✅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
本文提出一种新颖的水下图像视频增强策略，该策略基于图像融合的原理，仅利用退化图像本身的信息来提取输入和权重。为克服水下介质的局限性，我们定义了两个输入，分别代表原始水下图像/帧的颜色校正版本和对比度增强版本；同时，我们定义了四个权重图，旨在提高因介质散射和吸收而导致的远距离物体可见性。本策略是一种单图像方法，无需专用硬件或关于水下条件或场景结构的先验知识。我们的融合框架还通过有效的边缘保持降噪策略支持相邻帧之间的时域一致性。增强后的图像和视频具有降噪、暗区曝光度提高、全局对比度改善以及细节和边缘增强等显著特点。此外，我们还论证了该增强技术的实用性，并将其应用于多个具有挑战性的应用场景。
一、引言
水下成像由于水体自身的特性，例如光吸收、散射和湍流等，常常受到严重的影响，导致图像质量下降，细节模糊，色彩失真，对比度降低等问题。这极大地限制了水下图像视频在海洋科学研究、水下探测、水下工程等领域的应用。现有的水下图像增强方法大多依赖于复杂的模型、先验信息或专用硬件，例如需要已知水体参数或场景深度等信息。这些方法在实际应用中存在局限性，适用范围有限。
为了解决这些问题，本文提出了一种基于图像融合的新型水下图像视频增强策略。该策略的核心思想是利用图像本身的信息，通过融合不同处理后的图像来提高图像质量。与现有的方法相比，本方法具有以下优势：
-
无需先验知识: 该方法仅需要退化的水下图像/视频帧作为输入，无需任何关于水下环境或场景结构的先验知识。
-
单图像处理: 该方法是一种单图像处理方法，无需对多帧图像进行处理，计算效率高。
-
自适应性强: 该方法能够自适应地处理不同类型的图像，无需针对不同的水下条件进行参数调整。
-
有效降噪: 该方法融合了边缘保持降噪策略，在增强图像细节的同时有效地抑制了噪声。
二、方法论
我们的增强策略的核心在于一个基于融合的框架。该框架包含两个输入和四个权重图。
-
输入: 两个输入分别为颜色校正后的图像和对比度增强后的图像。颜色校正旨在减轻水下介质对颜色产生的影响，恢复图像的真实色彩；对比度增强旨在提高图像的动态范围，增强图像的细节。这两个输入的生成方法将在后面详细讨论。
-
权重图: 四个权重图分别用于引导融合过程，以增强不同方面的图像质量。这些权重图的设计基于对水下图像退化机制的分析，它们分别关注于：
-
增强远距离物体的可见性；
-
提高暗区的曝光度；
-
增强图像细节和边缘；
-
平衡全局对比度。
-
这些权重图的计算方法是基于图像本身的特征，例如图像梯度、局部对比度等。具体的计算方法将在后续章节中详细描述。
融合过程采用加权平均的方法，即：
I_enhanced = w1 * I_colorCorrected + w2 * I_contrastEnhanced
其中，I_enhanced 表示增强后的图像，I_colorCorrected 和 I_contrastEnhanced 分别表示颜色校正后的图像和对比度增强后的图像，w1 和 w2 分别为对应的权重图。四个权重图将被巧妙地结合，以达到最佳的增强效果。
为了提高视频的时域一致性，我们采用了一种基于边缘保持的降噪算法，在处理相邻帧时，有效地抑制了噪声，同时保留了图像的细节和边缘。
三、实验结果与分析
我们在多个具有挑战性的水下图像和视频数据集上对提出的方法进行了测试，实验结果表明，该方法能够有效地提高水下图像视频的质量，显著降低噪声水平，提高暗区曝光度，增强细节和边缘，并改善全局对比度。与现有的几种水下图像增强方法相比，我们的方法在主观视觉效果和客观评价指标上都具有明显的优势。具体实验结果和对比分析将在论文中详细呈现。
四、结论与未来工作
本文提出了一种基于图像融合的新型水下图像视频增强策略。该策略无需先验知识，仅利用退化图像本身的信息进行处理，具有较高的效率和自适应性。实验结果表明，该方法能够有效地增强水下图像视频的质量。未来的工作将集中在以下几个方面：
-
进一步改进权重图的计算方法，以提高增强效果。
-
探索更有效的边缘保持降噪算法，以进一步提高视频的时域一致性。
-
将该方法应用于更多实际应用场景，例如水下机器人导航、水下目标识别等。
📣 部分代码
function rgb = lab_to_rgb(lab)
cform = makecform('lab2srgb');
rgb = applycform(lab,cform);
end
⛳️ 运行结果
🔗 参考文献
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🎁 私信完整代码和数据获取及论文数模仿真定制
🌿 往期回顾可以关注主页，点击搜索
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
