CN111563854A - 用于水下图像增强处理的粒子群优化方法 - Google Patents
用于水下图像增强处理的粒子群优化方法 Download PDFInfo
- Publication number
- CN111563854A CN111563854A CN202010351552.2A CN202010351552A CN111563854A CN 111563854 A CN111563854 A CN 111563854A CN 202010351552 A CN202010351552 A CN 202010351552A CN 111563854 A CN111563854 A CN 111563854A
- Authority
- CN
- China
- Prior art keywords
- image
- channel
- avg
- underwater
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000002245 particle Substances 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 title claims abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010521 absorption reaction Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 5
- 238000007499 fusion processing Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于水下图像增强处理的粒子群优化方法,包括:采集第一水下图像;对所述第一水下图像分别进行白平衡颜色矫正得到矫正图像、对比度拉伸得到拉伸图像以及细节增强得到增强图像;采用粒子群优化算法计算融合权重,并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像;本发明能够对融合权重进行优化计算,从而得到全局最优解,完成融合过程;有效补偿了水体对红色光的吸收和有机物对蓝色光的吸收、去除了由散射造成的模糊并实现了对细节部分的增强。
Description
技术领域
本发明涉及水下图像处理领域,尤其涉及一种用于水下图像增强处理的粒子群优化方法。
背景技术
图像融合过程分为三个阶段:图像融合输入获取、特征权重计算和多尺度分解与融合。融合结果的好坏取决于输入图特征的选取和权重的计算。现有用于水下图像增强的融合方法中针对权重的计算主要分为以下几种:基于加权平均的融合方法,这种对像素点灰度的平均会产生严重的拼接感;基于绝对值取大的融合方法,会造成结构不完整等问题;采用统计学习方法训练融合系数,其计算量较大。
发明内容
本发明提供一种用于水下图像增强处理的粒子群优化方法,以克服上述技术问题。
本发明提供一种用于水下图像增强处理的粒子群优化方法,包括:
采集第一水下图像;
对所述第一水下图像分别进行白平衡颜色矫正得到矫正图像、对比度拉伸得到拉伸图像以及细节增强得到增强图像;
采用粒子群优化算法计算融合权重,并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像。
进一步地,所述白平衡颜色矫正得到矫正图像,包括:
将所述第一水下图像分成R、G、B三个通道;
若Gavg-Ravg≥λ,则对R通道补偿后为:Rnew=R+(Z1×G),若Gavg-Bavg≥λ,则对B通道补偿后为:Bnew=B+(Z2×G),其中,Z1为R通道的增益因子,Z2为B通道的增益因子,Ravg、Gavg和Bavg分别为R、G和B三个通道的平均值,λ为阈值;
通过补偿后的R通道、原始G通道及补偿后的B通道合成所述矫正图像。
进一步地,所述阈值λ=θ×(Ravg+Gavg+Bavg)。
进一步地,所述对比度拉伸得到拉伸图像包括:
将所述第一水下图像的RGB颜色空间转换成LAB空间;
对L通道采用限制对比度自适应直方图均衡算法进行对比度拉伸,得到新的L'通道;
所述L'通道结合A、B通道转换成RGB颜色空间的拉伸图像。
进一步地,所述细节增强得到增强图像,包括:
将所述第一水下图像的RGB颜色空间转换成HSI空间;
对I通道采用拉普拉斯滤波提取所述水下图像细节,得到新的I'通道;
所述I'通道结合H、S通道转换成RGB颜色空间的的增强图像;
其中,所述拉普拉斯滤波的滤波器对应的掩膜为:
进一步地,所述并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像中所述第二水下图像为J=α1·J1+α2·J2+α3·J3;
其中J1为矫正图像,J2为拉伸图像,J3为增强图像,α1、α2和α3分别为J1、J2和J3的融合权重。
进一步地,所述采用粒子群优化算法计算融合权重,包括:
采用适应度函数:
O=max(UCIQE+PSNR) (1)
其中,UCIQE=c1σc+ccconl+c3μs,其中σc表示色度的标准方差,conl表示亮度的对比度,μs表示饱和度的平均值,c1,c2和c3是常数; I(i,j)为原始输入图像,J(i,j)为融合后的第二水下图像,m,n分别为图像的长和宽。
本发明能够对融合权重进行优化计算,从而得到全局最优解,完成融合过程;有效补偿了水体对红色光的吸收和有机物对蓝色光的吸收、去除了由散射造成的模糊并实现了对细节部分的增强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一种用于水下图像增强处理的粒子群优化方法的流程图;
图2-1是第一水下图像原始图;
图2-2是第一水下图像经过灰度世界处理后的图;
图2-3是采用本发明的方法处理后的图;
图3是将原始图像拉伸后的拉伸图像;
图4-1是第一水下图像原始图的直方图分布图;
图4-2是对应图3的直方图分布图;
图5-1是原始图像经过暗通道先验算法(DCP)操作后得到的图;
图5-2是通过粒子群优化后得到的图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一种用于水下图像增强处理的粒子群优化方法的流程图,如图1所示,本实施例的方法可以包括:
本发明一种用于水下图像增强处理的粒子群优化方法的流程图,包括:
S1:采集第一水下图像;
S2:对所述第一水下图像分别进行白平衡颜色矫正得到矫正图像、对比度拉伸得到拉伸图像以及细节增强得到增强图像;
S3:采用粒子群优化算法计算融合权重,并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像。
进一步地,所述白平衡颜色矫正得到矫正图像,包括:
将所述第一水下图像分成R、G、B三个通道;
若Gavg-Ravg≥λ,则对R通道补偿后为:Rnew=R+(Z1×G),若Gavg-Bavg≥λ,则对B通道补偿后为:Bnew=B+(Z2×G),其中,Z1为R通道的增益因子,Z2为B通道的增益因子,Ravg、Gavg和Bavg分别为R、G和B三个通道的平均值,阈值λ=θ×(Ravg+Gavg+Bavg),其中θ=0.1,如果大于λ说明R通道或B通道在传播过程中有损失,需要用G通道进行补偿,校正后的图像克服了由于光在水下传播中造成的颜色失真问题;本实施例中Ravg=13.11,Gavg=148.72,Bavg=155.17,因Gavg—Bavg<31.7,所以B通道不进行补偿;(Rnew、G、Bnew)为合成的所述矫正图像。
采用G通道分别校正R、B通道,有效补偿了水体对红色光的吸收和有机物对蓝色光的吸收。
进一步地,所述对比度拉伸得到拉伸图像包括:
将所述第一水下图像的RGB颜色空间转换成LAB空间之后再对L通道采用限制对比度自适应直方图均衡算法进行对比度拉伸,得到新的L'通道,再结合A、B通道转换成RGB颜色空间的拉伸图像。
对比度拉伸图,在LAB空间中对L通道采用CLAHE进行对比度拉伸,有效去除了由散射造成的模糊。
具体而言,RGB颜色空间不能直接转换为LAB颜色空间,需要借助XYZ颜色空间,把RGB颜色空间转换到XYZ颜色空间,之后再把XYZ颜色空间转换到LAB颜色空间:
(1)RGB颜色空间转XYZ颜色空间
假设R,G,B为像素的三个通道,取值范围为[0,255],转换公式如下:RGB与XYZ颜色空间有如下关系:
M=0.4124,0.3576,0.1805
0.2126,0.7152,0.0722
0.0193,0.1192,0.9505
则:
X=var_R*0.4124+var_G*0.3576+var_B*0.1805
Y=var_R*0.2126+var_G*0.7152+var_B*0.0722
Z=var_R*0.0193+var_G*0.1192+var_B*0.9505
gamma函数用来对图象进行非线性色调编辑,目的是提高图像对比度。
(2)XYZ颜色空间转LAB颜色空间
式(1)中,X=0.412453*R+0.412453*G+0.412453*B;各系数相加之和为0.950456,接近于1,因R/G/B的取值范围为[0,255],如果系数和等于1,则X的取值范围也必在[0,255]之间,因此通过等比修改各系数,使其之和等于1,这样就做到了XYZ和RGB在同等范围的映射。这也就是为什么代码里X,Y,Z会分别除以0.950456、1.0、1.088754。
L*=116f(Y/Yn)-16
A*=500[f(X/Xn)-f(Y/Yn)]
B*=200[f(Y/Yn)-f(Z/Zn)] (4)
结合公式(4)及(5),L*,A*,B*是最终的LAB色彩空间三个通道的值。X,Y,Z是RGB转XYZ后计算出来的值,Xn,Yn,Zn默认是95.047,100.0,108.883。
进一步地,所述细节增强得到增强图像,包括:
将所述第一水下图像的RGB颜色空间转换成HSI空间之后再对I通道采用拉普拉斯滤波提取所述水下图像细节,得到新的I'通道,再结合H、S通道转换成RGB颜色空间的的增强图像。
其中,所述拉普拉斯滤波的滤波器对应的掩膜为:
具体而言,
I=(R+G+B)/3 (10)
结合公式(6)、(7)、(8)、(9),H、S、I是最终的HSI色彩空间。
在HSI空间中对I通道采用拉普拉斯滤波进行锐化,有效实现了对细节部分的增强。
进一步地,所述并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像中所述第二水下图像为J=α1·J1+α2·J2+α3·J3;
其中J1为矫正图像,J2为拉伸图像,J3为增强图像,α1、α2和α3分别为J1、J2和J3的融合权重。
进一步地,所述采用粒子群优化算法计算融合权重,包括:
初始化粒子数S=30,迭代次数M=30,惯性权重w=0.8。
采用适应度函数:
O=max(UCIQE+PSNR) (11)
其中,UCIQE=c1σc+ccconl+c3μs,其中σc表示色度的标准方差,conl表示亮度的对比度,μs表示饱和度的平均值,c1,c2和c3是常数; I(i,j)为原始输入图像,J(i,j)为融合后的第二水下图像,m,n分别为图像的长和宽。
根据每个粒子的最优位置和全局的最优位置,更新每个粒子的速度和位置,全局中的最优位置是通过比较本次迭代中所有粒子的适应度函数值,得出其中的某一个粒子的适应度函数值最大,那么该粒子所在位置即为最优位置。公式如下所示:
Vi(t+1)=wVi(t)+e1r1(t)(Pi(t)-Xi(t))+e2r2(t)(Pg(t)-Xi(t)),i=1,2...,N
Xi(t+1)=Xi(t)+Vi(t+1) (12)
其中,Vi(t+1)表示粒子i在第(t+1)次迭代中的运动矢量;w是一个非负数,表示惯性权重;e1和e2是非负常数,表示加速度;r1和r2是[0,1]区间上均匀分布的随机数;t表示时间间隔,值为1;Pi(t)表示在第t次迭代中的粒子自身最优位置;Pg(t)表示在t次迭代中全局最优位置;Xi(t+1)表示粒子在第(t+1)次迭代中的位置;其中e1=e2=2,w=0.8是惯性权重,r1和r2是[0,1]区间上均匀分布的随机数,在迭代中间隔时间t为1。
评估粒子的适应度函数值,更新粒子的最优位置和全局的最优位置,本专利方法选用的适应度函数是由图像评价指标UCIQE和PSNR的和组成。UCIQE+PSNR的值也即适应度函数的值越大,公式(11)用于优化α1、α2和α3。
如图2-1所示为第一水下图像原始图;图2-2是第一水下图像经过灰度世界函数处理后的图;图2-3是采用本发明的方法处理后的图;
如表1所示,为R通道对应图1中左上角10*10像素点的值;表2为R通道对应图2左上角10*10像素点的值;其中x表示水平坐标,y表示竖直坐标,从表1和表2的数据可知,原始图像的R通道衰减严重,通过本算法处理后能够较好得补偿R通道的衰减,从图2-3也能看出不再是蓝绿色调,能够证明对R通道进行了较好的补偿。
表1
表2
如图3所示,是将原始图像采用限制对比度自适应直方图均衡算法拉伸后的拉伸图像;图4-1是第一水下图像原始图的直方图分布图;图4-2是对应图3的直方图分布图,通过图4-1和图4-2的对比可知,经采用限制对比度自适应直方图均衡算法拉伸的图像色彩更加清晰。
如图5-1所示,是原始图像经过暗通道先验算法(DCP)操作后得到的图;图5-2是通过粒子群优化后得到的图;如表3所示可知,从峰值信噪比和结构相似度的数据表明,本算法比DCP方法处理后的效果要好。
表3
DCP | 本方法 | |
峰值信噪比 | 35.1562 | 38.3706 |
构相似度 | 0.6894 | 0.7541 |
本发明能够对融合权重进行优化计算,从而得到全局最优解,完成融合过程;有效补偿了水体对红色光的吸收和有机物对蓝色光的吸收、去除了由散射造成的模糊并实现了对细节部分的增强。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种用于水下图像增强处理的粒子群优化方法,其特征在于,包括:
采集第一水下图像;
对所述第一水下图像分别进行白平衡颜色矫正得到矫正图像、对比度拉伸得到拉伸图像以及细节增强得到增强图像;
采用粒子群优化算法计算融合权重,并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像。
2.根据权利要求1所述的方法,其特征在于,所述白平衡颜色矫正得到矫正图像,包括:
将所述第一水下图像分成R、G、B三个通道;
若Gavg-Ravg≥λ,则对R通道补偿后为:Rnew=R+(Z1×G),若Gavg-Bavg≥λ,则对B通道补偿后为:Bnew=B+(Z2×G),其中,Z1为R通道的增益因子,Z2为B通道的增益因子,Ravg、Gavg和Bavg分别为R、G和B三个通道的平均值,λ为阈值;
通过补偿后的R通道、原始G通道及补偿后的B通道合成所述矫正图像。
4.根据权利要求2所述的方法,其特征在于,所述阈值λ为λ=θ×(Ravg+Gavg+Bavg)。
5.根据权利要求1所述的方法,其特征在于,所述对比度拉伸得到拉伸图像包括:
将所述第一水下图像的RGB颜色空间转换成LAB空间;
对L通道采用限制对比度自适应直方图均衡算法进行对比度拉伸,得到新的L'通道;
所述L'通道结合A、B通道转换成RGB颜色空间的拉伸图像。
7.根据权利要求1所述的方法,其特征在于,所述并采用所述融合权重将所述矫正图像、拉伸图像和增强图像进行融合得到优化后的第二水下图像中所述第二水下图像为J=α1·J1+α2·J2+α3·J3;
其中J1为矫正图像,J2为拉伸图像,J3为增强图像,α1、α2和α3分别为J1、J2和J3的融合权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351552.2A CN111563854B (zh) | 2020-04-28 | 2020-04-28 | 用于水下图像增强处理的粒子群优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010351552.2A CN111563854B (zh) | 2020-04-28 | 2020-04-28 | 用于水下图像增强处理的粒子群优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563854A true CN111563854A (zh) | 2020-08-21 |
CN111563854B CN111563854B (zh) | 2023-06-20 |
Family
ID=72074491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010351552.2A Active CN111563854B (zh) | 2020-04-28 | 2020-04-28 | 用于水下图像增强处理的粒子群优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563854B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658086A (zh) * | 2021-08-06 | 2021-11-16 | 桂林日盛水务有限公司 | 一种基于小波融合的clahe和直方图拉伸水下图像增强方法 |
CN114331876A (zh) * | 2021-12-10 | 2022-04-12 | 深圳职业技术学院 | 水下鱼类图像增强方法、***、计算机设备及存储介质 |
CN114708621A (zh) * | 2022-05-31 | 2022-07-05 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050104974A1 (en) * | 2002-02-12 | 2005-05-19 | Tatsumi Watanabe | Image processing device and image processing method |
CN109903250A (zh) * | 2019-02-25 | 2019-06-18 | 大连海事大学 | 基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法 |
CN110503617A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种基于高、低频信息融合的水下图像增强方法 |
CN111047530A (zh) * | 2019-11-29 | 2020-04-21 | 大连海事大学 | 基于多特征融合的水下图像颜色校正和对比度增强方法 |
-
2020
- 2020-04-28 CN CN202010351552.2A patent/CN111563854B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050104974A1 (en) * | 2002-02-12 | 2005-05-19 | Tatsumi Watanabe | Image processing device and image processing method |
CN109903250A (zh) * | 2019-02-25 | 2019-06-18 | 大连海事大学 | 基于多尺度梯度域对比度拉伸的水下图像清晰化处理方法 |
CN110503617A (zh) * | 2019-08-29 | 2019-11-26 | 大连海事大学 | 一种基于高、低频信息融合的水下图像增强方法 |
CN111047530A (zh) * | 2019-11-29 | 2020-04-21 | 大连海事大学 | 基于多特征融合的水下图像颜色校正和对比度增强方法 |
Non-Patent Citations (5)
Title |
---|
HONG ZHANG 等: ""Video denoising for security and privacy in fog computing"", 《COMPUTER COMMUNICATIONS》 * |
徐凤强 等: ""基于水下机器人的海产品智能检测与自主抓取***"", 《北京航空航天大学学报》 * |
林森 等: ""基于优势特征图像融合的水下光学图像增强"", 《光子学报》 * |
王若谦: ""基于图像融合的水下图像增强算法研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
金鑫: ""基于脉冲耦合神经网络与多尺度分析的多源图像融合研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658086A (zh) * | 2021-08-06 | 2021-11-16 | 桂林日盛水务有限公司 | 一种基于小波融合的clahe和直方图拉伸水下图像增强方法 |
CN114331876A (zh) * | 2021-12-10 | 2022-04-12 | 深圳职业技术学院 | 水下鱼类图像增强方法、***、计算机设备及存储介质 |
CN114708621A (zh) * | 2022-05-31 | 2022-07-05 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
CN114708621B (zh) * | 2022-05-31 | 2022-08-19 | 广东海洋大学 | 水下海胆图像识别模型的训练方法、识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111563854B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563854A (zh) | 用于水下图像增强处理的粒子群优化方法 | |
CN105931201B (zh) | 一种基于小波变换的图像主观视觉效果增强方法 | |
CN111583123A (zh) | 一种基于小波变换的融合高低频信息的图像增强算法 | |
KR100771158B1 (ko) | 칼라 영상의 화질 향상을 위한 방법 및 시스템 | |
CN107424124B (zh) | 一种图像增强方法及装置 | |
KR102144577B1 (ko) | 최적의 감마보정 기반 저조도 영상 보정방법 | |
CN110298792B (zh) | 低光照图像增强与去噪方法、***及计算机设备 | |
CN111915513B (zh) | 一种基于改进的自适应神经网络的图像去噪方法 | |
CN109658343B (zh) | 结合颜色转换和自适应曝光的水下图像增强方法 | |
CN111968041A (zh) | 一种自适应图像增强方法 | |
CN105809643A (zh) | 一种基于自适应块通道拉伸的图像增强方法 | |
CN112801925A (zh) | 基于信息熵最大化消除水波纹影响的水下图像增强方法 | |
CN114092353A (zh) | 一种基于加权引导滤波的红外图像增强方法 | |
Ueda et al. | Underwater image synthesis from RGB-D images and its application to deep underwater image restoration | |
CN111476744B (zh) | 一种基于分类及大气成像模型的水下图像增强方法 | |
CN117252773A (zh) | 基于自适应颜色校正和导向滤波的图像增强方法及*** | |
CN107169942B (zh) | 一种基于鱼类视网膜机制的水下图像增强方法 | |
WO2020107308A1 (zh) | 一种基于Retinex的微光图像快速增强方法及其装置 | |
CN117422653A (zh) | 一种基于权重共享和迭代数据优化的低光照图像增强方法 | |
CN112488968A (zh) | 一种分程度直方图均衡融合的图像增强方法 | |
CN112365425A (zh) | 一种低照度图像增强方法和*** | |
CN112465711A (zh) | 一种针对雾天环境下的降质图像增强方法 | |
CN116862794A (zh) | 一种基于双补偿和对比调节的水下图像处理方法 | |
CN113256533B (zh) | 基于msrcr的自适应低照度图像增强方法及*** | |
CN114638764B (zh) | 基于人工智能的多曝光图像融合方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |