一种基于朗伯比尔定律的水下图像增强方法

1.本发明属于水下图像增强领域，具体为一种基于朗伯比尔定律的水下图像增强方法。


背景技术：

2.由于水下环境的物理特性，水下光强度很容易受到两个因素的影响。首先，光在水中传播的距离越长，能量衰减越大，导致图像细节丢失。其次，红光的波长最长或能量最小，因此在水中吸收更多，而绿光和蓝光的特性相反，导致水下图像偏绿或偏蓝。为了解决这些问题，已经开发了许多方法来增强退化的水下图像，它们可以分为以下三种主要类型：(1)无模型方法。singh等人提出了一种基于多尺度融合的方法，通过混合白平衡和对比度增强的输入及其色度、显着性、亮度的权重图来增强水下图像的可见性。ancuti等人提出了一种基于多尺度融合原理的基于单幅图像的替代解决方案，从原始图像的颜色校正和对比度增强版本中获取两个输入，并定义了四个权重图以增加可见性远处的物体。lu等人首先使用基于自相似性的超分辨率方法获得高分辨率的散射和去散射图像，然后应用凸融合规则恢复最终图像。通常，这些方法可以改善水下图像的整体对比度和边缘清晰度，但是存在色偏。(2)基于模型的方法。fu等人提出了一种基于retinex的增强方法来增强单个水下图像。该方法使用颜色校正方案去除色偏，然后提出变分retinex框架来增强反射率和照度，通过交替方向优化来解决。zhang等人提出了一种用于水下图像增强的多尺度retinex系统，它在cielab颜色空间的三个通道上利用双边滤波器和三边滤波器的组合。此外，li等人提出了一种基于蓝绿通道去雾和红通道校正的水下图像恢复方法。虽然这些方法提升了水下图像的细节，但它们往往会过度放大噪声并导致颜色失真。(3)基于深度学习的方法。perez等人提出了一种基于cnn的网络，该网络是增强水下图像的端到端框架。li等人提出了watergan，一种生成对抗网络(gan)来生成逼真的水下图像，它涉及水下图像去雾方法和对比度增强算法。由于缺乏水下数据集，这些基于深度学习的方法不能产生有希望的视觉效果，但会产生一些过饱和、细节不清晰和背景颜色不自然的不良结果。


技术实现要素：

3.发明目的：为了克服现有技术的不足，本发明提供一种简单高效的基于朗伯比尔定律的水下图像增强方法，在消除偏色的同时，增强了水下图像。
4.技术方案：本发明所述的一种基于朗伯比尔定律的水下图像增强方法，包括以下步骤：
5.(1)分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型；
6.(2)使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差；
7.(3)构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改
善的细节的图像区域；
8.(4)利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。
9.进一步地，步骤(1)所述的通过朗伯比尔定律增强水下图像实现过程如下：
10.水下图像的衰减比例通过朗伯比尔定律来描述，朗伯比尔定律如下：
[0011][0012]
其中，i是光的波长，l是光程长度，i
i
(l)是在视点上波长i的光强度，i
i,0
是光源处的光强度，ε
i
是不同波长的衰减系数；
[0013]
进入水面时的光强度视为光源处的光强度，如下所述：
[0014]
i
i,surface
＝i
i,0
[0015]
其中，i
i,surface
表示光源处的光强度，而i
i,0
表示光源处的光强度；
[0016]
通过以下等式描述水下成像中的朗伯比尔定律：
[0017][0018]
其中，l1是水下场景与相机之间的距离，l2是水面与水下场景之间的距离，l表示水下光路的总长度；找到各像素点的衰减比例关系就可以对水下图像进行增强及复原。
[0019]
进一步地，步骤(1)所述的水下图像增强模型为：
[0020][0021]
其中，是每个通道的增强结果；δ∈{r，g，b}，r、g、b分别是红绿蓝通道；是相机在水中捕获的退化水下图像；和分别是的δ通道均值和方差；和是通过平均每个δ通道的自然图像而得到的均值和方差；运算符“·”为点积；λ是一个与波长有关的常数，小于0；令b＝q
δ
,其中a旨在纠正水下图像的偏色，b是与水下图像的均值和方差相关联的线性模型，c非线性自适应权重函数。
[0022]
进一步地，步骤(2)所述的景物信息丰富的自然图像为图像中包括各种类型的具有足够数量的物体样品数据和色度、饱和度和对比度上色彩丰富的自然图像。
[0023]
进一步地，步骤(3)所述的线性模型是使用图像像素中心趋势和一组图像像素的离散度来确定：
[0024][0025]
其中，和分别为相机在水中捕获的退化水下每个通道图像均值和方差，τ为权重平均值和方差的调整参数。
[0026]
进一步地，步骤(4)所述的非线性自适应权重函数为：
[0027][0028]
其中，加快c的收敛速度。
[0029]
有益效果：与现有技术相比，本发明的有益效果：本发明针对水下图像偏色问题，提出一种基于朗伯比尔定律的水下图像增强方法，该方法简单高效，在消除偏色的同时，增强了水下图像。
附图说明
[0030]
图1为本发明的效果图，其中(a)为预先获取的原图像，(b)为经过颜色校正后的图像；(c)为采用本发明后的图像。
具体实施方式
[0031]
下面结合附图对本发明作进一步详细说明。
[0032]
本发明提供一种基于朗伯比尔定律的水下图像增强方法，通过beer
‑
lambert定律推导一个数学模型，来消除色偏并增强水下图像的细节。具体包括以下步骤：
[0033]
步骤1：分析水下图像成像过程，通过朗伯比尔定律增强水下图像，构建水下图像增强模型。
[0034]
水下图像的衰减比例可以通过朗伯比尔定律来描述，朗伯比尔定律如下。
[0035][0036]
其中，i是光的波长，l是光程长度，i
i
(l)是在视点上波长i的光强度，i
i,0
是光源处的光强度，ε
i
是不同波长的衰减系数。
[0037]
lambert
‑
beer定律中的衰减系数说明了水下图像的特征：首先，波长越长的光在水中的吸收速度越快，大多数水下图像通常显得带有绿色或蓝色调。其次，由于空气的衰减系数非常小，因此可以忽略空气中光的衰减。因此，进入水面时的光强度可以视为光源处的光强度，如下所述：
[0038]
i
i,surface
＝i
i,0
[0039]
其中i
i,surface
表示光源处的光强度，而i
i,0
表示光源处的光强度。
[0040]
因此，可以通过以下等式描述水下成像中的朗伯比尔定律：
[0041][0042]
其中l1是水下场景与相机之间的距离，l2是水面与水下场景之间的距离，l表示水下光路的总长度。
[0043]
因此，只要找到各像素点的衰减比例关系就可以对水下图像进行较好的增强及复原。
[0044]
本发明提出了一个有效的模型来增强单个水下图像，该模型基于两个假设：(1)相机可以从某个位置捕获的光能与图像的相应像素值成比例。(2)机可以从某个位置捕获的光能与图像的相应像素值成比例。(2)是单色光在一定距离后传播的能量。是相机可以在相同距离处捕获的能量。建立了用于增强水下图像的模型：
[0045]
[0046]
其中，是每个通道的增强结果；δ∈{r，g，b}，r、g、b分别是红绿蓝通道；是相机在水中捕获的退化水下图像；和分别是的均值和方差；和是通过平均每个通道中的自然图像而得到的均值和方差；运算符“·”为点积；λ是一个与波长有关的常数，小于0；令b＝q
δ
,其中a旨在纠正水下图像的偏色，b是与水下图像的均值和方差相关联的线性模型，c非线性自适应权重函数。
[0047]
步骤2：使用景物信息丰富的自然图像的统计均值和方差来校正水下图像的均值和方差。
[0048]
首先从互联网上下载10000张自然图像，然后基于理想自然图像数据集的两个关键属性，选择景物信息丰富的自然图像作为水下图像增强的参考：(1)图片中包括各种类型的具有足够数量的物体样品数据。(2)色度，饱和度和对比度上的色彩丰富。然后，计算自然图像的均值及其分布以校正水下图像的均值及其分布。
[0049]
步骤3：构建与水下图像的均值和方差相关联的线性模型，用于定位包含更多无法改善的细节的图像区域。
[0050]
使用图像像素中心趋势(均值)和一组图像像素的离散度(方差)的度量来定位包含更多细节的图像区域：
[0051][0052]
其中，τ是权重平均值和方差的调整参数。
[0053]
步骤4：利用定位信息加入非线性自适应权重函数，改善水下图像细节并防止其余细节失真。
[0054]
权重函数的表达式定义如下：
[0055][0056]
其中，加快c的收敛速度。
[0057]
与现有的方式不同，本发明提出了一个简单而有效的模型，通过朗伯比尔定律来对增强水下图像；采用10000张自然图像的均值和方差作为参考对水下图像进行色彩校正，使水下图像的色彩更加自然；建立了一个与水下图像的均值和方差相关的线性模型来定位包含更多细节的图像区域，然后提出了一种利用该定位信息的非线性自适应权重策略来恢复更好的细节并防止局部过度增强；该模型是在像素到像素的操作上执行的，可以减少水下图像增强的运行时间，以满足实时性要求。
[0058]
图1为本发明的效果图，其中(a)为预先获取的原图像，(b)为经过颜色校正后的图像；(c)为采用本发明后的图像。从图1可以看出我们的颜色校正算法对水下图像进行了初步处理，全局性解决了偏色问题，增强算法，对图像的整体清晰度做出了增强，使得处理后的图像细节更加清晰。