[发明专利]一种水下主动光学影像色彩校正方法

说明书

本发明公开了一种水下主动光学影像色彩校正方法，针对水下光学图像的特殊性，引入通道预补偿，对图像做基于引导滤波的多尺度Retinex增强处理，进一步精细化估计照射分量，有效校正了水下图像的色偏问题，还原图像真实色彩，具有良好的适应性和实用性，增强效果明显，可广泛适用于水下图像的色彩校正；在变换过程中，依据图像自身的特性自动计算相关变换参数，从而保证了本发明方法对不同图像的适应性。

技术领域

本发明涉及图像增强技术领域，尤其是一种水下主动光学影像色彩校正方法。

背景技术

由水下成像过程中于水对不同波长光线吸收程度不同，水下图像与大气成像图像之间会有很大的差异。在水下环境中，由于海水对光的衰减与波长有关，短波散射相对较强而吸收相对较弱，长波散射相对较弱但吸收较强，图像中红色分量严重损失，这是造成水下光学图像颜色畸变的主要因素，导致水下光学图像的色彩一般呈蓝绿色调。因而，对水下图像色彩校正算法研究有助于优化水下图像视觉效果，提高水下观测效率，对水下勘探及后续应用有重要意义。

目前已经发展了直方图变换、Retinex理论、深度学习等多种方法。直方图变换法具有算法简便、效率高等优势，通过设定直方图灰度变换函数，使得直方图具有特定分布，从而改善图像质量。虽然对水下图像视觉质量有所改善，但由于某些区域的过度增强常常会出现明显的伪影区域，放大图像中的噪声。以Retinex理论从观察图像中分离出照射分量和反射分量，或者根据具体的处理目标和需求通过消除光照的影响，改变光照分量与反射分量之间的关系，从而特定地增强图像。虽然Retinex理论对图像整体亮度、对比度有一定提升，但是恢复的图像往往存在光晕、不自然等问题。卷积神经网络在图像增强领域取得理想的效果。学者将神经网络把水下降质图像到复原图像端到端的网络映射，并取得了不错的增强结果。但是由于水体环境特性多样，在处理特定问题时训练模型泛化能力不强，无法获得可靠的复原图像。由于网络训练需要大量的数据样本，水下环境难以获得质量较高、数据量丰富的数据集用于训练。

发明内容

本发明所要解决的技术问题在于，提供一种水下主动光学影像色彩校正方法，能够有效还原水下表面地物的颜色，使其更贴近自然场景的地貌色彩风格。

为解决上述技术问题，本发明提供一种水下主动光学影像色彩校正方法，包括如下步骤：

步骤1：统计输入图像I(x，y)分离得到的各通道I_R(x，y)、I_G(x，y)、I_B(x，y)灰度均值采用下式计算通道补偿增益

其中，表示待校正通道的灰度均值，c∈{R，G，B}；

步骤2：选取绿通道图像为参考，利用图像本身信息建立了通道间的自适应补偿关系；

步骤3：以W_k为滤波窗口，设补偿后的单通道图像I′_c为待处理图像p_i，输入通道图像I_ci为引导图，q_j为输出图像，a_k，b_k均为滤波窗口内待求的系数变量，计算公式如下

其中|W_n|为局部窗口W_k中的像素点总个数，μ_k和分别是平均值和方差，由在局部窗口W_k内计算引导图得到，是输入图像p_i在局部窗口的平均值；

步骤4：通过系数a_k，b_k、输入图像p_i和引导图I_ci，得到引导滤波后的输出图像q_c，计算公式如下

步骤5：根据Retinex理论，计算基于引导滤波的光照估计量；