【技术实现步骤摘要】
本专利技术涉及水下图像恢复，具体地说是一种基于偏振散射与深度学习的水下图像恢复方法。
技术介绍
1、水下光学成像现已广泛应用于海洋资源勘探、水下考古、海上救援、海洋生物捕捞等领域。由于水的折射率、散射和吸收等特性，水下图像通常会存在模糊、褪色和对比度降低等问题，水下图像的细节信息容易缺失，这给水下目标的识别和监测带来了困难。由于浑浊介质引起的散射和吸收效应，水下图像往往缺乏细节信息，噪点较多，对比度低，增强水下视觉是一项非常具有挑战性的任务。
2、在水下光学成像时，由于现实生活中水体的浑浊，有大量悬浮微粒，光在水下传播时具有显著的散射效应。水下图像通常受到散射、吸收和色散等影响，导致图像质量下降、细节模糊和色彩失真。对于接收自然光的拍摄仪器而言，自然光大多被水中的悬浮微粒散射，从而并不能很好的被仪器拍摄到；对于主动给定一个光源的探测而言，大多数的光被介质中的粒子散射从而得到的更多的是这些微粒的后向散射。因此，拍摄到的图像并不清晰，会有很多的噪点或者目标物体的像细节不足等等。由于水体和水下浑浊物质对光的吸收和散射作用，水下图像在采集过程中往往会出现严重的颜色偏差、对比度低、细节模糊等问题。这些问题使得水下图像难以满足应用需求，限制了水下探测等技术的发展。水下图像恢复技术在海洋军事、海洋环境保护、海洋工程、水下考古、水下捕捞机器人等多个领域具有广泛的应用需求。国内外学者在水下图像恢复和增强领域的研究确实广泛而深入，目前的研究方法主要包括以下几类：
3、1)传统滤波方法：早期的水下图像恢复方法确实采用了传统的滤
4、2)直方图均衡化：直方图均衡化(histogram equalization)是一种经典的图像增强技术，也被广泛应用于水下图像恢复中。它通过拉伸图像的直方图，增强图像的对比度，使得图像的灰度级分布更加均匀，从而提高图像的视觉效果。缺点是直方图均衡化可能会导致图像过度增强，产生过多的对比度和噪声，特别是在光照不均匀的情况下。在彩色图像处理中，单独对每个颜色通道进行直方图均衡化可能会导致色彩失真和不自然的颜色变化。直方图均衡化通过全局调整图像的灰度级分布来提高对比度，但它不考虑图像的局部特性和颜色信息，这可能导致过度增强和色彩失真。
5、3)图像去雾算法：暗通道先验(dcp)最初被提议用于户外场景的去雾。它假定一个物体在自然环境中的亮度至少在一个颜色成分中是很小的，因此它将有雾图像的局部一小块的最小值作为雾的叠加分量，然后根据大气散射模型复原有雾图像。何凯明(kaiminghe)等人提出了暗通道优先(dcp)算法。在无雾的图像中，图像中的每个局部区域的颜色都较为鲜明。根据图像的三原色的原理，每个区域存在至少一个颜色通道的值很低，将图像中各个通道的最小值组成的图像称作为暗通道图像。如果图像中存在着雾，由于雾是灰白色的，其各个通道的值都较高，即在暗通道的值也很高。故可以通过暗通道图像的中灰白的程度估计雾的浓度，以此进行去雾处理。由于水下环境的散射和吸收特性，水下图像常常呈现出模糊和雾化的效果。借鉴大气中图像去雾的方法，研究人员提出了多种水下图像去雾算法，如暗通道先验去雾算法(dark channel prior)和颜色衰减先验去雾算法(colorattenuation prior)。这些方法旨在消除图像中的散射光，恢复图像的清晰度和细节。先验假设由一定的局限性，如暗通道先验(dcp)和颜色衰减先验(cap)等方法依赖于特定的先验假设，这些假设在某些情况下可能不成立，从而导致去雾效果不佳。
6、4)基于物理模型的方法：基于物理模型的方法(physics-basedmethods)通过建立光学传播模型，考虑光的散射、吸收和反射等因素，来还原水下图像。典型的方法包括基于简化光传播模型的算法(如jaffe-mcglamery模型)和基于复杂光传播模型的算法(如辐射传输方程)。这些方法能够更准确地模拟水下成像过程，从而实现更高质量的水下图像恢复。但是精确的物理模型如辐射传输方程(rte)非常复杂，求解这些模型通常需要大量的计算资源和时间。而且这些方法依赖于多个环境参数(如水质、光源特性等)，获取这些参数往往困难，且参数估计误差会影响恢复效果。其原因是物理模型需要精确描述光在水中的传播过程，这涉及复杂的数学计算和大量环境参数的准确测量。实际应用中，环境参数的不确定性和变化性导致模型的适应性和精确性受到限制。
7、5)深度学习方法：近年来，深度学习(deep learning)方法在水下图像恢复领域取得了显著进展。研究人员应用卷积神经网络(convolutional neural networks,cnns)、生成对抗网络(generativeadversarial networks,gans)等深度神经网络模型来解决水下图像恢复问题。这些方法能够从大量的水下图像数据中学习到图像恢复的映射关系，但是训练出一种泛化能力足够强的网络是难点所在，且所恢复图像的真实性、训练网络数据集的定制也是难点所在。深度学习方法需要大量的训练数据，训练数据集的好坏直接决定的网络恢复图像的好坏，要训练出一种泛化能力足够强的网络是难点所在，训练数据的多样性和代表性直接影响模型的泛化能力，且深度网络恢复后的信息真实性得不到保证。深度学习依赖于大数据和高性能计算，其性能很大程度上取决于训练数据的质量和数量。由于水下环境的复杂性和多变性，获取全面覆盖各种情况的数据集具有挑战性。
8、偏振成像的应用已经非常广泛，如利用天空偏振模型使用偏振光进行导航等。在水下暗光环境中，有超过70种海洋生物使用偏振视觉。光的偏振与水下光的散射是水下光传播的重要特性，通过建立水下光传播的物理模型来获取想要的目标光信息而减少水中无用的散射信息是进行水下图像恢复的一种重要方法，通过减少背景散射光来恢复水下图像细节，在水下目标识别和监测领域具有实际价值。基于偏振技术与散射原理的图像恢复技术在计算机视觉和图像处理领域具有重要的意义，可以提高图像质量和可视化效果，恢复被隐藏的细节信息，以及提高图像处理和分析的精度。水下图像恢复领域中，将偏振成像与深度学习相结合的研究开展较少，但都证明了其有效性。因此，研究如何将偏振成像与深度学习结合起来以达到良好的水下图像恢复效果亦非常重要。
9、现有技术存在的问题是：物理模型需要求解复杂的数学方程，特本文档来自技高网...
【技术保护点】
1.一种基于偏振散射与深度学习的水下图像恢复方法，其特征在于，采用基于偏振散射物理模型进行水下图像的去除背景区域散射光，利用机器学习还原图片色彩，将初步恢复与二次恢复的图像融合，得到最终的水下图像恢复图像，具体包括以下步骤：
【技术特征摘要】
1.一种基于偏振散射与深度学习的水下图像恢复方法，其特征在于，采用基于偏振散射物理模型进行水下图像的去除背景区域...
【专利技术属性】
技术研发人员：李波，胡涛，唐晓东，彭忠，路建师，李潇冉，徐成，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：
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。