本發(fā)明涉及圖像處理
技術(shù)領(lǐng)域：
，提出了一種基于最優(yōu)化顏色修正和回歸模型的水下圖像復(fù)原方法。
背景技術(shù)：
：在人口急劇膨脹、陸地資源日益枯竭、環(huán)境不斷惡化的情況下，開(kāi)發(fā)海洋資源是一項(xiàng)影響深遠(yuǎn)，面向二十一世紀(jì)的戰(zhàn)略選擇。因此海洋信息的獲取、傳輸和處理等理論與技術(shù)的重要性更加突顯。水下圖像的視覺(jué)質(zhì)量在海洋工程應(yīng)用和科學(xué)研究中扮演著極其重要的角色，例如水下生態(tài)研究、海洋營(yíng)救、水下輸油管道泄漏監(jiān)視等應(yīng)用場(chǎng)景。由于受到特殊光照吸收和散射的影響，水下拍攝的圖像往往具有低對(duì)比度、有限的清晰度、失真的顏色等缺點(diǎn)。水下圖像的這些缺點(diǎn)嚴(yán)重影響其直接應(yīng)用于海洋工程和科學(xué)研究。因此，如何清晰化水下圖像，使其可以更好的應(yīng)用于海洋工程和科學(xué)研究已經(jīng)成為了一個(gè)研究熱點(diǎn)。對(duì)如何清晰化水下圖像這個(gè)問(wèn)題，人們主要從以下兩個(gè)方面展開(kāi)研究：圖像增強(qiáng)方法和圖像復(fù)原方法。圖像增強(qiáng)方法不依靠任何成像模型，僅僅通過(guò)改變圖像的像素值來(lái)提高水下圖像的對(duì)比度和亮度，從而提高其視覺(jué)質(zhì)量。圖像復(fù)原方法將圖像復(fù)原視為一種反問(wèn)題，通過(guò)估計(jì)成像模型參數(shù)并采用反補(bǔ)償?shù)募夹g(shù)來(lái)恢復(fù)退化的水下圖像，從而恢復(fù)其清晰度、顏色以及對(duì)比度。雖然水下圖像增強(qiáng)和復(fù)原方法已經(jīng)取得了一些成績(jī)，但增強(qiáng)和復(fù)原的結(jié)果并不十分令人滿(mǎn)意。例如，在復(fù)原方法中所使用的一些假設(shè)條件和先驗(yàn)信息在很多水下場(chǎng)景中并不適用；一些增強(qiáng)方法常常產(chǎn)生過(guò)度增強(qiáng)或者欠增強(qiáng)的結(jié)果。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提出了一種基于最優(yōu)化顏色修正和回歸模型的水下圖像復(fù)原方法，通過(guò)綜合利用最優(yōu)化理論和回歸模型，實(shí)現(xiàn)能夠有效修正水下圖像顏色偏差、解決其對(duì)比度和清晰度低、紋理和細(xì)節(jié)丟失等問(wèn)題的水下圖像復(fù)原方法。本發(fā)明提出了一種基于最優(yōu)化顏色修正和回歸模型的水下圖像復(fù)原方法，該方法包括以下步驟：步驟1、輸入原始水下圖像，建立水下圖像的水下光學(xué)成像模型；步驟2、采用基于最優(yōu)化理論的顏色修正算法，去除水下圖像的顏色偏差；步驟3、基于四叉樹(shù)分解和光學(xué)屬性估計(jì)水下圖像的全局背景光；步驟4、合成訓(xùn)練樣本、設(shè)計(jì)與吸收函數(shù)相關(guān)的特征、訓(xùn)練回歸模型，學(xué)習(xí)紅信道的吸收函數(shù)；步驟5、采用訓(xùn)練好的回歸模型估計(jì)紅信道的吸收函數(shù)，確定相機(jī)與場(chǎng)景點(diǎn)之間的距離，繼而估計(jì)出綠藍(lán)信道的吸收函數(shù)；步驟6、根據(jù)建立的水下光學(xué)成像模型，使用獲得的全局背景光、紅綠藍(lán)三個(gè)信道的吸收函數(shù)以及顏色修正的圖像，通過(guò)反變換獲得清晰的水下圖像。所述步驟1中的水下光學(xué)成像模型表示為：Ic(x)＝Jc(x)tc(x)+Ac(1-tc(x))，c∈{r,g,b}式中，Ic(x)為c信道的退化的水下圖像，Jc(x)為c信道的清晰的水下圖像，Ac為c信道的全局背景光，tc(x)∈[0,1]為吸收函數(shù)，c為r，g，b紅綠藍(lán)色信道。所述步驟2的具體流程如下：將經(jīng)過(guò)顏色修正的水下圖像表示為：f(x)CRc=f(c)c-f(x)mincf(c)maxc-f(x)minc×255=f(c)c-f(x)meanc+μc·f(x)varc2μc·f(x)varc×255]]>式中，f(c)c為輸入的c信道的待修正水下圖像，和分別為水下圖像c信道的最大顏色偏差和最小顏色偏差；水下圖像每個(gè)顏色信道(r,g,b)信道的最大顏色偏差和最小顏色偏差表示如下：f(x)maxc=f(x)meanc+μc·f(x)varcf(x)minc=f(x)meanc-μc·f(x)varc,c∈{r,g,b}]]>式中，為水下圖像c信道的平均值，為水下圖像c信道的均方差值，μc是飽和度控制參數(shù)。將標(biāo)準(zhǔn)的顏色檢測(cè)板放入水下，使用相機(jī)在不同深度的水中拍攝顏色檢測(cè)板，依據(jù)前述操作，獲得顏色修正的的水下顏色檢測(cè)板圖像定義一個(gè)代表顏色修正的c信道的水下顏色檢測(cè)板圖像與標(biāo)準(zhǔn)的c信道的顏色檢測(cè)板圖像的像素強(qiáng)度差異的能量函數(shù)E：E=Σ||f(x)CR-testc-f(x)STDc||2,c∈{r,g,b}]]>采用迭代循環(huán)求解的方式尋找使能量函數(shù)最小化的飽和度控制參數(shù)。所述步驟3的具體流程如下：采用四叉樹(shù)分解技術(shù)將一幅顏色修正后的水下圖像分解為四個(gè)矩形區(qū)域；每個(gè)矩形區(qū)域以該區(qū)域內(nèi)像素的平均值減去均方差作為該區(qū)域的分?jǐn)?shù)，可表示為：Score＝f(x)mean-f(x)var式中，Score為該區(qū)域的分?jǐn)?shù)，f(x)mean為該區(qū)域像素的平均值，f(x)var為該區(qū)域像素的均方差值，選擇具有最高分?jǐn)?shù)的區(qū)域作為候選區(qū)域；計(jì)算三信道(r,g,b)相同位置像素最小值，從而獲得最小值圖，之后計(jì)算最小值圖中大小為41×41局部區(qū)域的最小值，計(jì)算局部區(qū)域的暗通道圖，并且將暗通道圖中的像素值從大到小排序，選擇排在前0.1％的像素點(diǎn)作為候選像素點(diǎn)；在候選像素點(diǎn)位置所對(duì)應(yīng)的原始圖像像素點(diǎn)處尋找具有最大的藍(lán)色信道像素值和紅色信道像素值比值的像素點(diǎn)作為背景光。所述步驟4的具體流程如下：合成訓(xùn)練樣本的步驟具體包括：選取一幅清晰的圖像根據(jù)該圖像合成的具有模糊效果的圖像表示為：Iwaterc=tc·Jnaturec+(1-tc)·Ac,c∈{r,g,b}]]>式中，Ac為全局背景光，其默認(rèn)值為1；tc為吸收函數(shù)，隨機(jī)選取[0，1]之間的值，每個(gè)隨機(jī)的吸收函數(shù)值各產(chǎn)生一幅具有不同模糊程度的合成圖像，這里三個(gè)信道選擇相同的吸收函數(shù)值；設(shè)計(jì)與吸收函數(shù)有關(guān)的特征的步驟具體包括：所述特征包括多尺度暗道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征以及色度差異特征，其中：多尺度暗道特征Dw表示為：Dw=miny∈Ωs(x)minc∈{r,g,b}Ic(y)/Ac]]>式中，x和y表示像素位置，Ic(y)為輸入的上述合成的圖像在y位置的像素值，Ωw(x)為以x為中心大小為w×w的圖像塊，w表示圖像塊的多個(gè)尺度，文中選取w＝10,7,4,1；多尺度局部最大對(duì)比度特征Cw表示為：Cw=maxy∈Ωw(x)13|Ωs(y)|Σz∈Ωs(y)||I(z)-I(y)||2]]>式中，x，y和z表示像素位置，I(z)和I(y)分別代表在z位置和y位置的像素值，Ωw(x)為以x為中心大小為w×w的圖像塊，Ωs(y)以y位置為中心大小為s×s的區(qū)域，|Ωs(y)|是局部鄰域Ωs(y)的像素點(diǎn)總數(shù)，s固定為5，w代表多尺度，文中選取w＝10,7,4,1。多尺度局部最大飽和度特征Sw表示為：Sw=maxy∈Ωw(x)(1-minc∈{r,g,b}Ic(y)maxc∈{r,g,b}Ic(y))]]>式中，Ic(y)為輸入的上述合成的圖像在y位置的像素值；色度差異特征定義為輸入圖像與其半反轉(zhuǎn)圖像之間的色度差異，并表示為：H(I)=|Isih-Ih|]]>式中，si下標(biāo)表示半反轉(zhuǎn)圖像，h上標(biāo)表示色度，Ih為輸入圖像的色度信道，為半反轉(zhuǎn)圖像，半反轉(zhuǎn)圖像可以通過(guò)下式計(jì)算：Isic(x)=max[Ic(x),1-Ic(x)]c∈{r,g,b}]]>式中，x為圖像中像素點(diǎn)的位置，Ic(x)為x位置處的輸入的合成圖像的像素值，在為c信道的半反轉(zhuǎn)圖像；訓(xùn)練回歸模型的步驟具體包括：首先從上述步驟4中采用自然場(chǎng)景圖像合成的水下圖像中提取多尺度暗通道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征以及色度差異特征，然后在獲得的特征圖中，分別隨機(jī)提取10個(gè)大小為5×5的圖像塊，總共合成1000幅訓(xùn)練圖像，從而產(chǎn)生1000×13個(gè)特征圖，最終提取出1000×13×10大小為5×5的特征塊；最后，對(duì)于一個(gè)合成的樣本，將已知的吸收函數(shù)值和提取的13個(gè)5×5的特征塊輸入到隨機(jī)森林回歸模型中；依次類(lèi)推的將剩余的13×9個(gè)5×5的特征塊按上述方法送入到回歸模型，直到將合成的1000幅圖像對(duì)應(yīng)的吸收函數(shù)值和特征塊輸入到隨機(jī)森林回歸模型，該回歸模型訓(xùn)練完畢；學(xué)習(xí)紅信道的吸收函數(shù)的步驟具體包括：將相同位置的各個(gè)特征圖中提取的特征塊送入訓(xùn)練好的隨機(jī)森林回歸模型中，從而輸出對(duì)應(yīng)的吸收函數(shù)值；最后，依次將所有位置的特征塊全部輸入到隨機(jī)森林回歸模型中，輸出圖像所有位置的吸收函數(shù)值，此時(shí)整個(gè)紅信道所有位置的吸收函數(shù)值輸出完畢；最終輸出的吸收函數(shù)圖會(huì)出現(xiàn)塊狀偽影。所述步驟5中的具體流程如下：已知紅信道的吸收函數(shù)tr(x)的條件下，將相機(jī)與場(chǎng)景點(diǎn)之間的距離d(x)表示為：d(x)=ln(tr(x))ln(Nrer(r))]]>式中，tr(x)為紅信道的吸收函數(shù)，Nrer(r)表示紅信道的歸一化殘余能量比率；綠藍(lán)信道的吸收函數(shù)分別表示為：tg(x)=Nrer(g)d(x)=Nrer(g)ln(tr(x))/ln(Nrer(r))]]>tb(x)=Nrer(b)d(x)=Nrer(b)ln(tr(x))/ln(Nrer(r))]]>式中，tg(x)和tb(x)分別為綠色和藍(lán)色信道的吸收函數(shù)，Nrer(g)和Nrer(b)分別表示綠色信道和藍(lán)色信道的歸一化殘余能量比率。與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：1)在相關(guān)
技術(shù)領(lǐng)域：
中，本發(fā)明首次采用基于學(xué)習(xí)的框架估計(jì)水下光學(xué)成像模型的吸收函數(shù)，相較以往單純采用假設(shè)條件或者先驗(yàn)知識(shí)估計(jì)吸收函數(shù)的方法，本發(fā)明具有更的魯棒性；2)與現(xiàn)有的水下圖像顏色修正算法相比，本發(fā)明的顏色修正方法能夠更加準(zhǔn)確的恢復(fù)出水下圖像的顏色；3)本發(fā)明的一種基于分層搜索和光學(xué)屬性的水下光學(xué)成像模型的全局背景光估計(jì)方法，該估計(jì)方法可以有效的去除水中高亮目標(biāo)和懸浮顆粒對(duì)全局背景光估計(jì)的影響，具有更好的魯棒性和準(zhǔn)確性。附圖說(shuō)明圖1為本發(fā)明的一種基于最優(yōu)化顏色修正和回歸模型的水下圖像復(fù)原方法的流程圖；圖2為計(jì)算最優(yōu)化的飽和度控制參數(shù)的算法流程圖；圖3為水下圖像全局背景光估計(jì)方法的一個(gè)實(shí)例圖，其中，(a)為顏色修正的水下圖像；(b)為四叉樹(shù)分解的結(jié)果；(c)為搜索暗道圖中前0.1％最亮像素點(diǎn)的結(jié)果；(d)為搜索具有最大藍(lán)-紅像素比值像素點(diǎn)的結(jié)果；圖4為部分的合成樣本圖。具體實(shí)施方式如圖1所示，本發(fā)明提供一種基于最優(yōu)化顏色修正和回歸模型的水下圖像復(fù)原方法，其包括以下步驟：步驟1、輸入原始水下圖像，根據(jù)光學(xué)特性，建立水下圖像的水下光學(xué)成像模型步驟2、顏色修正：大量的統(tǒng)計(jì)實(shí)驗(yàn)發(fā)現(xiàn)，水下圖像每個(gè)信道的最大顏色偏差和最小顏色偏差可以表示為：f(x)maxc=f(x)meanc+μc·f(x)varcf(x)minc=f(x)meanc-μc·f(x)varc,c∈{r,g,b},]]>式中，為水下圖像c信道的平均值，為水下圖像c信道的均方差值，μc是飽和度控制參數(shù)。顏色修正的水下圖像可以采用如下方式獲得：f(x)CRc=f(c)c-f(x)mincf(c)maxc-f(x)minc×255=f(c)c-f(x)meanc+μc·f(x)varc2μc·f(x)varc×255]]>式中，f(x)為輸入的水下圖像，μc為未知參數(shù)。為了獲得有效的飽和度控制參數(shù)，本發(fā)明采用了一種基于最優(yōu)化理論的參數(shù)估計(jì)方法：通過(guò)最小化標(biāo)準(zhǔn)的顏色檢測(cè)板圖像與顏色修正的水下顏色檢測(cè)板圖像之間的像素值平方差來(lái)估計(jì)最優(yōu)化的飽和度控制參數(shù)。具體方案如下：首先，將標(biāo)準(zhǔn)的顏色檢測(cè)板放入水下，使用相機(jī)在不同深度的水中拍攝顏色檢測(cè)板。然后，定義一個(gè)能量函數(shù)E。該函數(shù)代表顏色修正的水下顏色檢測(cè)板圖像與標(biāo)準(zhǔn)的c信道的顏色檢測(cè)板圖像的的像素強(qiáng)度差異：E=Σ||f(x)CRc-f(x)STDc||2,c∈{r,g,b}]]>最后，采用迭代循環(huán)求解的方式搜索使能量函數(shù)最小化的飽和度控制參數(shù)，例如：迭代步長(zhǎng)設(shè)置為0.5，迭代范圍設(shè)置為0.5～10，具體算法流程如圖2所示。若已知需要處理的水下圖像拍攝深度，則選用與其最接近的整數(shù)深度的飽和度控制參數(shù)。若無(wú)法獲知水下圖像拍攝深度，則選用1～10米每隔1米獲取的飽和度控制參數(shù)的平均值(為了操作簡(jiǎn)單，本發(fā)明只計(jì)算1～10米水下整數(shù)深度條件下的最優(yōu)化飽和度控制參數(shù))。因?yàn)橐话闱闆r下拍攝的水下圖像往往在1-10米深度范圍內(nèi)。若拍攝深度大于10米，往往可見(jiàn)光消失，此時(shí)需要人造光源的幫助，此特殊情況不在本發(fā)明的操作范圍內(nèi)。步驟3、估計(jì)全局背景光首先一幅顏色修正的水下圖像采用四叉樹(shù)分解技術(shù)分解為四個(gè)矩形區(qū)域。其次采用每個(gè)分解出來(lái)的區(qū)域的像素平均值減去均方差作為該個(gè)區(qū)域的分?jǐn)?shù)，并選擇具有最高分?jǐn)?shù)的區(qū)域作為候選區(qū)域。然后計(jì)算候選區(qū)域的暗通道圖：先計(jì)算三通道(r,g,b)相同位置像素最小值獲得最小值圖，之后計(jì)算最小值圖中大小為41×41局部區(qū)域的最小值，并且將暗通道圖中的像素值從大到小排序，選擇排在前0.1％的像素點(diǎn)作為候選像素點(diǎn)。最后在候選像素點(diǎn)位置的原始圖像像素點(diǎn)處搜索具有最大的藍(lán)色信道像素值和紅色信道像素值比值的像素點(diǎn)作為背景光。圖3給出了本發(fā)明提出的全局背景光估計(jì)算法的一個(gè)實(shí)例。步驟4、估計(jì)吸收函數(shù)4.1、合成訓(xùn)練樣本選取一幅清晰的圖像全局背景光Ac默認(rèn)為1，隨機(jī)選取[0,1]之間的值為吸收函數(shù)tc賦值，合成的具有模糊效果的圖像可以表示為：Iwaterc=tc·Jnaturec+(1-tc)·Ac,c∈{r,g,b}]]>式中，Ac為全局背景光，其默認(rèn)值為1；tc為吸收函數(shù)，隨機(jī)選取[0，1]之間的值，每個(gè)隨機(jī)的吸收函數(shù)值各產(chǎn)生一幅具有不同模糊程度的合成圖像，這里三個(gè)信道選擇相同的吸收函數(shù)值；為了提高學(xué)習(xí)框架的學(xué)習(xí)能力，對(duì)于一幅清晰的圖像本發(fā)明為其分配10個(gè)隨機(jī)的吸收函數(shù)值，從而產(chǎn)生10幅具有不同模糊程度的合成圖像。圖4給出本發(fā)明合成的部分樣本圖。4.2、設(shè)計(jì)與吸收函數(shù)有關(guān)的特征通過(guò)實(shí)驗(yàn)，本發(fā)明設(shè)計(jì)了多個(gè)與吸收函數(shù)有關(guān)的特征：多尺度暗道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征以及色度差異特征。多尺度暗道特征可以表示如下。多尺度暗道特征Dw表示為：Dw=miny∈Ωs(x)minc∈{r,g,b}Ic(y)/Ac]]>式中，x和y表示像素位置，Ic(y)為輸入的上述合成的圖像在y位置的像素值，Ωw(x)為以x為中心大小為w×w的圖像塊，w表示圖像塊的多個(gè)尺度，文中選取w＝10,7,4,1。多尺度局部最大對(duì)比度特征Cw表示為：Cw=maxy∈Ωw(x)13|Ωs(y)|Σz∈Ωs(y)||I(z)-I(y)||2]]>式中，x、y和z表示像素位置，I(z)和I(y)分別代表在z和y位置的像素值，Ωw(x)為以x為中心大小為w×w的圖像塊，Ωs(y)以y為中心大小為s×s的區(qū)域，|Ωs(y)|是局部鄰域Ωs(y)的像素點(diǎn)總數(shù)，s固定為5，w代表多尺度，文中選取w＝10,7,4,1。多尺度局部最大飽和度特征Sw表示為：Sw=maxy∈Ωw(x)(1-minc∈{r,g,b}Ic(y)maxc∈{r,g,b}Ic(y))]]>式中，Ic(y)為輸入的上述合成的圖像在y位置的像素值。色度差異特征定義為輸入圖像與其半反轉(zhuǎn)圖像之間的色度差異，并表示為：H(I)=|Isih-Ih|]]>式中，si下標(biāo)表示半反轉(zhuǎn)圖像，h上標(biāo)表示色度，Ih為輸入圖像的色度信道，為半反轉(zhuǎn)圖像，半反轉(zhuǎn)圖像可以通過(guò)下式計(jì)算：式中，x為圖像中像素點(diǎn)的位置，Ic(x)為x位置處的輸入的合成圖像的像素值，在為c信道的半反轉(zhuǎn)圖像。在本發(fā)明中，多尺度暗道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征選用了四個(gè)尺度，即w＝10,7,4,1。4.3、訓(xùn)練和測(cè)試回歸模型訓(xùn)練階段：首先，從合成的圖像中提取多尺度暗道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征以及色度差異特征。然后，在獲得的特征圖中，分別隨機(jī)提取10個(gè)大小為5×5的圖像塊。本發(fā)明總共合成1000幅圖像，從而產(chǎn)生1000×13個(gè)特征圖，最終提取出1000×13×10大小為5×5的特征塊。最后，對(duì)于一個(gè)合成的樣本，將已知的吸收函數(shù)值和提取的13×10個(gè)5×5的特征塊分別以13×5×5的維度分10次(每次在每個(gè)特征圖中選取一個(gè)5×5的特征快)輸入到隨機(jī)森林回歸模型中。直到將合成的1000幅圖像對(duì)應(yīng)的吸收函數(shù)值和特征塊輸入到隨機(jī)森林回歸模型，該回歸模型訓(xùn)練完畢。測(cè)試階段：首先，修正輸入圖像的顏色，估計(jì)其全局背景光。接下來(lái)抽取多尺度暗道特征、多尺度局部最大對(duì)比度特征、多尺度局部最大飽和度特征以及色度差異特征。然后，將獲得的特征圖分別無(wú)重疊的分成5×5的特征塊。將相同位置的各個(gè)特征圖中提取的特征塊送入訓(xùn)練好的隨機(jī)森林回歸模型中，從而輸出對(duì)應(yīng)的吸收函數(shù)值。最后，依次將所有位置的特征塊全部輸入到模型中，輸出圖像所有位置的的吸收函數(shù)值，此時(shí)吸收函數(shù)估計(jì)完畢。由于本發(fā)明是基于塊特征計(jì)算吸收函數(shù)值，從而最終輸出的吸收函數(shù)圖會(huì)出現(xiàn)塊狀偽影。本發(fā)明采用導(dǎo)向?yàn)V波來(lái)壓縮塊狀偽影的影響。4.4、吸收函數(shù)擴(kuò)展將獲得的吸收函數(shù)值賦給輸入圖像的紅信道，接下來(lái)以相機(jī)與場(chǎng)景點(diǎn)的距離為橋梁，構(gòu)建水下圖像三個(gè)顏色信道吸收函數(shù)之間的關(guān)系。吸收函數(shù)tc(x)可以表示為：tc(x)＝exp(-pcd(x)),c∈{r,g,b}，式中，pc為總的衰減因子，d(x)是相機(jī)與場(chǎng)景點(diǎn)之間的距離。此外，吸收函數(shù)tc還可以表示為：tc(x)＝Nrer(λ)d(x)式中，Nrer(λ)表示與波長(zhǎng)λ有關(guān)的歸一化殘余能量比率。已知紅信道的吸收函數(shù)，所以相機(jī)與場(chǎng)景點(diǎn)之間的距離d(x)可以表示為：d(x)=ln(tr(x))ln(Nrer(r))]]>式中，tr(x)為紅信道的吸收函數(shù)，Nrer(r)表示紅信道的歸一化殘余能量比率。一般情況下，Nrer(λ)可以表示為如下常數(shù)：Nrer(λ)=0.8~0.85ifλ=650~750μmr(red)0.93~0.97ifλ=490~550μmg(green)0.95~0.99ifλ=400~490μmb(blue)]]>因此，綠藍(lán)信道的吸收函數(shù)可以分別表示為：tg(x)=Nrer(g)d(x)=Nrer(g)ln(tr(x))/ln(Nrer(r)),]]>tb(x)=Nrer(b)d(x)=Nrer(b)ln(tr(x))/ln(Nrer(r)).]]>本發(fā)明中，針對(duì)紅、綠、藍(lán)信道的歸一化殘余能量比率，Nrer(λ)分別取值為83％，93％和97％。步驟5、水下圖像復(fù)原將已經(jīng)獲得的全局背景光Ac、三個(gè)信道的吸收函數(shù)tc(x)、顏色修正后的水下圖像Ic(x)代入水下成型模型，c信道的清晰的水下圖像Jc(x)可以表示為：Jc(x)=1tc(x)(Ic(x)-Ac)+Ac,c∈{r,g,b}.]]>當(dāng)前第1頁(yè)1 2 3