【技术实现步骤摘要】
基于结构分解的水下图像增强方法、系统及存储介质
[0001]本申请涉及图像增强的
,尤其是涉及一种基于结构分解的水下图像增强方法、系统及存储介质。
技术介绍
[0002]近年来,水下环境监测、海洋资源开发和海洋军事等领域蓬勃发展。然而,原始的水下图像由于颜色失真、模糊、对比度不足等问题无法满足视觉任务需要。因此,水下成像技术在国内外得到了广泛的关注和研究,并被应用到各种人类水下活动。例如,水下自主航线器、水下物体抓取、深海勘探和海床测绘等水下活动均非常依赖于高清晰度、高质量的水下图像。
[0003]由于水下环境复杂,拍摄得到的水下图像通常会出现低对比度、颜色失真和雾化效应等视觉失真。从空气中进入水下的光会被水吸收,并且发生散射;而散射的发生一般是由于水中的悬浮粒子造成,光进入水中后会被悬浮粒子反射到不同的方向。水的介质会根据不同颜色光的波长进行吸收,从而降低光的能量。光进入水中以后,由于红光的波长较长,容易被水吸收。通常在水下2米拍摄的水下图像可以明显地观察到红光的衰减;而蓝光和绿光的波长较短,不易被水吸收;因此,在深水位置拍摄到的水下图像通常是呈蓝绿色调。相反,在浅水位置拍摄到的水下图像一般会出现雾化效应,水中的杂质会加深这种现象,一般距离相机10米之外拍摄的物体很难分辨。为了克服这些失真,需要对水下图像进行增强,进而提高其视觉质量。
[0004]水下图像的增强主要有三种方法,分别是:物理模型方法、非物理模型方法和深度学习方法。目前采用较多的为通过深度学习技术来增强恢复水下图像。设计端到端的网 ...
【技术保护点】
【技术特征摘要】
1.一种基于结构分解的水下图像增强方法,其特征在于,包括:获取原始的第一水下图像;将原始的第一水下图像分解为第一高频信息HFI和第一低频信息LFI;完成训练的UWCNN
‑
SD网络模型包括初步增强网络模型,所述初步增强网络模型包括LF增强网络模型和HF增强网络模型;将第一高频信息HFI输入至完成训练的HF增强网络模型中以得到增强后的第一增强高频信息,将第一低频信息LFI输入至完成训练的LF增强网络模型中以得到增强后的第一增强低频信息;将增强后的第一增强高频信息与增强后的第一增强低频信息通过像素级的相加得到初步增强的第一增强水下图像。2.根据权利要求1所述的基于结构分解的水下图像增强方法,其特征在于,关于UWCNN
‑
SD网络模型的构建方法为:获取原始的第二水下图像以及与原始的第二水下图像一一对应的第一标准图像;将原始的第二水下图像分解为第二高频信息HFI和第二低频信息LFI;待训练的UWCNN
‑
SD网络模型包括初步增强网络模型,所述初步增强网络模型包括LF增强网络模型和HF增强网络模型;将第二高频信息HFI输入至待训练的HF增强网络模型中以得到增强后的第二增强高频信息,将第二低频信息LFI输入至待训练的LF增强网络模型中以得到增强后的第二增强低频信息;将增强后的第二增强高频信息与增强后的第二增强低频信息通过像素级的相加得到初步增强的第二增强水下图像;计算初步增强的第二增强水下图像与第一标准图像的差;通过极小化误差的方法反向传播调整权值矩阵得到完成训练的UWCNN
‑
SD网络模型。3.根据权利要求1所述的基于结构分解的水下图像增强方法,其特征在于,使用DCT方法将原始的水下图像分解为第一高频信息HFI和第一低频信息LFI。4.根据权利要求1所述的基于结构分解的水下图像增强方法,其特征在于,所述LF增强网络模型包括联合估计网络子模型,将第一低频信息LFI作为联合估计网络子模型的输入以得到K
λ
;定义高频信息为I
hf
(x,y),低频信息为I
lf
(x,y),则I(x,y)=I
hf
(x,y)+I
lf
(x,y);水下成像模型可以表示为:I
λ
(x,y)=J
λ
(x,y)T
λ
(x,y)+B
λ
(1
‑
T
λ
(x,y));其中,I
λ
(x,y)表示原始的水下图像,J
λ
(x,y)表示增强后的水下图像,T
λ
(x,y)表示透射图,B
λ
表示背景光;变换水下成型模型得出清晰的水下图像,清晰的水下图像可以表示为:则增强后的高频信息LFI可以表示为:
其中,5.根据权利要求1所述的基于结构分解的水下图像增强方法,其特征在于,所述完成训练的UWCNN
‑
SD网络模...
【专利技术属性】
技术研发人员:骆挺,吴圣聪,徐海勇,宋洋,
申请(专利权)人:宁波大学科学技术学院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。