【图像融合】基于多尺度融合的单图像水下图像增强技术Matlab论文复现

最新推荐文章于 2025-12-02 19:45:00 发布

原创最新推荐文章于 2025-12-02 19:45:00 发布 · 1k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知，求助可私信。

🔥 内容介绍

本文探讨一种有效的单图像水下图像增强技术，旨在克服水体散射和吸收导致的图像退化问题。该方法无需特殊硬件或预先了解水下环境及场景结构信息，仅依靠对原始退化图像进行颜色补偿和白平衡处理后，通过融合两张衍生图像来实现增强效果。融合过程巧妙地设计了两个待融合图像及其对应的权重图，以突出边缘信息和色彩对比度的转移，最终生成增强图像。为避免权重图的锐利过渡在重建图像的低频成分中产生伪影，我们进一步引入了多尺度融合策略。大量的定性和定量评估结果表明，该方法显著改善了图像和视频的暗部曝光度、全局对比度和边缘锐度。验证结果还证实，该算法对相机设置具有良好的鲁棒性，并能有效提高图像分割和关键点匹配等后续图像处理应用的精度。

一、引言

水下成像环境复杂多变，水体对光线的散射和吸收作用会严重降低图像质量，导致图像出现颜色失真、对比度降低、细节模糊等问题，极大限制了水下图像在各个领域的应用。现有的水下图像增强方法主要包括基于物理模型的方法和基于深度学习的方法。前者需要对水下环境参数进行精确估计，计算复杂度高，适用性较差；后者虽然取得了显著的成果，但通常需要大量的训练数据，并且模型泛化能力有限。

本文提出一种新颖的单图像水下图像增强方法，它避免了上述方法的不足。该方法的核心思想是通过融合两张从颜色补偿和白平衡后的原始图像中提取的图像来增强图像质量。这种策略有效地利用了图像中的互补信息，并通过精心设计的权重图引导融合过程，最终获得具有更高清晰度、更好对比度和更准确色彩的水下图像。此外，我们还引入了多尺度融合策略，有效抑制了权重图锐利过渡带来的伪影，进一步提高了图像增强效果。

二、方法

我们的方法主要包括以下几个步骤：

预处理: 对原始水下图像进行颜色补偿和白平衡处理，以校正由于水体吸收和散射导致的颜色偏差和曝光不足。这一步采用标准的图像处理技术，例如白平衡算法和基于颜色直方图的调整方法。
特征图像提取: 从预处理后的图像中提取两个特征图像。这两个图像的设计旨在分别捕捉图像的低频和高频信息。其中，一个图像主要保留图像的低频成分，例如整体亮度和颜色信息；另一个图像则突出图像的高频成分，例如边缘和纹理细节。这可以通过各种图像处理技术实现，例如高斯滤波、拉普拉斯算子等。
权重图生成: 为每个特征图像生成对应的权重图。权重图的设计至关重要，它决定了两个特征图像在融合过程中的贡献比例。我们设计权重图以强调边缘和高对比度区域，从而增强图像的细节和清晰度。权重图的生成可以基于图像梯度、边缘检测结果等信息。
多尺度融合: 为了避免权重图的锐利过渡在低频成分中引入伪影，我们采用多尺度融合策略。具体来说，我们将图像和权重图分解到不同的尺度上，在各个尺度上进行加权融合，然后再将融合后的结果进行重建。这种方法可以有效地平滑权重图的过渡，避免伪影的产生。
后处理: 对融合后的图像进行一些后处理操作，例如对比度调整和锐化处理，进一步提高图像质量。

三、实验结果与分析

我们对提出的方法进行了大量的定性和定量评估。定性评估通过视觉观察比较增强图像与原始图像的差异，结果表明，该方法显著改善了水下图像的暗部曝光度、全局对比度和边缘锐度，有效地恢复了图像细节，并且颜色更加自然真实。定量评估则采用常用的图像质量评价指标，例如峰值信噪比(PSNR)和结构相似性指数(SSIM)，结果显示，该方法在这些指标上均优于现有的其他方法。此外，我们还评估了该方法对图像分割和关键点匹配等后续图像处理应用的影响，结果表明，增强后的图像显著提高了这些应用的精度。

四、结论

本文提出了一种基于多尺度融合的单图像水下图像增强技术。该方法无需任何先验知识或特殊硬件，通过巧妙地设计融合策略和权重图，有效地提高了水下图像的质量，并对后续的图像处理应用具有积极的影响。实验结果充分验证了该方法的有效性和鲁棒性，为水下图像处理领域提供了一种新的有效工具。未来的工作将集中在进一步优化权重图的设计，以及探索该方法在更多水下图像应用中的潜力。

📣 部分代码

1];

%filt = h'*h;

out{1} = img;

temp_img = img;

for i = 2 : level

temp_img = temp_img(1 : 2 : end, 1 : 2 : end);

%out{i} = imfilter(temp_img, filt, 'replicate', 'conv');

out{i} = temp_img;

end

% calculate the DoG

for i = 1 : level - 1

[m, n] = size(out{i});

out{i} = out{i} - imresize(out{i+1}, [m, n]);

end

⛳️ 运行结果

🔗 参考文献

[1] Ancuti C O , Ancuti C , Vleeschouwer C D ,et al.Color Balance and Fusion for Underwater Image Enhancement[J].IEEE Transactions on Image Processing, 2017, 27(99):379-393.DOI:10.1109/TIP.2017.2759252.