order to obtain an enhanced image with increased visual quality. The weight estimation process is carried out automatically using a genetic algorithm that computes the weights of IMFs so as to optimize the sum of the entropy and average gradient of the reconstructed image. It is shown that the proposed approach provides superior results compared to conventional methods such as contrast stretching and histogram equalizing.     

The Retinex based improved underwater image enhancement

The underwater images suffer from low contrast and color distortion due to variable attenuation of light and nonuniform absorption of red, green and blue components. In this paper, we propose a Retinex-based underwater image enhancement approach. First, we perform underwater image enhancement using the contrast limited adaptive histogram equalization (CLAHE), which limits the noise and enhances the contrast of the dark components of the underwater image at the cost of blurring the visual information. Then, in order to restore the distorted colors, we perform the Retinex-based enhancement of the CLAHE processed image. Next, in order to restore the distorted edges and achieve smoothing of the blurred parts of image, we perform bilateral filtering on the Retinex processed image. In order to utilize the individual strengths of CLAHE, Retinex and bilateral filtering algorithms in a single framework, we determine the suitable parameter values. The qualitative and quantitative performance comparison with some of the existing approaches shows that the proposed approach achieves better enhancement of the underwater images.

     

基于多尺度梯度域引导滤波的低照度图像增强算法

针对低照度彩色图像整体亮度较低，增强图像中颜色易失真，部分图像细节淹没在较低灰度值像素中等问题，提出一种改进的低照度图像增强算法。首先，把待处理图像转换到色调、饱和度、亮度（HSI）颜色空间，对亮度分量进行非线性全局亮度校正；然后，提出多尺度梯度域引导滤波的亮度增强模型，利用该模型对校正后的亮度分量进行增强，接着对增强后的亮度分量进一步实施避免颜色失真的亮度校正；最后，将图像再转换回红绿蓝（RGB）颜色空间。实验结果表明，增强后的图像亮度平均提高90.0%以上，清晰度平均提高123.8%以上，这主要得益于多尺度梯度域引导滤波具有更好的亮度平滑和增强能力；同时由于减小了颜色失真，使增强图像的细节表现能力平均提高18.2%以上；由于采用了多尺度梯度域引导滤波的亮度增强模型与直方图自适应的亮度校正算法，使提出的低照度图像增强算法适宜应用于夜间等弱光源条件下的彩色图像增强。     

基于自适应分割的多曝光图像融合算法

针对传统多曝光图像融合存在颜色和细节信息保留不完整的问题,提出了一种新的基于自适应分割的多曝光图像融合算法。首先,采用超像素分割将输入图像分割为颜色一致的图像块,再利用结构分解将图像块分解为三个独立分量。根据各分量特点设计不同融合规则,以保留源图像中的颜色和细节信息。然后,采用引导滤波平滑各分量的权重图以及信号强度分量和亮度分量,有效地克服块效应缺陷,保留源图像中的边缘信息,减少伪影。最后,重构融合后的三个分量,得到最终的融合图像。实验结果表明,与传统的融合算法相比,所提算法在互信息（MI）上平均提升了53.6%、标准差（SD）上平均提升了24.0%。该算法能够有效地保留输入图像的颜色和细节纹理信息。     

不同颜色模型下自适应直方图拉伸的水下图像增强

目的 水下图像是海洋信息的重要载体,然而与自然环境下的图像相比,其成像原理更复杂、对比度低、可视性差。为保证不同类型水下图像的增强效果,本文提出在两种颜色模型下自适应直方图拉伸的水下图像增强方法。方法 首先,进行基于Gray-World理论对蓝、绿色通道进行颜色均衡化预处理。然后,根据红绿蓝（R-G-B）通道的分布特性和不同颜色光线在水下传播时的选择性衰减,提出基于参数动态优化的R-G-B颜色模型自适应直方图拉伸,并采用引导滤波器降噪。接下来,在CIE-Lab颜色模型,对‘L’亮度和‘a’‘b’色彩分量分别进行线性和曲线自适应直方图拉伸优化。最终,增强的水下图像呈现出高对比度、均衡的饱和度和亮度。结果 选取不同类型的水下图像作为数据集,将本文方法与融合颜色模型（ICM）、非监督颜色纠正模型（UCM）、基于暗通道先验性（DCP）的水下图像复原和基于水下暗通道先验（UDCP）的图像复原方法相比较,增强后的图像具有高对比度和饱和度。定性和定量分析实验结果说明本文提出的方法能够获得更好视觉效果,增强后的图像拥有更高信息熵和较低噪声。结论 在RGB颜色模型中,通过合理地考虑水下图像的分布特性和水下图像退化物理模型提出自适应直方图拉伸方法;在CIE-Lab颜色模型中,引入拉伸函数和指数型曲线函数重分布色彩和亮度两个分量,本方法计算复杂度低,适用于不同复杂环境下的水下图像增强。     

基于三次拉格朗日插值的自适应图像缩放

传统的插值算法由于低通滤波效应通常会使目标图像边缘模糊,难以得到满意的视觉效果.为了取得较好的图像缩放质量,提出一种基于三次拉格朗日插值的自适应图像缩放算法.该算法首先计算目标像素点周围三组源像素点的方差,选取方差最小的一组源像素点,然后采用三次拉格朗日插值公式求得目标像素点的灰度值.实验结果表明,本文算法所得的目标图像边缘清晰,且算法复杂度较低,便于硬件实现,可以实现实时图像缩放.     

融合深度学习与成像模型的水下图像增强算法

水下机器人的视觉感知功能因受到水下环境因素的影响,面临着图像质量降低的挑战,如图像颜色畸变、整体色调偏绿、偏蓝、对比度较低、细节较为模糊等。提出一种结合深度学习方法与物理成像模型的新型水下图像增强算法,通过构建包含扩张卷积和带参数激活函数的神经网络,进行背景散射光和直接传输映射的估计,并结合成像模型的数学表达进行重建运算得到增强后图像。实验结果表明,与UDCP、IBLA、GLNet等典型图像增强算法相比,该算法具有更快的运算速度,且能够消除水下环境因素带来的影响,丰富图像色彩的同时能增强各类细节,在峰值信噪比指标和结构相似度指标上取得了较大值。此外,增强后的图像在特征点匹配实验中获得了更好的匹配效果。