一种基于高斯混合模型与暗通道理论的水下图像恢复方法技术

本发明专利技术公开了一种基于高斯混合模型与暗通道理论的水下图像恢复方法，包括以下步骤：步骤（1）：首先利用高斯混合模型对水下图像中的水体后景进行目标提取；步骤（2）：然后利用工程化快速估计模块解决运动相机拍摄动态背景的问题，以及减少计算量的工程化问题；步骤（3）：最后利用暗通道还原模块对水下图像进行恢复。本发明专利技术基于高斯混合模型区分水体背景，准确计算出每个通道的大气光值，然后用暗通道理论还原图片并进行输出，从而达到最优的效果，提高了水下图像还原的质量。

【技术实现步骤摘要】
一种基于高斯混合模型与暗通道理论的水下图像恢复方法
本专利技术涉及一种水下机器人的图像恢复方法，具体涉及一种基于高斯混合模型与暗通道理论的水下图像恢复方法。
技术介绍
水下机器人是开发海洋资源的重要工具，而视觉是其重要的感知手段之一。但水下图像在获取的时候，由于光在水下传播过程中，受到了水体对不同波长光的不同吸收强度作用影响、以及水中悬浮物质对光的散射作用影响，从而导致了严重的降质，因此十分需要对水下图像进行恢复工作。在现有的水下图像恢复方法中，基于暗通道理论的一系列算法，由于其具有良好的物理学基础，以及较好的还原效果，受到了广泛的认可。但是，该理论存在一个问题，就是在使用其进行还原时，它的一个重要参数大气光值的计算方式为：取其暗通道图像灰度值最大的0.1％的像素点对应于原输入图像的像素位置的每个通道的灰度值的平均值，从而计算出每个通道的大气光值。而在水下机器人在水下作业时，非水体背景的亮度高于水体背景部分的情况出现概率很大，例如常见的鱼肚、以及水下机器人的主动光源带来的近景对象的过度曝光。如果需要把这种问题区分掉，那么就需要主本文档来自技高网...

【技术保护点】
1.一种基于高斯混合模型与暗通道理论的水下图像恢复方法，其特征在于包括以下步骤：/n步骤(1)：首先利用高斯混合模型对水下图像中的水体后景进行目标提取；/n步骤(2)：然后利用工程化快速估计模块解决运动相机拍摄动态背景的问题，以及减少计算量的工程化问题；/n步骤(3)：最后利用暗通道还原模块对水下图像进行恢复。/n

【技术特征摘要】
1.一种基于高斯混合模型与暗通道理论的水下图像恢复方法，其特征在于包括以下步骤：
步骤(1)：首先利用高斯混合模型对水下图像中的水体后景进行目标提取；
步骤(2)：然后利用工程化快速估计模块解决运动相机拍摄动态背景的问题，以及减少计算量的工程化问题；
步骤(3)：最后利用暗通道还原模块对水下图像进行恢复。


2.根据权利要求1所述的一种基于高斯混合模型与暗通道理论的水下图像恢复方法，其特征在于：在上述步骤(1)中，高斯混合模型判断水体前后景是基于像素样本统计信息的背景表示方法，利用像素在较长时间内大量样本值的概率密度统计信息来表示背景，然后使用统计差分进行目标像素判断，并对复杂动态背景进行建模。


3.根据权利要求2所述的一种基于高斯混合模型与暗通道理论的水下图像恢复方法，其特征在于：在上述步骤(1)中，水下图像的每一个像素点按不同权值的多个高斯分布叠加来建模，每种高斯分布对应一个产生像素点所呈现颜色的状态，各个高斯分布的权值和分布参数随时间更新；当处理彩色图像时，假定图像像素点红R、绿G、蓝B三色通道相互独立并具有相同的方差；
对于随机变量x的观测数据集{x1,x2,…,xN},xt＝(Rt,Gt,Bt)为t时刻像素的样本，其中t＝1～N，则单个采样点xt服从的混合高斯分布概率密度函数为：









其中，k为高斯分布的数量，i＝1～k；η(xt，μ(i,t)，τ(i,t))为第t时刻的第i个高斯分布的参数，μ(i,t)为其均值，τ(i,t)为其协方差矩阵，为其方差，I为三维单位矩阵，w(i,t)为第t时刻的第i个高斯分布的权重。


4.根据权利要求3所述的一种基于高斯混合模型与暗通道理论的水下图像恢复方法，其特征在于：在上述步骤(1)中，高斯混合模型进行目标提取的具体流程为：
(1.1)每个新像素值xt与当前k个模型按公式(4)进行比较，直至找到匹配新像素值的分布模型，即同该分布模型的均值偏差在2.5个σ以内；
|xt-μ(i,t-1)|≤2.5σ(4)
(1.2)当匹配的分布模型符合后景要求时，则该像素点属于后景；否则属于前景；
(1.3)将每个分布模型的权值按公式(5)进行更新，然后将每个分布模型的权重进行归一化；
w(k,t)＝(1-α)*w(k,t-1)+α*M(k,t)(5)其中，α是学习速率；对于匹配的分布模型设定M(k,t)＝1，否则M(k,t)＝0；
(1.4)未匹配的分布模型的均值μ与标准差σ不变，而匹配分布模型的参数根据以下公式进行更新；
ρ＝α*η(xt|(μk,σk))(6)
μt＝(1-ρ)*μt-1+ρ*xt(7)



(1.5)上述步骤(1.1)中没有匹配到任何分布模型的，则权重最小的分布模型被替换，即该分布模型的均值为当前像素值，标准差为初始较大值，权重为较小值；
(1.6)每个分布模型根据w/α2为标准，按降序排列，即权重大且标准差小的分布模型排列靠前；
(1.7)选择上述步骤(1.6)中前B个分布模型作为后景，且B满足公式：



其中，B为满足的最小高斯分布的个数，T为后景在分布模型中的比例阈值，表示在视频中背景出现的概率；
当T取值过小时，则只有极少数的分布模型满足后景条件，高斯混合模型将降为单高斯模型；当T取值较大时，则有更多的分布模型模拟后景模型，对动态背景的适应性也较强；如果当前像素点与B个分布模型中至少有一个匹配，则该像素点被判为后景AreaB的像素之一，否则判为前景AreaF的像素之一；最后所有的像素点构成后景AreaB和前景AreaF。


5.根据权利要求1所述的一种基于高斯混...

【专利技术属性】
技术研发人员：胡凯，张彦雯，刘佳，刘卿卿，刘云平，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32