[发明专利]一种基于成像模型的水下图像增强方法

说明书

本发明公开了一种基于成像模型的水下图像增强方法，用于增强因水体吸收和衰减而造成颜色失真、细节损失的水下图像，结合传统与网络两种方法，通过将修正成像模型与深度学习相结合的方法，采用端到端的网络估计两种透射图以及遮罩光，代入至修正成像模型之中得到最终去雾结果，在避免了其各自的缺点的同时，得到了较好的效果。

技术领域

本发明涉及计算机视觉领域，尤其涉及一种基于成像模型的水下图像增强方法。

背景技术

传统的有关水下图形增强的方法中，未能考虑直接反射光与后向散射光的衰减率不同，因而在恢复图像过程中存在误差，且适用范围较小，而基于深度学习的图像增强网络由于缺乏水下成对数据集，容易过拟合，进而导致恢复图像细节丢失等问题。

发明内容

本发明提供一种基于成像模型的水下图像增强方法，以克服现有技术中未能考虑直接反射光与后向散射光的衰减率不同，因而在恢复图像过程中存在误差，且适用范围较小，而基于深度学习的图像增强网络由于缺乏水下成对数据集，容易过拟合，进而导致恢复图像细节丢失等问题。

为了实现上述目的，本发明的技术方案是：1、一种基于成像模型的水下图像增强方法，其特征在于，包括如下步骤：

S1：选取数据集中的去雾后的无雾图像J(x)做为初始输入图像；

S2：建立修正成像模型，以获取衰减后的水下有雾图像I(x)，以及直接反射光透射率t_D(x)、后向散射光透射率t_B(x)和遮罩光值

S3：构建网络结构，以形成直接反射光透射图估计网络T_D、后向散射光透射图估计网络T_B和遮罩光估计网络B；

S4：将所述衰减后的水下有雾图像I(x)输入到网络结构中，以获取增强后的直接反射光的透射率t′_D(x)和增强后的后向散射光的透射率t′_B(x)和增强后的遮罩光值B′(x)；

S5：将S4中网络结构中输出结果重新代入至S2中的修正成像模型中，即获得增强后的水下图像J′(x)。

进一步的，所述S2中建立修正成像模型的方法为：

定义衰减后的水下有雾图像I(x)为：

其中：x为水下的某一点；J(x)为去雾后的无雾图像；为遮罩光值；t_D(x)为直接反射光的透射率；t_B(x)为后向散射光的透射率；

根据朗伯-比尔经验定律，光线在媒介中以指数形式衰减，如下公式：

其中：为直接反射光的衰减率，为后向散射光的衰减率，d(x)为物体与相机之间的距离；

遮罩光值的计算公式如下：

其中：b(λ)是光束散射系数；β(λ)是光束衰减系数，是光束吸收系数a(λ)与光束散射系数b(λ)之和，即β(λ)＝a(λ)+b(λ)；E(d,λ)为深度d处的波长为λ的光谱辐照度；

其中：E(0,λ)表示水平面处波长为λ的光谱辐照度，K_d(λ)为波长为λ的有色光的下行光的扩散散射系数。

进一步的，所述S3中的网络结构包括直接反射光透射图估计网络T_D、后向散射光透射图估计网络T_B和遮罩光估计网络B；所述直接反射光透射图估计网络T_D、后向散射光透射图估计网络T_B和遮罩光估计网络B网络结构相同，均通过如下步骤完成：