没有合适的资源?快使用搜索试试~ 我知道了~
基于图信号处理的水下图像增强技术
工程科学与技术,国际期刊32(2022)101059完整文章基于图信号处理的水下图像增强技术Shobha Sharmaa,Tarun VarmaaaMalaviya National Institute of Technology(MNIT),JLN Marg,Malviya Nagar,Jaipur 302017,India阿提奇莱因福奥文章历史记录:收到2021年2021年8月11日修订2021年9月12日接受在线预订2021年保留字:图形信号处理(GSP)图形傅立叶变换(GFT)图形小波变换(GWT)滤波器组根滤波A B S T R A C T本文提出了两种基于图信号处理(GSP)技术的水下图像增强新方法。该方案利用图形傅立叶变换(GFT)和图形小波滤波器组代替传统的傅立叶变换和小波变换。首先,原始图像表示在一个选定的图结构,然后根滤波应用在GFT和图小波变换(GWT)域在本工作中。据观察,根滤波参数在图像增强过程中起着至关重要的作用。根滤波方法突出高频项,其属于具有较小幅度的边缘和纹理元素,而不强调较高幅度的频率分量。因此,与较低频率相比,高频分量被强调,从而产生更清晰和更具视觉吸引力的图像。所提出的技术的仿真结果与现有的增强方法进行了比较。结果表明,所提出的方法提供了更多的改善,在增强的图像质量比目前的方法在本文中考虑。还可以看出,在0.75至0.95的范围内的根滤波参数和墨西哥帽小波在所提出的基于图小波滤波器组的方法中,N = 5,提高了水下图像的增强质量©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍许多民用和国防应用使用水下成像来估计海洋动物的数量,评估地质或生物环境,监测海洋生物,潜艇探测。[1,2]。然而,与在空中捕获的图像相比,水下图像已知会遭受一些特定的退化[3]。例如,由于光在水中的衰减和散射,水下图像的能见度很差[2],导致图像模糊且对比度很差。第二个问题涉及拍摄图像的水深。随着深度的增加,更多对应于不同波长的光分量被吸收,导致捕获图像中相应的颜色下降[2]。众所周知,红色在3 m深度处消失,橙色在5米在捕获的图像[2]。类似地,黄色在10 m的深度处逐渐消失,随后在更深的深度处绿色逐渐消失。在大约30米深的地方,图像中只剩下蓝色,因此,在水中深处拍摄的水下图像以蓝色为主*通讯作者。电子邮件地址:gmail.com(S. Sharma)。[2]的文件。第三个问题与溶解的有机物或悬浮颗粒(也称为海洋雪或海雪,其浓度在水中变化很大)有关人工照明可以提高亮度,但除了不均匀地照亮场景外,它会在图像中心产生一个由低光区域包围的这些人工源经常面临散射和吸收问题[3,4]。此外,闪烁也存在于阳光明媚的日子,影响在浅海中拍摄的图像,具有强烈的亮点[5]。总之,水下图像受到许多限制,例如受限的可见光谱、低对比度、模糊、亮点、非均匀照明、暗淡的颜色内容(绿色或蓝色外观)和噪声。因此,水下目标的图像需要增强,以提高其视觉质量。基于物理模型的图像复原方法和基于非物理模型的图像增强方法可以提高水下图像的质量基于物理因此,它们可能在高度多变的水下环境中表现不佳。本工作中提出的方案避免了这种对模型参数失配的敏感性,https://doi.org/10.1016/j.jestch.2021.09.0052215-0986/©2021 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchS. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010592ðÞP¼-提供视觉上令人愉悦的水下图像,而不依赖于用于图像形成的任何物理模型。基于非物理模型的图像增强方法在没有关于图像场景的先验信息的情况下提高了捕获的图像质量。各种水下图像增强技术已经从自然图像[4,6]上采用的方法中发展出来。各种数字信号处理(DSP)技术,例如变换函数(例如,傅立叶变换和小波变换)、滤波和其他技术被用于变换域增强方法中。变换域中的增强技术要求使用诸如傅立叶变换的变换将图像从空间变换到频域[7],并且通过提升高频(其通常指边缘区域)同时衰减低频(其反映图像中的平滑区域)来增强退化图像[8]。模糊的水下图像似乎被均匀的层覆盖,这是由于高频和低频分量之间的差异很小[9]。因此,在变换域(如傅立叶和小波变换域)中的增强方法可以提高水下图像的质量[10]。在[11,12]中,已经提出了基于滤波的方法来通过抑制噪声和消除非均匀照明的问题来增强水下图像基于小波变换的方法也已在文献中提出,以改善水下图像。在文献[13]中,作者提出了一种基于小波变换的融合方法,通过解决低对比度和颜色问题来改善模糊的水下图像。文献[2]提出了另一种基于小波变换的图像增强方法。虽然基于DSP的变换域图像增强方法可以提高雾天下的对比度和可见度水的图像,他们往往夸大噪音和产生的颜色[17][18][19 主观和客观质量评估表明,相对于一些现有的方法,使用所提出的技术获得的增强图像提供了改善的视觉质量。本文其余部分的结构如下。在第2节中,简要概述了GFT和图形小波滤波器组。在第3节中讨论了所提出的图像增强方法。在第4节中,给出了所提出的方法的模拟结果和质量分析,第5节总结了本文。2. GFT与图小波滤波器组图形信号描述图形上的信号的结构,其中节点表示信号样本,并且连接两个节点的边对信号的样本间关系进行边权重揭示了两个节点之间关联的强度[14]。一个图记为GV;E,其中V代表N个节点的集合v 0;v 1;;v N-1,并且E表示集合两个节点之间的加权边[14]。在代数上,我们可以用它的邻接矩阵A来描述一个图,它反映了图中节点之间的关系,无论是有向的还是无向的[18]。在这里,我们只关注无向图。对于两个节点i和j之间的边,矩阵元素满足关系Aij/wij,其中wij表示边的权重。边权重(wij在无向图的情况下,wijwji,A是对称的。对于图像,节点i和j之间的边的权重wij通常使用高斯核计算,并由[21].kIi-Ijk2! .kxi-xjk2!R-R失真[6]。最近,一种新的信号处理范例,称为图wij¼exp-22实验22Lxð1Þ信号处理(GSP)已引起了许多研究者普惠制工具正在若干应用中使用,例如,蛋白其中Ii和Ij是像素i和j在2D网格上的位置,xi和xj是像素i和j的强度,r2和r2是方差交互系统、社交网络或推荐系统l x[14] 第 10 段 。 许 多 经 典 的 信 号 处 理 工 具 , 如 传 统 的 傅 立 叶 变 换(CFT),小波变换已被扩展到GSP,产生图形傅立叶变换(GFT)和图形小波变换(GWT)[14]。它们在GSP中快速建模像素间关系的能力在计算机视觉和图像处理社区中获得了更广泛的认可[14]。GSP工具在成像中的应用要求在所选图形结构上表示原始水下图像[14]。在[15,16]中可以参考使用GSP的一些早期作品,其中图谱去噪和基于图的滤波器提高了图像质量。然而,基于GFT和GWT域的水下图像滤波增强技术还有待研究.这促使我们扩展GSP工具在水下图像增强中的应用。本文探讨了利用GFT和图小波滤波器组进行水下图像增强的新方法。在这里,输入图像表示在选定的图结构上,然后在GFT和GWT域中应用根滤波在GFT和GWT域中,根滤波改变了水下图像的频率内容根滤波参数在图像的增强过程中起着至关重要的作用,因为它会影响图像在这些域中的频率含量所提出的技术可以被认为是在传统的傅立叶域的根滤波的扩展图像在图形上的表示非常快速地考虑了像素间它避免了在基于模型的方法中估计模型参数的需要。仿真结果表明,该方法能有效地提高图像质量,参数从(1)可以清楚地看出,如果像素对的特性几乎相同,则wij将具有大值(接近1),否则将具有小值(接近0)[21]。因此,wij的值将位于范围[0,1]中,并且权重wij越小,像素i和j之间的几何距离越大。图G的度矩阵D被定义为对角矩阵,其条目Dij Ai j等价于连接到节点 i 的所有 边的权重最后 ,定义组合 图的 Laplacian 矩阵为 L DA[14,20由于Laplacian矩阵是对称半正定的,所有特征值都是实的且非负的,其特征值分解如下:L¼ UK U-12哪里K是一对角矩阵与的特征值kk k<$0; 1;.. . ::; N-1在对角线上,U是包含正交本征向量vk的矩阵 (如柱),U-1¼UT[20]。图G的谱可以用特征值kk和特征向量v k来定义,分别表示图中的频率和图频率分量[21]。有必要选择说明内部图像结构/体系结构的合适的图来确定图频域中的信号的频谱。通过(2)中的图拉普拉斯矩阵的特征分解获得谱,该特征分解又用于导出GFT和GWT[14]。GFT或GWT在所选图形结构上对目标图像进行频谱分解和分析,这与使用传统变换(如离散傅立叶变换(DFT)和离散余弦变换(DCT))的频域分解相当。这个图形-S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010593XX221B11K典型2D图像的calspectral分析最近在各种图像处理领域中产生了新的想法和理解,包括图像重建、分割、压缩和滤波[24]。由于目前的工作是基于GFT和GWT的滤波器组,这些在下面的小节中简要讨论。2.1. 图形傅立叶变换GFT使人们能够在图谱域中分析和合成在传统设置中获取的信号频率和带宽限制的概念也扩展到普惠制。图形信号也可以被采样、滤波和去噪傅里叶变换通常指的是扩展信号以及细节子空间(高通),它保存了重建原始信号所需的附加信息[23]。H0滤波器允许传输低于截止值的图形频率,同时显着衰减较高的图形频率。另一方面,H1做相反的工作,即,它使高于截止频率的频率通过每个通道上的滤波操作伴随着下采样操作b1和b0,这意味着具有集合1中的登记的顶点保留高通通道输出,而集合0中的顶点保留低通通道输出。 从图 1,很容易看出,重构后,低通和高通通道的输出均为[23]^F 1/4G。我是JH.F.使用信号不变基元素[29]。在GFT中,基函数v k是拉普拉斯矩阵L的本征基,如在(二)、给定信号f(由F表示)在a的顶点上的GFT120b0o^F 1/4G。我是J 2015年12月25日N-1Fk<$vωnfn;k <$0; 1; 2;. :; N-1其中,Jb0和Jb1是对角下采样矩阵,I是n¼0其中v是图双通道输出,即, ^f^f1^f2[23]. 这种腐烂K拉普拉斯矩阵L.信号f的图形傅立叶系数使用内积确定。因此,GFT可以被解释为信号在以下集合上的分解:特征向量作为标准正交基函数。逆图形傅立叶变换(IGFT)由[19,25]定义并且重建方案可以扩展到N通道,如[26,27]所示。在[22,23,26,27]中可以看到小波滤波器组的详细描述。3. 基于GSP技术基于GSP的水下图像增强算法N-1f n F kv kn 4k¼0(3)中的GFT及其在(4)中的逆允许在两个单独的域中相等地对信号进行解译:顶点域和图谱域[19]。(3)中的向量F示出了信号f在图形频谱域中的特征向量基中的扩展,并且定义了图形信号的频率分量F.(4)中的逆GFT通过对由信号的GFT系数加权的图形频率元素进行积分来从其组成频率重建图形信号f[18]。在GFT的帮助下,用于传统信号处理中滤波的谐波分析工具已经被定制为处理图上描述的信号。关于其他细节,读者可参考[182.2. 图小波滤波器组图域滤波器(或图滤波器),就像时域滤波器一样,提取和修改信号的频谱系数。图滤波器可应用于信号分析、识别、分类、聚类和去噪。此外,图滤波器是图滤波器组、小波和卷积神经网络中的主要模块[13]。谱图小波变换(SGWT)使我们能够通过在谱域中指定和近似平滑滤波器核来同时在谱域和顶点域中定位信号[19,25]图滤波器组由两部分组成:分析滤波器组(执行信号分解)和合成滤波器组(执行信号重构双通道小波滤波器组如图1所示[23]。它有两个图形滤波器的分析目的:一个低通滤波器的特点是H0和高通滤波器的特点是H1,和两个合成图形滤波器的特点是G0和G1。分析滤波器将信号分解为两个子空间,即近似子空间(低通),它提供了更平滑的变量本节提出了一些技术。 所提出的方法不需要任何关于给定测试图像的先验知识用于增强目的。所提出的方法不试图直接对退化环境进行建模,因此属于基于非物理模型的方法[28 基于物理模型的方法假设衰减系数只是水的参数,其对于所有颜色通道以相同的方式表现,导致视觉上不可接受的图像。图像在图上的表示非常容易考虑像素间的关系。它避免了在基于模型的方法中估计模型参数的需要。物理模型还需要高计算资源,并消耗更多的时间来执行[33]。所提出的水下图像增强方法是基于GFT和图小波滤波器组,并可以解释使用图中所示的框图。 二、输入图像被分解成其组成颜色通道fR、fG和fB。使用所提出的基于GFT的方法或稍后解释的所提出的基于图形小波滤波的方法来独立地处理每个通道亲-已切通道f0R;f0G f 0B 然后被连接以产生增强的图像。如第1节所述,水下图像会受到衰减、散射和色偏的影响。这些劣化产生具有模糊外观和跨图像的均匀层的水下图像。这个一致的层在整个图像中缓慢变化,并模仿低频。为了改善退化的水下图像,必须消除这些低频,这就需要使用合适的高通滤波器(HPF)。但是特沃斯HPF、高斯HPF和根滤波器是可用的HPF之一。使用所列滤波器中的每一个的仿真结果在仿真部分中呈现。所提出的方法使用根滤波[34]来修改GFT和GWT域中图像的光谱内容,并且可以探索其他滤波技术。根滤波的基本思想是将幅度谱映射成非线性的,图G定义为[19,25]单位矩阵。累积滤波器组输出^f是以下各项之和:S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010594B^Xb一BFig. 1. 图上的双通道小波滤波器组框图图二、利用所提出的方法对RGB图像进行增强在变换域中以线性方式重新分配图像能量并保持相位信息不变。这种滤波方法强调具有较小幅度的频率项,并且倾向于不强调具有较大幅度的频率众所周知,高频分量是指通常具有小幅度的边缘和纹理特征因此,这些分量与较低频率相比被突出显示,并且产生具有更好的锐度和视觉外观的图像,从而增强。首先,我们提出了一种基于GFT的方法。3.1. 基于根滤波GFT的水下图像增强除了良好的可见度和自然图像之外,还期望在水下图像中具有高对比度、锐利边缘和亮度高对比度和亮度的图像在鱼类分类和水下物体检测中至关重要[28]。我们可以通过增加给定图像信号中的高频信息来改善边缘[6]。利用GFT的底层图形结构,也可以在GFT域而不是CFT域中实现信号高频内容的这种改进所提出的方法针对这一目标的对比度和亮度增强的水下图像的基础上的GFT的输入图像。所提出的基于GFT的方法如图所示。3.第三章。由于2.1节中的GFT是针对1D信号定义的,因此输入灰度图像(fR或fG或fB)首先被转换为矢量形式fn使用列或行排序,然后使用(3)中定义的GFT进行变换。经变换的信号Fk通过根滤波器以给出Fk,其仅修改经变换的sig的幅度。而保持相位不变。因此,bFk给出为:FkjFkjexpjhkj;06a≤1 6 a这里,参数a是独立的参数,并且可以变化以获得不同的增强图像。可以基于针对给定类别的图像计算的质量度量来确定α的最佳值为了获得增强的图像,对Fk执行IGFT。来自(4)的IGFT^fn由下式给出:N-1f n F kv kn 7k¼0通过将矢量^ f n逆映射为矩阵形式,得到增强后的灰度图像f0R或f0G或f0B。通过如图2所示的组合f0R;f0G和f0B来获得RGB空间中的最终增强图像影响该方法性能的主要参数是选择合适的图结构和根过滤参数a的值。这些参数将在下一节中讨论,以及模拟结果。BS. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010595Nð Þ ð Þ ð Þð Þ ð Þ ð Þ ð ÞXð Þð ÞX图三.提出了一种基于GFT-RF的图像增强方法。3.2. 基于图小波滤波器组的水下图像增强在这一小节中,我们建议探索图形小波滤波器组,以增强给定的图像。传统的基于小波滤波器组的方法在许多信号处理应用中表现出优于传统的基于傅立叶变换的方法。这里可以证明,类似的评论将适用于GFT和图形小波滤波器组。为了实现所提出的方法,从给定的彩色图像中提取RGB颜色通道(fR; f G和f B),如图所示。 2,并转化为向量。矢量形式的每个颜色分量f n(fRn或fGn或fBn)通过N个分析图滤波器组被逐个传送,所述N个分析图滤波器组将图像向量分解成N个子带信号f1n;f2n,. . 如图所示, 四、这些子带信号具有原始信号的频谱分量,nal信号覆盖图频谱的不同区域,而不丢失顶点域特征,如下式所示:Nfn fin1/1在(8)中的分解之后,选择所有信道的最低频率分量f1,n。这些低频分量通过具有参数a(在实验基础上为每个颜色通道选择)的非线性根滤波来处理,同时保持其他子带信号不变。任何颜色通道的最低频带分量的这种非线性映射可以表示为f01njf1njaexpjh1n;06a≤19正如我们在上一节中讨论的那样,根滤波只改变信号的幅度部分,而相位部分不变。该修改后的子带信号f01n与另一个子带信号f 01n一起被修改。未改变的子带信号(a =1)通过合成滤波器组以产生^fn,并且通过将^ fn转换为矩阵形式来获得增强的颜色通道(f0R或f0G或f0B)。^ffinf01n1 01/2如图2所示,经处理的RGB通道f0R、f0G和f0B被级联以获得增强的彩色图像。可以使用预定义的小波函数之一来创建滤波器组,例如墨西哥帽小波,这可以预期会影响增强的图像质量。该方法中影响增强图像质量的主要问题是分析和综合滤波器组小波函数的选择、参数N和非线性参数α的选取。在下一节中,这些问题将通过模拟结果进行研究。4. 仿真结果和性能分析本节介绍了在MATLAB R2018b版本中执行我们已经比较了仿真结果定量和定性与国家的最先进的方法来证明所提出的算法的有效性。所提出的算法在从水下图像增强基准(UIEB)数据集[35]拍摄的各种水下图像上进行了测试,该数据集包含真实的水下图像。对于定量评价,计算了无参考度量(即熵)和两个全参考度量(即峰值信噪比(PSNR)和均方误差(MSE))[33]。见图4。 提出了一种基于GWT-RF的图像增强方法。S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010596ðÞ图五、GFT-RF方法在不同a值下的结果。见图6。给出了不同高通滤波器下基于GFT的水下图像增强算法的实验结果。从左到右:原始水下图像,使用GFT-BF方法、GFT-GF方法和GFT-RF方法获得的增强水下图像。4.1. 所提出的方法的结果和性能评价4.1.1. GFT-RF方法的仿真结果考虑到不同的图形设计,进行了几个实验,以验证所提出的方法。由于图像是二维信号,因此可以通过使用GSP工具箱[36]中的MATLAB命令"gsp 2 Dgrid“获得的2D网格图形模式来最好地表示图像每对x;y坐标-网格中的像素表示图像中存在的像素另一影响所提出方法性能的参数是根滤波参数a。RGB图像中的每个颜色通道通过使用修改其各自的幅度来单独修改。a的值取决于颜色通道,因为每个颜色通道对RGB图像有不同的贡献。用a的值进行实验表明,它在[0.7,0.9]范围内的值提供了改进的输出图像。的值在这个范围之外,输出图像质量由于低对比度而恶化,并且一些信息也丢失(可以在图中看到)。 5)。在所提出的方法中使用根滤波的功效,也已经应用了在先前部分中提到的其他HPF,如图2所示。 六、对退化后的水下图像分别采用巴特沃斯滤波器GFT(GFT-BF)、高斯滤波器GFT(GFT-GF)和根滤波器GFT(GFT-RF)进行处理使用GFT-BF和GFT-GF方法产生的图像不具有期望的视觉外观。GFT-BF方法提供相对于原始图像没有显著变化的图像,而GFT-GF方法产生比原始图像更好但具有低对比度的图像增强图像产生的使用GFT-RF方法具有令人愉悦的视觉外观和改进的对比度。来自UIEB数据集[35]的去噪水下图像在图形傅立叶域和传统傅立叶域中均得到增强观察到图像在图形傅立叶域中看起来更增强。部分结果如图所示。7.第一次会议。传统的基于傅里叶变换(CFT)的方法是模拟的,只是取代GFT与CFT在所提出的算法,而不改变的值。为了在所有图像上在两个域(傅立叶和图形傅立叶)中进行实验,选择参数a的相同范围[0.7,0.9]。在无雾外观方面,使用CFT产生的结果可能被认为比原始图像更好;然而,结果没有更好的对比度。表1中所示的结果呈现了图7中所示的图像在基于CFT和基于GFT的方法之间的熵、PSNR和MSE方面的定量比较。从表1可以看出,所提出的方法产生的输出具有比CFT域中的输出更好的值。较大的熵值表明使用所提出的方法增强的图像中的信息量较高所提出的方法的更高的PSNR和更低的MSE值从表1中也是明显的,而不是基于CFL的方法。因此,可以说在图域中表示图像可以产生更好的结果。它证明了所提出的将图像处理的根滤波方法与GSP技术相结合的方法,即,GFT方法比经典方法有更好的结果。S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010597¼¼见图7。(a至d)从左至右:原始水下图像、常规傅立叶域中的增强结果和图形傅立叶域中的增强结果。表1GFT和基于CFT的方法的客观质量比较。图像方法熵PSNRMSE(一)CFT6.918110.60715654.2GFT7.416114.77872163.8(b)第(1)款CFT6.67388.8758425.3GFT7.519922.7684343.7505(c)第(1)款CFT6.987217.51651151.9GFT7.504921.7582433.7703(d)其他事项CFT6.785212.50543652.1GFT7.538919.7614686.98074.1.2. GWT-RF的仿真结果 方法基于图小波滤波器组的所提出的方法的性能随三个因素而变化,即(i)图设计,(ii)小波的选择,小波滤波器组中分解的级数,以及(iii)根滤波参数a。由于图像是二维信号,因此可以通过使用GSP工具箱中的MATLAB命令建议的GWT-RF方法实现使用墨西哥帽小波滤波器组的分解阶段N5的数量。将滤波器组中的分解级数减少到5级以下会通常,由于模糊,识别图像中的对象变得困难。另一方面,对于大于5的N,输出图像的质量没有太大改善一个例子支持上面提到的关于N的选择的陈述可以在图1中看到。8.第八条。因此,建议在所提出的方法中使用N5此外,实验进行与其他HPFs中提到的前面的部分,看到根过滤效率在所提出的方法。图9中示出了一个仿真结果,其中示出了三个滤波组合的结果。可以看出,GWT-RF方法比其他方法产生最好的结果,并且这是比其他HPF使用根滤波的动机。根滤波参数α是另一个关键参数,影响所提出的方法的质量。使用a修改包含给定图像的低频的子带,使其他子带不变。使用命中和试验方法重复实验,以在范围[0,1]中找到随要增强的图像类型而变化的a的适当值。对于大多数图像,a的范围在[0.75,0.95]之间。在其他值,结果是不可取的(可以看出,在图。10)。考虑到上述所有参数设置的仿真结果如图所示。 十一岁从图(图11)中可以看出,所提出的方法成功地最大限度地减少了偏绿和偏白的色偏,降低了后向散射的影响,并提供了具有更好对比度的输出。此外,图像在视觉上更好,并且对象在场景中可见。4.2. 所提出的方法与最新方法的比较在本节中,我们将所提出的方法的模拟结果与几种最先进的方法进 行 比 较 。 考 虑 用 于 比 较 的方 法 是 基 于 融 合 的 ( FB ) [28] 、UDCP[37]、GDCP[38]和UIBLA[39]。此外,还将所提出的方法与传统的图像增强方法,直方图均衡(HE)[40]和对比度受限自适应直方图均衡(CLAHE)[41],以表明我们的方法优于广泛用于图像增强的传统HE方法定性观察的主要标准见图8。 从左到右:原始水下图像,N1/4、N1/4 5和N1/46的增强结果。S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010598见图9。给出了不同高通滤波器下基于GWT的水下图像增强算法的实验结果。从左到右:原始水下图像,使用GWT-BF方法,GWT-GF方法和GWT-RF方法获得的增强水下图像。见图10。GWT-RF方法在不同a值下的结果。见图11。 (a至d)从左至右:原始水下图像和GWT-RF方法的增强结果。增强后的水下图像的最大优点是能够提高对比度,消除偏色,并通过减少雾度使图像在视觉上更令人愉悦。一些测试图像的不同增强版本如图12 图12-15中的原始图像图12中的原始图像(图像1)存在偏色问题(绿色外观)。使用HE方法产生的增强图像表明,该方法加剧了色偏问题,即,呈现强烈的绿色色调。CLAHE方法在一定程度上减少了雾度;然而,S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)1010599见图12。 图像1不同增强版本的主观比较。图十三. 图像2不同增强版本的主观比较。图14. 图像3不同增强版本的主观比较。绿色偏色持续存在。使用FB方法产生的增强图像GDCP方法产生更好的图像,减少了色偏。UDCP和UIBLA方法对偏色的影响有限,并提供具有压倒性绿色调的图像。所提出的方法产生图像具有更好的视觉外观和减少的偏色。这些图像似乎比使用最先进的方法制作的其他图像更自然使用GWT-RF方法产生的图像GWT-RF方法产生S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)10105910图15. 图4不同增强版本的主观比较。具有比GFT-RF方法图像和参考图像更锐利的边缘的图像图13中所示的第二测试图像(图像2)遭受与相机和目标之间的距离相关的后向散射。图像的对比度降低,并且有雾状覆盖。可以看出,HE和GDCP方法产生过度增强的图像。CLAHE方法产生比原始图像具有更小雾度和更好对比度的更好图像。FB、UDCP和UIBLA方法产生的图像色调较暗,导致对比度较低。因此,现有技术的方法无法改善遭受后向散射的图像。使用GFT-RF和GWT-RF方法生成的图像具有改善的对比度,降低的后向散射效应,并且通过最小化雾而在视觉上令人愉悦。此外,两个图像都具有与参考图像相似的外观。图14和图15所示的第三和第四测试图像具有雾度覆盖的发白外观。由于低对比度和雾度,这样的图像使得难以区分图像中存在的对象。HE方法产生过亮图像。CLAHE方法在一定程度上消除了雾层,但图像对比度较低。FB方法也在一定程度上消除了雾,但图像的对比度不好。此外,使用FB方法获得的增强图像3具有轻微的颜色偏差。使用GDCP和UIBLA方法产生的图像具有过饱和区域和模糊。UDCP方法消除了雾度,但引入了意想不到的颜色,例如增强的图像4具有强烈的红色色调。所提出的方法去除了发白层,增强了图像中的颜色。此外,通过去除水下图像中存在的雾度来改善视觉外观。与其他增强图像相比,所提出的方法提供了与参考图像相当的结果。总之,所提出的方法基本上消除了雾从水下测试图像和撤销偏色。相比之下,其他现有的方法包括不必要的颜色或对原始图像有边际效应。图12至图15所示的增强图像的质量度量记录在表2中。通过密切比较表2中的所有质量度量,很明显,所提出的GFT-RF和GWT-RF方法在所有类型的图像的MSE和PSNR方面优于竞争方法。在熵方面,所提出的两种方法都具有与最先进的方法相当或更大的值。由于熵被定义为像素的灰度级状态,因此较大的熵值可能是由于增强图像中的强烈的、意想不到的颜色或过亮区域可以采用。最高的PSNR值和最低的MSE值证实了所提出的方法产生最小的噪声和最大的有价值的信息。这些指标也表明了从所提出的方法获得的结果图像的对比度的进展。所提出的方法的所获得的增强的结果是更好的或与各种国家的最先进的方法相媲美。还已经证明,在图域而不是空间域中执行图像增强操作给出更好的结果。因此,可以得出结论,该方法是适合于水下图像增强的GSP域。表2图像1-4的客观质量评估分别为7.8772、7.4415、7.6151和7.7566方法熵PSNRMSE图像1他5.975612.28233844.6CLAHE7.580515.21011959.2FB7.180117.91721050.4GDCP7.534814.71422196.1联合通信7.358611.18154953.7UIBLA6.283311.8164280.3GFT-RF7.416114.77872163.8GWT-RF7.830221.9018419.6596图像2他5.957311.77714318.9CLAHE7.389813.62872819.8FB6.769412.3173814GDCP7.619912.71263482联合通信6.89289.4077453.9UIBLA7.641714.78752159.4GFT-RF7.519922.7684343.7505GWT-RF7.492223.0961318.762图像3他5.959912.75123451.1CLAHE7.454814.08252540FB7.087416.69311392.4GDCP7.14228.118810028联合通信7.397819.9231661.8616UIBLA7.704114.76682169.7GFT-RF7.504921.7582433.7703GWT-RF7.444826.7986135.8998图像4他5.958417.20031239CLAHE7.22116.48381461.2FB6.931217.10521266.4GDCP7.499711.72794368.1联合通信7.678316.2621537.7UIBLA7.130514.71432196.1GFT-RF7.538919.7614686.9807GWT-RF7.477221.5637453.6401S. Sharma和T. Varma工程科学与技术,国际期刊32(2022)10105911¼5. 结论水下图像存在对比度差、偏色、模糊等问题。本文提出了用广义傅里叶变换和图小波滤波器组改善水下图像该框架的核心思想是用选定的图形结构来表示图像,并在其中应用GFT和GWT工具,GFT与根滤波(GFT-RF)相结合,参数值在0.7到0.9之间,与传统的基于傅里叶变换的根滤波技术相比,GFT-RF具有更好的性能。对于广泛使用的数据集中的大多数水下图像,基于GFT的方法通常增强图像增强的定性和定量性能指标。还可以看出,在0.75 ~ 0.95和墨西哥帽小波在提出的基于图小波滤波器组的方法中的N5提高了水下图像的增强质量。在这两种方法中,GWT-RF方法表现出更好的效果。在今后的工作中,可以将GSP工具扩展用于其他类型的滤波,以实现竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。确认作者要感谢比较论文的作者,他们提供了他们拟议工作的原始代码。引用[1] W. Wang,X. Wu,X. Yuan、Z. Gao,An experiment-based review of low-lightimage enhancement methods,IEEE Access 8(2020)87884-87917.[2] S. Vasamsetti,N.米塔尔,不列颠哥伦比亚省Neelapu,H.K.张文,基于小波变换的水下图像变分增强技术,海洋工程。141(2017)88-100.[3] R. Schettini , S. Corchs , 水下 图像 处理 : 恢 复和 图像 增强 方法 的 最新 技术 ,EURASIP J. Adv. SignalProcessing 2010(1)(2010)746052。[4] M. Yang,J. Hu,C. Li,G. Rohde,Y. Du,K.胡,水下图像增强和恢复的深入调查,IEEE Access 7(2019)123638-123657。[5] H. Lu,Y. Li,Y. Zhang,M. Chen,S. Serikawa,H. Kim,Underwater opticalimageprocessing : a comprehensive review , Mobile Networks Appl.22 ( 6 )(2017)1204-1211。[6] Y. Wang,W.宋,G.福尔蒂诺湖Z.齐,W. Zhang,中国古猿A. Liotta,基于实验的水下成像图像增强和图像恢复方法综述,IEEE Access 7(2019)140233-140251。[7] S.S. Agaian,K.潘文杰,基于变换的图像增强算法及其性能评价,北京:计算机科学出版社。10(3)(2001)367-382。[8] K. Panetta,A. Samani,S. Agaian,一种用于评估彩色图像质量的鲁棒无参考,无参数,变换域图像质量度量,IEEE Access 6(2018)10979-10985。[9] Y. Wang,X.丁河,巴西-地王健,张建,X.傅,基于小波分解的融合水下图像增强,在:2017年IEEE国际工业技术会 议 (ICIT),2017年,pp. 1013- 1018[10] G. Kaur,M.王文,基于变换域的图像增强技术研究,北京:计算机科学出版社。152(9)(2016)25-29.[11] Nabout,AA,Tibken,B.,2007.基于小波描述子的物体形状识别。AdnanAbou Nabout,Hindawi Publishing Corporation工程杂志2013年第一卷。2007年IEEE控制与自动化国际会议[12] C.J. Prabhakar,P.U.P. Kumar,使用自适应小波子带阈值的水下图像去噪,在:信号和图像处理国际会议,2010年。[13] M. Coutino,E.伊苏菲湾Leus,Advances in Distributed Graph Filtering,IEEETrans.信号处理。67(9)(2019)2320-2333。[14] A.放大图片作者:P. P. Vandergheynst,图信号处理:概述,挑战和应用,Proc. IEEE106(5)(2018)808-828。[15] D. Tian,H. Mansour,A. Knyazev,A. Vetro,Chebyshev和共轭梯度滤波器用于图 形 图 像 去 噪 , 在 : Proc. IEEE International Conference onMultimedia andExpo Workshops(ICMEW),2014。[16] J. Pang,G. Cheung,A.奥尔特加最优图拉普拉斯正则化自然图像去噪,在:Proc.IEEEInternationalConferenceonAcoustics , SpeechandSignalProcessing(ICASSP),2015。[17] Z. Wang,A.C. Bovik,H.R. Sheikh,E.P. Simoncelli,图像质量评估:从错误可见性到结构相似性,IE
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- 基于Springboot的医院信管系统
- 基于Springboot的冬奥会科普平台
- 基于Springboot的社区医院管理服务系统
- 基于Springboot的实习管理系统
- TI-TCAN1146.pdf
- 基于Springboot的留守儿童爱心网站
- S32K3XXRM.pdf
- Ansible Automation Platform 快速安装指南 v3.8.1
- Ansible Tower 发行注记 v3.8.1-76页
- C语言笔记-考研版(进阶)
- Design_of_Analog_CMOS_Integrated_Circuit20200602-85440-9wt61m-with-cover-page-v2 (1).pdf
- Ansible Automation Platform 安装和参考指南 v3.8.1-59页
- 浅析5G技术在工业互联网领域的应用研究
- 查重17 岑彩谊-基于otn技术的本地承载网-二稿 .docx
- 自考计算机应用基础知识点.doc
- 数据库系统安全、技术操作规程.doc
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功