【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种水下图像增强方法、系统、计算机设备及存储介质。
技术介绍
1、海洋、河流和湖泊中丰富的生物资源、矿物资源以及空间资源吸引了大量想要获取研究价值和商业价值研究者的关注，水下图像是该研究领域的重要信息来源。
2、然而，由于水下环境的特殊性以及光在水中传播时所受到的吸收和散射效应的影响，水下图像会出现细节模糊、颜色失真以及对比度下降的问题。细节模糊、颜色失真以及对比度下降会严重地降低水下图像的质量，不仅会影响水下目标检测、自动导航以及环境监测以水下图像作为输入的视觉应用的性能，而且也会降低搭载有成像系统的水下航行器和机器人的探索效率。
3、近年来，随着计算机视觉和深度学习技术的发展，水下图像增强方法取得了显著的进步。目前现有采用深度学习网络的水下图像增强方法可以从大规模水下图像数据集中学习先验信息，从而有针对性地根据水下图像的退化类型增强水下图像的质量。
4、例如申请公布号为cn111275644 a的专利申请文件公开了一种基于retinex算法的水下图像增强方法，采用白平衡处理算法和lab色彩空间下的单通道retinex算法对水下图像进行增强处理，起到色彩校正和边缘增强的效果，明显地提高了水下图像质量。但是该水下图像增强方法采用传统的滤波方法来增强l、a和b分量，会导致其水下图像增强方法不能灵活地应对各种复杂的水下环境，而且容易出现颜色失真、欠增强和过增强的问题。
5、综上目前现有的水下图像增强方法存在不能灵活地应对各种复杂的水下环境，而且容易出现颜
技术实现思路
1、本专利技术的目的在于提供一种水下图像增强方法、系统、计算机设备及存储介质，用于解决现有技术中不能灵活地应对各种复杂的水下环境，而且容易出现颜色失真、欠增强和过增强的问题。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面，本专利技术提供一种水下图像增强方法，该水下图像增强方法包括以下步骤：
4、1)对获取的原始水下图像进行图像色彩校正；
5、2)对步骤1)中图像色彩校正后的水下图像进行retinex分解，以获取反射分量和照度分量；
6、3)利用步骤2)中反射分量、照度分量以及图像色彩校正后的水下图像cielab空间色彩分量的增强分量，重建增强的水下图像。
7、本专利技术进一步的改进在于，步骤1)对获取的原始水下图像进行图像色彩校正的过程为：
8、a.计算原始水下图像各个颜色通道的平均像素值，计算公式为：
9、
10、其中，为原始水下图像各个颜色通道的平均像素值，h和w分别为原始水下图像的高度和宽度，ic为原始水下图像各个颜色通道的像素值，(i,j)为原始水下图像像素的空间位置坐标，c为rgb三通道中其中一个通道；
11、b.基于步骤a中平均像素值计算分位数，对水下图像的异常值进行截断，得到截断后的图像，分位数计算公式为：
12、
13、其中，qc为分位数，和分别为原始水下图像r通道、g通道和b通道的平均像素值；
14、c.将截断后的像素值拉伸到整个像素值域，并利用原始水下图像各个通道最大像素值调整各个通道的拉伸值，得到图像色彩校正后的水下图像，计算公式为：
15、
16、其中，icr为图像色彩校正后的水下图像，为原始水下图像各个通道最大像素值，为截断后的图像，和分别为截断后的图像各个通道像素值的最大值和最小值。
17、本专利技术进一步的改进在于，步骤2)采用最小化目标函数对步骤1)中图像色彩校正后的水下图像进行retinex分解。
18、本专利技术进一步的改进在于，所述最小化目标函数表达式为：
19、
20、其中，argmin为最小化目标函数，r和i分别为反射分量和照度分量，l为图像色彩校正后的水下图像cielab空间亮度分量，ψ(i)和φ(r)为相应的正则项，为逐元素相乘，i0为对图像色彩校正后的水下图像cielab空间亮度分量进行高斯低通滤波的结果，β、α和γ均为可学习的参数，所述ψ(i)的计算公式为：
21、
22、其中，dx和dy分别为水平方向和垂直方向的差分算子，w为权重矩阵，所述w的计算公式为：
23、
24、其中，lx和ly为采用prewitt算子分别作用于水下图像cielab空间亮度分量水平方向和垂直方向得到的梯度图。
25、本专利技术进一步的改进在于，所述反射分量采用深度神经网络进行计算。
26、本专利技术进一步的改进在于，所述照度分量采用单步梯度下降算法进行计算，所述照度分量的计算公式为：
27、
28、其中，δ、α和γ均为可学习的参数，i(t+1)为第t+1次迭代之后的照度分量，i(t)为第t次迭代之后的照度分量，dx和dy分别为水平方向和竖直方向的差分算子，和分别为水平方向和竖直方向的差分算子的转置矩阵。
29、本专利技术进一步的改进在于，步骤3)采用分层式u-transformer模型重建增强的水下图像。
30、第二方面，本专利技术提供一种水下图像增强系统，该水下图像增强系统包括图像色彩校正模块、retinex分解模块和增强水下图像重建模块；
31、所述图像色彩校正模块用于对获取的原始水下图像进行图像色彩校正；
32、所述retinex分解模块用于对图像色彩校正后的水下图像进行retinex分解，以获取反射分量和照度分量；
33、所述增强水下图像重建模块用于利用反射分量、照度分量以及图像色彩校正后的水下图像cielab空间色彩分量的增强分量，重建增强的水下图像。
34、第三方面，本专利技术提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述介绍的水下图像增强方法。
35、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述介绍的水下图像增强方法。
36、与现有技术相比，本专利技术具有如下有益效果：
37、本专利技术属于改进型专利技术，与现有的水下图像增强方法相比，本专利技术提出的水下图像增强方法，对图像色彩校正后的水下图像进行retinex分解，以获取反射分量和照度分量，再利用反射分量、照度分量以及图像色彩校正后的水下图像cielab空间色彩分量的增强分量，重建增强的水下图像。可见本专利技术在对图像色彩校正后的水下图像进行retinex分解时是对整个水下图像进行retinex分解，再利用反射分量、照度分量以及水下图像cielab空间色彩分量的增强分量，重建增强的水下图像，有效地解决了现有技术中不能灵活地应对各种复杂的水下环境，而且容易出现颜色失真、欠增强和过增强的问题。
本文档来自技高网...【技术保护点】
1.一种水下图像增强方法，其特征在于，该水下图像增强方法包括以下步骤：
2.根据权利要求1所述的水下图像增强方法，其特征在于，步骤1)对获取的原始水下图像进行图像色彩校正的过程为：
3.根据权利要求1所述的水下图像增强方法，其特征在于，步骤2)采用最小化目标函数对步骤1)中图像色彩校正后的水下图像进行Retinex分解。
4.根据权利要求3所述的水下图像增强方法，其特征在于，所述最小化目标函数表达式为：
5.根据权利要求4所述的水下图像增强方法，其特征在于，所述反射分量采用深度神经网络进行计算。
6.根据权利要求4所述的水下图像增强方法，其特征在于，所述照度分量采用单步梯度下降算法进行计算，所述照度分量的计算公式为：
7.根据权利要求1所述的水下图像增强方法，其特征在于，步骤3)采用分层式U-Transformer模型重建增强的水下图像。
8.一种水下图像增强系统，其特征在于，该水下图像增强系统包括图像色彩校正模块、Retinex分解模块和增强水下图像重建模块；
9.一种计算机设备，包
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的水下图像增强方法。
...【技术特征摘要】
1.一种水下图像增强方法，其特征在于，该水下图像增强方法包括以下步骤：
2.根据权利要求1所述的水下图像增强方法，其特征在于，步骤1)对获取的原始水下图像进行图像色彩校正的过程为：
3.根据权利要求1所述的水下图像增强方法，其特征在于，步骤2)采用最小化目标函数对步骤1)中图像色彩校正后的水下图像进行retinex分解。
4.根据权利要求3所述的水下图像增强方法，其特征在于，所述最小化目标函数表达式为：
5.根据权利要求4所述的水下图像增强方法，其特征在于，所述反射分量采用深度神经网络进行计算。
6.根据权利要求4所述的水下图像增强方法，其特征在于，所述照度分量采用单步梯度下降算法进行计算，所述照度分...
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。