一种有效的低对比度水下图像增强算法

现代电子技术Modern Electronics Technique2023年12月1日第46卷第23期Dec. 2023Vol. 46 No. 230 引 言水下图像增强技术在海洋开发与探测中至关重要，是水下机器人进行水下作业的前提[1]，在海洋开发与环境保护方面都具有很重要的意义[2]。

水体以及其中的悬浮颗粒会引起光的衰减和散射，进而会使得水下图像出现颜色改变、细节模糊、亮度下降等现象，因此通过图像增强技术获得更真实的水下图像具有很重要的意义[3]。

目前，基于CycleGAN 对水下图像增强的算法虽然解决了对成对数据集依赖的问题，但仍存在亮度不均衡、颜色校正不佳和纹理细节恢复不到位的问题。

因此，针对上述问题，本文提出了一种基于循环生成对抗网络的改进网络模型，通过在U⁃Net 中引入多尺度卷积和残差空洞卷积来提升水下图像纹理细节的恢复。

通过引入全卷积的亮度均衡模块以及图像强边缘结构相似度（SESS ）损失函数来调节亮度均衡和颜色恢复[4]。

使用双重判别器促进生成器更好地提取输入图像的细节特征，进而生成更高质量的水下增强图像。

基于CycleGAN 的水下图像增强算法胡志润， 李 然（大连海洋大学 信息工程学院， 辽宁 大连 116023）摘 要： 针对水下图像亮度低、颜色失真以及纹理模糊等问题，提出多尺度循环对抗（MCA ）损失函数并用于CycleGAN 中，构建了MCA⁃CycleGAN 算法。

该网络的生成器是基于U⁃Net 并加入了多尺度卷积和空洞残差卷积，能有效增强水下图像的亮度、颜色以及纹理细节信息；亮度均衡方面采用了全卷积模块，使图像亮度分布均匀进而获得较好的主观视觉。

判别器模块采用双重判别器，较好地提取图像的细节信息进而促进整个网络模型生成更高质量的图像。

实验证明，该网络模型与其他模型相比，在PSNR 、UIQM 和UCIQE 客观指标上分别提升了4.602、0.131 1和0.032 7，且生成的增强图像更清晰、更自然、更符合人类的主观视觉。

基于水下场景先验的水下图像增强方法研究
陈鑫;钱旭;周佳加;武杨
【期刊名称】《应用科技》
【年(卷),期】2024(51)2
【摘要】针对水体光线吸收与散射作用引起的图像模糊、低对比度和颜色失真等问题,提出一种基于水下场景先验的水下图像增强方法。

首先利用水下场景的先验知识,结合水下成像物理模型和水下场景的光学特性,利用10种预定义衰减系数合成涵盖不同类型和退化水平的水下图像数据集;然后利用初始残差和密集级联,设计一类轻量级卷积神经网络(convolutional neural networks,CNN)模型增强水下图像,结合基于轻量级的网络结构和有效的训练数据,可减少增强模型的计算量并有效改善水下退化图像的视觉质量;最后采用归一化的后处理过程进一步提升图像增强的效果。

仿真实验结果表明,所提方法可行有效,可应用到不同的真实水下场景,具有较强的鲁棒性与有效性。

【总页数】10页(P56-65)
【作者】陈鑫;钱旭;周佳加;武杨
【作者单位】海装沈阳局驻哈尔滨地区第二军事代表室;哈尔滨工程大学智能科学与工程学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于色彩校正与暗通道先验算法的水下图像增强方法
2.基于色彩模型的水下海参图像增强方法研究
3.基于暗通道先验改进算法的水下图像增强方法研究
4.基于二维三次样条小波与红通道先验的水下图像增强方法
5.基于色彩均衡和图像融合的水下图像增强方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。

ＩＳＳＮ１００６－７１６７ＣＮ３１－１７０７／ＴＲＥＳＥＡＲＣＨＡＮＤＥＸＰＬＯＲＡＴＩＯＮＩＮＬＡＢＯＲＡＴＯＲＹ第３９卷第１２期　Ｖｏｌ．３９Ｎｏ．１２２０２０年１２月Ｄｅｃ．２０２０　·实验技术·基于ＨＳＩ的改进Ｒｅｔｉｎｅｘ水下图像增强算法贾　秡，　李　博，　赵晓龙（中北大学仪器科学与动态测试教育部重点实验室，太原０３００５１）摘　要：针对水下采集的彩色图像会出现细节丢失、边缘模糊和颜色衰减等现象，将原始水下图像变换到ＨＳＩ（Ｈｕｅ Ｓａｔｕｒａｔｉｏｎ Ｉｎｔｅｎｓｉｔｙ）色彩空间，在小波分解和多通道滤波基础上对传统Ｒｅｔｉｎｅｘ算法进行了改进。

利用小波变换将彩色图像分解为高频与低频部分，针对其不同频带上图像的特征，分别用多通道滤波和Ｒｅｔｉｎｅｘ两种处理方法对图像进行处理。

实验表明：该算法不仅能够有效消除光晕伪影现象，增强图像的亮度和对比度，同时也还原了图像原本的特征细节，并有效去除了图像噪声，图像的视觉效果与客观评价结果也都取得了较大提升。

与传统的Ｒｅｔｉｎｅｘ算法和直方图均衡法对比，该算法能够显著有效增强水下图像，主观和客观评价指标有大幅度的提升。

关键词：水下图像；ＨＳＩ模型；小波变换；多通道增强中图分类号：ＴＮ３９１．９ 文献标志码：Ａ 文章编号：１００６－７１６７（２０２０）１２－０００１－０４ＩｍｐｒｏｖｅｄＲｅｔｉｎｅｘＵｎｄｅｒｗａｔｅｒＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＨＳＩＭｏｄｅｌＪＩＡＰｅｎｇ，　ＬＩＢｏ，　ＺＨＡＯＸｉａｏｌｏｎｇ（ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｓｔｒｕｍｅｎｔａｔｉｏｎＳｃｉｅｎｃｅ＆ＤｙｎａｍｉｃＭｅａｓｕｒｅｍｅｎｔ，ＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎ，ＮｏｒｔｈＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，Ｔａｉｙｕａｎ０３００５１，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｖｉｅｗｏｆｔｈｅｌｏｓｓｏｆｄｅｔａｉｌｓ，ｂｌｕｒｒｅｄｅｄｇｅｓａｎｄｃｏｌｏｒａｔｔｅｎｕａｔｉｏｎｏｆｃｏｌｏｒｉｍａｇｅｓｃｏｌｌｅｃｔｅｄｕｎｄｅｒｗａｔｅｒ，ｔｈｉｓｐａｐｅｒｔｒａｎｓｆｏｒｍｓｃｏｌｏｒｉｍａｇｅｓｉｎｔｏＨＳＩｃｏｌｏｒｓｐａｃｅ，ｉｍｐｒｏｖｅｓＲｅｔｉｎｅｘａｌｇｏｒｉｔｈｍｂｙｕｓｉｎｇｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄｍｕｌｔｉｃｈａｎｎｅｌｆｉｌｔｅｒｉｎｇ，ｄｅｃｏｍｐｏｓｅｓｃｏｌｏｒｉｍａｇｅｓｉｎｔｏｈｉｇｈａｎｄｌｏｗｆｒｅｑｕｅｎｃｙｐａｒｔｓｂｙｕｓｉｎｇｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ，ａｎｄｐｒｏｃｅｓｓｅｓｔｈｅｉｍａｇｅｓｗｉｔｈｔｗｏａｌｇｏｒｉｔｈｍｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｌｇｏｒｉｔｈｍｎｏｔｏｎｌｙｅｆｆｅｃｔｉｖｅｌｙｅｌｉｍｉｎａｔｅｓｔｈｅｈａｌｏａｒｔｉｆａｃｔｓ，ｅｎｈａｎｃｅｓｔｈｅｂｒｉｇｈｔｎｅｓｓａｎｄｃｏｎｔｒａｓｔｏｆｔｈｅｉｍａｇｅ，ｂｕｔａｌｓｏｒｅｓｔｏｒｅｓｔｈｅｏｒｉｇｉｎａｌｆｅａｔｕｒｅｄｅｔａｉｌｓｏｆｔｈｅｉｍａｇｅ，ｅｆｆｅｃｔｉｖｅｌｙｒｅｍｏｖｅｓｉｍａｇｅｎｏｉｓｅ，ａｎｄｉｍｐｒｏｖｅｓｔｈｅｖｉｓｕａｌｅｆｆｅｃｔａｎｄｏｂｊｅｃｔｉｖｅｅｖａｌｕａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｉｍａｇｅ．ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｔｒａｄｉｔｉｏｎａｌＲｅｔｉｎｅｘａｌｇｏｒｉｔｈｍａｎｄｈｉｓｔｏｇｒａｍｅｑｕａｌｉｚａｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｃａｎｓｉｇｎｉｆｉｃａｎｔｌｙｅｎｈａｎｃｅｕｎｄｅｒｗａｔｅｒｉｍａｇｅｓ，ａｎｄｔｈｅｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅｅｖａｌｕａｔｉｏｎｉｎｄｅｘｅｓｃａｎａｌｓｏｂｅｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｄ．Ｋｅｙｗｏｒｄｓ：ｕｎｄｅｒｗａｔｅｒｉｍａｇｅ；ＨＳＩ（Ｈｕｅ Ｓａｔｕｒａｔｉｏｎ Ｉｎｔｅｎｓｉｔｙ）ｍｏｄｅｌ；ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ；ｍｕｌｔｉｃｈａｎｎｅｌｅｎｈａｎｃｅｍｅｎｔ收稿日期：２０２０ ０３ １７基金项目：国家自然科学基金项目（６１４７１３２５）；山西省重点计划研发项目（２０１８０３Ｄ１２１０６１）作者简介：贾　秡（１９９４－），男，山西忻州人，硕士生，研究方向为嵌入式开发，图像处理。

低对比度图像的清晰化与增强1. 引言1.1 低对比度图像的清晰化与增强低对比度图像是指灰度级别之间差异较小的图像，缺乏清晰度和生动性。

在数字图像处理领域，我们常常需要对低对比度图像进行清晰化与增强，以提高图像的质量和可视性。

清晰化与增强低对比度图像的过程，可以帮助我们更好地观察和理解图像中的细节信息，从而更好地应用于实际应用中。

通过对图像对比度进行增强，可以使图像更加清晰明亮，提高图像的视觉效果和观赏性。

在图像处理中，清晰化与增强的方法主要包括直方图均衡化技术和灰度变换方法。

直方图均衡化技术通过重新分布图像中的灰度级别，增强图像的对比度和亮度；而灰度变换方法则是通过对图像灰度级进行非线性变换，使图像的细节更加突出。

2. 正文2.1 图像对比度的基本概念图像对比度是指图像中不同区域之间像素灰度级别的差异程度，即在图像中存在明暗差异程度的度量。

对比度的高低决定了图像中不同部分的清晰度和分辨率。

在低对比度图像中，不同区域之间的灰度级别差异较小，导致图像变得暗淡、模糊和缺乏细节，使人难以正确识别图像中的信息。

图像对比度的基本概念包括全局对比度和局部对比度。

全局对比度是指整幅图像中不同区域之间灰度级别的总体差异度，而局部对比度则是指图像中局部区域内像素之间的灰度级别差异程度。

在图像处理中，需要综合考虑全局对比度和局部对比度，以确保图像清晰和细节丰富。

提高图像对比度可以通过各种方法来实现，例如调整图像的曝光度、增加图像的锐化度、应用直方图均衡化技术等。

通过这些方法可以有效地增强图像的对比度，使图像变得清晰、细节丰富，更容易被人们正确识别和理解。

在处理低对比度图像时，选择合适的对比度增强方法非常重要，以确保图像处理效果达到最佳。

2.2 常见的低对比度图像问题低对比度图像是指图像中相邻像素之间的灰度差异较小，导致图像细节不清晰、色彩失真等问题。

在实际应用中，常见的低对比度图像问题包括：1. 明暗细节不清晰：低对比度图像中，明暗部分的细节被掩盖，导致图像整体显得暗淡模糊，无法准确表达原始景物的明暗变化。

低对比度图像的清晰化与增强低对比度图像是指像素之间的差异非常小，导致图像缺乏清晰度和细节。

这可能是由于图像采集设备的限制或照片在处理过程中丢失反差所导致的。

然而，通过一些图像处理技术，可以对这些低对比度图像进行清晰化和增强，使得图像更为清晰、逼真。

1. 直方图均衡直方图均衡是一种常用的增强低对比度图像的技术。

其基本思想是使图像像素的灰度级在整个亮度范围内分布均匀，从而增强图像对比度。

具体地，该方法先计算出图像的直方图，并将它归一化到整个灰度范围内（即0-255）。

然后，重新映射图像中每个像素的灰度级，使其落在新的均匀分布中。

最后再对重映射后的图像进行增强。

2. 伽马校正该方法先将原始图像从 RGB 或灰度空间转换到伽马空间，然后对图像进行伽马校正。

这个过程涉及到一个伽马参数，选择的好的伽马参数值可以明显改变图像的对比度和亮度。

此方法适用于被过度曝光或过度曝晒的图像。

3. 拉普拉斯金字塔拉普拉斯金字塔是一种分层图像表示方法，可以在不同层级提取和增强图像的细节。

在图像处理中，拉普拉斯金字塔可以用于提取低对比度图像的细节和增强它们。

该方法首先将低对比度图像分解成多个不同分辨率的图像，并且每个层级的图像都可以通过从前一层级减去它的高斯模糊来生成。

然后，各层级图像与自上一层相邻的拉普拉斯图像相加，并通过这种方式重建图像。

通过调整不同分辨率，使用拉普拉斯金字塔能够增强低对比度的图像。

4. 局部对比度增强局部对比度增强是一种将像素值映射到一个更大的范围内，以改善图像对比度的技术。

通过增加亮度和减少阴暗部分细节丢失来调整局部图像对比度。

该方法对各种类型的低对比度图像都有效。

该方法通常分为两步。

第一步是将原始图像调整为它的亮度和对比度，这可以通过对亮度和对比度的均值和标准差进行调整来实现。

第二步是将对比度应用于特定区域内的像素，使它们具有更大的亮度范围，从而提高图像对比度。

结论:通过上述技术，可以清晰化和增强低对比度图像，使其更加清晰和逼真。

双头增强与非均匀校正的水下图像增强算法
杨潇;孙帮勇
【期刊名称】《应用光学》
【年(卷),期】2024(45)2
【摘要】受水下环境浑浊度高、光照不足和均匀性差等因素影响,水下成像所获取的图像存在对比度低、细节模糊和颜色失真等缺陷,为此提出一种双头增强和非均匀校正的水下图像增强算法。

利用构建的双头增强网络从浅层信息中提取多尺度特征,同时融合不同通道的上下文信息,有利于水下图像低对比度的增强;此外构建了非均匀校正网络,对图像不同通道和不同位置进行非线性加权融合,有利于颜色一致性和亮度的恢复。

与10种算法相比,本文算法在UIEB测试集上峰值信噪比、结构相似性比其他方法的最优值分别提高了4.02 dB和0.120,CIEDE2000指标下降了1.51,在LUSI测试集上述指标分别提高了2.13 dB、0.025及下降了0.48。

实验结果表明:所提算法针对不均匀的水下图像增强效果显著,更加符合人眼特性。

【总页数】11页(P354-364)
【作者】杨潇;孙帮勇
【作者单位】西安理工大学印刷包装与数字媒体学院;中国科学院西安光学精密机械研究所光谱成像技术重点实验室
【正文语种】中文
【中图分类】TN911.73;TP391.41
【相关文献】
1.非均匀光照条件下的水下图像增强算法
2.基于色彩校正与暗通道先验算法的水下图像增强方法
3.基于色彩平衡及校正的水下图像增强算法
4.基于颜色校正和区域去雾的水下图像增强算法
5.基于OTSU分割和融合的非均匀光照水下图像增强
因版权原因，仅展示原文概要，查看原文内容请购买。

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。

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。