[發明專利]一種基于色彩恒常性和群稀疏的水下圖像復原方法

有效

• 申請號: 201710411503.1
• 申請日: 2017-06-05
• 公開（公告）號: CN107256536B
• 公開（公告）日: 2021-01-05
• 發明（設計）人: 王鑫;戴慧鳳;王慧斌;徐立中
• 申請（專利權）人: 河海大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T7/90
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 李玉平

1.一種基于色彩恒常性和群稀疏的水下圖像復原方法，其特征在于，包括如下步驟：

步驟一：在Shades Of Gray算法的基礎上，針對水下圖像的顏色失真特點，加入顏色補償的概念，提出了一種改進的基于色彩恒常性的水下圖像顏色失真校正算法，對原始的水下圖像進行顏色失真矯正，具體步驟如下：

1)給定一幅原始水下圖像，求取無窮遠處背景光，即當相機與物體相距無窮遠處時該物體上顏色的背景光，該背景光選取各個暗通道中強度最高的像素

其中，I_λ(y)表示顏色為λ通道的圖像，Ω(x)表示以x為中心的局域塊，I表示圖像中所有的局域塊；

2)求取水下圖像的衰減系數比：將藍色光blue作為參考光波，紅色red、綠色green通道的衰減系數比為：

其中，c_red、c_green、c_blue分別代表紅色、綠色、藍色三個通道衰減系數，b_red、b_green、b_blue分別代表紅色、綠色、藍色三個通道的散射系數，B_red，∞、B_green，∞、B_{blue，∞}分別代表紅色、綠色、藍色三個通道的無窮遠處背景光；

3)對顏色衰減進行補償：令藍色光的傳輸模型為：d_blue＝exp^-d(x)，d(x)表示場景景深，以藍色光為參考，結合衰減系數比，分別求出紅色光分量和綠色光分量的傳輸模型：

4)將上述計算所得的d_blue、d_red、d_green融入到Shades Of Gray算法框架中，得到改進后的顏色失真校正模型：

其中，p表示閔可夫斯基范數，d_λ表示紅色、綠色、藍色三個通道的光的傳輸模型，e為假設條件下的光源，k是系數；

步驟二：針對水下圖像的特點，設計出針對水下圖像的圖像退化模型，該模型包括兩部分內容：退化算子的構建和水體的分層，其中，

所述退化算子的構建具體步驟如下：

水下的成像由兩部分構成，直接部分E_d和介質散射部分E_fb，即

E＝E_d+E_fb

將E＝E_d+E_fb作為水下圖像的成像模型，將后向散射模型作為水下圖像退化部分的模型，即

E_fb(x)≈E＝E_∞(1-exp^-βd(x))

其中，E_∞表示水中的光照強度，β表示水下光照后向衰減系數；

根據該水下圖像退化部分的模型，發現水下圖像的退化水平和其各場景點的景深有直接關系，景深越大，介質散射部分就越大，在水體成像的過程中產生的退化也就越嚴重；基于上述退化規律，構建退化算子；

首先，考慮到場景點的退化水平和其距消失點的距離成反比，選取一幅圖像中消失點的近似位置；將圖像中心點位置的場景點作為消失點，具有最大的景深；將圖像的中心位置記為坐標原點，則坐標位置(r₁,r₂)的景深定義為：

從該公式看出，中心位置的景深為d＝1，隨著距消失點的距離的增大，景深逐漸減小，符合水下圖像后向散射模型的規律；

結合水下后向散射模型，設計后向散射退化算子H表示為：

所述水體的分層具體步驟如下：

由于水體中懸浮粒子的分布不均，以及水體溶液本身的分布不均，光子在水中每前進一點，其退化算子的參數都會產生變化；針對這種情況，引入點擴散函數，按照光所要通過的距離，也就是沿著景深增大的方向，對水體進行分層；

將光子所要運行的距離分為n個水層，分別由1、2…n表示；

水體退化模型描述為Y＝HX+η，其中，X，Y分別代表原始的清晰圖像和觀測到的退化圖像，H是退化算子，η是退化過程中引入的噪聲；

得到水下圖像的第一層退化表示為：

Y₁＝H₁X+η

水下圖像的第二層退化表示為：

Y₂＝H₂Y₁+η

＝H₂(H₁X+η)+η

依次類推，水下圖像的第n層退化表示為：

Y_n＝H_n(Y_n-1+η)+η

＝H_nH_n-1...H₁X+H_nH_n-1...H₂η+...+H_nH_n-1η+H_nη+η

每一層退化算子是相同的，即H＝H₁＝H₂＝...＝H_n；

步驟三：將該退化模型融入到群稀疏框架中，提出了一種融合退化模型和群稀疏的水下圖像去模糊算法，用于處理經過顏色失真矯正之后的水下圖像，以期提高其清晰度。

2.根據權利要求1所述的一種基于色彩恒常性和群稀疏的水下圖像復原方法，其特征在于，所述融合退化模型和群稀疏的水下圖像去模糊算法包括以下步驟：

a)給定一幅退化圖像Y，對其先構造群，具體操作為，將退化圖像Y分成S塊相互重疊的圖像塊，每一個圖像塊表示為一個矢量Y_j∈R^B，j＝1,2,...S；對于每個圖像塊，在其鄰近區域利用歐氏距離尋找c個相似塊作為匹配塊，然后將所有的相似塊堆疊成一個矩陣該矩陣稱為群；

b)將該退化模型融入到群稀疏表示模型的框架中，則圖像去模糊問題表示為：

其中，是一個關于l₂的數據保真項，t是正則化參數，t||α_G||₀是正則化項；H是退化算子，D_G是群字典的級聯，是學習得到的適應于每個群的群字典；α_G是稀疏系數的級聯，是每個群基于自適應字典的稀疏系數；很明顯，要想解決這個復原問題，需要先求得和

c)獲取學習字典；每個群的自適應字典從它的近似值中求得，每個群的近似值在優化求解過程中自然獲得；對每個群的估計采用一次奇異值分解得到字典的原子m表示字典的原子的個數，最后，每個群的自適應學習字典表示為：

d)對于給定的字典，基于字典的稀疏編碼問題是尋找一個稀疏向量使得采用分離Bregman迭代算法，計算出稀疏編碼稀疏α_G；并根據字典和稀疏系數進行水下圖像去模糊；其中Bregman迭代的迭代次數為水體分層的層數；

e)當求得了自適應字典D_G和稀疏編碼系數α_G后，去模糊后的圖像表示為：