基于深度学习和成像模型的水下图像增强
- 前言
- 介绍
- 物理成像模型
- 光学成像原理
- 数学公式
- 深度学习方法
- Backscatter Estimation Module（反向散射估计模块）
- Direct-transmission Estimation Module（直接传输估计模块）
- 训练方法
前言
现在的主要挑战是水下机器人捕获的图像颜色失真。水下图像的色调往往接近绿色和蓝色。 另外，对比度低，细节模糊。本文提出了一种基于深度学习和成像模型的水下图像增强新算法，实验结果表明，该方法的优点是消除了水下环境因素的影响，丰富了色彩，增强了细节，帮助特征关键点点匹配获得更好的结果。
介绍
由于各种环境因素的影响，水下图像的质量通常较低。 一方面，整体色彩以绿色和蓝色为主； 另一方面，对比度低，细节模糊。
水下图像和雾化图像的物理成像模型有很多相似之处，光传输受到空气或水中颗粒散射的影响，导致进入相机的光线与物体本身反射的光线不同，从而降低捕获的图像质量。 研究人员将雾化图像的物理成像模型直接应用于水下图像，提出了多种水下图像色彩校正方法。然而，光在水中的传播与在大气中的传播不同，现有的成像模型没有考虑不同波长光的散射效果的差异。
通过大量的真实水下实验，对现有模型的衰减系数进行修改，提出了修正的水下成像模型。
大多数现有方法都是基于近似成像模型，**现有的基于深度学习的方法忽视了图像形成模型，**这导致模型结构复杂并使训练过程更加困难。其他一些基于深度学习的方法合并了图像形成模型，但对其进行了简化，这可能导致图像增强效果不显著。
本文通过结合最近提出的修正图像形成模型改进现有的基于深度学习的图像增强方法，提出了一种新的水下图像增强方法。 该方法由反向散射估计模块和直接传输估计模块组成，两者都是使用卷积神经网络实现的。 这两个模块的输出与输入图像一起被输入重建模块以获得增强的水下图像。 在构建神经网络时，使用参数修正线性单元（PReLU）和扩张卷积来提高拟合能力。
物理成像模型
光学成像原理
在水下环境拍照时会收到很多因素的影响，比如光吸收、光折射和光散射。光穿过水会被吸收，并且对不同波长的光的吸收程度不同。
水下图像的光学成像模型由两部分光源信息组成
