自适应水下彩色图像增强算法

在水下环境中,水体介质对光照的吸收和散射是导致水下成像失真的两大主要成因。水体对光线的吸收导致能量衰退大大降低了清晰度,另水体介质对各波段的散射和吸收的无规律性导致水下成像颜色失真。为了提高对水下成像的认知,本文提出了一种自适应水下图像增强算法。该方法首先对原始图像进行降噪和对比度提升得到两幅输入图;其次,以原始图像的显著图为引导,结合照度和色度图,作为图像融合的权重图;最后,根据权重图对两幅输入图像进行自适应加权求和,从而实现图像增强的目的。实验结果证明本文算法具有良好的实时性和鲁棒性,有效地增强了水下降质图像。     

水下主动激光扫描系统中光场记录及散射背景分离研究

传统水下主动激光扫描系统采用普通相机对反射光接收记录,反射激光点被掩埋在背景噪声中无法分离,影响成像质量。该文在水下激光主动扫描成像系统中采用光场相机记录了包括激光反射光线和各种散射背景杂光的位置和方向信息,为抑制散射背景杂光提供了可能。在后续光场记录图像处理中,首先,对记录的光场图像进行前后两次重聚焦,第一次是对激光照射到物面激光光点的重聚焦,第二次是对激光光点前景散射光的重聚焦,再对两幅图像进行差分处理;提出一种计算机自动判断流程,使得差分所得图像上激光点的衬度最大,或足够大。实验结果表明,上述方法可以达到较好的散射背景抑制作用,是对现有同步扫描主动激光成像系统空间分离散射背景抑制技术的必要补充。     

基于点扩散函数特征优化融合的水下目标识别

人类对水下世界探索的热情推动了水下成像及监测系统研究的发展。然而由于水介质光学属性及复杂水下环境的影响,常用的陆地成像及配套算法很难实现理想的效果。因而可以采用设备更新或算法优化两条策略使水下成像监测系统能够适应水下的光学环境。考虑到设备更新在水下场景中实施的困难和较高的资源消耗,沿用传统陆地的光学成像设备进行水下图像数据采集,并利用点扩散函数优化及多信息融合的策略来优化水下成像监测系统所用的目标识别算法,解决水下光学成像中由于散焦、目标移动、前后向散射噪声等所造成的图像目标细节模糊、对比度差等问题,提高水下自主航行器对水下目标的识别能力。     

基于颜色校正和改进二维伽马函数的水下图像增强*

针对由于光在水体中衰减、散射,造成捕捉的水下图像存在偏色、对比度低、清晰度差、光照不均等问题,提出一种基于颜色校正和改进二维伽马函数的水下图像增强方法.首先,用带颜色恢复的多尺度Retinex增强算法(MSRCR)校正偏色问题,获得一个输入图像;然后用改进的二维伽马函数降低光照不均匀对水下图像的影响,并用基于自适应Si...     

基于颜色校正和加权融合的水下图像增强

为解决水下图像由光照不均匀等原因引起的颜色偏差、对比度低、细节不清晰等问题，提出了一种基于颜色校正和加权融合的水下图像增强方法。首先，对补偿了红色通道的原始图像采用白平衡算法进行颜色校正，解决图像失真问题。并将颜色校正后的图像从RGB空间转换到Lab空间，然后采用对比度限制自适应直方图均衡比(CLAHE)算法处理的L亮度通道来增强图像的对比度和亮度。最后，将颜色校正后的图像和增强对比度后的图像进行加权融合增强图像细节的清晰度。实验结果证明，采用所提算法处理不同水下场景图像效果显著，4个图像质量评价指标信息熵、峰值信噪比(PSNR)、水下图像质量评价度量(UIQM)和水下彩色图像质量评级(UCIQE)值与其他算法相比均有明显提升。并且与原始图像相比，所提算法处理后的图像的信息熵至少提升了5.6%,UIQM值提高了1.48倍以上，UCIQE值提高了7.5%。     

结合深度线索和几何结构的稀疏光场密集重建

光场一次成像可以同时获得空间和角度的四维信息。现有方法进行角度超分辨率重建时多用于小基线场景的光场图像,在处理大基线场景重建时存在模糊等现象,同时在光场重建过程中遮挡区域重建效果差、长距离的空间关系难以捕获。针对上述问题,提出一种结合深度线索和几何结构的稀疏光场密集重建方法。该方法采用空间金字塔池化提取多尺度特征,更好地保留了图像的纹理细节和高频信息;通过在深度估计模块的部分引入空洞卷积并进行密集连接,扩大了感受野,提高了大基线场景深度估计的精度;利用视图细化模块对图像进行优化处理,在保留视差结构的同时重建了遮挡区域。实验结果表明,本文方法较好地解决了大基线场景光场重建问题,在光场大基线场景数据集上超越了其他算法,PSNR提高了2 dB,SSIM提高了0.018,重建图像的质量均优于现有的算法。     

基于小波清晰度计算的水下图像融合增强研究

近年来,机器视觉技术在水下环境探测中得到了广泛的运用,然而由于受到水下环境和光学系统景深的限制,无法获取清晰的全景图像。鉴于此,提出了一种基于小波清晰度计算的水下图像融合增强方法。首先,对源图像进行小波变换,并利用小波系数获取图像的清晰度。其次,利用获取的清晰度对图像进行区域划分,得到图像的聚焦区域。再利用不同的融合规则分别对聚焦区域和非聚焦区域进行融合。最后,将聚焦区域和非聚焦区域进行合成,得到最终的融合图像。实验证明,所使用的融合方法对于实验环境较差的水下图像效果有这较大的提升,更加便于水下环境的检测与分析。     

基于通道量化与红色先验融合的 水下光学图像清晰化

水下图像通常存在对比度低以及颜色失衡等现象,导致图像纹理信息不清晰,针对此类问题,提出基于通道量化与红色先验融合的水下光学图像清晰化方法。首先,设计两种输入图像版本,图像一通过颜色通道直方图量化重新分配像素值,调整对比度;图像二为实现色彩均衡,将红色通道先验代入成像模型,用于估计背景光、直接分量透射率和后向散射透射率。然后,针对各输入图像设计3种权重图,包括亮度图、饱和度图和显著图。最后,利用多尺度融合策略,将局部对比度提升和颜色校正图像与其归一化权重图进行融合。在多个数据库上通过主观和客观指标进行实验评价,结果表明,本文算法在呈现高对比度的同时,能够恢复出更多的色彩和细节信息,有效提升水下图像质量,与各经典及新颖算法相比具有优势。     

双注意力机制与改进U-Net的水下图像增强

针对现有的水下增强算法存在色彩失真和去雾效果不好等问题，本文提出基于双注意力机制与改进U-Net的水下图像增强算法。首先采用颜色校正模块对红、绿、蓝三通道进行处理，减少色偏的影响；然后将通道注意力、空间注意力与U-Net网络相融合，对颜色校正后的图像进行去雾、去噪等处理，保留图像纹理细节的同时，实现对比度的增强；最后采用金字塔融合模块将不同分辨率的图像特征进行融合，获得视觉上清晰的图像。实验结果表明，基于UIEBD和UFO-120测试集，UCIQE、NIQE、SURF以及信息熵的平均值分别为0.608 1、4.440 3、31.5和7.649 5,所提算法在主观视觉质量和客观评价指标上都优于其他经典及新颖算法，增强后水下图像去雾效果良好且在颜色校正方面也具有明显优势，显著提高了水下图像的视觉质量。     

基于插值处理的散射介质中偏振成像实验研究

针对散射介质中光学成像质量受散射效应干扰的问题,基于Jaffe 成像模型,实验研究了基于插值处理的偏振成像降 噪方法,实现目标信号与后向散射噪声的有效分离。首先,利用退偏振特性建立信息插值处理与信号提取模型;其次,搭建偏 振成像实验光路结构进行验证,以脂肪乳溶液模拟散射环境,在偏振激光照明条件下获取散射场景的相互正交的偏振探测通 道图像;最后,对所获取偏振图像进行插值处理并利用信噪比参数评价其可靠性。实验结果表明,当脂肪乳溶液浓度依次为 0.1%、0.2%、0.3%与0.4%时,基于插值处理的偏振成像方法所对应图像的信噪比依次为112.5、9.165、13.82与11.88,能 够有效地抑制后向散射噪声对光学成像过程的影响。     

基于改进SinGAN的电力线巡检异物数据增强技术

针对电力线异物识别模型能使用的数据集较少,并且传统单幅自然图像的生成式模型(SinGAN)模型生成数据与异物识别模型匹配度不高、质量不佳、耗时过久的问题,提出了改进SinGAN模型。在改进SinGAN模型基础上加入仿射变换单元、大小变换单元进一步增强数据集,加入图像滤波单元提高电力线异物识别模型所需数据质量。并通过改进SinGAN反向传播训练过程和SinGAN的单精度生成器结构提升模型生成质量,减少所用时长。实验结果表明,经50次实验后,改进SinGAN的平均弗雷谢特起始距离(Fréchet inception distance, FID)为91.375,平均训练时长1.21 h。分别比传统SinGAN降低了27.247%和87.31%。改进SinGAN与其他主流生成式对抗网络相比有更好的异物数据生成能力,可以增强电力线异物识别模型所需数据,具有优越性。     

Underwater Image Enhancement Based on IMSRCR and CLAHE-WGIF

Aiming at the scattering and absorption of light in the water body, which causes the problems of color shift, uneven brightness, poor sharpness and missing details in the acquired underwater images, an underwater image enhancement algorithm based on IMSRCR and CLAHE-WGIF is proposed. Firstly, the IMSRCR algorithm proposed in this paper is used to process the original underwater image with adaptive color shift correction; secondly, the image is converted to HSV color space, and the segmentation exponential algorithm is used to process the S component to enhance the image saturation; finally, multi-scale Retinex is used to decompose the V component image into detail layer and base layer, and adaptive two-dimensional gamma correction is made to the base layer to adjust the brightness unevenness, while the detail layer is processed by CLAHE-WGIF algo-rithm to enhance the image contrast and detail information. The experimental results show that our algorithm has some advantages over existing algorithms in both subjective and objective evaluations, and the information entropy of the image is improved by 6.3% on average, and the UIQM and UCIQE indexes are improved by 12.9% and 20.3% on average.     

结合MSRCR与多尺度融合的水下图像增强算法

为解决水下图像增强时出现的图像边缘细节模糊,亮度不均等问题,提出了一种结合带色彩恢复的多尺度视网膜增强算法(MSRCR)与多尺度融合的水下图像增强算法.首先,将获取到的水下图像基于的MSRCR算法色彩校正,并将校正后的图像转换到Lab颜色空间对亮度分量进行自适应增强.其次,对MSRCR色彩校正图像和Lab空间亮度分量增...     

基于轻量级密集残差网络的水下图像增强

深度卷积神经网络是水下图像增强的主要方法之一,但其过高的内存消耗和计算需求阻碍了在实际应用中的部署。为此,提出一种轻量级的密集残差卷积神经网络(dense residual convolutional neural networks, DRCNN)用于水下图像增强。为降低计算成本,DRCNN采用深度可分离卷积提取高级特征;通过密集连接和残差学习促进不同通道之间的信息交互,提高模型表征能力;将输入的退化图像与中间特征图融合,保留图像全局相似性,同时防止模型梯度消失。实验结果证明DRCNN能有效提高水下图像质量,较于现有算法,DRCNN参数量减少了85%,PSNR、SSIM值分别提高了3%、2%,测试速度提高了3%。DRCNN使用更少的参数实现了更好的性能,利于在低资源设备的实时场景中应用。     

基于质量度量与颜色校正的多曝光图像融合算法

针对当前多曝光图像融合过程的图像质量属性选择不当,易导致颜色失真与丢失细节等问题,设计了一种质量度量耦合颜色校正的多曝光图像融合算法。首先,选择3种最显著的图像质量属性(对比度、饱和度和亮度)作为度量方式;然后,利用线性组合将得到的3种质量属性进行成加权组合,并采用幂函数来控制每个属性的影响,将较低的权重值赋予曝光不足和曝光过度的像素,消除具有视觉效果不佳的像素,从而有效保留正常的曝光像素及其明亮的颜色与细节;随后,将不同曝光图像加权组合的特征进行Laplacian金字塔分解,经过归一化权重映射后,对其进行不同系数的多分尺度融合,完成多曝光图像融合。为了避免颜色失真与细节丢失,采用基于局部饱和度的颜色校正方法来改善图像质量。实验数据表明,与当前多曝光图像融合方案相比,所提算法具有更高的融合视觉质量,可以更好地保持图像细节和校正曝光融合图像的颜色。     

基于统计特征分类耦合自适应 Gamma校正的图像增强算法

为了避免图像在亮度增强时导致其颜色失真,且在局部易出现过增强等问题,设计了统计特征分类耦合自适应Gamma校正(adaptive Gamma correction,AGC)的图像增强算法,以更好提高图像细节与视觉效果。首先,将输入图像转换为HSV空间,使颜色与亮度分离,使其在增强亮度通道时不改变像素的原始颜色,有效降低颜色失真。然后,考虑不同图像的性质,利用统计信息将图像分类为高、低两种对比度,每种对比度又分为亮、暗两类。其次,基于传统的Gamma校正方法,通过对于不同类型的图像进行动态参数设置,形成一种AGC机制,从而为不同类型图像的构建了不同的增强函数,以完成不同类别图像的增强处理。实验数据表明,与当前流行的增强算法相比,所提算法具备更高的增强效果,呈现出更为自然的亮度与对比度,且保持了更多的颜色信息。