基于融合处理的水下图像增强算法研究.pdf

基于融合处理的水下图像增强算法研究

摘要

近年来，随着人口不断增长，陆地上的资源也严重匮乏，而海洋的开发却仅仅处于

初级阶段。为了充分且合理地利用水下的丰富资源，必须全面了解海底环境信息。由于

特殊的水体环境，光线在水下环境中受到杂质的反射以及自然光的衰减、水体的吸收导

致水下机器人拍摄的图像色彩失真、对比度不足，导致目标检测难度大。本文针对水下

图像色偏，对比度低、清晰度低以及亮度低等问题，分别从传统算法和深度学习算法对

水下低照度图像进行研究。主要研究内容如下：

针对水下低质量图像，提出了一种融合处理的水下图像增强方法。由于水下光照条

件复杂，首先通过白平衡算法初步对图像进行颜色校正。接着通过伽马校正算法调整图

像的对比度，使图像细节更加突出。再通过Retinex理论分别针对物体的固有属性和光

照条件将图像分解为照度分量和反射分量，并通过色域转换和照度分量增强来改善水下

低照度图像的整体亮度，最后使用锐化算法增强图像细节，将预处理图像通过拉普拉斯

金字塔进行融合。实验结果表明，该算法有效的校正了水下图像色偏问题，且在图像分

割和特征点匹配等应用领域，相对于单一传统算法，效果更好。

受图像融合思想启发，优化并改进了WaterNet深度学习网络，该网络将深度学习与

图像融合相结合，通过多分支融合网络学习水下图像与增强图像间不同层次的特征与非

线性关系。该算法首先通过白平衡、对比度自适应直方图均衡化和伽马校正等预处理算

法增强，提升图像的初始质量。然后，预处理后的图像与原始水下图像共同作为多分支

WaterNet网络的输入，结合VGG-19网络提升学习效率，重点学习图像关键区域与细节

信息。最后，将多分支网络不同层次的图像特征进行融合，得到特征增强图像。实验结

果表明，该算法在图像亮度和对比度方面得到较大提升，图像细节更加清晰。

基于Python语言，结合Qt框架与QtDesigner，设计并实现了一款基于PyQt的水下

图像增强与处理平台。该平台用于处理论文中涉及到的水下图像增强算法以及特征点匹

配、边缘检测等应用，方便用户更直观的实现算法的增强图像，具有简单易用、优秀的

跨平台支持等特点。

关键词：低照度；颜色校正；水下图像；图像增强；图像融合

基于融合处理的水下图像增强算法研究

Abstract

Whilethedevelopmentoftheoceansisstillinitsinfancy,inrecentyearstherehasbeena

seriousshortageofresourcesonlandasthepopulationcontinuestogrow.Acomprehensive

understandingofseabedenvironmentalinformationisneededtofullyandrationallyexploitthe

richresourcesunderwater.Duetothespecialnatureofwater,thereflectionoflightfrom

underwatercontaminants,thedimmingofnaturallight,andtheabsorptionofwaterleadto

distortedcoloursandlackofcontrastinunderwaterrobotimagery,makingitdifficulttodetect

targets.Inthispaper,thetraditionalalgorithmsanddeeplearningalgorithmsforlow-light

underwaterimagesareresearchedtosolvetheproblemsofcolourdistortion,lowcontrast,low

clarityandlowbrightnessinunderw