一种基于自适应的大气光融合的水下图像复原方法

技术领域

本发明涉及图像处理技术领域，具体而言，尤其涉及一种基于自适应的大气光融合的水下图像复原方法。

背景技术

地球百分之七十以上的面积是海洋，海洋世界蕴含着大量的资源，在陆地人口暴增、资源日趋枯竭、环境急剧恶化等问题下，开发和保护海洋资源变得尤为重要。水下图像是海洋信息的重要载体，然而由于受到光的吸收和散射，水下图像通常会退化，改变了物体的真实颜色，质量很难达到令人满意的效果，这就严重制约了图像在水下作业中的应用和发展。目前水下图像清晰化技术大致分为2类：水下图像增强方法和水下图像复原方法。

水下图像增强方法不考虑图像的成像机制，只关注如何通过调整图像的像素值来改善视觉质量。虽然现在有不少的增强方法可以实现对水下图像质量的改善，但是这些方法不考虑水下图像退化的物理过程，一般只是增强视觉感受，偏向于人的主观判断，丢失的细节信息不会得到修复。而水下图像复原方法考虑水下图像的成像机制并建立有效的水下图像退化模型，通过物理模型和先验知识推导复原参数，了解整个图像的退化过程使水下图像恢复到退化前的状态。

目前，大部分基于物理模型的图像复原方法都需要处理较长时间，不能应用于实际环境，鲁棒性和场景适应能力不足，对于不同类型的退化图像进行复原时不能做出自适应调整。

发明内容

根据上述提出的技术问题，提供一种基于自适应的大气光融合的水下图像复原方法。本发明利用四叉树搜索法确定候选的大气光值，对大气光值进行自适应的融合，求取饱和度，通过水下图像复原模型求取粗糙的透射图，然后对透射图进行细化，求出初步复原图，最后进行自动色阶，得到最终复原图。

本发明采用的技术手段如下：

一种基于自适应的大气光融合的水下图像复原方法，包括以下步骤：

步骤S01：获取原始图像，对原始图像创建水下图像复原模型；

步骤S02：利用红色暗通道先验知识求取红通道反转后的红暗通道图；

步骤S03：利用四叉树搜索法求取第一个和第二个大气光值，取红暗通道图中所有像素里最大的0.1％像素值的均值作为第三个大气光值，对三个大气光值进行融合得到全局大气光值；

步骤S04：对原始图像进行饱和度估计；

步骤S05：根据步骤S03得到的全局大气光值和步骤S04得到的饱和度，应用暗通道先验知识，求解粗糙的透射图；

步骤S06：通过导向滤波对粗糙的透射图进行分解并细化，得到细化透射图；

步骤S07：把步骤S03得到的全局大气光值和步骤S05得到的细化透射图代入到水下图像复原模型中，得到初始复原图像；

步骤S08：对初始复原图进行自动色阶，得到最终的复原图。

进一步地，步骤S01中的水下图像复原模型为：

I

其中，I

进一步地，步骤S02中求红色暗通道图时用到的红色暗通道先验知识的公式为：

其中，x,y表示不同的像素位置，J

进一步地，步骤S03中对三个大气光值进行融合包括以下步骤：

步骤S31：将原始图像均匀的分割为四个区域，计算每个区域的得分，在求取第一个大气光值时，将每个区域的得分定义为该区域内像素值的方差的最小值，从四个区域中选择得分最高的区域，将该区域再均匀的分割为四个区域，继续选择得分最高的区域，直到满足结束条件

其中，c为红通道、绿通道、蓝通道之一；ε

第二个大气光值B

在计算B

C

其中，I

步骤S32：取红暗通道图中所有像素里最大的0.1％像素值的均值作为第三个大气光值B3；

步骤S33：通过两个自适应的参数α和β对B

其中，grI是原始图像的灰度图；I

S(a,v)＝[1+e

其中，s是一个经验常数，取值为32；对B

B＝β(αB

进一步地，步骤S04中的饱和度估计公式如下：

其中，RGB表示图像的红绿蓝三个通道，max()函数在式中表示取RGB 通道的最大值，min()函数在式中表示取RGB通道的最小值；加入饱和度分量后，红色暗通道先验知识被修正为：

其中，J

进一步地，步骤S05中求解粗糙透射图的公式如下：

其中，B

进一步地，步骤S06中求取细化透射图包括以下步骤：

步骤S61：对步骤S05中的粗糙透射图进行导向滤波处理，得到内容图，导向滤波的公式如下：

c＝guided_filter(I,p,r,eps)

其中，I是指原始图像的灰度图；p是粗糙透射图，r是局部窗口半径，取值为22，eps是正则化参数，取值为0.0001；

步骤S62：对粗糙透射图进行分解，得到轮廓图，此时，粗糙透射图被分解成内容图和轮廓图，分解过程采用的公式如下：

d＝t–c

其中，d表示轮廓图，t表示粗糙透射图，c表示步骤S61中求得的内容图；

步骤S63：利用基于局部方差的锐化公式，对轮廓图进行细节的优化，假定x

其中，μ

V＝var(t)

D＝(1+v

其中，V表示粗糙透射图的局部方差；D表示细化后的轮廓图；

步骤S64：对内容图和轮廓图进行融合，得到细化的透射图，融合的公式如下：

t＝c+D

其中，c是步骤S61中求得的内容图，D是步骤S63中优化的轮廓图。

进一步地，步骤S07中求解初始复原图像的公式如下：

其中，J

较现有技术相比，本发明具有以下优点：

1、为了解决在复原方法中由于对大气光值估计的不准确引起的颜色失真问题，本发明根据原始图像特点对大气光值进行求取，并根据图像的亮度以及红通道像素值的大小进行自适应的融合，无论是对于偏蓝、偏绿、偏蓝绿等其他色偏，都可以准确的求取大气光值，使得复原图像具有较好的颜色保真性。

2、本发明将粗糙透射图进行分解，利用基于局部方差的方法对轮廓图进行锐化，然后进行融合，使得透射图的细节信息加强，最后使复原图像的清晰度得到大幅地提升。

基于上述理由本发明可在图像处理等领域广泛推广。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的流程示意图。

图2为本发明与其他方法针对潜水员图像的复原效果对比图，其中(a) 表示复原前初始图像，(b)表示使用ULAP方法处理的结果图，(c)表示使用RGHS方法处理的结果图，(d)表示使用IBLA方法处理的结果图，(e) 表示使用本发明所述复原方法处理的结果图。

图3为本发明与其他方法针对鱼群图像的复原效果对比图，其中(a)表示复原前初始图像，(b)表示使用IBLA方法处理的结果图，(c)表示使用RGHS方法处理的结果图，(d)表示使用ULAP方法处理的结果图，(e) 表示使用本发明所述复原方法处理的结果图。

图4为本发明与其他方法针对石斑鱼图像的复原效果对比图，其中(a) 表示复原前初始图像，(b)表示使用IBLA方法处理的结果图，(c)表示使用RGHS方法处理的结果图，(d)表示使用ULAP方法处理的结果图， (e)表示使用本发明所述复原方法处理的结果图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

如图1所示，本发明提供了一种基于自适应的大气光融合的水下图像复原方法，包括以下步骤：

步骤S01：获取原始图像，对原始图像创建水下图像复原模型；

步骤S01中的水下图像复原模型为：

I

其中，I

步骤S02：利用红色暗通道先验知识求取红通道反转后的红暗通道图；

步骤S02中求红色暗通道图时用到的红色暗通道先验知识的公式为：

其中，x,y表示不同的像素位置，J

步骤S03：利用四叉树搜索法求取第一个和第二个大气光值，取红暗通道图中所有像素里最大的0.1％像素值的均值作为第三个大气光值，对三个大气光值进行融合得到全局大气光值；

步骤S03中对三个大气光值进行融合包括以下步骤：

步骤S31：将原始图像均匀的分割为四个区域，计算每个区域的得分，在求取第一个大气光值时，将每个区域的得分定义为该区域内像素值的方差的最小值，从四个区域中选择得分最高的区域，将该区域再均匀的分割为四个区域，继续选择得分最高的区域，直到满足结束条件

其中，c为红通道、绿通道、蓝通道之一；ε

第二个大气光值B

在计算B

C

其中，I

步骤S32：取红暗通道图中所有像素里最大的0.1％像素值的均值作为第三个大气光值B3；

步骤S33：通过两个自适应的参数α和β对B

其中，grI是原始图像的灰度图；I

S(a,v)＝[1+e

其中，s是一个经验常数，取值为32；对B

B＝β(αB

步骤S04：对原始图像进行饱和度估计；

步骤S04中的饱和度估计公式如下：

其中，RGB表示图像的红绿蓝三个通道，max()函数在式中表示取RGB 通道的最大值，min()函数在式中表示取RGB通道的最小值；加入饱和度分量后，红色暗通道先验知识被修正为：

其中，J

步骤S05：根据步骤S03得到的全局大气光值和步骤S04得到的饱和度，应用暗通道先验知识，求解粗糙的透射图；

步骤S05中求解粗糙透射图的公式如下：

其中，B

步骤S06：通过导向滤波对粗糙的透射图进行分解并细化，得到细化透射图；

步骤S06中求取细化透射图包括以下步骤：

步骤S61：对步骤S05中的粗糙透射图进行导向滤波处理，得到内容图，导向滤波的公式如下：

c＝guided_filter(I,p,r,eps)

其中，I是指原始图像的灰度图；p是粗糙透射图，r是局部窗口半径，取值为22，eps是正则化参数，取值为0.0001；

步骤S62：对粗糙透射图进行分解，得到轮廓图，此时，粗糙透射图被分解成内容图和轮廓图，分解过程采用的公式如下：

d＝t–c

其中，d表示轮廓图，t表示粗糙透射图，c表示步骤S61中求得的内容图；

步骤S63：利用基于局部方差的锐化公式，对轮廓图进行细节的优化，假定x

其中，μ

V＝var(t)

D＝(1+v

其中，V表示粗糙透射图的局部方差；D表示细化后的轮廓图；

步骤S64：对内容图和轮廓图进行融合，得到细化的透射图，融合的公式如下：

t＝c+D

其中，c是步骤S61中求得的内容图，D是步骤S63中优化的轮廓图；

步骤S07：把步骤S03得到的全局大气光值和步骤S05得到的细化透射图代入到水下图像复原模型中，得到初始复原图像；

步骤S07中求解初始复原图像的公式如下：

其中，J

步骤S08：对初始复原图进行自动色阶，得到最终的复原图。

为了验证本发明去雾的有效性，本实施例选取不同场景的水下图像作为测试集，同时与IBLA(Underwater Image Restoration Based on Image Blurriness and LightAbsorption)方法、RGHS(Shallow-Water Image Enhancement Using Relative GlobalHistogram Stretching Based on Adaptive Parameter Acquisition)方法、ULAP(ARapid Scene Depth Estimation Model Based on Underwater Light AttenuationPrior for Underwater Image Restoration)方法的实验结果从定性和定量两方面进行对比分析。

如图2所示，本发明提供了与其他方法针对潜水员图像的复原效果对比图，从实验效果图可以看出，四种方法均一定程度上恢复了水下图像，提高了水下图像的对比度。但是ULAP方法的复原效果较差，相比于原图，ULAP 方法的结果图色彩偏置问题更严重，且远景部分的对比度没有得到增强。 IBLA方法和RGHS方法虽然在一定程度上提高了远景部分的对比度，但 RGHS方法色偏去除不彻底，IBLA方法处理后前景的细节信息丢失且不清晰。本发明方法处理的水下图像相比于其他方法更好的解决了色彩偏色问题，提高了水下图像中远景部分和近景部分的对比度。因此本发明具有较好的复原效果，有效地的解决了水下图像偏色问题，提高全局对比度和清晰度，实现了细节增强和色彩保真性。

如图3所示，本发明提供了与其他方法针对鱼群图像的复原效果对比图，从实验效果图可以看出，四种方法均一定程度上恢复了水下图像，提高了水下图像的对比度。但是ULAP方法的复原效果较差，相比于原图，ULAP方法的结果图偏黄色，且远景部分的对比度没有得到增强。IBLA方法和RGHS 方法虽然在一定程度上提高了远景部分的对比度，但RGHS方法色偏去除不彻底，IBLA方法处理后前景的细节信息丢失且不清晰。本发明方法处理的水下图像相比于其他方法更好的解决了色彩偏色问题，提高了水下图像中远景部分和近景部分的对比度。因此本发明具有较好的复原效果，有效地的解决了水下图像偏色问题，提高全局对比度和清晰度，实现了细节增强和色彩保真性。

如图4所示，本发明提供了与其他方法针对石斑鱼图像的复原效果对比图，从实验效果图可以看出，四种方法均一定程度上恢复了水下图像，提高了水下图像的对比度。但是ULAP方法的复原效果较差，相比于原图，ULAP 方法的结果图色偏更严重，且远景部分的对比度没有得到增强。IBLA方法和 RGHS方法虽然在一定程度上提高了远景部分的对比度，但RGHS方法色偏去除不彻底，IBLA方法处理后前景的细节信息丢失且过曝光。本发明方法处理的水下图像相比于其他方法更好的解决了色彩偏色问题，提高了水下图像中远景部分和近景部分的对比度。因此本发明具有较好的复原效果，有效地的解决了水下图像偏色问题，提高全局对比度和清晰度，实现了细节增强和色彩保真性。

本实施例从平均梯度和UIQM两种客观指标对不同方法的实验结果进行对比；从表1和表2数据可知，IBLA方法、RGHS方法、ULAP方法和本发明的平均梯度和UIQM均大于原始图像；虽然三种方法的UIQM均大于原始图像，但是结果的平均梯度提升并不大，这表明IBLA方法、RGHS方法、 ULAP方法虽然能一定程度上改善图像的质量，但是清晰度和对比度还不够，且存在色偏去除不彻底的问题。本发明采用自适应的大气光融合的方式更加准确的求取大气光值，可以有效的解决色偏问题，引导滤波不仅有效保持边缘还增强细节，自动色阶处理，使得对比度得到提升。因此本发明对于原图像的平均梯度和UIQM都有较大的提升，且优于其它水下图像复原方法。

表1本发明方法和其他方法处理结果的平均梯度AG对比

表2本发明方法和其他方法处理结果的UIQM对比

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的范围。