水下图像处理算法研究

Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　２０１０，４６（１）　１８７　水下视频图像高效编码算法　李庆忠，王冰，耿晓玲，王文锦　ＬＩ　Ｑｉｎｇ—ｚｈｏｎｇ，ＷＡＮＧ　Ｂｉｎｇ，ＧＥＮＧ　Ｘｉａｏ—ｌｉｎｇ，ＷＡＮＧ　Ｗｅｎ－ｊｉｎ　中国海洋大学工程学院，山东青岛２６６１００　Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｏｃｅａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｉｎａ，Ｑｉｎｇｄａｏ，Ｓｈａｎｄｏｎｇ　２６６１００，Ｃｈｉｎａ　Ｅ－ｍａｉｌ：ｌｑｚｈｌｚ＠ｙａｈｏｏ．ｃｏｍ．ａｎ　ＬＩ　Ｑｉｎｇ—ｚｈｏｎｇ，ＷＡＮＧ　Ｂｉｎｇ。ＧＥＮＧ　Ｘｉａｏ—ｌｉｎｇ．ｅｔ　ａ１．Ｅｆｆｉｃｉｅｎｔ　ｕｎｄｅｒｗａｔｅｒ　ｖｉｄｅｏ　ｃｏｄｉｎｇ　ａｌｇｏｒｉｔｈｍ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ．２０１０。４６（１）：１８７—１８９．　Ａｂｓｔｒａｃｔ：Ｔｈｉｓ　ｐａｐｅｒ　ｐｒｅｓｅｎｔｓ　ａｎ　ｅｆｆｉｃｉｅｎｔ　ｕｎｄｅｒｗａｔｅｒ　ｖｉｄｅｏ　ｃｏｍｐｒｅｓｓｉｏｎ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ａｌｇｏｒｉｔｈｍ　ｍａｉｎｌｙ　ｃｏｎｓｉｓｔｓ　ｏｆ　ｔｈｒｅｅ　ｍｏｄｕｌｅｓ：Ｎａｍｅｌｙ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ｏｆ　ｕｎｄｅｒｗａｔｅｒ　ｉｍａｇｅｓ，ｇｌｏｂａｌ　ｍｏｔｉｏｎ　ｅｓｔｉｍａｔｉｏｎ，ａｎｄ　ｈｙｂｒｉｄ　ｇｌｏｂａｌ－ｌｏｃａｌ　ｍｏｔｉｏｎ　ｃｏｍｐｅｎｓａｔｉｏｎ．Ａ　ｄｉｓｃｒｅｔｅ　ｗａｖｅｌｅｔ　ｔｒａｎｓｆｏｒｍ　ｂａｓｅｄ　ｐｒｅｐｒｏｃｅｓｓｉｎｇ　ａｐｐｒｏａｃｈ　ｉｓ　ｅｍｐｌｏｙｅｄ　ｔｏ　ｅｆｆｅｃｔｉｖｅｌｙ　ｒｅｄｕｃｅ　ｔｈｅ　ｖｉｓｕａｌ　ｒｅｄｕｎｄａｎｃｙ　ｕｎｄｅｒｗａｔｅｒ　ｉｍａｇｅｓ．Ｇｌｏｂａｌ　ｍｏｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｅｓｔｉｍａｔｅｄ　ｂｙ　ｕｓｉｎｇ　ａ　ｆａｓｔ　ａｎｄ　ｒｏｂｕｓｔ　ｆｅａｔｕｒｅ－ｐｏｉｎｔ　ｂａｓｅｄ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｈｙｂｒｉｄ　ｇｌｏｂａｌ－ｌｏｃａｌ　ｍｏｔｉｏｎ　ｃｏｍｐｅｎｓａｔｉｏｎ　ｓｃｈｅｍｅ　ｉｓ　ｅａｓｙ　ｔｏ　ｉｍｐｌｅｍｅｎｔ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｗｈｉｌｅ　ｍａｉｎｔａｉｎｉｎｇ　ｔｈｅ　ａｃｃｅｐｔａｂｌｅ　ｐｅｒｃｅｐｔｕａｌ　ｑｕａｌｉｔｙ　ｏｆ　ｔｈｅ　ｒｅｃｏｎｓｔｒｕｃｔｅｄ　ｉｍａｇｅｓ，ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｈｍ　ｃａｎ　ｐｒｏｖｉｄｅ　ｈｉｇｈ　ｃｏｄｉｎｇ　ｅｆｆｉｃｉｅｎｃｙ，ｅｓｐｅｃｉａｌｌｙ　ａｐｐｌｙｉｎｇ　ｔｏ　ｓｅａ　ｆｌｏｏｒ　ｖｉｄｅｏ　ｃｏｍｐｒｅｓｓｉｏｎ　ａｎｄ　ｔｒａｎｓｍｉｓｓｉｏｎ　ａｔ　ｖｅｒｙ　ｌｏｗ　ｂｉｔ　ｒａｔｅｓ　ｔｏ　ｍｅｅｔ　ｔｈｅ　ｌｉｍｉｔｅｄ　ｂａｎｄｗｉｄｔｈ　ｒｅｑｕｉｒｅｍｅｎｔ　ｏｆ　ｕｎｄｅｒｗａｔｅｒ　ａｃｏｕｓｔｉｃ　ｃｈａｎｎｅｌｓ．　Ｋｅｙ　ｗｏｒｄｓ：ｕｎｄｅｒｗａｔｅｒ　ｖｉｄｅｏ　ｃｏｄｉｎｇ；ｇｌｏｂａｌ　ｍｏｔｉｏｎ　ｅｓｔｉｍａｔｉｏｎ；ｇｌｏｂａｌ－ｌｏｃａｌ　ｍｏｔｉｏｎ　ｃｏｍｐｅｎｓａｔｉｏｎ　摘要：提出了一种水下视频图像高效压缩编码的算法。该算法主要由水下图像预处理、全局运动估计、全局运动与局部运动混合　补偿三部分组成。图像预处理模块采用基于小波变换的方法，可以有效去除水下图像中的视觉冗余；全局运动估计采用基于特征　点的快速、鲁棒估计算法；提出的全局运动与局部运动混合补偿方案简单易行。实验结果表明，提出的水下视频压缩算法在保证视　觉质量的前提下，具有较高的压缩效率，特别适合于海底视频图像在甚低比特率下的压缩传输，以满足有限带宽水声信道的要求。　关键词：水下视频编码；全局运动估计；全局一局部运动补偿　ＤＯＩ：１０．３７７８￣．ｉｓｓｎ．１００２—８３３１．２０１０．叭．０５５　文章编号：１００２—８３３１（２０１０）０１—０１８７—０３　文献标识码：Ａ　中图分类号：ＴＰ３９１　１引言　２１世纪是人类向海洋进军的世纪，为了探索和开发海洋，　人类必须首先要观察、了解海洋，即采集、观测、分析各种海洋　信息。目前的水下机器人一般都装有摄像系统　。对于遥控潜　水器（ＲＯＶ），其自身携带的脐带电缆限制了ＲＯＶｓ的实用性和　机动性，因此去除脐带电缆是ＲＯＶｓ进一步发展的重要方向。　而去除脐带电缆的主要障碍之一就是通过带宽有限的水声信　道很难传输巨量的实时视频数据。而对于水下自治机器人　（ＡＵＶｓ），更需要把现场采集的视频信息通过水声信道传输到　表面工作站，以供人工跟踪与监视机器人的性能和操作。可见　无论是研制无脐带电缆限制的ＲＯＶｓ，还是研制完全自治的　ＡＵＶｓ，都必须克服利用水声信道实时传送水下视频图像的障　碍，因此水声通信技术和水下视频图像的压缩技术就成为目前　国内外研究的重要课题之一　。　在水下视频图像压缩方面，主要的研究状况如下：Ｈｏａｇ　等［５１（１９９７）提出了一种基于小波变换的视频压缩算法，在水声　信道可支持的传输速率为２０　ｋｂ／ｓ时，实现的帧传输速率为　１０　，每帧为１４４ｘ１７６像素的灰度图像。Ｎｅｇａｈｄａｆｉｐｏｕｒ等　（２０００）提出了基于综合动态图像模型和小波变换的水下视频　压缩算法，压缩比达１００：１～１５０：１，利用４０　ｋｂ／ｓ的水声信道传　输速率，传输的帧速率可达１５　ｆ／ｓ，每帧为１２８￣１２８像素的灰度　图像。Ｋｏｊｉｍａ等ｍ（２００２）研制的水下视频编解码系统，压缩算法　采用ＭＰＥＧ一４方式，在水声信道的传输速率为１２８　ｋｂ／ｓ条件　下，帧速率达１０ｆ／ｓ。可见，在水下视频压缩方面，仍未达到实用　完善的程度，目前仅可以实时传送１／３标准电视分辨率的黑白　视频图像。　视频图像的特点是存在大量时间冗余和视觉冗余，因此如　何有效去除这些冗余便是视频压缩的关键。从有效去除时间冗　余的角度看，比较理想的策略是采用全局运动补偿（ＧＭＣ）和局　部运动补偿（ＬＭＣ）的混合编码方案。如ＭＰＥＧ一４　以及最近提　出一些视频压缩方法ｐ一１ｏ］皆采用了这种方案。ＭＰＥＧ一４ｔ８］中采用　了Ｓｐｒｉｔｅ编码技术，将背景和前景分开进行运动补偿和编码，　但其瓶颈问题是全局运动估计算法复杂度过高，故限制了其实　际应用。文献【９—１０】中采用的混合编码方案，方法中存在的主要　基金项目：国家高技术研究发展计划（８６３）（ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｈｉｇｈ—Ｔｅｅｈ　Ｒｅｓｅａｒｃｈ　ａｎｄ　Ｄｅｖｅｌｏｐｍｅｎｔ　Ｐｌａｎ　ｏｆ　Ｃｈｉｎａ　ｕｎｄｅｒ　Ｇｒａｎｔ　Ｎｏ．２００６ＡＡ０９Ｚ２３７）。　作者简介：李庆忠（１９６３一），男，教授，博士，主研方向：图像处理，机器人视觉技术等；王冰（１９８４一），女，硕士研究生，主研方向：视频图像处理与压缩。　收稿日期：２００８—０７—２１　修回日期：２００８—１０—２３

第20卷　第6期2000年12月北京理工大学学报JournalofBeijingInstituteofTechnologyVol.20　No.6Dec.2000

文章编号:1001-0645(2000)06-0668-04

金属图像处理算法的研究

张小喜1,　沈庭芝1,　毕革平2

(1.北京理工大学电子工程系,北京　100081;2.钢铁研究总院,北京　100081)

摘　要:研究提高金属图像面积和周长的计算精度,对计算图像像素的经典链码方法加以改进.利用改进的链码方法计算图像的周长和面积时考虑了图像边界的拐点和小的锯齿边.利用本算法,图像面积和周长的计算误差最大不超过2%.与传统算法(计算误差大于10%)相比计算精度得到较大提高,可满足实际工程需要.

关键词:链码;金属图像;面积;周长中图分类号:TG115.21+3.1 文献标识码:A

收稿日期:20000607基金项目:部级基金资助项目作者简介:张小喜,男,1970年生,硕士.作者在传统金相学理论和测量的基础上,通过研究经典的图像处理算法和实际位图图像

特点,对金属图像特征参数中的面积和周长进行了研究,给出新的计算方法.实验表明,此算法可以更高的精度计算出金属图像的面积和周长.

1　晶粒面积A的计算

计算晶粒面积时,需对金属图像做预处理.首先提取出金属目标晶粒[1],然后进行二值化

处理,即将目标晶粒置为黑色,将背景图像置为白色.将某一晶粒的所有像素点数乘以单个像素的实际面积,即可得到晶粒的实际面积.晶粒面

积计算的关键在于找出图像中某一晶粒的所有像素点.

传统的计算一块图像像素点数的方法是分别从图像的左上角和右下角为起始点扫描全幅

图像,找出该块图像的所有像素[2].这种方法对于内部无孔洞的图像块可以准确地计算出所有像素.但是,如果图像内部有形状不规则及复杂的孔洞时,这种传统的方法将不能完整地统计

出图像块的所有像素.

通过研究传统方法漏检像素的原因,在传统的统计图像像素方法的基础上,作者提出一种

图像超分辨率重构算法及其在水下图像中的应用的开题报告

一、研究方向

图像超分辨率重构算法及其在水下图像中的应用。

二、研究背景

随着计算机和数字摄像技术的快速发展，图像处理和计算机视觉成为一个越来越重要的领域。图像超分辨率重构算法是图像处理和计算机视觉领域中的一个重要课题，通过给定低分辨率图像来重建高分辨率图像，实现对图像质量的提高，同时提高了图像的细节和清晰度。然而，在水下图像中应用图像超分辨率重构算法仍面临着很多挑战，如水下图像的噪声、模糊等问题。因此，如何针对这些问题开发出适用于水下图像的图像超分辨率重构算法成为了研究的一个热点问题。

三、研究目的与意义

研究图像超分辨率重构算法及其在水下图像中的应用，旨在提高水下图像的可视化效果和质量，从而进一步提高水下探测和观察的效率和精度。此外，研究成果还可应用于其他领域，如天文学、医学图像处理、电视图像处理等。

四、研究方法和技术路线

1. 图像超分辨率重构算法研究方法：

（1）多尺度分解：利用多尺度分解的方式，将图像分解成多个尺度的小块，以便更好地处理。

（2）插值算法：采用插值算法，根据已有低分辨率图像来对目标高分辨率图像进行插值，然后根据插值结果得到一组新的高分辨率图像。

（3）图像重建：将插值得到的高分辨率图像进行处理，包括去噪、去模糊等，最终得到一幅高质量的高分辨率图像。

2. 技术路线：

（1）收集已有的水下图像数据集。

（2）设计并优化基于多尺度分解的图像超分辨率重构算法。

（3）优化图像重建算法，消除水下图像的噪声和模糊。 （4）评估算法在水下图像中的应用效果，包括图像质量、细节和清晰度等指标。

五、预期成果

研究完成后，预期能够获得以下成果：

（1）提出一种基于多尺度分解的图像超分辨率重构算法。

（2）消除水下图像的噪声和模糊。

（3）通过对算法进行大量实验和对比，证明所提出算法的有效性和稳定性。

（4）提高水下图像的可视化效果和质量，为水下探测和观察提供更高效、更精确的手段。

结合深度学习的水下图像增强算法研究

结合深度学习的水下图像增强算法研究

摘要：随着水下影像采集设备的不断进步，水下图像的质量也得到了一定程度的提高。然而，由于水下光照条件的限制以及水下环境中的散射、吸收等因素，水下图像依然存在很大的模糊、低对比度等问题。针对这些问题，结合深度学习的水下图像增强算法应运而生。本文将重点讨论深度学习在水下图像增强领域中的应用，并介绍了一种基于深度学习的水下图像增强算法。

1. 引言

水下图像增强是研究者长期以来关注的一个热门研究领域。由于水下光照条件的限制和水下环境中物质的散射、吸收等因素，水下图像往往具有低对比度、模糊、色彩失真等问题，造成其实际应用受限。为了解决这些问题，研究者们提出了各种图像增强算法。然而，传统的水下图像增强算法对于图像细节的保留和重建能力有限。近年来，深度学习技术的发展为水下图像增强问题带来了新的解决方案。

2. 深度学习在水下图像增强中的应用

深度学习在水下图像增强中主要应用于两个方面：图像去噪和图像增强。对于图像去噪任务，研究者们已经提出了一系列基于深度学习的方法，包括基于卷积神经网络（CNN）的方法，基于生成对抗网络（GAN）的方法等。这些方法通过学习大量的水下图像数据，能够更好地去除图像中的噪声，提高图像质量。对于图像增强任务，研究者们通常采用自编码器或者去雾网络等深度学习模型，通过学习图像的特征表示和重建，实现对水下图像的增强。 3. 基于深度学习的水下图像增强算法

基于深度学习的水下图像增强算法通常包括以下几个步骤：数据准备、模型构建、模型训练和图像增强。首先，研究者们收集水下图像数据，并对数据进行预处理，包括图像去噪和颜色校正等。然后，研究者们构建深度学习模型，通常采用CNN、GAN或者自编码器等网络结构。接着，利用收集到的水下图像数据对模型进行训练，通过迭代优化模型参数，使其能够更好地学习图像的特征表示和增强规律。最后，对于新的水下图像，在经过预处理后，利用已经训练好的模型进行图像增强，从而获得更好的图像质量。