基于分层复原方法的水下图像复原
最小二乘估计的水下图像恢复算法
最小二乘估计的水下图像恢复算法
王永鑫;刁鸣;韩闯
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2018(030)011
【摘要】为了解决由噪声以及散射所引起的水下图像退化问题,提出一种基于最小二乘估计的水下图像恢复算法.首先通过比尔-朗伯定律构建水下图像退化模型,并基于同态子块的局部统计特性分析方法对于加性高斯白噪声的方差进行估计;然后推导出一种基于最小二乘估计的图像滤波方法用于重建原始图像,通过Gamma校正对由Retinex模型分解出的光照层分量进行拉伸,从而得到增强后的水下图像.从视觉感知和客观评价2个方面对算法进行了验证,实验结果表明,该算法能够有效地抑制由噪声以及散射所引起的图像雾化效果,图像恢复后水下图像的色彩、对比度、细节以及清晰度都得到明显改善.
【总页数】9页(P2125-2133)
【作者】王永鑫;刁鸣;韩闯
【作者单位】哈尔滨工程大学信息与通信工程学院哈尔滨 150001;哈尔滨理工大学测控技术与仪器黑龙江省高校重点实验室哈尔滨 150080;哈尔滨工程大学信息与通信工程学院哈尔滨 150001;哈尔滨理工大学测控技术与仪器黑龙江省高校重点实验室哈尔滨 150080
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于最小二乘法的压缩文本图像恢复算法 [J], 沈大龙;任东;陈增强;袁著祉
2.基于像素位移估计的水下湍流退化图像畸形校正算法 [J], 盘亚楠;谌雨章;郭煜玮
3.最小二乘模型下图像恢复的原-对偶算法的研究 [J], 何姣姣;庹谦;陈剑鸣
4.基于阻尼最小二乘法的被遮物体图像恢复算法 [J], 乔立国
5.基于阻尼最小二乘法的被遮物体图像恢复算法 [J], 乔立国
因版权原因，仅展示原文概要，查看原文内容请购买。
水下图像的处理与分析技术研究
水下图像的处理与分析技术研究随着科技的不断发展，水下探测技术的应用也越来越广泛。
在海洋探测、自然资源开发、人工修建工程等领域，水下图像处理和分析技术的应用越来越重要。
本文旨在探讨水下图像处理和分析技术的研究现状和发展趋势。
一、水下图像处理技术的研究现状水下图像拍摄与处理是水下探测的重要领域，因其数据量大、质量复杂、噪声多等特点，使得这个过程变得异常困难。
目前，水下图像处理技术主要分为以下几类：1. 水下图像特征提取水下图像处理的第一步是对图像特征进行提取。
该过程包括图像增强、去除噪声、边缘检测和目标分割等。
这些处理技术能够有效地增强图像的对比度和清晰度，提高图像质量，方便后续的图像分析和处理。
2. 水下图像恢复水下图像在传输和存储中常常受到光线衰减、散射、吸收、色散等干扰，导致图像质量下降。
水下图像恢复技术就是利用数学方法和算法，对受到影响的图像进行补偿和重构，提高图像质量和信息量。
在实际应用中，常常需要将不同场景、不同深度的水下图像进行配准，以便构建三维水下模型，或者进行拍摄效果对比。
水下图像配准技术就是对不同水下场景的图像进行处理，使得它们的位置和角度对齐。
二、水下图像分析技术的研究现状水下图像处理之后，常常需要对图像进行分析和识别。
近年来，随着深度学习技术的发展，水下图像分析技术也有了很大的进展和发展，主要包括以下几个方面：1. 水下目标检测水下目标检测是指对于水下图像中的目标（如植物、动物、建筑等）进行自动检测和识别。
该技术主要利用卷积神经网络（CNN）和目标检测算法（如YOLO、SSD、Faster R-CNN等），实现对水下目标的高精度识别。
2. 水下图像特征描述水下图像特征描述是指对水下图像中的特征（如纹理、形状、颜色等）进行提取和描述。
该技术主要利用局部特征描述符（如SIFT、SURF、ORB等）和深度学习模型（如Inception、ResNet 等），实现对水下图像特征的自动描述和提取。
基于图像融合的水下彩色图像的增强方法
基于图像融合的水下彩色图像的增强方法胡玉娟;曹风云【摘要】文章提出了一种基于融合技术的高效率,低复杂性的水下图像增强方法.将原图经过白平衡和全局对比度增强分别获得的2幅图像作为输入图,经过特殊的权重图分别对输入图进行衡量,然后将得到的结果加权求和,实现图像融合,使得水下图像细节增强.由于该算法是像素级操作,不需要进行复杂的去卷积运算,因此计算效率高.实验结果证明了该算法有效地增强了水下图像效果并且减少了计算机执行时间.%A new underwater image enhancement method based on image fusion technology,which has high efficiency and low complexity,is proposed.The white balance and global contrast enhancement technologies are applied to the original image respectively,then these two adapted versions of the original image are taken as inputs to be weighted by specific maps.The enhanced results can be obtained by computing the weight sum of the two inputs in a per-pixel fashion.Since the complex deconvolution is not employed,the algorithm has a high computing efficiency.The experimental results demonstrate that the algorithm reduces the execution time of the computer and effectively enhances the visual quality of the underwater image.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2013(036)008【总页数】6页(P948-953)【关键词】图像融合;显著图;水下彩色图像;图像增强【作者】胡玉娟;曹风云【作者单位】合肥师范学院公共计算机教学部,安徽合肥230061;合肥师范学院公共计算机教学部,安徽合肥230061【正文语种】中文【中图分类】TP391.41水下世界能见度较差是海洋应用中存在的主要问题之一［1－2］。
基于深度学习的海底图像处理与分析技术研究
基于深度学习的海底图像处理与分析技术研究随着科技的不断发展以及人们对未知领域的探索，海洋这一庞大而神秘的世界被越来越多的人所关注。
而探究海底世界的基本条件之一就是准确、清晰地获取海底的地形图像信息。
为此，基于深度学习的海底图像处理与分析技术应运而生。
一、海底图像处理技术的优势传统的海底地形勘测通常使用声纳等手段，但由于海底地形复杂，基础设备和数据收集的成本也较高，因此需要一种更为高效、快速的手段。
而基于深度学习的海底图像处理技术可以准确地还原海底地形，并将其转化为数字地图，方便研究人员进行更深入的分析。
同时，该技术对于海洋资源的开发和环境管理也有着重要的意义。
二、深度学习在海底图像处理中的应用深度学习是人工智能领域的重要分支，其应用已经渗透到各个领域。
在海底图像处理中，深度学习算法可以识别和分析图像中的不同目标物以及其位置、形态等特征。
例如，可以通过训练深度神经网络对海洋生物、废弃物等进行识别和分析。
同时，深度学习算法还可以实现对海底地形的高速测绘和建模。
三、深度学习在海底环境监测和保护中的应用海洋环境的监测和保护是基于深度学习的海底图像处理技术的另一个重要应用领域。
利用深度神经网络算法，可以对海域中水质、水温、海水中的有害物质等进行高效、准确的检测和预测。
同时，深度学习还可以实现远程监测和实时警报等功能，对保护海洋生态环境有着重大的意义。
四、发展前景与挑战基于深度学习的海底图像处理技术在海洋勘测、资源开发、环境监测等领域中有着广泛的应用前景。
然而，该技术的发展还面临着许多挑战，例如海底图像的受限性、不同复杂度的图像处理、数据集的规模和质量等。
进一步的研究和完善可以提高技术的应用水平，推动深度学习在海洋领域中的发展和创新。
综上所述，基于深度学习的海底图像处理与分析技术为人们探索海洋世界提供了新的手段和途径。
该技术对海洋领域的发展和环境保护有着重要的影响，它的应用前景和发展潜力不容小视。
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。
深度学习驱动的水下图像处理研究进展
深度学习驱动的水下图像处理研究进展目录一、内容概括 (2)二、水下图像处理的重要性与挑战 (3)三、深度学习在水下图像处理中的应用 (4)3.1 深度学习算法概述 (5)3.2 水下图像增强技术 (6)3.3 水下图像目标识别与检测 (8)四、深度学习驱动的水下图像处理研究进展 (9)4.1 研究现状与发展趋势 (11)4.2 关键技术突破与进展 (12)4.3 应用领域拓展与案例分析 (14)五、深度学习算法在水下图像处理中的性能评估与优化策略 (15)5.1 性能评估指标与方法 (17)5.2 优化策略与技术手段 (18)5.3 实际应用中的性能表现分析 (19)六、水下图像处理技术面临的挑战与未来展望 (21)6.1 当前面临的主要挑战与问题 (22)6.2 未来发展趋势与前沿技术预测 (23)6.3 技术创新与应用拓展的思考与建议 (25)七、结论与展望总结全文，再次强调研究的重要性和价值，明确未来的研究方向和目标26一、内容概括本篇论文综述了深度学习在水下图像处理领域的最新研究进展，重点探讨了深度学习算法在水下图像增强、目标检测与识别、图像分割及深度估计等方面的应用。
随着人工智能技术的不断发展，水下机器人和无人潜水器等智能设备的应用日益广泛，对水下图像处理技术的要求也不断提高。
传统的图像处理方法在复杂多变的水下环境中往往表现不佳，而基于深度学习的端到端学习方法能够自动提取特征并学习到复杂的映射关系，因此在近年来得到了广泛的关注和研究。
本论文详细介绍了深度学习模型（如卷积神经网络、循环神经网络、生成对抗网络等）在水下图像处理中的应用，并对其优缺点进行了分析。
论文还讨论了水下图像处理中面临的挑战，如光照变化、水下噪声、成像设备特性等因素对图像质量的影响。
针对这些问题，研究者们提出了一系列新的方法和技巧，如基于深度学习的图像预处理与后处理技术、多模态数据融合策略、迁移学习等，以提高水下图像的质量和处理性能。
基于多模态融合的深度神经网络图像复原方法李伟伟,王
第62卷第2期吉林大学学报(理学版)V o l.62 N o.2 2024年3月J o u r n a l o f J i l i nU n i v e r s i t y(S c i e n c eE d i t i o n)M a r2024d o i:10.13413/j.c n k i.j d x b l x b.2022343基于多模态融合的深度神经网络图像复原方法李伟伟1,王丽妍2,傅博2,王娟1,黄虹1(1.山东青年政治学院信息工程学院,济南250103;2.辽宁师范大学计算机与人工智能学院,辽宁大连116081)摘要:针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力㊁监督注意力和非局部注意力,挖掘图像特征的尺度间相关性㊁特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比㊁结构相似性等定量对比以及颜色㊁细节等定性对比上都优于对比方法.关键词:多模态融合;深度神经网络;三重注意力;图像复原中图分类号:T P391文献标志码:A 文章编号:1671-5489(2024)02-0391-08D e e p N e u r a lN e t w o r k I m a g eR e s t o r a t i o n M e t h o dB a s e d o n M u l t i m o d a l F u s i o nL IW e i w e i1,WA N GL i y a n2,F U B o2,WA N GJ u a n1,HU A N G H o n g1(1.S c h o o l o f I n f o r m a t i o nE n g i n e e r i n g,S h a n d o n g Y o u t hU n i v e r s i t y o f P o l i t i c a lS c i e n c e,J i n a n250103,C h i n a;2.S c h o o l o f C o m p u t e r a n dA r t i f i c i a l I n t e l l i g e n c e,L i a o n i n g N o r m a lU n i v e r s i t y,D a l i a n116081,L i a o n i n g P r o v i n c e,C h i n a)A b s t r a c t:A i m i n g a t t h e p r o b l e m s o f t h e c o m p l i c a t e du n d e r w a t e r i m a g e i m a g i n g e n v i r o n m e n t r e s u l t e d i n t h e s u b s e q u e n t i m a g e a n a l y s i so f t e nb e i n g a f f e c t e db y c o l o rb i a s a n do t h e r f a c t o r s,w e p r o p o s e da d e e p c o n v o l u t i o n a l n e u r a l n e t w o r k i m a g e r e s t o r a t i o n m e t h o db a s e do n m u l t i-s c a l e f e a t u r e sa n dt r i p l e a t t e n t i o n m u l t i m o d a l f u s i o n.F i r s t l y,t h ed e e p c o n v o l u t i o n a ln e u r a ln e t w o r ki n t r o d u c e dt h ei m a g e m u l t i-s c a l e t r a n s f o r m a t i o n f e a t u r eo nt h eb a s i so f e x t r a c t i n g t h e i m a g es p a t i a l f e a t u r e.S e c o n d l y,b y u s i n g c h a n n e l a t t e n t i o n,s u p e r v i s e d a t t e n t i o n a n dn o n-l o c a l a t t e n t i o n,t h e s c a l e c o r r e l a t i o n a n d f e a t u r e c o r r e l a t i o n o fi m a g e f e a t u r e s w e r e m i n e d.F i n a l l y,b y d e s i g n i n g a m u l t i m o d a lf e a t u r e f u s i o n m e c h a n i s m,t h ea b o v et w ot y p e so f f e a t u r e sc o u l db ee f f e c t i v e l y f u s e d.T h e p r o p o s e d m e t h o d w a s t e s t e do n t h eo p e nu n d e r w a t e r i m a g e t e s t s e ta n dc o m p a r e d w i t ht h ec u r r e n tm a i n s t r e a m m e t h o d s. T h e r e s u l t ss h o wt h a t t h i sm e t h o d i s s u p e r i o r t o t h ec o m p a r i s o n m e t h o d i n q u a n t i t a t i v ec o m p a r i s o n s u c ha s p e a ks i g n a l-t o-n o i s e r a t i oa n ds t r u c t u r a l s i m i l a r i t y,a sw e l l a s q u a l i t a t i v e c o m p a r i s o ns u c ha s c o l o r a n dd e t a i l s.K e y w o r d s:m u l t i m o d a l f u s i o n;d e e p n e u r a l n e t w o r k;t r i p l e a t t e n t i o n;i m a g e r e s t o r a t i o n 收稿日期:2022-08-07.第一作者简介:李伟伟(1981 ),女,汉族,硕士,副教授,从事图形图像与深度学习的研究,E-m a i l:l w w@s d y u.e d u.c n.通信作者简介:傅博(1983 ),男,汉族,博士,副教授,从事图像处理与计算机视觉的研究,E-m a i l:f u b o@l n n u.e d u.c n.基金项目:国家自然科学基金(批准号:61702246)和山东青年政治学院博士科研启动基金(批准号:X X P Y21025).293吉林大学学报(理学版)第62卷随着人工智能技术的不断发展,深度学习中神经网络强大的自学习能力在图像处理领域具有至关重要的作用,目前已将其应用于自然图像处理[1]中,并取得了显著成果.在海洋能源勘探㊁海洋环境保护以及海洋物种分析等领域,水下图像包含了大量的海洋资源视觉信息,是人们观察和探索海洋的重要载体.但由于水下复杂的成像环境及光线吸收等各种干扰因素的影响,真实水下图像的获取通常很困难.在水下图像采集过程中,图像视觉质量常会降低,例如图像模糊㊁偏色㊁有噪声等,无法获取有效且准确的图像视觉内容,进而严重影响后续的图像分析任务.因此,通过水下图像复原方法,提升图像清晰度㊁丰富图像细节信息,对海洋资源的探索利用和海洋生物的分类识别等具有重要意义.目前,水下图像复原方法已取得了许多研究成果.早期传统的水下图像复原方法大多数是基于先验知识和物理模型的设计,达到图像恢复的效果.T r u c c o等[2]设计了一种自调谐图像复原滤波器,其基于简化的J a f f e-M c G l a m e r y水下成像模型设计,对图像局部对比度质量判决函数进行优化,进而估计出滤波器中的参数值;F a n等[3]对解决水下图像复原任务,提出了新的点扩散函数(P S F)和调制解调函数(M F T),图像先经过算数平均滤波后,再用迭代盲反褶积方法得到去噪图像的初始点扩散函数的理想值,最后得到图像复原的效果;H e等[4]针对有雾图像提出了暗通道先验算法复原.之后很多研究者都对暗通道进行了研究,并应用于水下图像复原.G a l d r a n等[5]合理地利用水下图像衰减与光波长的关系,提出了一种R通道复原方法用于处理水下图像,提高了图像的颜色校正和清晰度;C h e n g等[6]利用R通道先验,通过分析P S F的物理特性,提出了一种简单㊁有效的低通滤波器复原水下图像,从而提高水下图像的对比度和可见度;张凯等[7]通过水下图像亮度通道下的多尺度R e t i n e x(M S R)算法处理,提出了一种基于多尺度的R e t i n e x算法,对水下彩色图像的全局视觉效果有很大提升;S h a r a n y a等[8]分别使用了直方图均衡㊁噪声降噪滤波器和基于二阶方向导数的重复插值方法提高水下图像质量,增强细节信息.尽管上述传统方法在一定程度上可以减少图像模糊程度㊁增强边缘㊁改善偏色,但由于数据少导致模型的适用性较差,并且模型中的参数需要手动设置,因此只适用于退化程度较小的图像.近年来,基于深度学习的水下图像复原方法逐渐成为主流.例如:L i等[9]利用水下图像及其深度学习数据训练一种可粗略地估计出水下场景深度的端到端网络;F a b b r i等[10]提出了一种U G A N网络用于水下图像复原,首先采用C y c l e G A N网络[11]将高质量的水下图像渲染为低质量的水下图像,得到数据集后再通过网络训练改善水下视觉场景质量;L i等[12]提出了一种W a t e r N e t网络用于水下图像,构建水下增强基准以建立水下图像增强网络;I s l a m等[13]从图像内容㊁颜色㊁纹理细节等方面恢复水下图像,通过对目标函数多方式调整提出了一种F U n I E-G A N网络.但上述算法泛化能力较弱,网络结构设计较浅,网络本身无法学习到图像的全部特征.无论是传统算法还是基于深度学习的方法,大多数是提取出单一的数据特征进行处理,从而达到图像复原的效果.尽管深度学习方法在去噪和去除偏色问题等各方面都表现出了明显优势,但单一的数据类型更多地限制了网络学习图像自身更多信息的能力,无法关注到更多类型的数据特征.因此,本文提出一种新的水下图像复原模型框架基于多尺度特征与三重注意力多模态融合的深度神经网络水下图像复原方法.该方法在深度学习框架下,将图像数据特征和小波数据特征有效融合,学习更多的高低频信息.同时,在网络框架中采用3种注意力模块,可以同时去除噪声和恢复图像颜色,挖掘图像更多的细节特征,有效提升图像的视觉质量.1图像复原整体架构1.1水下图像成像模型水下图像的生成通常遵循以下模型:I(x)=J(x)t(x)+A(1-t(x)),(1)其中x表示水下图像中第x个像素,I(x)表示退化后的原始图像,J(x)表示清晰图像,J(x)t(x)表示直接分量,A(1-t(x))表示背景散射分量,A表示水下环境光,t(x)表示场景光透射率.式(1)根据J a f f e-M e G l a m e r y[1]水下成像模型而得,水下成像主要由相机接收到光线衰减后的直接图1 水下图像成像模型F i g .1 I m a g i n g m o d e l o f u n d e r w a t e r i m a g e 分量㊁前向散射分量㊁后向散射分量三部分组成,如图1所示.在神经网络框架下,给定一个源域Y (退化后图像)和期望域X (清晰图像),可得到映射H :Y {I (x )}ңX ,其中I (x )表示退化的水下图像.本文的目标是学习该映射以实现水下图像的自适应复原,可得深度学习框架下的目标函数为a r g m i n X 12 X -H (Y ) 22,(2)其中X 为清晰的图像,Y 为复原后的图像,算法的目标是寻找一种使函数最小化的映射H .1.2 网络模型整体架构本文提出的基于多模态数据融合的水下图像复原网络整体架构主要包括三部分,如图2所示,即浅层特征去噪部分㊁小波特征融合部分和深度特征增强部分.浅层特征去噪部分主要由一个C N -G r o u p 组成,其中在一个卷积层和R e L U 激活层后嵌入了非局部注意力模块(n o n -l o c a l a t t e n t i o n m o d u l e ,N AM ).在提取图像浅层特征的同时,非局部注意力模块可较好地抑制噪声以达到去噪的效果,并可用于进一步的深层特征增强.由于特征空间中不同的高低频特征对图像复原有重要的参考价值,因此在小波特征融合部分网络的初始阶段采用小波分解变换,准确地分解出图像的高低频特征信息,同时末端嵌入监督注意力模块(s u p e r v i s e d a t t e n t i o nm o d u l e ,S AM ),以实现特征之间的渐进学习.监督注意力模块以真实图像作为监督条件进行约束,同时输出前一阶段的注意力特征图,将学习到的高低频信息传递给下一阶段,并与浅层去噪特征融合.深度特征增强模块是在浅层去噪特征和小波特征融合的基础上进一步挖掘图像的细节特征,进行深层特征的增强和复原,其由两个卷积层㊁两个C C -G r o u p ㊁长短跳跃连接和一个反卷积层组成,其中C C -G r o u p 包括两个卷积层㊁R e L U 激活函数层和通道注意力模块(c h a n n e l a t t e n t i o nm o d u l e ,C AM ).采用通道注意力模块可以关注通道之间的相关性,从而挖掘深层特征进行增强.因此,基于该网络框架,本文将目标函数形式化为求以下最小损失函数:m i n L (F N e t (y ;θ),x ),(3)其中F N e t 表示本文提出模型的函数,L 表示损失函数,y 为网络的输入即退化图像,x 为真实的干净图像,参数θ可通过训练网络学习得到.图2 基于多模态数据融合的水下图像复原网络架构F i g .2 U n d e r w a t e r i m a ge r e s t o r a t i o nn e t w o r kf r a m e w o r kb a s e do nm u l t i m o d a l d a t a f u s i o n 2 3种注意力模块和小波分解模块本文提出的框架主要为解决图像去噪和细节增强问题,其中非局部注意力模块用于图像浅层特征393 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法去噪;而通道注意力机制模块用于图像增强,恢复更多图像细节;小波分解变换下的特征融合,在整个网络框架中具有核心的作用.2.1非局部注意力模块对于图像去噪,传统的非局部均值(n o n-l o c a lm e a n s,N L M)[14]算法通过采用非局部滤波器进行滤波操作,计算所求像素值与图像中所有点的相似度,加权平均得到新的像素值,从而达到去噪的效果.其计算公式为u(x)=ðyɪI w(x,y)v(y),(4)其中:v表示噪声图像; u表示去噪后的图像;w表示加权平均的权重;x和y分别表示当前像素和相关性像素的位置,通过计算两者相似程度赋以权重w(x,y),通常采用欧氏距离计算二者的相似度.由于注意力机制可帮助卷积神经网络重点关注图片的一些局部信息生成相应的序列,因此,借鉴非局部均值的思想,本文将非局部算子模块化,嵌入到C N-G r o u p中,形成非局部注意力模块N AM,如图3所示.在非局部注意力模块中,采用卷积操作和残差连接实现该算法的思想,可以随意插入到任何网络结构中.首先,采用3个1ˑ1大小的卷积层,提取到3个特征矩阵θ,ϕ,g;其次,为减少计算量,对输出的特征进行降维,然后计算其中两个输出的特征相似性,并对其进行S o f t m a x操作进行归一化;最后,将归一化后的系数对应乘回特征矩阵g中,再经过一个1ˑ1大小卷积层得到相应的通道数,并与输入做残差连接,从而得到与输入大小一致的非局部结果,本文将此过程表示为y i=S o f t m a x(θ(x i)Tϕ(x j))g(x i),Z i=W z y i+x i.(5) 2.2监督注意力模块在小波特征融合部分的末端,嵌入监督注意力模块.在网络训练过程中,中间特征的监督具有一定的参考价值.监督注意力模块不仅提供真实图像作为监督形成约束条件,还将小波变换后学习到的特征更好地融入到浅层去噪特征中,主要表现在生成注意力特征图抑制当前信息较少的特征,只允许有用的特征传递给下一阶段,其结构如图4所示.首先,前一阶段的输入特征f i n被一个3ˑ3的卷积层卷积得到的特征叠加在退化图像I n p u t上,通过真实图像监督计算C h a r b o n n i e r损失,从而得到中间输出I n t e r_o u t p u t.然后,中间输出被一个1ˑ1卷积层和S i g m o i d函数激活后,并与输入特征f i n经过一个3ˑ3的卷积层后的特征点乘,其结果与输入特征f i n融合得到输出的注意力特征图f o u t,并将其用于小波特征和浅层去噪特征的融合.本文将此过程用网络的形式描述为I n t e r_o u t p u t=C o n v(f i n)+I n p u t,f o u t=S ig m o i d((C o n v(I n t e r_o u t p u t))㊃C o n v(f i n))+f i n.(6)图3非局部注意力模块F i g.3N o n-l o c a l a t t e n t i o nm o d u l e图4监督注意力模块F i g.4S u p e r v i s e da t t e n t i o nm o d u l e2.3通道注意力模块在深层特征增强部分中的C C-G r o u p中,本文嵌入了通道注意力模块,如图5所示,它可以更多关注重要的通道特征,对深层特征的提取和增强有极大的辨识能力,从而进行网络深层次特征增强和细节纹理恢复.将通道注意力模块嵌入到C C-G r o u p中,同时伴有残差连接,即使在更深层次的网络493吉林大学学报(理学版)第62卷中,也能利用通道之间的相互依赖关系,提取有用的特征信息.通道注意力模块由一个平均池化层㊁两个卷积层㊁R e L U 激活函数和S i gm o i d 激活函数以及残差连接组成.首先,输入特征经过一个池化层对其下采样得到压缩后的特征图;然后,经过两次卷积和R e L U 激活函数先后使通道降维再升维,从而学习了多个通道之间的非线性相互作用;最后,被S i g m o i d 函数激活后,其输出与输入相乘得到等大的输出结果.本文将此过程用网络形式描述为f o u t =S i g m o i d (C o n v (R e L U (C o n v (p o o l (f i n )))))㊃f i n .(7)图5 通道注意力模块F i g .5 C h a n n e l a t t e n t i o nm o d u l e 2.4 小波分解模块通过卷积得到的特征大多数存在显著性.因此,本文引入小波变换将图像分成低频和高频小波子带,然后将它们输入到浅层去噪和深层增强部分进一步学习和挖掘深层特征信息,如图2所示.小波变换[15]有助于减少信息损失,能较好地重构原始图像内容,采用离散小波变换(DWT )和整数小波变换(I WT )可以更好地将小波特征和浅层去噪特征融合.本文采用H a a r 小波核,用4个卷积核提取不同频率分量,分别表示直流㊁横向㊁纵向㊁斜向上的能量,用公式表示为f L L =11æèçöø÷11, f L H =-1-1æèçöø÷11, f H L =-11-æèçöø÷11, f HH =1-1-æèçöø÷11. 经过DWT 后,大小为(B ,C ,H ,W )的图像可以变成大小为(B ,4C ,H /2,W /2)的小波带,其中B ,H ,W ,C 分别表示批次尺寸㊁高度㊁宽度和通道数.这样可以降低计算成本,有助于加快训练过程.在网络训练过程中,DWT 后输出的特征图通道为12,I WT 后输出的特征图通道数变为16,卷积层输出的特征图通道为64,因此,融合小波特征后的卷积层其输入通道数为80,输出通道数为64.特别地,小波变换是双向的,能适用于端到端的网络训练.小波分解变化用公式表示为f o u t =DWT (I n p u t ).(8)2.5 损失函数基于多模态数据融合的水下图像复原网络框架的整体损失函数如下:L =L 1(O u t p u t ,G T )+L C h a r b o n n i r (I n t e r _o u t p u t ,G T ),(9)其中L 1和L C h a r b o n n i r 分别表示L 1损失和C h a r b o n n i e r 损失函数[16],G T 表示真实水下图像,O u t p u t 表示整体网络复原后的图像,I n t e r _o u t p u t 表示经过监督注意力模块得到的输出图像.C h a r b o n n i e r 损失进行约束在于利用真实图像监督提取有用的特征,其损失函数形式如下:L C h a r b o n n i r = I n t e r _o u t p u t ᵡ-G T 2+ε2.(10)为防止网络梯度消失,这里ε为常数,经验设置为10-3.3 实 验3.1 实验设置本文算法的实验操作基于W i n d o w s10操作系统㊁P y T o r c h 深度学习框架和N V I D I A G e F o r c e R T X3090G P U.采用E U V P 中的U n d e r w a t e rD a r k 水下图像数据集,其中包括5550对已配对的训练图像和570张验证图像.在实验过程中,本文选用5550对已配对的训练图像中的5022对配对图像对数据集进行训练,528对配对图像对数据集进行测试,另570张图像作为验证图像.网络训练过程中,参数b a t c h _s i z e 设置为16,pa t c h _s i z e 设置为48,学习率设置为10-4,采用A d a m 优化器,迭代次数e p o c h 为300时网络达到收敛,同时采用最优模型进行测试.此外,为验证去噪效果,在原有数据集上模拟高斯噪声进行训练和测试.采用其他4种现有的深度学习图像复原算法作为对比算法,分别是C y c l e G A N [17],F U n I E -G A N [11],S h a l l o w -UW n e t [18]和R C A N [19].为保证实验的公平性和可靠性,所有算法均采用与本文相593 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法同的训练集与测试集.在评价图像质量上,除主观视觉观察外,还采用峰值信噪比(P S N R)和结构化相似性(S S I M)两个客观评价指标.3.2实验结果分析本文对所有算法均在统一测试集上进行测试,并且分别模拟了高斯噪声强度为5,10和15的测试集,对P S N R和S S I M分别进行对比,其量化结果列于表1.由表1可见,本文算法测试结果在P S N R 和S S I M分数上明显突出.为进一步展示视觉效果,在噪声强度为10的情况下,选择测试集中6张不同的图像进行对比,其复原结果如图6所示.表1本文方法与其他水下复原算法的P S N R和S S I M分数值对比结果T a b l e1C o m p a r i s o n r e s u l t s o fP S N Ra n dS S I Ms c o r e s o f p r o p o s e dm e t h o da n do t h e r u n d e r w a t e r r e s t o r a t i o na l g o r i t h m s算法评价指标数据集E U V P+噪声强度σ51015C y c l e G A N P S N R/S S I M16.35/0.777316.27/0.729516.26/0.6858F U n I E-G A N P S N R/S S I M20.65/0.863220.23/0.807620.24/0.7764S h a l l o w-UW n e t P S N R/S S I M20.67/0.866320.57/0.830920.03/0.7822R C A N P S N R/S S I M22.35/0.893322.15/0.872821.95/0.8479本文P S N R/S S I M22.55/0.897322.33/0.875522.09/0.8527图610噪声强度下的水下图像复原效果F i g.6R e s t o r a t i o n e f f e c t s o f u n d e r w a t e r i m a g e s a t n o i s e l e v e l10由图6可见,相比于其他水下复原算法,本文算法无论在去噪还是恢复图像细节纹理上都有很大优势,尤其是在解决偏色问题上更突出.在6张对比图像中,前3张和后3张图像处于不同颜色范围,前3张图像均处于偏蓝绿色,而后3张图像颜色更丰富,本文提出的算法都能较好地解决偏色问题.因此,本文提出的基于多模态数据融合的水下图像复原算法可较好地复原退化的水下图像.693吉林大学学报(理学版)第62卷3.3 消融实验为进一步验证本文算法融合小波特征和3种注意力模块的有效性,对增加的不同模块做消融实验.在噪声强度为10的情况下,增加不同模块的量化结果列于表2.表2 消融实验的量化对比结果T a b l e 2 C o m p a r i s o no f q u a n t i t a t i v e r e s u l t s o f a b l a t i o n e x p e r i m e n t s 方法 数据集噪声强度σP S N R S S I M 1)w /C AM E U V P 1022.150.87282)w /N AM E U V P 1021.800.86103)w /N AM+C AM E U V P 1022.190.87084)w /N AM+C AM+S AM w /oDWT (I WT )E U V P1022.260.87495)w /N AM+C AM+S AM E U V P 1022.330.8755 具体实验内容如下:1)有小波分解模块情况下,只带有通道注意力模块;2)有小波分解模块情况下,只带有非局部注意力模块;3)有小波分解模块情况下,只带有通道注意力模块和非局部注意力模块;4)无小波分解模块情况下,带有通道注意力模块㊁非局部注意力模块和监督注意力模块;5)有小波分解模块情况下,带有通道注意力模块㊁非局部注意力模块和监督注意力模块.消融实验视觉效果如图7所示.图7 消融实验的视觉效果F i g .7 V i s u a l e f f e c t s o f a b l a t i o n e x pe r i m e n t 由表2和图7可见,方法1)~4)考虑了累加不同注意力模块的表现情况,而方法4)和5)验证了小波分解模块的优势.因此,无论是从视觉效果还是客观评价结果都可得出结论:本文算法在水下图像的恢复方面与其他算法相比有一定的优势.综上所述,针对水下图像偏色失真问题,本文提出了一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络水下图像复原方法,突破了单模态对神经网络学习的限制.在使用深度卷积神经网络提取图像空间特征时,引入了图像多尺度变换特征.通过通道注意力㊁监督注意力和非局部注意力挖掘图像特征的尺度间相关性和特征间相关性.在公开的水下图像测试集进行测试,并与其他方法进行对比的实验结果证明了本文方法的优越性.参考文献[1] D O N GC ,L O YCC ,H EK M ,e t a l .L e a r n i n g aD e e p C o n v o l u t i o n a lN e t w o r k f o r I m a g eS u p e r -r e s o l u t i o n [C ]//E u r o p e a nC o n f e r e n c e o nC o m p u t e rV i s i o n .B e r l i n :S p r i n ge r ,2014:184-199.793 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法893吉林大学学报(理学版)第62卷[2] T R U C C O E,O L MO S-A N T I L L O N A T.S e l f-t u n i n g U n d e r w a t e rI m a g e R e s t o r a t i o n[J].I E E E J o u r n a lo fO c e a n i cE n g i n e e r i n g,2006,31:511-519.[3] F A NF,Y A N G KC,M I N X,e t a l.U n d e r w a t e r I m a g eR e s t o r a t i o nb y M e a n so fB l i n dD e c o n v o l u t i o nA p p r o a c h[J].F r o n t i e r s o fO p t o e l e c t r o n i c s i nC h i n a,2010,3:169-178.[4] H EK M,S U N J,T A N G X O,e ta l.S i n g l eI m a g e H a z e R e m o v a l U s i n g D a r k C h a n n e lP r i o r[J].I E E ET r a n s a c t i o n s o nP a t t e r nA n a l y s i s&M a c h i n e I n t e l l i g e n c e,2011,33(12):2341-2353.[5] G A L D R A N A,P A R D OD,P I CÓN A,e t a l.A u t o m a t i cR e d-C h a n n e lU n d e r w a t e r I m a g eR e s t o r a t i o n[J].J o u r n a lo fV i s u a l C o mm u n i c a t i o n&I m a g eR e p r e s e n t a t i o n,2015,26:132-145.[6] C H E N GCY,S U N GCC,C HA N G H H.U n d e r w a t e r I m a g eR e s t o r a t i o nb y R e d-D a r kC h a n n e l P r i o r a n dP o i n tS p r e a d F u n c t i o n D e c o n v o l u t i o n[C]//2015I E E E I n t e r n a t i o n a l C o n f e r e n c e o n S i g n a la n d I m a g e P r o c e s s i n gA p p l i c a t i o n s(I C S I P A).P i s c a t a w a y,N J:I E E E,2015:110-115.[7]张凯,金伟其,裘溯,等.水下彩色图像的亮度通道多尺度R e t i n e x增强算法[J].红外技术,2011(11):14-18.(Z HA N G K,J I N W Q,Q I U S,e ta l.M u l t i-s c a l eR e t i n e xE n h a n c e m e n tA l g o r i t h m o nL u m i n a n c eC h a n n e lo fC o l o rU n d e r w a t e r I m a g e[J].I n f r a r e dT e c h n o l o g y,2011(11):14-18.)[8] S HA R A N Y A R S,R AM E S H R.H a z e-F r e e U n d e r w a t e rI m a g e E n h a n c e m e n t[J].I n t e r n a t i o n a lJ o u r n a lo fI n n o v a t i v eR e s e a r c ha n dD e v e l o p m e n t,2013,2(3):533-543.[9] L I J,S K I N N E RKA,E U S T I C ER M,e t a l.W a t e r G A N:U n s u p e r v i s e dG e n e r a t i v eN e t w o r k t oE n a b l eR e a l-T i m e C o l o rC o r r e c t i o n o fM o n o c u l a rU n d e r w a t e r I m a g e s[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2017,3(1):387-394.[10] F A B B R IC,I S L AM M J,S A T T A RJ.E n h a n c i n g U n d e r w a t e r I m a g e r y U s i n g G e n e r a t i v eA d v e r s a r i a lN e t w o r k s[C]//2018I E E EI n t e r n a t i o n a l C o n f e r e n c eo nR o b o t i c sa n dA u t o m a t i o n(I C R A).P i s c a t a w a y,N J:I E E E,2018:7159-7165.[11] Z HUJY,P A R K T,I S O L AP,e t a l.U n p a i r e d I m a g e-t o-I m a g eT r a n s l a t i o nU s i n g C y c l e-C o n s i s t e n tA d v e r s a r i a lN e t w o r k s[C]//P r o c e e d i n g s o f t h e I E E EI n t e r n a t i o n a lC o n f e r e n c eo nC o m p u t e rV i s i o n.P i s c a t a w a y,N J:I E E E, 2017:2223-2232.[12] L ICY,G U O CL,R E N W Q,e t a l.A nU n d e r w a t e r I m a g eE n h a n c e m e n tB e n c h m a r kD a t a s e t a n dB e y o n d[J].I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g,2019,29:4376-4389.[13]I S L AM MJ,X I A Y,S A T T A RJ.F a s tU n d e r w a t e r I m a g eE n h a n c e m e n t f o r I m p r o v e d V i s u a lP e r c e p t i o n[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2020,5(2):3227-3234.[14] B U A D E S A,C O L L B,MO R E L J.A N o n-l o c a l A l g o r i t h m f o rI m a g e D e n o i s i n g[C]//C o m p u t e r S o c i e t yC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2005:60-65.[15] L I U PJ,Z HA N G HZ,L I A N W,e t a l.M u l t i-l e v e lW a v e l e t C o n v o l u t i o n a lN e u r a lN e t w o r k s[J].I E E EA c c e s s,2019,7:74973-74985.[16] C HA R B O N N I E RP,B L A N C-FÉR A U DL,A U B E R TG,e t a l.T w oD e t e r m i n i s t i cH a l f-Q u a d r a t i cR e g u l a r i z a t i o nA l g o r i t h m s f o r C o m p u t e dI m a g i n g[C]//P r o c e e d i n g s o f1s tI n t e r n a t i o n a l C o n f e r e n c e o nI m a g e P r o c e s s i n g.P i s c a t a w a y,N J:I E E E,1994:168-172.[17]I S L AM MJ,X I A Y,S A T T A RJ.F a s tU n d e r w a t e r I m a g eE n h a n c e m e n t f o r I m p r o v e d V i s u a lP e r c e p t i o n[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2020,5(2):3227-3234.[18] N A I K A,S WA R N A K A R A,M I T T A L K.S h a l l o w-UW n e t:C o m p r e s s e d M o d e lf o r U n d e r w a t e r I m a g eE n h a n c e m e n t[C]//C o n f e r e n c e o nA r t i f i c i a l I n t e l l i g e n c e.P a l oA l t o:A A A IP r e s s,2021:15853-15854.[19] Z HA N G Y L,L I K P,L I K,e ta l.I m a g eS u p e r-r e s o l u t i o n U s i n g V e r y D e e p R e s i d u a lC h a n n e l A t t e n t i o nN e t w o r k s[C]//I E E EC o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2018: 294-310.(责任编辑:韩啸)。
基于深度学习的水下图像增强算法研究
基于深度学习的水下图像增强算法研究基于深度学习的水下图像增强算法研究摘要：水下环境的特殊性给水下图像的获取和处理带来了很大的挑战。
水下图像通常会受到光照衰减、散射、噪声和失真等影响，导致图像质量下降，难以满足人类的观察和图像处理需求。
本文侧重于水下图像增强算法的研究，利用深度学习方法来提高水下图像的质量和可视性。
通过对比不同算法的实验结果，验证深度学习方法在水下图像增强中的有效性和可行性。
1. 引言水下环境的一些特殊因素，如光线的衰减和散射，波浪的折射和干扰等，对水下图像的质量造成了很大的影响。
这些因素导致水下图像在对比度、清晰度和色彩方面都存在问题，难以直观地表达和处理。
因此，研究水下图像增强算法具有很大的实用价值和研究意义。
2. 水下图像的特点水下图像的特点主要包括光照衰减、颜色失真和散射。
在水下环境中，光线随着深度的增加而衰减，使得图像在亮度和对比度方面变得模糊。
此外，水下环境中的颜色也会发生变化，常见的是蓝色偏移现象。
同时，光线的散射会导致图像中的噪声和模糊，使得水下图像难以辨认和分析。
3. 水下图像增强算法为了提高水下图像的质量和可视性，研究者们提出了各种水下图像增强算法。
传统的方法包括直方图均衡化、滤波器和调整色彩平衡等。
然而，这些方法往往不能满足人们对水下图像处理的需求。
基于深度学习的水下图像增强算法是当前的研究热点，通过训练深度神经网络来学习水下图像的特征和模式，进而提高图像质量。
4. 基于深度学习的水下图像增强算法研究利用深度学习方法提高水下图像的质量和可视性是一种高效和有效的方式。
基于深度学习的水下图像增强算法主要包括卷积神经网络（CNN）和生成对抗网络（GAN）。
CNN通过多层卷积和池化操作来提取图像的特征，将输入的低质量水下图像转化为高质量图像。
GAN通过生成器和判别器的对抗训练来生成真实且具有高质量的水下图像。
这些算法在水下图像增强领域取得了显著的成果。
5. 实验结果和分析通过在水下图像数据库上进行实验，比较了不同算法在提升图像质量方面的效果。
改进的基于暗通道先验的水下图像复原算法
改进的基于暗通道先验的水下图像复原算法马铭志;黄丽姝【摘要】目前针对单幅图像去雾处理,暗通道先验算法取得较好的成果,但对于水下图像而言,光在传播时会受到水介质的吸收、水中颗粒物散射影响,出现颜色失真、对比度下降等现象,直接采用传统去雾方法对水下图像进行复原效果并不理想.在暗通道先验的去雾算法基础上,提出一种新的水下图像复原算法.实验表明,改进算法可以有效地提高水下退化图像的质量,同时具有较好的颜色复原效果.【期刊名称】《现代计算机（专业版）》【年(卷),期】2019(000)001【总页数】4页(P80-83)【关键词】图像复原;暗通道先验;背景光;多尺度融合;梯度域导向滤波;透射率【作者】马铭志;黄丽姝【作者单位】四川大学计算机学院,成都 610065;四川大学计算机学院,成都610065【正文语种】中文0 引言由于光在水下环境传播过程中，会受到水介质的吸收和水中颗粒物的散射，进而导致水下图像退化，出现对比度下降、细节信息缺失、颜色失真等现象。
如今，水下图像处理技术已经应用到海洋研究的诸多领域，因此水下图像复原具有重要的现实意义。
基于水下成像的模型，水下图像处理方法主要划分为两类：一类为图像增强方法，利用一定的技术手段，来提高对比度低的图像清晰度，增加图像细节信息，另一类为图像复原方法，对图像退化模型进行分析，通过逆求解成像模型对图像进行复原。
He 等对大量室外无雾图像进行统计总结出暗通道先验理论，并提出相应的单幅图像去雾算法，对该算法进行改进并应用到水下图像复原中，也取得了很好的效果。
由于水下图像的特殊性，不同波长的光在水下的传输过程中衰减比例不同，He 算法所达到的效果并不理想，出现了严重的颜色失真、图像边缘处“光晕效应”等现象。
总结以上方法，本文提出了一些改进措施：通过采用四叉树的分层搜索方法估计大气光值；提出基于小波分解的多尺度融合方法计算暗通道图，减少边缘外溢现象；采用梯度域导向滤波算法细化透射率图，降低算法复杂度；复原图像时，采用三颜色通道分别复原策略，补偿不同波长光在水中衰减损失。
基于颜色校正和物理模型的水下图像复原方法研究
基于颜色校正和物理模型的水下图像复原方法研究基于颜色校正和物理模型的水下图像复原方法研究摘要：水下图像的获取受到光线的散射、吸收等因素的影响，导致图像质量下降。
为了增强水下图像的可视化效果，本文研究了一种基于颜色校正和物理模型的水下图像复原方法。
该方法首先对水下图像进行颜色校正，进而利用物理模型进行图像修复，最终达到提高水下图像质量的目的。
实验证明，该方法能够有效地提高水下图像的亮度和对比度，还原真实颜色，提升图像细节。
1. 引言水下图像是指在水下环境中获取的图像，如水下摄影、水下机器人等应用都需要使用水下图像。
然而，由于水下环境中光线的衰减和散射引起的水质变化，水下图像往往会失真、模糊，并且光照不均匀，颜色失真等问题。
因此，如何提高水下图像的质量，对于水下图像应用具有重要意义。
2. 相关工作近年来，研究者们提出了多种水下图像复原方法。
其中，颜色校正是改进水下图像色调的一种方法。
颜色校正方法包括基于传感器模型、颜色补偿和颜色恢复等。
物理模型是用于解决水下图像质量问题的一种常用方法，主要应用物理学原理对水下光照强度、颜色和散射程度等参数进行估计。
3. 方法设计本文提出的水下图像复原方法采用了基于颜色校正和物理模型的综合策略。
首先，对水下图像进行颜色校正，通过建立传感器模型对RGB三个通道进行校正，消除颜色偏差。
其次，利用物理模型对水下图像进行修复。
本文采用了散射模型和水下光照模型，分别估计了散射参数和光照强度。
最后，将校正后的图像与修复得到的图像进行叠加，得到最终复原的水下图像。
4. 实验与结果在实验证明，本文提出的方法能够有效地提高水下图像的亮度和对比度，还原真实颜色，提升图像细节。
通过与其他水下图像复原方法进行比较，本文方法在色调校正、图像恢复和细节增强等方面都取得了良好的效果。
例如，在水下目标检测任务中，本文方法能够明显提高目标边缘的清晰度和轮廓的准确度。
5. 总结与展望本文基于颜色校正和物理模型的水下图像复原方法能够有效地提高水下图像质量。
采用双尺度图像分解的水下彩色图像增强
787E-mail:***********.cn Website: Tel: ************©中国图象图形学报版权所有中国图象图形学报JOURNAL OF IMAGE AND GRAPHICS中图法分类号:TP391 文献标识码：A 文章编号：丨006-8961 (2021)04-0787-09论文引用格式：Li J ，Zhang X D ，l.i S F and Wu Z Z. 2021. Underwater (.«lor image enhancement based on two-s(.ale image (lecomposition. JounmImageand GmPhi(_S ，26(04):0787-0795(李健，张显斗，李熵义，吴子朝.2021 •采用双尺度图像分解的水下彩色图像增强.中国图象图形学报， 26(04) ：0787-0795) [D 01：10. 11834/jig. 200144]采用双尺度图像分解的水下彩色图像增强李健，张显斗'李熵飞，吴子朝杭州电子科技大学人文艺术与数字媒体学院，杭州310018摘要：目的为解决水下图像的色偏和低对比度等问题.提出一种基于双尺度图像分解的水下彩色图像增强算 法。
方法通过基于均值和方差的对比度拉伸方法改善图像的色偏问题，并利用中值滤波降低红通道对比度拉伸 后引人的噪声;采用双尺度图像分解绿通道图像补偿红通道图像细节；在处理后的红通道图像中引人原始图像红 通道的真实细节与颜色。
结果选取不同水下图像作为实验数据集，将本文方法与暗通道先验的方法、基于融合 的方法、自动红通道恢复方法以及一种基于卷积神经网络深度学习的方法相比较，首先从主观视觉效果进行定性 分析，然后通过不同评测指标进行定量分析。
主观定性分析结果表明，提出的方法相比较其他方法能够更好地解 决图像色偏和红色阴影问题;定量分析中，自然图像质量评价（natural image quality evaluation,NIQE)指标和信息摘 (informatmn entropy,IE)值较基于融合的方法和深度学习的方法分别提高了 1. 8%和13. 6% ,且水下图像质量评价 指标（underwater image quality measurement method,UIQM)较其他方法更优..结论提出的双尺度图像分解方法利 用水下图像成像特点解决图像色偏以及低对比度问题，具有良好的适应能力，同时算法复杂度低且鲁棒性较高，普 遍适用于复杂的水下彩色图像增强。
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。
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。
基于图像融合的水下图像清晰化方法
Engineering，2019，40（ 9） ： 193 － 197．
中图分类号： TP751． 1
文献标识码： A
文章编号： 2096 － 2304（ 2019） 09 － 0193 － 05
Underwater Image Clearness Method Based on Image Fusion
近年来，水下成像技术在海洋环境监测、海洋资源勘探、 水下军事目标监视等领域发挥着越来越重要的作用。由于 水体对光的吸收和散射作用，水下图像存在对比度低、模糊、 色偏等缺陷，严重影响了水下成像的质量，如何提高水下图
像的清晰度是水下成像技术需要解决的重要问题。 已有的水下图像清晰化方法主要分为两类： 一类是图像
清晰化处理，将获得的 3 个图像作为图像融合的输入图像。综合考虑图像的可见度、饱和度、对比度和显著度等性能
指标定义 3 个输入图像的权重图，以权重图作为融合权值对输入图像进行多尺度融合。实验结果表明： 该方法能够
显著提高水下图像的清晰度，并且能够有效校正色偏。
关键词： 多尺度融合； 推广的暗通道先验； 带有色彩恢复的多尺度 Ｒetinex； 对比度受限自适应直方图均衡； 权重图
本文引用格式： 孙杰． 基于图像融合的水下图像清晰化方法［J］． 兵器装备工程学报，2019，40（ 9） ： 193 － 197．
Citation format： SUN Jie． Underwater Image Clearness Method Based on Image Fusion［J］． Journal of Ordnance Equipment
基于图像融合的水下图像清晰化方法
孙杰
（ 中国人民解放军 91550 部队，辽宁 大连 116023）
水下航行器视觉控制技术综述
水下航行器视觉控制技术综述高 剑, 何耀祯, 陈依民, 张元旭, 杨旭博, 李宇丰, 张桢驰(西北工业大学 航海学院, 陕西 西安, 710072)摘 要: 视觉控制是通过视觉信息进行环境和自身状态感知的一种控制方式, 文中将该技术应用于水下航行器控制, 并对不同应用场景下的相关研究进展、难点与趋势进行分析。
首先介绍水下航行器视觉控制技术发展现状与任务场景, 然后对水下图像增强、目标识别与位姿估计技术进行介绍, 并从水下视觉动力定位与目标跟踪、水下航行器对接及水下目标抓取作业等3个任务场景, 对水下航行器视觉控制技术发展现状进行总结和分析, 最后梳理了水下航行器视觉控制技术的难点与发展趋势。
关键词: 水下航行器; 水下视觉; 视觉控制中图分类号: TJ630; U674.941 文献标识码: R 文章编号: 2096-3920(2024)02-0282-13DOI: 10.11993/j.issn.2096-3920.2023-0061Review of Visual Control Technology for Undersea VehiclesGAO Jian, HE Yaozhen, CHEN Yimin, ZHANG Yuanxu, YANG Xubo, LI Yufeng, ZHANG Zhenchi (School of Marine Science and Technology, Northwestern Polytechnical University , Xi’an 710072, China)Abstract: Visual control is a control method that utilizes visual information for environmental and self-state awareness. In this paper, this technology was applied to control undersea vehicles, and relevant research progress, challenges, and trends in different application scenarios were analyzed. The current development and task scenarios of visual control technology for undersea vehicles were first introduced, mainly focusing on underwater image enhancement, target recognition, and pose estimation technologies. The current development of visual control technology for undersea vehicles was then summarized and analyzed based on three task scenarios: underwater visual dynamic positioning and target tracking, undersea vehicle docking, and underwater operational tasks such as target grasping. Finally, the challenges and development trends of visual control technology for undersea vehicles were outlined.Keywords: undersea vehicle; underwater vision; visual control0 引言水下航行器因具备工作时间长、航行范围广、用途灵活、风险小及维护成本低等特点, 已成为一种可代替人类在水下复杂环境下完成任务的机器人平台。
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。
- 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)。
目录1 绪论...................................................................................................................................1.1 引言 (1)1.2 数字图像复原概述 (1)1.3 图像复原工具MATLAB概述 (2)2 水下图像处理基本理论与方法 (3)2.1 水下点扩散函数模型 (3)2.2 小波分解 (4)2.2.1 小波变换基本理论 (4)2.2.2 图像的小波分解 (4)2.3 维纳滤波器复原 (5)2.3.1 图像的退化模型 (5)2.3.2 维纳滤波器简介 (6)2.3.3 图像的维纳滤波复原 (7)3 水下图像的分层复原 (9)3.1 水下图像分层滤波复原方案 (9)3.2 图像清晰度评价函数 (10)3.2.1 熵函数 (10)3.2.2 梯度函数 (11)3.2.3 高低频图像评价函数的选取 (12)3.3 分层复原的结果及其分析 (14)3.3.1 高频复原 (14)3.3.2 低频复原 (15)3.3.3 整体复原与分层复原对比 (17)4 结语 (19)参考文献 (21)致谢 (23)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。
对水下图像的处理主要包括目标识别、图像复原、图像增强和图像压缩等，其中图像复原是水下图像处理中一个非常重要的环节,在近年来得到了越来越多的重视与研究。
通过对拍摄到的水下降质图像进行复原处理,最大限度地还原出原始图像,可获取大量对工业、军事等应用方面的重要信息。
但由于水下成像过程复杂,包含许多不定干扰因素,所以如何能尽量精确地复原图像就成为一个重要的研究课题。
1.2数字图像复原概述数字图像复原技术是数字图像处理[1]的重要组成部分，最早的复原技术研究追溯到19世纪50至60年代早期美国和前苏联的空间项目。
恶劣的成像环境、设备的振动和飞行器旋转等因素使图像产生不同程度的退化。
在当时的技术背景下，这些退化造成了巨大的经济损失。
为此，业内人士围绕着解决退化问题展开了复原技术的研究。
数字图像复原早期的成果主要归功于数字信号处理领域中一些技术和方法的引入，例如逆滤波技术。
目前，一些现代方法极大地丰富了复原技术的研究内容，典型的有小波分解，神经网络等。
此外，随着人们对数字图像复原的研究，人们提出了一系列的复原准则和数学最优化的方法，从而总结出各种各样的算法。
常见的复原方法有：逆滤波复原算法，维纳滤波复原算法，盲卷积滤波复原算法，约束最小二乘滤波复原算法等等。
图像复原是在研究图像退化的基础上，以退化图像为依据，根据一定的先验知识，建立一个退化模型，然后用相反的运算，以恢复原始图像[2]。
图像复原涉及到的图像复原模型可以用连续数学或离散数学处理，而图像复原模型根据退化的数学模型对退化图像进行处理，其实现可在空间域卷积或在频域相乘。
图像复原主要有三方面的内容:退化图像的成像模型、图像复原算法和复原图像的质量评价标准。
由于引起退化的原因多且性质不同，描述图像退化过程所建立的数学模型也是各不相同的，再加上用于复原的估计准则不同，因此图像复原的方法、技术也各不相同。
1.3图像复原工具MATLAB概述MATLAB[2]是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境，它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案。
图像处理中往往把数字化的二维图像作为二维矩阵来研究子矩阵运算的，而MATLAB采用了矩阵的形式存贮数据，因此其可以很自然地扩展到图像处理应用领域。
在MATLAB中推出了功能强大的适应于图像处理的工具箱，常用的有图像处理工具箱、小波工具箱及数字信号处理工具箱，图像处理工具箱几乎包括了经典图像处理的所有方面，从基本的图像增强到图像分割，MATLAB都提供了简便的函数调用来实现许多经典图像处理方法，借助于这些工具箱，用户可以非常方便地进行图像分析和处理工作。
同时，MATLAB还提供了对多种图像文件格式(如tif、bmp、jpg、pex等)读写和显示的支持，这使得在MATLAB的集成环境中进行图像处理的实验模拟非常方便。
此外，和其它软件比较，由于MATLAB对于图像处理的针对性，它还具有代码简洁的优势。
2 水下图像处理基本理论与方法2.1 水下点扩散函数模型由于图像复原依据的是在图像退化的基础建立的退化模型，所以本论文对该部分的点扩散函数以及后向散射噪声（该部分的研究依据已知的理论成果及小组其他成员的研究结果）做简要的概述。
本论文依据的点扩散函数是在水下光散射理论[3]和经验公式的基础上，利用一种简化的点扩散函数模型，如下图所示：图2-1水下点扩散函数模型如图2-1所示，假设水体中的散射悬浮粒子均匀分布，将目标与接受器之间的水体在传输方向上（Z 轴）分层。
考虑每一层在传输中的前向散射效应，我们采用通用的高斯分布形式来描述一个传输单元的点扩散函数。
设厚度为∆的水体的点扩散函数为：（式2-1） 则 N 层水体的累积散射的点扩散函数为定义参量ρ为单位厚度的高斯传递函数参数，则距离z 处时，水体传递函数为：；考虑到前向散射传递函数中的水体衰减因素，则（式2-2）（式2-2）式即厚度为z 的水体中因前向散射而产生的等效传递函数模型，其……∆ YZ X… …… 目标对应的空间点扩散函数记为 。
2.2 小波分解2.2.1 小波变换基本理论小波分析[5]是近年来发展起来的一种新的时频分析方法，是傅立叶分析思想方法的发展与延拓,小波分析可以探测正常信号的瞬态，并展示其频率成分，被成为数学显微镜，广泛应用于各个时频信号分析[7]领域。
定义：设)()(2R L t ∈ψ，其傅立叶变换为)(ˆωψ，当)(ˆωψ满足允许条件（完全重构条件或恒等分辨条件）⎰=R d C ωωωψψ < ∞ (式2-3)时，我们称)(t ψ为一个基本小波或母小波。
通常，把连续小波变换中尺度参数a 和平移参数b 的离散公式分别取作000,b ka b a a j j ==，这里Z j ∈，扩展步长10≠a 是固定值，为方便起见，总是假定10>a （由于m 可取正也可取负，所以这个假定无关紧要）。
所以对应的离散小波函数)(,t k j ψ即可写作)()()(002/00002/0,kb t a a a b ka t a t j j j j j k j -=-=---ψψψ（式2-4） 而离散化小波变换系数则可表示为>=<=⎰∞∞-k j k j k j f dt t t f C ,*,,,)()(ψψ （式2-5）其重构公式为 ∑∑∞∞-∞∞-=)()(,,t C C t f k j k j ψ（式2-6） 2.2.2 图像的小波分解小波分析用于图像分解是小波分析应用的一个重要方面。
它的特点是分解速度快，分解后能将图像的基本信息分别体现在不同分辨率的子图像中，既保证了图像信息的完整度，又可以方便地提取不同分辨率的子图像并对子图像进行相应的处理。
对于图像的可读性来说，高频成分（图像的高频成分描述图像的细节分量）至关重要，但对于水下图像来说，其高频部分严重丢失，为此本论文尝试利用小波分解的方法对图像进行分解，提取其中对图像细节重要的高频成分，具体的图像处理结果及程序如下：本次论文中采用图像处理的经典图像（经模糊加噪的图像可等效于水下图像）以此来验证研究方法及原代码程序的准确性，具体的效果如下：如图2-2、图2-3和图2-4所示，利用小波分解程序将原始图像分解成低频和高频信息，其中高频信息包含了水平高频、垂直高频和对角线高频信息，对于图像较细腻的部分，描述了图像信息的细节，而低频则是大致描述了图像的主体。
图2-2 原图图2-3 分解后的低频图2-4 分解后的高频为了减少图像复原的复杂度，同时考虑到分别对分解后的水平高频、垂直高频和对角高频单独复原处理的效果提升不大，本论文中利用小波的图像重构程序将分解后的高频信息中的水平高频、垂直高频和对角高频重构并且合并为图像的高频信息单独显示出来。
2.3维纳滤波器复原2.3.1图像的退化模型图像复原的关键问题是在于建立退化模型，而建立图像退化模型的关键是确定点扩散函数[9]（本论文“2.1 水下点扩散函数模型”已对点扩散函数做了详细的介绍）。
设场景辐射能量在物平面上的分布用表示，通过成像系统H后在像平面上得到的图像为，如果有加性噪声，则实际所得退化图像可用下列退化模型[10]表示:(式2-7) 根据此模型恢复图像就是要在给定和代表退化的H 的基础上得到对的某个近似的过程。
对于空间位移不变系统,退化模型可表示为:（式2-8） 图像复原就是在已知和、的一些先验知识的条件下,求得。
对于本文来讲,水下图像的降质退化模型就是基于上式来研究的。
图像的降质和恢复过程可表示为下图所示的过程:图 2-5 图像的退化和复原过程 2.3.2 维纳滤波器简介维纳滤波[12]是诺波特·维纳在二十世纪四十年代提出的一种滤波器，即假定线性滤波器的输入为有用信号和噪声之和，两者均为广义平稳过程且知它们的二阶统计特性，根据最小均方误差准则( 滤波器的输出信号与需要信号之差的均方值最小) ，求得最佳线性滤波器的参数。
维纳滤波器是一种自适应最小均方误差滤波器。
维纳滤波的方法是一种统计方法，它用的最优准则是基于图像和噪声各自的相关矩阵，它能根据图像的局部方差调整滤波器的输出，局部方差越大，滤波器的平滑作用就越强。
它的最终目的是使复原图像与原始图像 的均方误差最小，即(式2-9) 其中 为数学期望算子。
因此，维纳滤波器通常又称为最小均方误差滤波器。
维纳滤波综合了退化函数和噪声统计特性两个方面进行复原处理。
维纳滤波建立在最小化统计准则的基础上，它所得的结果只是平均意义上的最优。