基于清晰度评价的水下退化图像盲复原
虚拟现实场景中模糊图像盲复原算法研究
虚拟现实场景中模糊图像盲复原算法研究虚拟现实技术的发展为人们带来了沉浸式体验,其中图像的清晰度对于用户的感知至关重要。
然而,虚拟现实场景中的图像往往会受到各种因素的影响,导致图像模糊。
因此,研究如何利用盲复原算法对模糊图像进行恢复以提高图像质量成为一个热门的课题。
盲复原算法是一种基于数学模型的图像恢复算法,其根据图像被模糊的特点,通过数学运算还原原始的清晰图像。
以下将介绍几种在虚拟现实场景中常用的盲复原算法。
一、最小二乘盲复原算法最小二乘盲复原算法是一种常见的图像复原算法,其基本思想是通过最小化目标函数来估计图像的模糊核并进行复原。
算法首先利用正则化方法估计模糊核的参数,然后利用逆滤波器恢复原始图像。
该算法适用于线性模糊和平稳噪声的情况,但对于非线性模糊效果较差。
二、Lucy-Richardson盲复原算法Lucy-Richardson算法是一种迭代算法,其基本思想是通过迭代优化目标函数来估计图像的模糊核和原始图像。
算法首先假设一个初始图像,然后通过反向投影和正则化方法来更新图像。
通过多次迭代,算法可逐渐逼近原始图像。
该算法对于非线性模糊效果较好,但容易受到噪声的影响。
三、基于深度学习的盲复原算法近年来,随着深度学习的快速发展,越来越多的研究采用基于深度学习的盲复原算法。
这些算法通过训练深度神经网络模型,能够自动学习图像的模糊特征和复原规律,从而实现高效的盲复原。
基于深度学习的盲复原算法在虚拟现实场景中取得了良好的复原效果,但其模型的训练需要大量的标注数据和高算力支持。
总结起来,虚拟现实场景中模糊图像的盲复原算法研究有着重要的意义。
不同的算法具有各自的优势和适用范围,在实际应用中需要结合具体情况选择合适的算法。
未来随着技术的不断进步,盲复原算法在虚拟现实场景中的应用将会越来越广泛,为用户带来更好的图像体验。
水下图像增强与复原技术研究(汇报总结)
研究内容
引导滤波同样假设滤波后图像与原图像成局部线性关系。通过对水下成 像模型的分析发现,引导滤波完全可以应用于水下图像质量增强。我们 获得的增强细节的三通道图像作为引导图像,将校正色偏后的三通道的 图像作为输入图像,对三通道分别进行引导滤波,引导滤波输出图像即 为我们要得到的既校正了色偏,又增强了细节的水下降质图像的复原图 像。
总汇报结
水下图像增强与复原技术研究
在许多利用水下图像的领域,我们都需要获得成像质量高 的水下图片,例如水下考古、水下生物研究、海底勘探、水 下无人潜航器导航、水下目标检测跟踪、三维重建等领域。
研究意义
水下图像清晰,方便应用水下图像领域的研究
水对光的吸收特性,水对光的
水体光照的后向散射
对比 度低
颜色 失真
吸收在不同光谱区域是不一样 的,蓝光衰减的最少,红光衰 减的最多。
水体散射
细节 不清 晰
水中悬浮物的存在
噪声 多
水下图像 增强与复
原
光照 度不 均
水体散射性质和悬浮 体、活性有机体的存 在,
可观 察距 离衰 减
水对光的吸收作用给水下彩 色摄象带来很大的困难,通 常只能在1-2m距离目标进 行拍摄才能避免色彩的丢失
第四步:累计分布取整,用四个值中的最大值与灰度值230来做比较,然 后取最小值。这样可以避免颜色校正的图像灰度值过于高,造成图像整体过 亮)
主要研究内容
用得到的最小值来各个通道进行累计分布取整,将累计概率密度变换为 (0,255)区间的灰度值,累计分布取整公式如下。
主要研究内容
第五步:对灰度值进行映射,首先我们要判断像素点红色通道是否在 三个通道中所占比例最小,如果红色通道在三通道中所占比例最小,
水下图像复原系统关键技术研究
水下图像复原系统关键技术研究水下图像复原系统关键技术研究一、引言随着人类深入探索海洋深处的需求增加,水下图像复原系统成为研究的热点。
水下图像的复原是指将浑浊模糊的图像通过一系列算法和技术,还原为清晰可见的图像。
本文将从水下图像采集、图像去噪、图像增强三个方面展开综述,探讨水下图像复原系统关键技术。
二、水下图像采集技术水下图像的复原首先需要进行有效的采集。
水下环境中存在着光线衰减、背景噪声、散射等问题,导致图像质量下降。
因此,合理的采集设备和参数选择对复原系统至关重要。
常用的水下图像采集设备有船载相机、潜水器、水下无人机等。
此外,光源的选择也对采集结果产生重要影响。
为了克服光线衰减问题,可以采用颜色补偿、多光源照明等方法提高图像质量。
三、水下图像去噪技术水下图像中的噪声对复原造成严重影响。
由于水体中的散射和背景噪声,图像中可能存在悬浮颗粒、大气颗粒等噪声。
去噪技术的目标是尽可能去除噪声,同时保留图像中的有效信息。
常用的去噪方法包括中值滤波、均值滤波、小波去噪等。
中值滤波适用于少量噪声的情况,通过取邻域中的中值来替代噪声像素值。
均值滤波则通过求取邻域像素平均值来抑制噪声。
小波去噪是一种能够同时处理高频和低频信息的有效方法,它可以减少噪声的同时保留图像细节。
四、水下图像增强技术水下图像中的低对比度、色偏等问题需要通过增强技术进行处理。
图像增强的目标是提高图像的视觉效果,增强图像细节。
直方图均衡化是一种常用的增强方法,它通过增加图像的动态范围提高图像对比度。
另外,颜色校正技术也可以减少图像的色偏,提高图像的真实性。
同时,频域滤波和小波变换等技术也可以应用于水下图像增强,通过滤波和频率域处理来减少图像中的噪声和模糊。
五、水下图像复原系统的应用前景水下图像复原系统的研究和应用在海洋科学、水下考古、水下探测等领域具有重要意义。
充分利用水下图像复原系统,可以提高海洋资源的开发利用效率,加快水下建筑和航运设施的修复速度,并且为水下文化遗产保护和海洋环境保护提供强有力的技术支持。
水下图像增强和复原方法的研究
水下图像增强和复原方法的研究水下图像增强和复原方法的研究引言:水下图像的获取一直以来都是一个有挑战性的任务。
在水下环境中,图像受到水体的吸收、散射和折射的影响,使得图像失去了细节和清晰度。
因此,针对水下图像的增强和复原研究具有重要的实际应用和理论意义。
本文将重点介绍水下图像增强和复原方法的研究进展和应用。
一、水下图像特点分析1. 水下散射水下环境中,光线与水分子的相互作用会导致散射现象,从而造成图像的模糊和不清晰。
因此,研究水下散射模型,并在增强方法中考虑水下散射的影响是非常重要的。
2. 色彩失真由于水体吸收了不同波长的光线,水下图像通常呈现出蓝绿色调,并且色彩饱和度较低。
因此,研究如何校正水下图像的色彩失真问题是水下图像增强的关键。
二、水下图像增强方法研究1. 基于物理模型的增强方法基于物理模型的增强方法通过数学模拟光在水中的传播过程,以及水下散射和吸收的物理特性,来恢复水下图像。
这些方法通常需要对光学参数进行准确的测量,可以提供较好的增强效果。
2. 统计学方法统计学方法利用大量的水下图像数据进行统计分析,从而学习和建立水下图像的统计模型,并应用于图像增强和复原。
这些方法通常适用于大规模水下图像数据集,可以提高图像增强的稳定性和效果。
3. 图像处理方法图像处理方法通过对图像进行滤波、去噪和增强等操作,来改善水下图像的质量。
这些方法通常不考虑水下散射的物理模型,但是在实际应用中具有一定的效果。
三、水下图像复原方法研究1. 盲去卷积方法水下图像由于受到水下散射的影响,常常呈现模糊的效果。
盲去卷积方法通过利用先验信息和正则化约束,从模糊图像中恢复出清晰的图像。
2. 深度学习方法深度学习方法通过构建深度神经网络,利用大量的水下图像数据进行训练,实现从模糊或低质量的水下图像中恢复出清晰的图像。
这些方法在水下图像复原中取得了较好的效果。
四、水下图像增强和复原方法的应用水下图像的增强和复原方法在海洋勘探、水下摄影、水下机器人和水下安全监测等领域具有广泛的应用。
(完整word版)基于分层复原方法的水下图像复原
目录1 绪论........................................................... 1。
1 引言. (2)1。
2 数字图像复原概述 (2)1。
3 图像复原工具MATLAB概述 (3)2 水下图像处理基本理论与方法 (4)2.1 水下点扩散函数模型 (4)2.2 小波分解 (5)2.2.1 小波变换基本理论 (5)2.2。
2 图像的小波分解 (6)2。
3 维纳滤波器复原 (6)2。
3.1 图像的退化模型 (7)2。
3.2 维纳滤波器简介 (7)2。
3。
3 ................................... 图像的维纳滤波复原 8 3 水下图像的分层复原. (10)3。
1 水下图像分层滤波复原方案 (10)3。
2 图像清晰度评价函数 (11)3.2.1 熵函数 (12)3.2。
2 梯度函数 (12)3。
2。
3 ............................. 高低频图像评价函数的选取 13 3。
3 分层复原的结果及其分析 (15)3.3.1 高频复原 (16)3.3。
2 低频复原 (17)3.3。
3 整体复原与分层复原对比 (19)4 结语 (22)参考文献 (24)致谢 (25)1绪论1.1引言随着社会的发展,数字图像处理技术作为一门迅速发展的学科,在航天、医药、遥感、雷达等诸多领域都有着广泛的应用,通过分析采集到的目标图像的质量和特性等,可获取大量重要信息,为科学技术及社会应用提供了重要的有价值的信息,对科学事业的发展起到了极大的作用.此外,数字图像处理技术也已融入到生活中的各个领域,特别是多媒体技术的发展,创造出大量图像和视频素材,给人们带来了一次又一次的视觉享受,极大地丰富了人们的日常生活.海洋是人类生存和发展的重要领域,不仅能为人类提供丰富的物质资源,而且在现代战争中具有重要的战略地位。
由于海洋的重要性,水下图像也日渐成为人们研究的重要领域和方向。
水下图像增强和复原方法研究进展
研究现状
传统的水下图像增强方法主要包括对比度增强、噪声去除、锐化等,旨在改善 图像的视觉效果。然而,这些方法往往难以应对水下环境的复杂多变。近年来, 基于深度学习的图像增强方法成为研究热点,其具有强大的特征学习和图像恢 复能力,为水下图像增强提供了新的解决方案。
在水下图像复原方面,由于水下环境的物理特性,如光线、水质等因素,会导 致图像质量的下降。传统的方法多采用模型驱动或统计学习方法进行图像复原, 如盲去卷积、非局部均值去噪等。然而,这些方法对于水下环境的适应性有待 进一步提高。近年来,深度学习技术的发展为水下图像复原提供了新的解决途 径,通过学习训练数据中的图像特征,实现图像的自动化恢复。
2、针对水下环境的特性,设计并优化适用于水下图像增强的算法和模型。 3、利用深度学习技术,构建能够自动学习和模拟图像退化过程的复原模型。
4、通过大量的实验验证和对比分析,评估算法和模型的性能和效果。
在研究方法上,可以采用文献调研、实验设计和数据分析等多种手段进行深入 研究。通过阅读相关文献,了解现有的技术和方法,总结优缺点和发展趋势。 在实验设计上,需要针对水下环境的特性,设计合理可行的实验方案,并对实 验结果进行全面的分析和比较。在数据分析上,需要对实验结果进行定性和定 量评估,以验证算法和模型的性能和效果。
3、水下图像增强和修复算法的 应用
水下图像增强和修复算法在多个领域中得到了广泛的应用,如水下考古、水下 机器人导航、水下环境监测等。例如,在水下考古中,通过增强和修复水下遗 址的图像,可以帮助考古学家更准确地识别和评估遗址的价值和状态。在水下 机器人导航中,通过增强和修复水下环境的图像,可以帮助机器人更准确地识 别目标物体和地形特征,提高机器人的导航精度和稳定性。
1、深入研究水下环境的特性和退化机制,为算法和模型的设计提供更为准确 的依据。
基于图像处理技术的水下图像增强与恢复技术研究
基于图像处理技术的水下图像增强与恢复技术研究随着科学技术的发展,人类对深海的探索渐渐加深,然而水下光环境与陆上光环境存在着天壤之别,这就导致了水下图像的清晰度相对较差,同时还存在着很多问题,例如海水的散射、水下亮度不均以及颜色变幻等。
这些问题给水下图像的观测和研究造成了很大的困难。
那么如何解决这些问题呢?基于图像处理技术的水下图像增强与恢复技术就应运而生。
一、水下图像增强技术为了提高水下图像的清晰度,我们不得不想尽办法去寻找水下图像增强技术。
比较常见的方法如下:1、色彩平衡算法水下图像的颜色非常单调以及色彩变幻比较大,这就需要采用色彩平衡算法进行处理。
该算法可以对图像的总体色彩进行调整,使图像呈现出更好的效果。
2、图像滤波算法图像滤波算法可以有效缓解海水的散射现象,使得水下图像变得更加清晰,更加容易被观察。
3、调整亮度和对比度调整亮度和对比度是水下图像增强的重要手段之一。
通过对亮度和对比度的调整,可以使得图像的整体质量得到提高。
二、水下图像恢复技术水下图像恢复技术主要是针对已有的模糊、失真图像进行恢复。
比较常见的水下图像恢复技术有:1、基于双极滤波的图像恢复算法该算法主要是通过对图像的信息进行统计和分析,然后通过双极滤波技术对图像进行恢复。
2、基于小波变换的水下图像恢复算法这种方法可以将原始图像进行小波变换,然后利用压缩感知算法去除图像信息中的噪声和干扰,最后得到更为清晰的图像。
3、基于深度学习的水下图像恢复技术基于深度学习的水下图像恢复技术是近年来发展起来的技术,它利用神经网络对水下图像进行分析,然后通过模型训练得到更高质量的水下图像。
三、图像处理技术的应用基于图像处理技术的水下图像增强与恢复技术可以应用在很多领域。
例如:1、海洋勘探海洋勘探是水下图像处理技术的重要应用之一。
通过增强和恢复水下图像,可以帮助海洋勘探人员更加精确地进行深海勘探工作。
2、水下考古水下考古难度极大,利用水下图像处理技术可以发现更多隐藏在海水中的珍贵文物和文化遗存。
基于偏振信息的水下复杂环境中灰度图像复原方法的研究
摘要相对于传统光学成像与测量技术来说,偏振成像与偏振测量技术是一种新型的光学探测技术,该技术将偏振测量与图像处理相结合,通过测量物体光波的偏振态(Stokes矢量)或目标对偏振态的调制(Mueller矩阵)信息,可以有效解决传统光学在目标探测和识别领域无法解决的问题,弥补探测效果受环境制约较大的不足,并取得高对比度的探测图像。
在本篇论文中,我们主要研究在水下复杂环境中偏振图像的复原技术,以提升图像的质量和效果。
本文第一部分从各种复杂环境对人眼和机器视觉以及目标探测和识别的影响出发,阐述了本课题的研究背景和意义;介绍了散射介质环境中图像复原方法在国内外的研究进展以及不足,简要概括了主要的两种图像复原手段,偏振差分去雾和水下圆偏振光在强散射介质中的研究。
最后总结了本文研究的主要内容。
在第二部分讨论了偏振光的分析方法以及从偏振光学的基本理论出发,介绍了光的偏振现象以及基本物理概念。
在此基础之上,分析讨论了不同结构的偏振成像系统和各种偏振参量的测量方法。
在第三部分首先讨论了传统偏振去雾的物理模型,并概述了现有的基于偏振成像的水下图像复原方法的局限性,且基于此模型搭建了水下偏振成像系统。
考虑被探测目标物体的不同偏振特性的影响,提出了一种基于水下透过率校正的偏振图像复原方法,对水下散射介质环境中物体反射光进行复原。
在第四部分讨论了在主动照明实验条件下,成像视场中光照的不均匀分布将导致在场景中粒子散射光的偏振度在全空间上的不均匀分布。
基于成像视场中光照的不均匀性提出了一种在散射环境中非均匀光场下的偏振图像复原方法,考虑并利用光场非均匀性造成的后向散射光偏振度在空间分布不均的影响,通过对背景区域后向散射光偏振度的三维拟合得到全空间内后向散射光偏振度的分布,进而通过进一步计算得到复原后的去雾图像。
在第五部分讨论了在强散射介质环境中,圆偏振光比线偏振光在散射介质中具有更好的“偏振记忆”能力。
并基于圆偏振光的这种“偏振记忆”能力,提出了一种基于圆偏振光和线偏振光联合图像复原方法,进一步提高强散射介质环境下的偏振图像复原质量。
水下光学图像增强与复原方法及应用
水下光学图像增强与复原方法及应用引言水下光学图像是指在水下环境中拍摄的图像,水下光学图像由于受到水的吸收、散射、折射等多种因素的影响,常常使图像失真、暗淡、模糊、有噪声等问题,使得图像无法满足实际应用需求。
因此,如何增强和复原水下光学图像一直是水下机器视觉领域研究的重要内容之一。
本文将介绍水下光学图像增强与复原的方法及应用。
水下光学图像增强方法1. 基于直方图均衡化的增强方法直方图均衡化是一种简单有效的图像增强方法,其原理是对图像的像素值进行整体变换,使得像素值的分布更加均匀。
对于水下图像,直方图均衡化可以通过以下步骤实现:1. 将图像从RGB颜色空间转换到HSV颜色空间,获取图像的亮度分量。
2. 对亮度分量进行直方图均衡化,从而增强图像的对比度和亮度。
3. 将增强后的亮度分量与原图像的饱和度和色调分量合并,得到增强后的图像。
2. 基于局部对比度增强的方法局部对比度增强是一种基于图像局部特征进行增强的方法。
具体应用于水下图像时,可以通过以下步骤实现:1. 对图像进行多尺度分解,将图像分解为多个不同尺度的子图像。
2. 对每个子图像内部进行对比度增强处理,使其更加清晰。
3. 将增强后的子图像进行合并,得到增强后的图像。
水下光学图像复原方法1. 基于退化模型的复原方法水下图像常常受到水的吸收、散射、折射等多种因素的影响而产生失真,这使得恢复原始图像变得非常困难。
因此,使用退化模型来描述失真过程,并对其进行复原是一种非常有效的方法。
该方法可以通过以下步骤实现:1. 构建水下光学图像的退化模型,描述失真过程。
2. 对失真图像进行去模糊处理,恢复图像的模糊部分。
3. 对去模糊后的图像进行去噪处理,恢复图像的噪声部分。
2. 基于双重模型的复原方法双重模型是指用两个模型来描述图像中的结构和纹理信息。
这种方法可以在充分考虑图像边缘信息的基础上,对图像进行复原。
该方法可以通过以下步骤实现:1. 构建双重模型,包括结构信息模型和纹理信息模型。
基于深度图的水下图像复原
第51卷第2期2021年3月吉林大学学报(工学版)Journal of Jilin University (Engineering and T e c h n o l o g y Edition)V ol. 51 N o. 2Mar. 2021基于深度图的水下图像复原郭继昌,乔珊珊(天津大学电气自动化与信息工程学院,天津300072)摘要:水下图像深度图估计的准确性影响复原后的图像质量,为得到更加准确的深度图,提 出了 一种基于衰减通道结合亮度图的深度图求解算法,并利用该深度图复原水下图像。
首先,根据图像像素值与场景深度的关系估计水下图像的深度图,并使用图像的亮度图对深度图进 行修正和细化;然后,利用深度图计算图像的大气光值和透射率图;最后,通过逆求解水下成像 模型复原退化的图像。
实验证明:与现有算法相比,利用该深度图得到的模型参数更加准确,复原后的图像不仅拥有更好的对比度,而且能保持自然真实的颜色。
关键词:信息处理技术;水下图像复原;水下成像模型;深度图中图分类号:T P391 文献标志码:A文章编号:1671-5497(2021)02-0677-08D O I:10. 13229/ki.j d x bgxb20191064Underwater image restoration based on depth mapG U O Ji~c h a n g,Q I A O Shan-shan{School of Electrical and Information Engineering ^Tianjin University ^Tianjin 300072, China)A b s t r a c t:T h e estimated accuracy of the depth m a p s of underwater images affects the quality of the restored i m a g e s.In order to obtain m o r e precise depth m a p s,an algorithm w a s proposed to calculate the depth m a p based on attenuated channels and luminance m a p,and then the depth m a p w a s used to recover underwater i m a g e s.First,the depth m a p of underwater image i s estimated according to the relationship b e t w e e n i m a g e pixel and scene depth.T h e n the depth m a p is further rectified a nd refined by using the luminance m a p. T h i r d,the atmospheric light value and the transmission m a p of the im a g e is calculated using the refined depth m a p.Finally,the degraded underwater im a g e i s restored b y inversely solving the underwater imaging m o d e l.T h e experimental results s h o w that c o m p a r e d with the existing algorithms,the m o d e l parameters calculated using the rectified depth m a p are m o r e accurate,and the restored i m a g e has better contrast and can maintain m o r e natural color.K e y w o r d s:information procevSsion technology;underwater im a g e restoration;underwater imaging m o d e l;depth m a p收稿日期:2019-11-21.基金项目:国家自然科学基金项目(61771334).作者简介:郭继昌(1966-),男,教授,博士 .研究方向:智能视频/图像分析,识别及处理.E-m a il:jcgU〇@•678•吉林大学学报(工学版)第51卷〇引言由于水下环境的特性,光在水下传播时会因为水中溶解的有机物以及悬浮颗粒等的存在而发 生散射,并且不同颜色的光,会由于波长不同受到 不同程度的衰减,所以水下图像会呈现出低对比度和严重的色彩偏移现象11:随着海洋资源的开发探索及计算机视觉的发展,水下图像清晰化技 术也受到了越来越多的关注124|。
基于残差注意力的水下降质图像复原算法研究
基于残差注意力的水下降质图像复原算法研究基于残差注意力的水下降质图像复原算法研究摘要:随着水下成像技术的发展,水下图像质量的提高成为一个热门话题。
然而,由于水下环境的特殊性质,水下图像往往受到散射、吸收和背景噪声等因素的影响,导致图像质量下降。
为了解决这一问题,本文提出了一种基于残差注意力的水下降质图像复原算法。
1.引言水下成像技术在海洋资源开发、水下考古、水下探测等领域具有广泛应用。
然而,水下环境的特殊性质限制了水下图像质量的提升,从而影响后续的图像处理和分析任务。
因此,如何有效地恢复水下降质图像成为一个研究热点。
2.水下图像复原算法简介水下图像复原是指通过对降质图像进行处理,恢复出具有较高视觉质量的水下图像。
目前,水下图像复原算法主要包括去雾、颜色校正、增强对比度等方法。
然而,这些方法受到水下环境的复杂性和噪声的干扰,无法实现较好的复原效果。
3.残差注意力网络为了解决水下图像复原中的问题,本文提出了一种基于残差注意力网络的方法。
该方法首先使用卷积神经网络(CNN)提取图像的特征表示,然后利用注意力机制来筛选出重要的特征。
接着,将筛选后的特征与原始图像进行残差学习,从而得到修复后的水下图像。
4.实验设计与分析为了验证该算法的有效性,我们在自己搭建的水下图像数据集上进行了实验。
实验结果表明,该算法在水下图像复原任务中,相较于传统的方法,具有更好的复原效果。
此外,该算法在处理复杂水下环境和背景噪声时,也表现出了较好的鲁棒性。
5.算法优化与改进虽然本文提出的基于残差注意力的水下降质图像复原算法取得了较好的效果,但仍存在一些问题。
例如,算法在复原处理时间上还有一定的提升空间;对于特定水下环境下的复原效果,算法的鲁棒性也有待改进。
因此,今后的工作可以进一步优化算法的性能,并结合更多的先进技术来解决水下图像复原中的挑战。
6.结论本文基于残差注意力网络提出了一种水下降质图像复原算法,该算法通过利用注意力机制来筛选特征并进行残差学习,有效地提升了水下图像的质量。
基于粒子群优化的正则化水下图像盲复原
基于粒子群优化的正则化水下图像盲复原雷选华;孔小健;杨文亮【摘要】水下图像恢复的难点在于缺少海水的点扩展函数的足够信息,而导致病态的问题。
为了提高水下激光成像系统的成像质量,提出了用粒子群优化正则化参量的盲图像复原算法。
该方法结合Tikhonov正则化和改进的全变分正则化的技术特点,使用一种交替迭代方法,分别估计点扩展函数和估计复原图像,同时用粒子群算法优化正则化参量。
结果表明,该方法对水下图像复原具有较好的鲁棒性,算法收敛稳定。
%Difficulties of underwater image restoration lies in lack of enough information about the point spread function of sea water which induces the ill-posed problem consequently .In order to improve the imaging quality of underwater laser imaging system, a blind image restoration algorithm based on particle swarm optimization regularization parameter was proposed .This method integrated the technique characteristics of Tikhonov regularization and the improved total variation (TV) regularization. An alternating iterative method was adopted to estimate point spread function and restored imagerespectively .Meanwhile, the regularization parameter was optimized by using particle swarm algorithm .After dealing with the simulation images and the actual underwater images , the results of underwater image restoration show that this method has good robustness for underwater image restoration and the algorithm is convergent and stable .【期刊名称】《激光技术》【年(卷),期】2015(000)006【总页数】4页(P811-814)【关键词】图像处理;正则化;图像复原;粒子群优化【作者】雷选华;孔小健;杨文亮【作者单位】海军工程大学兵器工程系,武汉430033;海军工程大学兵器工程系,武汉430033;海军工程大学兵器工程系,武汉430033【正文语种】中文【中图分类】TP391引言海水介质及海水中的悬浮颗粒决定了光在水中传播方式[1],这使得水下激光成像系统在不同海域获取图像退化程度差异大,相应的点扩展函数(point spread function,PSF)的不确定性,给图像处理带来了较大困难。
基于清晰度评价的水下退化图像盲复原
基于清晰度评价的水下退化图像盲复原陈从平;邹雷;王健【摘要】针对水下图像信噪比低、图像模糊的特点,开发了一种基于图像清晰度评价的水下图像盲复原算法.在分析水下图像特点的基础上,选取带参数的点扩展函数,结合Lucy-Richardson算法对图像进行复原并获得随参数变化的系列复原图像,进而以最高清晰度为评价指标,确定最优复原效果和参数,获得最高清晰度复原图像.实验证明,该算法获得了比较理想的复原效果.%In light of the characteristics that low signal noise ratio(SNR) and blurring of underwater image, so an algorithm that image blind restoration based on definition measurement is made. Based on analysing the characteristics of the underwater image, the particle spread function(PSF) with parameters is selected. Then combined with Lucy-Richardson algorithm to restore the image which needs restoring, and a series of restored images that change with the parameter are obtained. And then the highest definition as evaluation index is used to determine the best recovery result and parameters. Finally, the images that have the highest definition are obtained. The experiments prove that this method has obtained clearer result.【期刊名称】《三峡大学学报(自然科学版)》【年(卷),期】2012(034)004【总页数】3页(P86-88)【关键词】水下图像;盲复原;带参数点扩展函数;清晰度评价【作者】陈从平;邹雷;王健【作者单位】三峡大学机械与材料学院,湖北宜昌 443002;三峡大学机械与材料学院,湖北宜昌 443002;三峡大学机械与材料学院,湖北宜昌 443002【正文语种】中文【中图分类】TP391.41随着科学技术的不断发展,水下视觉成像、探测技术已在工业、军事、民用等各个领域得到了一定的应用,如海洋资源探测、水下打捞等,在这些过程中,需要通过视觉系统为水下机器人提供大量的信息,以实现对目标的自动辨识和操作的自动导引.但由于水下照明环境恶劣,造成成像质量较差,细节模糊,难以获取准确的信息.因而在对目标辨识之前,需要对图像进行复原处理,以获得尽量清晰的图像.近年来已有不少文献对水下图像复原方法进行了研究,主要集中在非模型法和模型法两大类[1-2].非模型法主要根据图像特征和点扩展函数的相关知识对降质图像进行处理,包括直方图均衡化及其改进算法、基于非线性变换以及小波变换等算法、盲反卷积算法等[3-5].这些方法的共同缺点是使图像清晰化的同时,会造成图像失真,视觉效果差.模型法是根据光照物理模型去估计图像的降质模式,然后再根据估计结果去补偿、复原降质图像,包括基于散射模型[6]和高斯模型的水下图像复原算法[7]、基于模拟方法的水下图像盲复原算法[8]等.该类方法虽然能不失真地对降质图像进行复原,但通常需要有关成像系统和成像环境的一些附加信息,而这些信息在真实作业环境中难以获得.针对以上存在的问题,本文提出了一种基于清晰度评价的水下图像自适应复原算法,大量实验验证了本文提出算法的有效性.1 水下数字图像成像的特点虽然水下成像技术近几年得到了飞速发展,在成像质量方面有很大的提高,但仍然呈现明显的不足,主要表现为[9]:①照明光为汇聚光,以照明光最强点为中心,径向逐渐减弱,反映到图像上就是背景灰度分布不均,轮廓灰度过渡平滑;②由于水体及悬浮物物对光的吸收效应、散射效应和卷积效应使得水下图像极不理想,产生严重的非均匀亮度和细节模糊,而且图像信噪比很低,对比度差;③水体的波动导致图像中产生许多假细节,如自阴影、假纹理、假轮廓等,会给后续目标辨识造成困难.由于不能确切地知道模糊过程的退化模型,本文采用图像盲复原方法对水下退化图像进行恢复处理.由于影响水下成像质量的主要因素是水体对照明光的后向散射,可以将水下图像模糊过程的退化模型看成是高斯模型[10],故对退化图像的复原处理就转化为对高斯模型的参数估计,本文在此基础上提出了一种基于清晰度评价的参数估计算法对水下图像盲复原,获得了较好的效果.2 算法原理2.1 复原算法对于水下图像的成像过程,一般情况下认为噪声为未知加性噪声,成像系统具备线性和空间位移不变性[11],则成像模型可以描述为式中,g(x,y)表示得到的退化图像,h(x,y)表示成像系统的点扩展函数(PSF),f(x,y)表示原始的清晰图像,n(x,y)为噪声.取点扩展函数为对称二维高斯模型为式中,Ω 为PSF的支持域,(i0,j0)为Ω 的中心点,k为归一化系数,0≤a≤1为待定参数,其值决定了PSF的精度.在已求得PSF的情况下,由于噪声的具体信息未知,据式(1)可采用Lucy-Richardson(L-R)迭代算法对水下退化图像进行复原:式中,⊕为卷积,f为复原图像的估计,取初值为g.当式(3)迭代收敛时,即可得到复原图像.2.2 参数估计由于式(2)所表示的PSF包含未知参数a,需要对a进行估计.一般情况下,参数估计的准确性取决于所选择的评价标准并最终决定图像的复原质量.本文以图像清晰度作为评价标准,既与人眼的视觉相符合又具有客观性:式中,I(i,j)为图像在点(i,j)处的实际灰度值,E 为清晰度,其值越大表示图像越清晰.对参数a进行估计时,取a的初始值为0,具体步骤如图1所示,其中最大E值对应的图像即为最清晰复原图像.图1 盲复原算法流程图3 实验及结果为验证算法的有效性,选取水深6m以上河床底部石块水下图像与较为浑浊的桥墩水下表面裂缝图像进行实验,分别用盲反卷积算法、基于散射模型的水下图像复原算法以及本文算法对水下图像进行复原,结果分别如图2~3所示,可以看出用本文算法复原后的图像清晰度比另外两种算法复原后的图像清晰度要高,并且能够有效地消除振铃效应.本文算法中对应的参数a估计结果分别如图4~5所示,随所选取的模板增大,E-a曲线出现不同的极大值,但对同一原始水下退化图像,极大值点对应的a值基本相同;进一步,由图4、图5及另外30组对比实验统计结果表明,当模板大小为13×13左右时,模板大小变化对E-a曲线极大值影响较小,趋于收敛,因而实际使用本算法时,为保持较高的清晰度,同时尽量较少计算量,可选模板为11×11左右为宜.表1为图2~3复原前后模糊信噪比(BSNR)[12]和清晰度比较结果,可以看出利用本文算法复原后图像的BSNR和清晰度都比另外两种算法高,进一步验证了本文算法的有效性.表1 图像复原前后BSNR和清晰度对比图像参数水下原图像盲反卷积算法散射模型法本文算法图2 BSNR/dB 37.08 38.15 40.05 41.85清晰度3.4×1064.4×106 6.0×106 7.0×106图3BSNR/dB 35.59 37.02 39.50 41.60清晰度2.3×106 7.6×106 5.2×106 8.9×1064 结论水下图像受环境与光照条件影响退化严重,图像模糊.为获得清晰图像,以最高清晰度为评价准则对图像进行盲复原,并通过实际水下图像对算法进行了验证,结果表明利用本文算法图像模糊信噪比及清晰度都得到显著提高.参考文献:[1]张航,罗大庸.图像盲复原算法研究现状及其展望[J].中国图像图形学报,2004,9(10):1145-1146.[2]李庆忠,李长顺,王中琦.基于小波变换的水下降质图像复原算法[J].计算机工程,2011,37(7):1-3.[3]高志荣,吕进.基于压缩感知与小波域奇异值分解的图像认证[J].中南民族大学学报:自然科学版,2010,29(4):89-93.[4]KashifIqbal and Rosalina Abdul Salam.Underwater Image Enhancement Using an Integrated Color Model[J].IAENG International Journal of Computer Science,2007,34(2).[5]范泛,杨克成,夏珉,等.盲反卷积方法在水下激光图像复原中的应用[J].光电与光电技术,2010,8(3):13-17.[6]边信黔,王晓娟.基于散射模型的水下图像复原[J].机器人,2010,32(6):721-725.[7]马田,籍芳.水下数字图像盲复原算法研究[J].现代电子技术,2010,313(2):109-111.[8]鲁国春,聂武,张赫.基于模拟方法的水下图像复原[J].大连海事大学学报,2011,37(3):70-73.[9]王猛,白洪亮.同态滤波器在水下图像对比度增强中的应用[J].应用科技,2003,30(7):15-17.[10]孙传东,陈良益,高立民,等.水的光学特性及其对水下成像的影响[J].应用光学,2002,21(4):39-46.[11]章毓晋.图像工程[M].2版.北京:清华大学出版社,2007.[12]单晓明.数字图像的盲复原研究[D].南京:南京理工大学,2005.。
基于模糊度量的激光水下图像复原的盲去卷积方法
基于模糊度量的激光水下图像复原的盲去卷积方法
张威;杨克成;范泛;夏珉;傅博
【期刊名称】《光学与光电技术》
【年(卷),期】2011(9)2
【摘要】由于水体对激光存在着不可克服的吸收和散射效应,距离选通水下激光成像系统所获得的图像存在不同程度的劣化问题,具有信噪比低、边缘模糊等特点。
为提高图像质量,将基于模糊度量的盲去卷积方法应用于激光水下成像的图像复原中。
结合威尔斯小角度近似得出的点扩展函数与调制传递函数,分别讨论了最大期望,最小均方与多次乘法迭代盲去卷积算法,并引入模糊度量方法判断盲去卷积算法的最佳迭代次数,获取最佳质量的复原图像。
【总页数】6页(P27-32)
【关键词】图像处理;图像复原;盲反卷积;点扩展函数;调制传递函数;模糊度量【作者】张威;杨克成;范泛;夏珉;傅博
【作者单位】华中科技大学武汉光电国家实验室光电子科学与工程学院
【正文语种】中文
【中图分类】TN247
【相关文献】
1.基于盲解卷积算法的运动模糊图像复原 [J], 孟凡菲
2.基于盲解卷积算法的纤维模糊图像复原 [J], 孟飞飞;商书元
3.基于正则化盲反卷积改进方法的特定方向运动模糊图像复原 [J], 孙圣姿;陈文标;
余圣钻
4.泊松噪声污染模糊图像的非盲去卷积方法 [J], 董文德;杨新民;段然;郭晓鸿;林丹;秦树鑫
5.盲反卷积方法在水下激光图像复原中的应用 [J], 范泛;杨克成;夏珉;傅博;张威因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
基 于 清 晰 度 评 价 的 水 下 退 化 图像 盲 复 原
陈 从 平 邹 雷 王 健
(三峡 大学 机 械 与材料 学 院 ,湖北 宜 昌 430 ) 4 0 2
摘要 : 对水 下 图像 信噪 比低 、 针 图像模 糊 的特 点, 开发 了一种 基 于 图像 清 晰度 评价 的水 下 图像 盲 复
第3 4卷
第 4期
三峡大学学报( 自然 科 学 版 )
J o i aTh e r e i. Na u a c e c s fCh n r eGo g s Un v ( 201 g. 2
21 0 2年 8月
( l g fM e h n c l& M a eil gn e i g h n r eGo g sUnv ,Yih n 4 0 2 h n ) Co l eo c a ia e tra En i e rn ,C ia Th e r e i. c a g 4 3 0 ,C i a
效果 和 参数 , 得最 高清 晰度 复原 图像 . 验证 明 , 算法获 得 了比较 理想 的复原 效果. 获 实 该 关键 词 : 水下 图像 ; 盲复 原 ; 带参 数 点扩 展 函数 ; 清 晰度 评价
中图分 类号 : 3 1 4 TP 9 . 1 文献标 识码 : A 文 章编 号 :6 29 8 2 1 ) 40 8 -3 1 7-4 X( 0 2 0 -0 60
u e o d t r n h e tr c v r e u ta d p r m e e s s d t e e mi et eb s e o e y r s l n a a t r .Fi a l nl y,t e i a e h th v h i h s e i i o h g st a a e t e h g e t f t n m d n i
c a a trsiso h n e wae m a e h a tces r a u cin P F)wi a a tr ss lce .Th n h r ce it ft eu d r tri g ,t ep ril p e df n to ( S c t p r mee si ee td h e
S n a go ih h ti a e bln e t r ton ba e fnii n m e s r m e ti a e Ba e na y i he O a l rt m t a m g i d r s o a i s d on de i to a u e n s m d . s d on a l sng t
m eas 】 e e l r m nt
随着 科 学技 术 的不 断发展 , 下 视 觉成 像 、 测 水 探
Ab t a t I i h ft e c a a t r s is t a o sg a o s a i ( NR) a d b u rn f u d r t r i a e s r c n l to h h r c e it h t l w i n l ie r t S g c n o n l r i g o n e wa e m g ,
Un e wa e g a a e m a e Blnd Re t r to s d o fn to e s r m e t d r t r De r d t d I g i s o a i n Ba e n De i ii n M a u e n Ch n C n p n Z u Le W a g Ja e o g ig o i n in
原 算法. 在分 析水 下 图像 特 点的基 础 上 , 选取 带参 数 的 点扩 展 函数 , 合 L c— i ad o 结 u yR c r sn算 法 对 h
图像 进 行复原 并获 得随参 数 变化 的 系列复 原 图像 , 而 以最 高 清 晰度 为评 价 指标 , 进 确定 最 优 复 原
a e o ane r bt i d.The e pe i nt o e t tt i t od ha b an d c e r rr s t x rme spr v ha h s me h s o t i e l a e e ul.
Ke wo d u d r t r i a e b i d r s o a i n; p r me e e a t l s r a u c i n( S ; d f i o y rs n e wa e m g ; l e t r to n a a t r d p r i e p e d f n to P F) c ei t n n i
i a e h tc a e w ih t r m e e r bt i d. A nd t n t h gh s fn to s e a ua i n i e s m g s t a h ng t he pa a t r a e o ane he he i e t de i ii n a v l to nd x i
c ombi d wih Lu y Riha d on a go ihm o r s or hei gewhih n e sr s orn ne t c — c r s l rt t e t et ma c e d e t i g,a d a s re e t e n e isofr s or d