水下图像增强与复原技术进展与展望

近年来,水下图像增强与复原技术已成为促进水下目标检测、海洋生物识别、海底测绘等领域发展的重要手段,具有重要的学术意义与应用价值.首先,回顾并分析了水下成像机理,同时指出了当前水下成像技术由硬件设备、气候约束、人造光源以及粒子干扰这4个方面所带来的难点与挑战;其次,全面介绍了水下图像增强与复原技术相关工作,分析了2种技术的联系与区别,同时从技术路线的角度对当前主流水下图像增强与复原方法进行了详细的分类与讨论,并通过实验指明了不同分类方法的各自特点;再次,总结了常用的水下图像数据集与图像评价指标,从数据支撑以及质量评估的方面为当前水下图像增强与复原工作提供了全面翔实的技术指导;最后,预测并分析了未来水下图像增强与复原技术在应用场景、降质方式以及评价指标3个方面的可行发展方向,尤其指明了当前人工智能在水下图像增强与复原领域中所能发挥的巨大潜力以及实用价值.

水下图像增强复原对深度学习目标检测精度的影响研究

因水下环境的特殊性,水下光学图像往往存在色偏、模糊、对比度低等退化现象。为恢复颜色正常、清晰的水下图像,大量的水下图像增强复原方法已被提出,但是现有的水下图像增强复原方法主要以提高水下图像的视觉效果为直接目标,对基于深度学习的水下目标检测精度的影响尚不明确。因此,使用14种典型的水下图像增强复原方法和3种典型的基于深度学习的目标检测模型,在URPC2018和URPC2019数据集上从训练集与测试集的域差异、训练集的域数量、训练集的图像数量等方面,详细深入地探讨图像增强复原方法对基于深度学习的目标检测模型精度的影响,并自建数据集进行跨数据集测试。实验结果表明,在训练集和测试集均属同一数据集时,水下图像增强复原方法无论作为图像预处理方法还是数据增强方法,对深度学习目标检测精度的提升都无明显效果,但是在跨数据集检测时,借助水下图像增强复原方法能够大幅提升深度学习目标检测精度,mAP最高可提高13.6个百分点。

基于水体衰减系数反演的水下图像复原方法

光在水中传输时容易受到水体和水中微粒的吸收和散射作用,造成成像模糊和颜色失真,导致水下图像质量有待提高。提出一种基于水体衰减系数反演的图像复原新方法,不预设水体类型和波长值,而是通过图像反演求得最符合图像特征的衰减系数。对图像去除垂直衰减色差,使描述水下图像强度规律的先验信息能更准确地反映水平方向的光传输特性,提升背景光估计和场景深度估计的准确性。利用水下图像的雾化模糊特征、红通道分量衰减特征以及通道间衰减差异特征得到水下图像场景深度的融合估计结果,依据像素场景深度与水下成像模型,通过非线性拟合直接反演出水下图像的衰减系数,并基于灰度世界假设对衰减系数进行优化,以完成传输率求解,实现图像复原。最后,使用非锐化掩膜增强图像,凸显细节信息,提升视觉效果。实验结果表明,与SMBOT、IBLA、ULAP、UDCP方法相比,该方法在RUIE数据集上的复原图像信息熵平均值分别提升了4.9%、5.4%、9.2%、17.9%,能较好地提升图像整体视觉效果。

基于改进引导滤波算法的水下图像复原

针对水下图像对比度低,细节模糊,存在颜色偏差的问题,提出一种基于改进引导滤波的水下图像复原算法。将红通道进行反转得到新的水下模型,利用红色暗通道图估计背景光;通过饱和度估计粗透射率图,利用改进的引导滤波算法对透射率图进行细化;对恢复后的图像进行图像增强处理。使用该算法与几种水下图像处理算法对多种水下环境中的图像进行处理,比较视觉效果和UCIQE等评价指标。实验结果表明,算法可以有效复原出清晰图像,校正颜色失真,提高对比度,增强细节,且对人工光源区域也同样适用。

Classical and state-of-the-art approaches for underwater image defogging: a comprehensive survey

In underwater scenes,the quality of the video and image acquired by the underwater imaging system suffers from severe degradation,influencing target detection and recognition.Thus,restoring real scenes from blurred videos and images is of great significance.Owing to the light absorption and scattering by suspended particles,the images acquired often have poor visibility,including color shift,low contrast,noise,and blurring issues.This paper aims to classify and compare some of the significant technologies in underwater image defogging,presenting a comprehensive picture of the current research landscape for researchers.First we analyze the reasons for degradation of underwater images and the underwater optical imaging model.Then we classify the underwater image defogging technologies into three categories,including image restoration approaches,image enhancement approaches,and deep learning approaches.Afterward,we present the objective evaluation metrics and analyze the state-of-the-art approaches.Finally,we summarize the shortcomings of the defogging approaches for underwater images and propose seven research directions.

水下图像处理软件与质量评价系统设计

针对水下图像模糊不清、水下图像增强与复原算法选择与图像质量评价问题,采用Python程序对几种经典的水下图像处理算法原理进行了分析与仿真复现,通过将算法、程序与图像质量评价指标相结合,设计了一款水下图像处理软件。软件可综合实现各类水下图像的处理,也可以为不同类型的水下图像选取合适的水下图像处理算法。设计的水下图像处理软件使用简单,操作方便,可以实现经典水下图像处理算法的可视化和客观质量评价,便于人们对水下图像处理算法的理解与分析。

基于小波变换的水下降质图像复原算法

根据水下成像的物理模型,提出一种基于小波变换的水下降质图像清晰化处理算法。该算法将RGB图像转换为YUV图像,根据图像的对比度,对亮度Y图像利用小波变换自适应估计介质散射光的大小,增强水下降质图像的对比度,并在小波变换的低频子带上进行非线性亮度调节,消除水下图像的光照不均问题,将亮度Y图像的处理结果与颜色分量U、V合成得到清晰的水下彩色图像。实验结果表明,该算法可以自适应实现水下观测图像的清晰化处理。

水下图像处理技术研究综述

随着自主式水下机器人的发展,水下探测技术成为新的研究热点。然而,吸收效应和散射效应导致水下获取的图像存在雾化和色彩偏差等缺陷。降质的水下图像在一定程度上降低了水下目标识别的准确性。为了改善水下图像质量,国内外学者对水下图像处理方法进行了深入研究。因水下图像处理方法对提升水下目标识别准确性具有良好的促进作用,故其具有重要的研究与分析价值。介绍了水下成像模型,分析了水下图像视觉质量下降的原理;根据水下物理成像模型将水下图像处理方法分为水下图像增强与水下图像复原,并分别对两类方法的研究现状进行分析与归纳;最后,总结与讨论了各类方法的优缺点,并展望了未来的发展方向。

深度学习驱动的水下图像增强与复原研究进展

水下图像是水下信息的重要载体和呈现方式,对海洋资源的探索、开发、利用具有至关重要的作用。然而,由于客观成像环境和设备的限制,水下图像质量总是差强人意,具有对比度低、细节模糊、颜色偏差等退化现象,严重制约相关领域的发展。因此,如何通过后期算法对退化的水下图像进行增强和复原越来越受到学者们的关注。近些年,随着深度学习技术的快速发展,基于深度学习的水下图像增强与复原技术取得了巨大进展。为了更加全面、立体地对现有方法进行梳理与归纳,紧跟最新研究进展,本文着重对深度学习驱动的水下图像增强与复原的方法和模型进行介绍,详细整理现有的水下图像数据集,分析现有基于深度学习方法的关键问题,并对未来发展方向进行展望。

水下光学图像处理研究进展

水下光学图像处理是水下设备完成深海探测和作业任务的重要依据。在简述了水下光学图像处理的研究背景、意义及其研究热点的基础上,该文从水下图像光照因素改善与颜色校正两个方面,详细综述了水下成像技术和水下图像清晰化算法的研究进展,重点论述了基于成像模型的图像复原方法和图像增强方法两个最为活跃的研究方向的研究现状。根据水下光学图像处理研究热点,分别从考虑光的前向折射,水下成像模型和图像增强算法结合,引入相关领域新型算法和提高图像处理实时性的角度,展望了水下光学图像处理研究的发展趋势。

水下图像增强和修复算法综述

因受到光线散射和吸收、水体杂质、人工光源等因素影响,水下成像质量较低,很难满足生产作业的需求,而水下图像的增强和复原技术有助于提升水下机器视觉的能力。为帮助研究者掌握水下图像处理领域的研究方法和现有技术,对水下图像增强和复原方法进行综述。首先对水下图像存在的主要退化类型进行分析;分别对水下图像增强、复原的经典方法和最新进展进行总结,系统梳理了水下图像质量评测体系和公开数据集;最后对水下图像处理未来的研究趋势进行了展望。

水下图像增强方法研究综述

水下图像增强是水下有人/无人设备完成深海探测任务的重要支撑技术。该技术综合应用信号处理、图像处理以及机器学习的相关理论知识以实现对水下图像的灵活增强。在简述了水下图像增强的研究背景、意义及热点问题的基础上,按照不基于成像模型、基于成像模型与基于学习3个方向对水下图像增强技术的发展进行了详细的论述,重点分析了不同方法的原理和技术特点。最后,根据水下图像增强技术的难点与目前面临的主要问题对研究方向和发展趋势进行了归纳和展望。

基于DCP和色差校正的浑浊水体图像增强方法

水下环境相对于空气环境,尤其是浑浊水体,成像条件更加恶劣,而对于很多水下工程,例如污水水下检测或者淡水湖泊鱼群定位,都需要良好的视觉条件才可以很好地完成任务。针对淡水湖泊、污染水域这类的浑浊水体,我们提出了一种基于DCP和色差校正的浑浊水体图像增强方法。该方法首先使用双边滤波器对图像进行去噪处理,然后根据暗通道先验(DCP)对图像进行去雾。最后在灰度世界理论的基础上结合对比度受限的自适应直方图均衡,对图像的对比度和色彩进行改善。为了验证算法的有效性,我们对浑浊水体的水下图像进行了处理,将处理结果与其他增强方法结果进行比较,同时使用水下评价标准对结果进行对比与分析。通过主观和客观两个方面的对比,验证该算法能够改善图像质量,使图像具有更好的色彩、对比度和更多的细节,这对水下作业具有重要意义。

基于图像融合及YOLOv3的水下生物目标识别研究

水下机器人在无约束环境下对水下生物目标检测过程中,水的光学特性会导致采集的图像对比度低、图像失真、噪声大等问题。提出了一种图像增强与恢复融合的图像处理算法。首先基于CLAHE算法对原图像进行色彩恢复处理,获得色彩恢复图像;然后基于对比度拉伸方法对原图像进行处理,获得对比度高的图像,并在此基础上使用基于拉普拉斯金字塔融合方法对上述处理的图像进行多尺度融合;最后采用基于深度学习算法的目标检测模型对增强后的图像进行训练和预测。处理后的图像相较于原始图像,模型检测准确率提升了约18%。该研究方法有助于实现水下机器人对水下生物的精准识别。

深度学习在水下成像技术中的应用(特邀)

近年来,我国海洋发展战略逐步兴起,水下成像技术在海洋工程、海洋资源开发及海洋环境保护等领域发挥日益重要的作用。同时,深度学习技术在图像处理领域获得广泛应用。本文在介绍深度学习基本概念的基础上,对其在水下成像技术中的最新应用研究进展进行了系统综述,针对深度学习在水下图像增强技术、水下图像复原技术、水下偏振成像技术、水下关联成像技术、水下光谱成像技术、水下压缩感知成像技术、水下激光成像技术及水下全息成像技术等典型水下成像场景中的应用特点及不足进行了分析对比,并对该技术的未来发展方向进行了展望。

水下图像增强和复原方法研究进展

目的近年来随着水下图像/视频在海洋军事、海洋环境保护和海洋工程等科研和工业领域扮演越来越重要的角色,水下图像增强和复原作为关键技术之一,越来越多地成为研究的热点和难点问题。目前有关水下图像增强和复原方法研究进展的综述论文在国内外相对较少,为使即将进入该研究领域的学者比较全面地了解该领域的研究现状,促进该领域的快速发展,本文对其系统综述。方法在广泛调研大量文献的基础上,按照是否基于物理模型对已有方法进行分类讨论,对其基本思想、方法特点、实验方法进行归纳和总结,其中对典型的方法进行具体介绍和分析。同时,介绍了水下图像质量的评测体系,针对典型方法的处理结果进行定性和定量的评测。进而,总结该研究领域目前存在的不足,展望未来可能的发展方向。结果总结了水下图像退化的原因、水下图像增强和复原所采用的主要技术和方法、水下图像质量评测体系的发展历程,给出了亟待解决的问题,展望了未来的发展方向。结论作为新兴的研究领域,水下图像增强和复原在工业界和学术界都具有广阔的应用前景和研究价值,但针对目前存在的一些局限性还需要进一步深入研究。

基于水下光照不均匀成像模型的图像清晰化算法

为了克服水下图像清晰度低和光照不均问题,首先在水下光照均匀成像模型的基础上建立水下光照不均匀条件下的成像模型,进而提出新的水下图像清晰化算法。在算法中,首先在小波变换低频子带上实现了介质散射光和光照变化混合图像的快速估计与去除,然后将得到的图像分割成亮斑区和散射区,并分别进行增强处理。实验结果表明,本文提出的算法可以显著降低处理时间;既能有效提高水下图像的清晰度,又能同时去除水下图像的光照不均问题;相邻视频帧处理结果具有良好的一致性。

水下光学图像重建方法研究进展

水下光学图像可以提供直观丰富的海洋信息,近年来在海洋资源开发、环境保护和海洋工程等诸多领域发挥越来越重要的作用。但是受恶劣复杂的水下成像环境影响,水下光学图像普遍存在对比度低、图像模糊以及颜色失真等质量退化问题,严重制约水下智能处理系统的性能和应用。如何清晰地重建水下光学图像是国内外广泛关注的、具有挑战性的难点问题。随着深度学习技术的蓬勃发展,利用深度学习来提升水下图像质量成为当前的研究热点。鉴于目前国内在水下光学图像重建方面的研究综述较少,本文全面综述其研究进展。分析了水下图像退化机理,总结了现有水下成像模型以及水下图像重建的挑战;梳理了水下光学图像重建方法的发展历程,根据是否采用深度学习以及是否基于成像模型,将现有方法分为4大类,并按照研究发展顺序,依次介绍4类方法的基本思想,分析其优缺点;归纳了目前公开的水下图像数据集以及常用的水下图像质量评价方法,并对8种典型的水下图像重建方法进行了性能评测和对比分析;总结了该领域目前仍存在的问题,展望了后续研究方向,以便于相关研究人员了解该领域的研究现状,促进该领域的技术发展。

水下视觉环境感知方法与技术

有效感知水下环境是水下机器人自主运动与作业的关键。本文首先对水下视觉环境感知的共性问题进行分析,总结了视觉退化和折射畸变两大共性问题对水下视觉成像产生的影响。其次,围绕如何应对上述挑战,分别从水下视觉恢复方法、水下3维视觉感知以及水下视野增强方法3个方面对国内外主流的水下视觉环境感知方法的研究现状展开综述。最后,对水下视觉环境感知的未来发展趋势进行展望,重点包括集群化视觉感知、多模态感知信息融合、仿生视觉感知等热点研究方向。

基于场景深度估计的自然光照水下图像增强方法

针对水下图像模糊、对比度低且色彩失真的问题,结合修正的水下成像模型,提出一种基于场景深度估计的自然光照水下图像增强方法.首先,依据自然光照条件下水下图像场景亮度与场景深度总体成正比的先验理论,对图像的亮度信息进行最小值滤波和软抠图处理以实现场景深度估计;然后,结合暗通道先验知识和场景深度信息进行离散像素点的后向散射分量估计,根据修正的水下成像模型来拟合和去除后向散射;最后,采用基于色适应的颜色校正方法对直接分量进行色偏校正,利用线性拉伸方法来提升图像的亮度和对比度.水下多场景条件下的实验结果表明,本文方法可有效地去除后向散射引起的雾样模糊,提高图像对比度并校正颜色偏差.