1 中国科学院光电技术研究所,四川 成都 610209
2 中国科学院光场调控科学技术全国重点实验室,四川 成都 610209
3 中国科学院大学电子电气与通信工程学院,北京 100049
4 中国科学院大学光电学院,北京 100049
针对水下图像因成像环境造成的色彩失真、对比度下降、模糊等问题,提出一种自适应水下图像增强算法。首先,基于Lab色彩空间的局部色偏和全局色偏对衰减颜色进行色彩补偿,再利用灰度世界算法恢复水下图像的色彩平衡。其次,使用自动色阶和伽马校正方法调整各通道信息,以获得高动态范围、高照度的图像。最后,通过反锐化掩膜方法获得高频信息并增强图像细节,从而获得清晰的水下图像。所提算法利用图像的色偏、均方差等统计信息,实现了自适应处理。实验结果表明,所提算法能有效去除水下图像色偏,提高图像对比度与清晰度,提升视觉效果。较之其他算法,其在处理效果及时间上均有优势。
图像处理 水下图像增强 色彩校正 对比度提升 细节增强 激光与光电子学进展
2024, 61(8): 0837001
设计了一种多阶段水下图像增强模型,可以同时将空间精细纹理和高级上下文信息两种特征融合。模型由三个阶段组成,前两个阶段采用编码器-解码器结构,第三阶段则采用并行注意子网,所提模型可以同时学习空间细节和上下文信息两种特征,并且引入了监督注意力模块,能够加强特征学习,还设计了一个跨阶段特征融合机制用来巩固前后子网的中间特征。最后将所提模型与其他水下增强模型在同一测试集上运行,从运行结果得出,所提模型处理后的水下图像在主观视觉效果和客观评价质量上均优于大部分对比算法,在Test-1测试集上,峰值信噪比和结构相似度分别达到了26.2962 dB和0.8267。
图像处理 水下图像增强 多阶段 空间细节 监督注意力 激光与光电子学进展
2024, 61(8): 0837003
1 南京信息工程大学, 南京 210000南京信息工程大学江苏省大气环境与装备技术协同创新中心, 南京 210000
2 南京信息工程大学, 南京 210000
针对水下图像颜色失真和细节丢失等问题, 提出了一种基于多尺度三重注意力机制的水下图像增强算法。该算法使用生成对抗网络作为基础架构, 生成网络采用编码解码结构, 并设计一个多尺度三重注意力模块, 多尺度结构和三重注意力机制结合可以实现不同层次信息的跨维度交互, 使网络更好地学习水下图像特征和抑制噪声特征, 判别网络采用类似马尔可夫判别器的结构; 构建了多个损失函数, 使生成的图像在结构、内容、色彩上和参考图像保持一致。实验结果表明, 所提算法在主观视觉和客观评价指标上均优于比较算法, 可以有效地提升网络的特征提取能力, 实现对不同场景水下图像的色彩恢复, 增强图像的对比度和清晰度。
水下图像增强 三重注意力 生成对抗网络 编码解码结构 多尺度结构 underwater image enhancement Triple Attention Generative Adversarial Network codec structure multi-scale structure
1 武警贵州省总队医院, 贵州贵阳 550005
2 云南开放大学城市建筑学院, 云南昆明650500
3 昆明理工大学信息工程与自动化学院, 云南昆明 650500
针对水下照明图像存在不均匀色偏、对比度低和细节模糊等问题, 提出了一种基于颜色校正的水下照明图像融合方法。首先利用图像通道间的像素相关性, 对红通道进行补偿; 然后基于颜色校正图像, 利用非线性反锐化掩蔽(Nonlinear unsharp masking)技术获得锐度增强图像, 采用具有瑞利分布的限制直方图获得全局拉伸图; 最后通过多尺度融合策略生成融合图像。在自建数据集(Real underwater lighting image, RULI)上的实验结果表明: 本文方法能够去除混合光照在成像过程中的不均匀散射干扰, 并大幅度提高图像的细节清晰度。其图像质量评估指标(Underwater image quality measures, UIQM)和(Image entropy, IE)的平均值分别为 4.7399和 7.7617, 优于现有文献涉及的相关算法。
水下图像增强 颜色校正 非线性反锐化掩蔽 多尺度融合 underwater image enhancement, color correction, no
大连理工大学 辽宁省微纳米系统重点实验室,辽宁大连116024
针对光线在水体中传播会受到吸收和散射影响,仅使用传统的强度相机获取水下图像存在成像结果亮度偏低、图像模糊、细节丢失等问题,将深度融合网络应用于水下偏振图像,即用深度学习的方法将水下偏振度图像与光强图像融合。分析水下主动偏振成像模型,搭建实验装置获取水下偏振图像构建训练数据集,并进行适当变换以扩充数据集。构建基于无监督学习和注意力机制引导的用于融合偏振度和光强图像的端到端学习框架,并对损失函数及权重参数进行阐述。使用制作的数据集在不同的损失权重参数下进行网络训练,基于不同的图像评价指标对融合后的图像进行评估。实验结果表明,融合后的水下图像细节更为丰富,相比于光强图像信息熵提升24.48%,标准差提升139%。相比于其他传统融合算法,该方法不需要人工调节权重参数,运算速度较快,具有较强的稳定性和自适应性,对于海洋探测、水下目标识别等领域的应用研究具有重要意义。
偏振成像 水下图像增强 图像融合 深度学习 polarization imaging underwater image enhancement image fusion deep learning 光学 精密工程
2023, 31(21): 3212
1 江苏科技大学机械工程学院, 江苏 镇江 212003
2 江苏科技大学江苏省船海机械先进制造及工艺重点实验室, 江苏 镇江 212003
针对海洋复杂成像环境导致的水下图像出现颜色衰退、对比度低等问题, 提出一种改进的带色彩恢复的多尺度视网膜(Multi-Scale Retinex with Color Restore, MSRCR)与限制对比度自适应直方图均衡化(Contrast Limited Adaptive Histogram Equalization, CLAHE)多尺度融合的水下图像增强算法。首先, 采用带有导向滤波的 MSRCR算法解决水下图像颜色衰退的问题; 其次, 采用带有 Gamma校正的 CLAHE算法以提高水下图像的对比度; 最后, 对经过改进的 MSRCR和 CLAHE处理后的图像进行多尺度融合以获得细节增强后的水下图像。实验结果表明, 和其他算法相比, 文中算法的峰值信噪比(Peak Signal to Noise Ratio, PSNR)平均提高了 9.3914、结构相似性(Structural Similarity Index Measure, SSIM)平均提高了 0.3013、水下图像评价指标(Underwater Image Quality Evaluation, UIQE)平均提高了 4.7047, 能实现水下图像的有效增强。
水下图像增强 CLAHE增强 带颜色恢复的多尺度 Retinex 导向滤波 Gamma校正 多尺度融合 underwater image enhancement CLAHE enhancement MSRCR guided filtering Gamma correction multi-scale fusion
1 辽宁工程技术大学电子与信息工程学院, 辽宁 葫芦岛 125000
2 沈阳理工大学自动化与电气工程学院, 沈阳 110000
针对水下图像存在雾气分布不均、光照不均等问题, 提出了全局特征双注意力融合对抗网络的水下图像增强算法。首先, 利用卷积层不断对输入图像进行下采样, 代替平均池化来提取输入图像的全局特征;其次, 通过构建全局特征双注意力融合模块, 以适应多变的水体环境, 更有效地增强不同分布程度的水下图像;最后, 在训练中加入条件信息作为限制, 提升网络的稳定性。实验结果表明, 所提算法与其他经典及最新算法相比具有优势, 表明其具有良好的图像增强效果。
水下图像增强 条件生成对抗网络 全局特征提取 注意力机制 underwater image enhancement conditional generative adversarial network global feature extraction attention mechanism