1.本发明涉及图像增强
技术领域：
：，确切地说是一种结合通道补偿与瑞利分布的水下图像增强算法。
背景技术：
：：2.水下图像增强一直是图像增强领域中的一个重点，水下图像由于光在水下散射与水下颗粒物的吸收，使光在水下水下衰减严重，而且光在水中的衰减特性与在空气中的衰减特性完全不同。其中光波长越长吸收越大，红色光衰减最快，蓝绿色衰减次之，波长在480±30nm波段的蓝绿光在水中的吸收衰减系数最小。因此水下图像大多呈现蓝绿色。如果水中杂质过多，则各种颜色的光都会被大量吸收。3.水下图像增强目前大致可以分为三类：基于物理模型的水下图像增强方法、基于直方图的水下图像增强方法、基于深度学习的水下图像增强方法。基于物理模型的水下图像增强方法往往利用大气散射模型或水下成像模型等物理模型，求解出透射率从而得出增强图像。基于深度学习方法卷积神经网络模型，利用其模型提取出图像特征从而实现增强，但需要大量数据集进行训练，并且输入收到参数限制。基于直方图的方法则具有较高的运行效率，却难以拥有较高的鲁棒性。技术实现要素：4.本发明要解决的技术问题是提供提出一种结合通道补偿与瑞利分布的水下图像增强算法，该算法可以水下光源损失、水下背光等环境恶劣图像进行能量补偿操作，利用快速导向滤波与瑞利分布函数将图像重构为高质量图像。5.为解决上述技术问题，本发明采用如下技术手段：6.结合通道补偿与瑞利分布的水下图像增强算法，包括以下步骤：7.(1)开始，输入原始图像s(x，y)，计算图像bgr三个通道的均值与方差，均值最大的图像认为通道损失最少，高能量通道标记为m，其表达式为：8.m＝max(mean(b(x，y))，mean(g(x，y))，mean(r(x，y)))ꢀꢀꢀꢀ(1)9.其中b(x，y)为蓝通道图像，g(x，y)为绿通道图像，r(x，y)为反射图像，mean为均值操作，max为最大值操作，被标记的m通道图像可以表示为m(x，y)；10.(2)计算图像三通道的方差，把图像方差小于10的通道，作为需要补偿的低能量通道标，记为l，其表达式为：[0011][0012]add为添加操作，std为对该颜色通道取方差；[0013](3)利用高能量通道图像m(x，y)补偿低能量通道l(x，y)，其表达式为；[0014]l′(x，y)＝l(x，y) (m(x，y)-l(x，y))*aꢀꢀꢀꢀꢀꢀꢀ(3)[0015]其中l′(x，y)为补偿后的图像，a为调节因子，取0.3-0.8即可；[0016](4)整合补偿后的通道与无需补偿的通道得到图像s′(x，y)，对s′(x，y)进行拉伸，[0017]其表达式为：[0018][0019]其中mean为图像均值，std为图像方差，c(x，y)为拉伸后的图像；[0020](5)图像拉伸后仍存在大量噪声，利用快速导向滤波进行去噪，其表达式为：[0021][0022]其中i为导向图像，p为输入图像，s为缩小因子(取整数且大于1即可)，r为半径，fsubsample(i，s)表示把图像的长宽按双线性插值的方法进行缩放为原来的1/s，r′为缩放后的半径，fmean(i′，r′)为对图像i′进行半径为r的均值滤波操作；ε为控制平滑度的正则参数，fupsample(meana，s)表示把图像的长宽按双线性插值的方法进行扩大为s倍，即还原为原来大小；q为最终图像；[0023](6)经过快速导向滤波处理后图像噪声得到减少，但像素分布不是最佳，利用瑞利分布调整像素分布，首先利用图像均值把图像像素分割为强、弱两组数据，然后将两组数据分别带入瑞利分布公式在[0，255]中调整分布，其表达式为：[0024][0025]其中a为可调整参数，x为输入数据；[0026](7)将两组调整后的数据利用均值进行融合；[0027](8)将融合后的图像进一步调整颜色，将其转化为hsv空间，其公式为：[0028]r′＝r/255[0029]g′＝g/255[0030]b′＝b/255[0031]cmax＝max(r′，g′，b′)[0032]cmin＝min(r′，g′，b′)[0033]δ＝cmax-cmin[0034][0035][0036]v＝cmax[0037]其中r、g、b分别代表rgb空间的红、绿、蓝通道；h、s、v分别代表hsv空间的色调、饱和度、明度通道；[0038](9)对图像修正饱和度和明度值，以提高图像细节可见度，将图像区域范围限制在1％和99％中，以明度或饱和度最低的1％为下限，最高的1％为上限，对其中间区域进行修正，表示为：[0039][0040]c(x，y)为h，v通道输入值，c′(x，y)为修正后的输出值，min、max分别为步骤(8)的下限与上限，图像转化为rgb通道即为最终图像；[0041](10)输出最终图像，结束。[0042]本发明的方法，首先，利用方差判断图像光源是否损失严重，对损失严重得到通道进行补偿。其次，将三通道的像素利用灰度世界理论的均值方差公式进行拉伸。再次，利用快速导向滤波进行去噪。然后，利用瑞利分布函数调整图像像素分布。最后，将图像转换为hsv空间对s和v通道的元素进行拉伸，转换为原空间的图像即为最终图像。[0043]本发明依靠光强补偿和瑞利分布函数来实现图像增强处理，瑞利分布是指两个二维向量呈独立的、均值为0、具有相同的方差的高斯分布，该分布被认为是水下图像像素分布的最佳分布之一；在去噪方面上本文采用了快速导向滤波技术。本发明的算法可以水下光源损失、水下背光等环境恶劣图像进行能量补偿操作，利用快速导向滤波与瑞利分布函数将图像重构为高质量图像。附图说明[0044]图1为本发明的算法流程图。[0045]图2为本发明实施例中3种算法对光照不均匀图像img1增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0046]图3为本发明实施例中3种算法对光照不均匀图像img2增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0047]图4为本发明实施例中3种算法对光照不均匀图像img3增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0048]图5为本发明实施例中3种算法对光照不均匀图像img4增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。具体实施方式[0049]下面结合实施例，进一步说明本发明算法。[0050]结合通道补偿与瑞利分布的水下图像增强算法，包括以下步骤：[0051](1)开始，输入原始图像s(x，y)，计算图像bgr三个通道的均值与方差，均值最大的图像认为通道损失最少，高能量通道标记为m，其表达式为：[0052]m＝max(mean(b(x，y))，mean(g(x，y))，mean(r(x，y)))ꢀꢀꢀꢀ(1)[0053]其中b(x，y)为蓝通道图像，g(x，y)为绿通道图像，r(x，y)为反射图像，mean为均值操作，max为最大值操作，被标记的m通道图像可以表示为m(x，y)；[0054](2)计算图像三通道的方差，把图像方差小于10的通道，作为需要补偿的低能量通道标，记为l，其表达式为：[0055][0056]add为添加操作，std为对该颜色通道取方差；[0057](3)利用高能量通道图像m(x，y)补偿低能量通道l(x，y)，其表达式为；[0058]l′(x，y)＝l(x，y) (m(x，y)-l(x，y))*aꢀꢀꢀꢀ(3)[0059]其中l′(x，y)为补偿后的通道，a为调节因子，取0.3-0.8即可；[0060](4)整合补偿后的通道与无需补偿的通道得到图像s′(x，y)，对s′(x，y)进行拉伸，其表达式为：[0061][0062]其中mean为图像均值，std为图像方差，c(x，y)为拉伸后的图像；[0063](5)图像拉伸后仍存在大量噪声，利用快速导向滤波进行去噪，其表达式为：[0064][0065]其中i为导向图像，p为输入图像，s为缩小因子(取整数且大于1即可)，r为半径，fsubsample(i，s)表示把图像的长宽按双线性插值的方法进行缩放为原来的1/s，r′为缩放后的半径，fmean(i′，r′)为对图像i′进行半径为r的均值滤波操作；ε为控制平滑度的正则参数，fupsample(meana，s)表示把图像的长宽按双线性插值的方法进行扩大为s倍，即还原为原来大小；q为最终图像；[0066](6)经过快速导向滤波处理后图像噪声得到减少，但像素分布不是最佳，利用瑞利分布调整像素分布，首先利用图像均值把图像像素分割为强、弱两组数据，然后将两组数据分别带入瑞利分布公式在中调整分布，其表达式为：[0067][0068]其中a为可调整参数，x为输入数据；[0069](7)将两组调整后的数据利用均值进行融合；[0070](8)将融合后的图像进一步调整颜色，将其转化为hsv空间，其公式为：[0071]r′＝r/255[0072]g′＝g/255[0073]b′＝b/255[0074]cmax＝max(r′，g′，b′)[0075]cmin＝min(r′，g′，b′)[0076]δ＝cmax-cmin[0077][0078][0079]v＝cmax[0080]其中r、g、b分别代表rgb空间的红、绿、蓝通道；h、s、v分别代表hsv空间的色调、饱和度、明度通道；[0081](9)对图像修正饱和度和明度值，以提高图像细节可见度，将图像区域范围限制在1％和99％中，以明度或饱和度最低的1％为下限，最高的1％为上限，对其中间区域进行修正，表示为：[0082][0083]c(x，y)为h，v通道输入值，c′(x，y)为修正后的输出值，min、max分别为步骤(8)的下限与上限，图像转化为rgb通道即为最终图像；[0084](10)输出最终图像，结束。[0085]对比实验：[0086]实验方法说明：本实验以水下偏色蓝图像、水下偏色绿图像分别为增强的目标图像，对本发明的结合通道补偿与瑞利分布的水下图像增强算法(以下简称为本发明算法)的增强结果分别进行论证，为了证明本发明算法的有效性，分别通过2张偏蓝图像、2组偏绿图像进行增强。为验证上一章提出算法模型的有效性。将本发明算法实验结果与综合色彩模型(以下简称为icm)、无监督色彩校正方法(ucm)相比较。[0087]实施例1，参照图2、图3选取2张偏蓝图像img1、img2进行图像增强处理，对比实验为水下图像经典算法icm、ucm。图像增强效果如图2、图3所示，以增强结果图像的均值、标准差、信息熵和平均梯度来对比和分析。图2、图3的参数对比如表1和表2所示。[0088]实施例2，参照图4、图5选取2张绿偏图像img3、img4进行图像增强处理，对比实验为水下图像经典算法icm、ucm。图像增强效果如图4、图5所示，以增强结果图像的均值、标准差、信息熵和平均梯度来对比和分析。图4、图5的参数对比如表3和表4所示。[0089]img1效果如图2，(a)为原图，原图蓝偏严重，红色光强较少并且含有噪声，细节模糊。(b)为icm算法处理后的图像，icm处理后图像细节得到提升。地面更加清晰，可以看出地面细节，与球体上的锈迹，右上角塑料壳颜色较好。但评价指标数值上不如ucm与本文算法。(c)为ucm算法处理后的图像，ucm种图像虽然得到一定的增强但红色噪声点较多，主要因为数值在数学模型上溢出所致。(d)为本文算法处理后的图像，本文算法虽然数值上不如ucm但没有产生红色噪点，在数值上也优于icm。从主观评价来看本文算法处理后的图像对比度更强，图像更清晰，细节也更明显。[0090]表1img1图像增强结果数据对比情况[0091]table1comparisonofimg1imageenhancementresultdata[0092][0093]img2效果如图3，img2与img1相似。(a)为原图，原图蓝偏严重，图像显示含有雾气。三通道中红色能量较少。(b)为icm算法处理后的图像，icm处理后图像对比度明显提升。可看到船体标记物的信息。(c)为ucm算法处理后的图像，ucm算法虽然数值最优但红色噪声更加严重，主观评价差。(d)为本文算法处理后的图像，本文算法处理后的图像相对于icm处理后图像对比度更强，颜色更加明显。[0094]表2img2图像增强结果数据对比情况[0095]table2comparisonofimg1imageenhancementresultdata[0096][0097]img3效果如图4，(a)为原图，原图偏绿色，并且存在噪声，细节模糊。(b)为icm算法处理后的图像，icm图像明显清晰，但图像仍然偏向绿色。可看到右下角标记物的信息。(c)为ucm算法处理后的图像，ucm算法处理后的图像颜色偏黄绿色，仍没有消除色偏，但整体亮度增加。(d)为本文算法处理后的图像，本文算法处理后的图像消除了色偏，颜色更加均匀，表3数值上也优于icm、ucm算法。[0098]表3img3图像增强结果数据对比情况[0099]table3comparisonofimg3imageenhancementresultdata[0100][0101]img4效果如图5，(a)为原图，原图偏绿色，并且存在噪声，细节模糊。颜色轻微偏向绿色。(b)为icm算法处理后的图像，颜色较浅消除了色偏，主观上提高了视觉效果。(c)为ucm算法处理后的图像，ucm算法处理后的图像变深，增加了对比度但没有消除色偏。(d)为本文算法处理后的图像，本文算法处理后的图像不仅消除了色偏，对比度也优于icm。表4数值上也优于icm、ucm算法。[0102]表4img4图像增强结果数据对比情况[0103]table1comparisonofimg1imageenhancementresultdata[0104][0105]综上所述，本发明对实际应用中常见的蓝绿偏水下图像取得了较好的增强效果，可以适用于更多场合。[0106]以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。当前第1页12当前第1页12
技术领域：
：，确切地说是一种结合通道补偿与瑞利分布的水下图像增强算法。
背景技术：
：：2.水下图像增强一直是图像增强领域中的一个重点，水下图像由于光在水下散射与水下颗粒物的吸收，使光在水下水下衰减严重，而且光在水中的衰减特性与在空气中的衰减特性完全不同。其中光波长越长吸收越大，红色光衰减最快，蓝绿色衰减次之，波长在480±30nm波段的蓝绿光在水中的吸收衰减系数最小。因此水下图像大多呈现蓝绿色。如果水中杂质过多，则各种颜色的光都会被大量吸收。3.水下图像增强目前大致可以分为三类：基于物理模型的水下图像增强方法、基于直方图的水下图像增强方法、基于深度学习的水下图像增强方法。基于物理模型的水下图像增强方法往往利用大气散射模型或水下成像模型等物理模型，求解出透射率从而得出增强图像。基于深度学习方法卷积神经网络模型，利用其模型提取出图像特征从而实现增强，但需要大量数据集进行训练，并且输入收到参数限制。基于直方图的方法则具有较高的运行效率，却难以拥有较高的鲁棒性。技术实现要素：4.本发明要解决的技术问题是提供提出一种结合通道补偿与瑞利分布的水下图像增强算法，该算法可以水下光源损失、水下背光等环境恶劣图像进行能量补偿操作，利用快速导向滤波与瑞利分布函数将图像重构为高质量图像。5.为解决上述技术问题，本发明采用如下技术手段：6.结合通道补偿与瑞利分布的水下图像增强算法，包括以下步骤：7.(1)开始，输入原始图像s(x，y)，计算图像bgr三个通道的均值与方差，均值最大的图像认为通道损失最少，高能量通道标记为m，其表达式为：8.m＝max(mean(b(x，y))，mean(g(x，y))，mean(r(x，y)))ꢀꢀꢀꢀ(1)9.其中b(x，y)为蓝通道图像，g(x，y)为绿通道图像，r(x，y)为反射图像，mean为均值操作，max为最大值操作，被标记的m通道图像可以表示为m(x，y)；10.(2)计算图像三通道的方差，把图像方差小于10的通道，作为需要补偿的低能量通道标，记为l，其表达式为：[0011][0012]add为添加操作，std为对该颜色通道取方差；[0013](3)利用高能量通道图像m(x，y)补偿低能量通道l(x，y)，其表达式为；[0014]l′(x，y)＝l(x，y) (m(x，y)-l(x，y))*aꢀꢀꢀꢀꢀꢀꢀ(3)[0015]其中l′(x，y)为补偿后的图像，a为调节因子，取0.3-0.8即可；[0016](4)整合补偿后的通道与无需补偿的通道得到图像s′(x，y)，对s′(x，y)进行拉伸，[0017]其表达式为：[0018][0019]其中mean为图像均值，std为图像方差，c(x，y)为拉伸后的图像；[0020](5)图像拉伸后仍存在大量噪声，利用快速导向滤波进行去噪，其表达式为：[0021][0022]其中i为导向图像，p为输入图像，s为缩小因子(取整数且大于1即可)，r为半径，fsubsample(i，s)表示把图像的长宽按双线性插值的方法进行缩放为原来的1/s，r′为缩放后的半径，fmean(i′，r′)为对图像i′进行半径为r的均值滤波操作；ε为控制平滑度的正则参数，fupsample(meana，s)表示把图像的长宽按双线性插值的方法进行扩大为s倍，即还原为原来大小；q为最终图像；[0023](6)经过快速导向滤波处理后图像噪声得到减少，但像素分布不是最佳，利用瑞利分布调整像素分布，首先利用图像均值把图像像素分割为强、弱两组数据，然后将两组数据分别带入瑞利分布公式在[0，255]中调整分布，其表达式为：[0024][0025]其中a为可调整参数，x为输入数据；[0026](7)将两组调整后的数据利用均值进行融合；[0027](8)将融合后的图像进一步调整颜色，将其转化为hsv空间，其公式为：[0028]r′＝r/255[0029]g′＝g/255[0030]b′＝b/255[0031]cmax＝max(r′，g′，b′)[0032]cmin＝min(r′，g′，b′)[0033]δ＝cmax-cmin[0034][0035][0036]v＝cmax[0037]其中r、g、b分别代表rgb空间的红、绿、蓝通道；h、s、v分别代表hsv空间的色调、饱和度、明度通道；[0038](9)对图像修正饱和度和明度值，以提高图像细节可见度，将图像区域范围限制在1％和99％中，以明度或饱和度最低的1％为下限，最高的1％为上限，对其中间区域进行修正，表示为：[0039][0040]c(x，y)为h，v通道输入值，c′(x，y)为修正后的输出值，min、max分别为步骤(8)的下限与上限，图像转化为rgb通道即为最终图像；[0041](10)输出最终图像，结束。[0042]本发明的方法，首先，利用方差判断图像光源是否损失严重，对损失严重得到通道进行补偿。其次，将三通道的像素利用灰度世界理论的均值方差公式进行拉伸。再次，利用快速导向滤波进行去噪。然后，利用瑞利分布函数调整图像像素分布。最后，将图像转换为hsv空间对s和v通道的元素进行拉伸，转换为原空间的图像即为最终图像。[0043]本发明依靠光强补偿和瑞利分布函数来实现图像增强处理，瑞利分布是指两个二维向量呈独立的、均值为0、具有相同的方差的高斯分布，该分布被认为是水下图像像素分布的最佳分布之一；在去噪方面上本文采用了快速导向滤波技术。本发明的算法可以水下光源损失、水下背光等环境恶劣图像进行能量补偿操作，利用快速导向滤波与瑞利分布函数将图像重构为高质量图像。附图说明[0044]图1为本发明的算法流程图。[0045]图2为本发明实施例中3种算法对光照不均匀图像img1增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0046]图3为本发明实施例中3种算法对光照不均匀图像img2增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0047]图4为本发明实施例中3种算法对光照不均匀图像img3增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。[0048]图5为本发明实施例中3种算法对光照不均匀图像img4增强的结果图；其中，图(a)为原图，图(b)为经过icm算法处理后的效果图，图(c)为经过ucm算法处理后的效果图，图(d)为本发明算法处理后的效果图。具体实施方式[0049]下面结合实施例，进一步说明本发明算法。[0050]结合通道补偿与瑞利分布的水下图像增强算法，包括以下步骤：[0051](1)开始，输入原始图像s(x，y)，计算图像bgr三个通道的均值与方差，均值最大的图像认为通道损失最少，高能量通道标记为m，其表达式为：[0052]m＝max(mean(b(x，y))，mean(g(x，y))，mean(r(x，y)))ꢀꢀꢀꢀ(1)[0053]其中b(x，y)为蓝通道图像，g(x，y)为绿通道图像，r(x，y)为反射图像，mean为均值操作，max为最大值操作，被标记的m通道图像可以表示为m(x，y)；[0054](2)计算图像三通道的方差，把图像方差小于10的通道，作为需要补偿的低能量通道标，记为l，其表达式为：[0055][0056]add为添加操作，std为对该颜色通道取方差；[0057](3)利用高能量通道图像m(x，y)补偿低能量通道l(x，y)，其表达式为；[0058]l′(x，y)＝l(x，y) (m(x，y)-l(x，y))*aꢀꢀꢀꢀ(3)[0059]其中l′(x，y)为补偿后的通道，a为调节因子，取0.3-0.8即可；[0060](4)整合补偿后的通道与无需补偿的通道得到图像s′(x，y)，对s′(x，y)进行拉伸，其表达式为：[0061][0062]其中mean为图像均值，std为图像方差，c(x，y)为拉伸后的图像；[0063](5)图像拉伸后仍存在大量噪声，利用快速导向滤波进行去噪，其表达式为：[0064][0065]其中i为导向图像，p为输入图像，s为缩小因子(取整数且大于1即可)，r为半径，fsubsample(i，s)表示把图像的长宽按双线性插值的方法进行缩放为原来的1/s，r′为缩放后的半径，fmean(i′，r′)为对图像i′进行半径为r的均值滤波操作；ε为控制平滑度的正则参数，fupsample(meana，s)表示把图像的长宽按双线性插值的方法进行扩大为s倍，即还原为原来大小；q为最终图像；[0066](6)经过快速导向滤波处理后图像噪声得到减少，但像素分布不是最佳，利用瑞利分布调整像素分布，首先利用图像均值把图像像素分割为强、弱两组数据，然后将两组数据分别带入瑞利分布公式在中调整分布，其表达式为：[0067][0068]其中a为可调整参数，x为输入数据；[0069](7)将两组调整后的数据利用均值进行融合；[0070](8)将融合后的图像进一步调整颜色，将其转化为hsv空间，其公式为：[0071]r′＝r/255[0072]g′＝g/255[0073]b′＝b/255[0074]cmax＝max(r′，g′，b′)[0075]cmin＝min(r′，g′，b′)[0076]δ＝cmax-cmin[0077][0078][0079]v＝cmax[0080]其中r、g、b分别代表rgb空间的红、绿、蓝通道；h、s、v分别代表hsv空间的色调、饱和度、明度通道；[0081](9)对图像修正饱和度和明度值，以提高图像细节可见度，将图像区域范围限制在1％和99％中，以明度或饱和度最低的1％为下限，最高的1％为上限，对其中间区域进行修正，表示为：[0082][0083]c(x，y)为h，v通道输入值，c′(x，y)为修正后的输出值，min、max分别为步骤(8)的下限与上限，图像转化为rgb通道即为最终图像；[0084](10)输出最终图像，结束。[0085]对比实验：[0086]实验方法说明：本实验以水下偏色蓝图像、水下偏色绿图像分别为增强的目标图像，对本发明的结合通道补偿与瑞利分布的水下图像增强算法(以下简称为本发明算法)的增强结果分别进行论证，为了证明本发明算法的有效性，分别通过2张偏蓝图像、2组偏绿图像进行增强。为验证上一章提出算法模型的有效性。将本发明算法实验结果与综合色彩模型(以下简称为icm)、无监督色彩校正方法(ucm)相比较。[0087]实施例1，参照图2、图3选取2张偏蓝图像img1、img2进行图像增强处理，对比实验为水下图像经典算法icm、ucm。图像增强效果如图2、图3所示，以增强结果图像的均值、标准差、信息熵和平均梯度来对比和分析。图2、图3的参数对比如表1和表2所示。[0088]实施例2，参照图4、图5选取2张绿偏图像img3、img4进行图像增强处理，对比实验为水下图像经典算法icm、ucm。图像增强效果如图4、图5所示，以增强结果图像的均值、标准差、信息熵和平均梯度来对比和分析。图4、图5的参数对比如表3和表4所示。[0089]img1效果如图2，(a)为原图，原图蓝偏严重，红色光强较少并且含有噪声，细节模糊。(b)为icm算法处理后的图像，icm处理后图像细节得到提升。地面更加清晰，可以看出地面细节，与球体上的锈迹，右上角塑料壳颜色较好。但评价指标数值上不如ucm与本文算法。(c)为ucm算法处理后的图像，ucm种图像虽然得到一定的增强但红色噪声点较多，主要因为数值在数学模型上溢出所致。(d)为本文算法处理后的图像，本文算法虽然数值上不如ucm但没有产生红色噪点，在数值上也优于icm。从主观评价来看本文算法处理后的图像对比度更强，图像更清晰，细节也更明显。[0090]表1img1图像增强结果数据对比情况[0091]table1comparisonofimg1imageenhancementresultdata[0092][0093]img2效果如图3，img2与img1相似。(a)为原图，原图蓝偏严重，图像显示含有雾气。三通道中红色能量较少。(b)为icm算法处理后的图像，icm处理后图像对比度明显提升。可看到船体标记物的信息。(c)为ucm算法处理后的图像，ucm算法虽然数值最优但红色噪声更加严重，主观评价差。(d)为本文算法处理后的图像，本文算法处理后的图像相对于icm处理后图像对比度更强，颜色更加明显。[0094]表2img2图像增强结果数据对比情况[0095]table2comparisonofimg1imageenhancementresultdata[0096][0097]img3效果如图4，(a)为原图，原图偏绿色，并且存在噪声，细节模糊。(b)为icm算法处理后的图像，icm图像明显清晰，但图像仍然偏向绿色。可看到右下角标记物的信息。(c)为ucm算法处理后的图像，ucm算法处理后的图像颜色偏黄绿色，仍没有消除色偏，但整体亮度增加。(d)为本文算法处理后的图像，本文算法处理后的图像消除了色偏，颜色更加均匀，表3数值上也优于icm、ucm算法。[0098]表3img3图像增强结果数据对比情况[0099]table3comparisonofimg3imageenhancementresultdata[0100][0101]img4效果如图5，(a)为原图，原图偏绿色，并且存在噪声，细节模糊。颜色轻微偏向绿色。(b)为icm算法处理后的图像，颜色较浅消除了色偏，主观上提高了视觉效果。(c)为ucm算法处理后的图像，ucm算法处理后的图像变深，增加了对比度但没有消除色偏。(d)为本文算法处理后的图像，本文算法处理后的图像不仅消除了色偏，对比度也优于icm。表4数值上也优于icm、ucm算法。[0102]表4img4图像增强结果数据对比情况[0103]table1comparisonofimg1imageenhancementresultdata[0104][0105]综上所述，本发明对实际应用中常见的蓝绿偏水下图像取得了较好的增强效果，可以适用于更多场合。[0106]以上所述仅为本发明较佳可行的实施例而已，并非因此局限本发明的权利范围，凡运用本发明说明书及附图内容所作的等效结构变化，均包含于本发明的权利范围之内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
