Resumen: La función de dispersión de puntos y la función de transferencia de modulación del agua de mar se miden utilizando la teoría de transmisión de imágenes, y la imagen borrosa se restaura mediante el filtrado de Wiener. La ecuación de degradación H(u, v) se mide en el tanque de agua. En los experimentos se utilizaron imágenes de hendiduras y fuentes de luz. El primer paso: irradiar luz unidimensional en el agua para obtener datos de imagen de hendidura a diferentes distancias y luego desconvolucionar para obtener la función de dispersión del punto de agua de mar unidimensional. Debido a la simetría de la función de dispersión de puntos, también se puede obtener un modelo de función bidimensional utilizando métodos matemáticos. También se puede obtener modulando la función de transferencia de manera similar. De esta forma se puede obtener la ecuación de transmisión:
La imagen se puede obtener mediante la siguiente fórmula:
?
Resumen: Este artículo propone que el efecto de degradación de las imágenes submarinas bajo iluminación natural está relacionado con la polarización de la luz, mientras que el cuadro efectivo de la escena no tiene nada que ver con la polarización de la luz. Instale un polarizador ajustable en la lente de la cámara y use diferentes ángulos de polarización para crear dos imágenes de la misma escena. La luz de fondo en las imágenes resultantes será significativamente diferente. Mediante el análisis del modelo físico de imágenes, se puede recuperar la radiancia efectiva de la escena utilizando estas dos imágenes y el grado de polarización estimado. También propuso métodos de visión por computadora para efectos de degradación en videos submarinos. Al analizar las razones físicas de la disminución de la claridad, se descubre que está relacionada principalmente con la polarización parcial de la luz. Luego se propone un método de imagen inverso para restaurar la visibilidad. El método se basa en recoger imágenes a través de varios polarizadores con diferentes direcciones de polarización.
Resumen: Se propone un método de restauración de imágenes submarinas basado en filtrado adaptativo. Al optimizar la función de decisión de calidad del contraste local de la imagen, se pueden estimar los valores de los parámetros utilizados en el filtro.
Se propone un filtro de restauración de imágenes autocorrector basado en el modelo simplificado de imágenes submarinas de Jaffe-McGlamery. Estima automáticamente los valores óptimos de los parámetros del filtro optimizando criterios de calidad en función del contraste global de cada imagen. (Para un filtro de imagen, los valores óptimos de los parámetros se pueden estimar automáticamente en función del contraste global). El modelo simplificado es muy adecuado para imágenes de luz difusa con menos retrodispersión. 1. Primero, simplifique el modelo de imágenes submarinas de Jaffe-McGlamery: suponiendo una iluminación uniforme (luz solar directa en aguas poco profundas) e ignorando la parte de retrodispersión. Luego se diseña un filtro inverso simple basado en el modelo de imágenes simplificado. 2. Diseñe el filtro como un filtro adaptativo.
Resumen: este artículo brinda información detallada y precisa sobre la función del sistema de la función de transferencia de modulación, que se puede utilizar para la restauración de imágenes submarinas. El autor obtuvo estas funciones midiendo experimentalmente parámetros de calidad del agua y utilizó las funciones obtenidas para restaurar la imagen. Al mismo tiempo, también estableció un marco para restaurar imágenes submarinas en la mayor medida posible. Bajo este marco, se amplía el método tradicional de restauración de imágenes y se agregan parámetros ópticos submarinos, especialmente la función de dispersión de puntos en el dominio del tiempo y la función de transferencia de modulación en el dominio de la frecuencia. Se diseñó una medida objetiva de la calidad de la imagen adaptada a las propiedades ópticas del entorno para medir la eficacia de la restauración.
Resumen: La función de transferencia de modulación brinda información detallada y precisa sobre la función del sistema, y las imágenes submarinas se pueden restaurar usando esta función o la función de dispersión de puntos. El autor obtuvo estas funciones midiendo experimentalmente parámetros de calidad del agua y utilizó las funciones obtenidas para restaurar la imagen. (Esta parte se presenta en detalle en el artículo de Wang Zitao).
Introducción: recuperación de imágenes regularizadas en medios dispersos. Los métodos de restauración basados en razones físicas son difíciles de eliminar el ruido y tienen una baja transmitancia. Este artículo propone un método de filtrado adaptativo que puede mejorar significativamente la visibilidad y suprimir la amplificación del ruido. En esencia, la regularización del método de restauración es adecuada para cambiar la transmitancia del medio, por lo que esta regularización no desdibujará el objetivo de corto alcance.
Resumen: Se propone un método de evaluación de la nitidez de la imagen basado en la ponderación del ángulo prescrito del gris del borde. Primero, realice la descomposición de ondas en la imagen para eliminar algo de ruido aleatorio y aumentar la posibilidad de detección de bordes. La nitidez de cada borde se determina mediante un método de análisis de regresión basado en la tangente del ángulo del nivel de gris para determinar la pendiente y la posición entre los valores de gris de los píxeles del borde. La nitidez de toda la imagen es el promedio de los detalles de descomposición de primer nivel de cada GSA medido, como la potencia total de la imagen y, finalmente, el ancho del borde adaptativo por la variación del ruido de la imagen.
Resumen: Se propone una tecnología de procesamiento de imágenes submarinas con iluminación artificial basada en polarización activa.
En imágenes submarinas bajo iluminación artificial de gran campo de visión, se instala un polarizador ajustable en el extremo de la fuente de luz o en el extremo de la cámara. Ajustando el polarizador de la fuente de luz o de la cámara, es posible capturar dos o más imágenes de la misma escena simultáneamente y estimar la polarización de la luz de fondo a partir de las dos imágenes. Combinado con el modelo físico de imágenes submarinas, se puede restaurar la imagen y estimar la información tridimensional de la escena. Este método es simple de operar y tiene un equipo simple, y es adecuado para obtener imágenes de objetivos de dibujo bajo el agua.
Se estudió el proceso de obtención de imágenes bajo una amplia gama de condiciones de iluminación artificial. Sobre la base de este modelo de imágenes, se propone un método para restaurar la señal objetivo y se obtiene una estructura de escena tridimensional aproximada. Esta cámara está equipada con un polarizador. Utilizando los diferentes estados del analizador o polarizador de la fuente de luz, se recopilan dos imágenes de la misma escena en tiempo real y luego las imágenes recopiladas se procesan mediante algoritmos. Unifica y amplía los métodos basados en polarización propuestos previamente. La retrodispersión se puede reducir mediante técnicas de polarización y los autores utilizan el posprocesamiento de imágenes para eliminar la retrodispersión restante. Al mismo tiempo, se hizo una estimación aproximada de la estructura de la escena tridimensional. Innovación: algunos métodos anteriores creían que se puede ignorar el grado de polarización de la luz reflejada del objetivo (es decir, solo se polariza la luz retrodispersada; otros creían que se puede ignorar el grado de polarización de la luz retrodispersada (es decir, solo el objetivo); la luz reflejada está polarizada). El autor cree que ambas son luz parcialmente polarizada.
Resumen: Estime la forma de la superficie del agua y recupere simultáneamente escenas 2D bajo el agua sin utilizar ningún modo estándar, imágenes previas, vistas múltiples o iluminación activa. La atención se centra en establecer un modelo compacto de distorsión espacial utilizando la ecuación de onda de la superficie del agua. Sobre la base de este modelo, se propone una nueva tecnología de seguimiento que resuelve principalmente la falta de un modelo objetivo y los complejos cambios de apariencia de las ondas de agua. La información de texto y textura se recupera eficazmente en escenas reales y simuladas.
Resumen: Se propone un algoritmo previo de canal oscuro para restaurar imágenes nubladas. El canal oscuro anterior es una estadística matemática de una serie de imágenes exteriores sin neblina. La mayoría de los parches basados en la observación de imágenes sin neblina en exteriores contienen píxeles de baja intensidad en al menos un canal de color. Utilizando estos antecedentes en imágenes borrosas, se puede estimar directamente el espesor de la niebla, restaurarla a una imagen libre de neblina de alta calidad y obtener un mapa de profundidad de alta calidad.
Introducción: Este artículo realiza un estudio comparativo del algoritmo R-L, el método de mínimos cuadrados y el método de iteración multiplicativa en el algoritmo de deconvolución ciega. Aplicando la eliminación de ruido de imágenes submarinas y la teoría de aproximación de ángulo pequeño de Wells, se deriva la función de distribución de puntos. Al implementar la teoría de dispersión de ángulo pequeño de Wells y el método de métrica de desenfoque, se comparan tres algoritmos de deconvolución ciega para determinar el número total de iteraciones y los mejores resultados de recuperación de imágenes. A través de la comparación, se puede concluir que el método de mínimos cuadrados tiene la tasa de recuperación más alta, pero la velocidad de iteración de la multiplicación es la mejor.
Resumen: Se proponen los métodos de función de dispersión de puntos (PSF) y función de modulación (MFT) para la restauración de imágenes submarinas, y se aplica la teoría de aproximación de ángulos pequeños basada en Wells para mejorar la imagen. Este artículo analiza las causas de la degradación de la imagen submarina y utiliza el método de pulso controlado por rango en sistemas de imágenes láser ultrarrápidos para reducir el ruido adicional en la retrodispersión. Este artículo analiza el patrón de ruido básico de la imagen, primero utiliza el filtrado medio aritmético para eliminar el ruido de la imagen y luego utiliza el valor ideal de la función de dispersión del punto inicial de la imagen sin ruido para obtener un mejor efecto de restauración. Este artículo cree que el uso correcto de funciones de dispersión de puntos y funciones de modulación y demodulación en algoritmos de deconvolución ciega es de gran importancia para la restauración de imágenes submarinas.
Resumen: Este artículo propone un nuevo método de restauración de imágenes que no requiere hardware especial, condiciones submarinas ni estructuras de conocimiento existentes. Es un marco de fusión que utiliza la transformada wavelet para respaldar la coherencia temporal entre fotogramas adyacentes y también es un método eficaz de eliminación de ruido. Esta mejora de imagen se caracteriza por niveles de ruido reducidos, mejor exposición de áreas oscuras, contraste global mejorado y detalles y prominencia de bordes mejorados. Este algoritmo no utiliza información complementaria y solo procesa imágenes degradadas de entrada sin eliminar ruido. Las tres entradas provienen principalmente del cálculo del balance de blancos de la imagen de entrada y la versión mejorada de min-max. La conclusión demuestra que el efecto de restauración del método de fusión y transformación wavelet es mejor que el efecto de restauración de eliminar directamente la neblina de la imagen degradada bajo el agua.
Introducción: este artículo es un artículo completo.
Este artículo presenta: 1. Sistema de imágenes ópticas submarinas, métodos de restauración de imágenes (resumen de varios métodos de restauración de imágenes), métodos de mejora de imágenes y corrección de color, problemas ópticos.
Resumen: Apuntando al problema de que los métodos ordinarios de procesamiento de imágenes subacuáticas no son adecuados para campos de luz subacuáticos no uniformes, se propone un método para la restauración de imágenes de campos de luz subacuáticos no uniformes basado en áreas profesionales. El algoritmo tiene en cuenta la eliminación de ruido y la compensación de color. En comparación con los algoritmos ordinarios de restauración y mejora de imágenes submarinas, la claridad y fidelidad del color obtenidas con este método pasaron la evaluación visual y la puntuación de evaluación de calidad también fue más alta.
Resumen: Basado en la relación entre la atenuación de las imágenes submarinas y la longitud de onda de la luz, se propone un método de restauración del canal R para restaurar los colores de longitud de onda corta, que puede restaurar las imágenes submarinas de bajo contraste a lo esperado. Este método de recuperación del canal R puede considerarse como una variante del método anterior del canal oscuro para imágenes de niebla en la atmósfera. Los experimentos muestran que este método se aplica bien en el campo de la iluminación artificial, mejorando la corrección del color y la visibilidad.
Resumen: El autor estudia y resume varios algoritmos de mejora y restauración de imágenes submarinas e introduce sus propios métodos para mejorar la calidad de las imágenes submarinas. El autor utilizó filtrado homomórfico, eliminación de ruido de ondas, filtrado bilateral y ecualización de contraste en secuencia. En comparación con otros métodos, este método mejora eficazmente la visibilidad de los objetivos submarinos.
Resumen: Este artículo utiliza un modelo de degradación de turbulencia para guiar imágenes de degradación de turbulencia submarina por múltiples causas basadas en criterios de calidad. En referencia al algoritmo de restauración de imágenes de turbulencia atmosférica, se ignora la influencia de la sal y solo se considera la influencia de la turbulencia causada por la fluctuación del cuerpo de agua en las imágenes submarinas. Se emplea un criterio de medición de anisotropía media adaptativa para recuperar imágenes submarinas. Después de la verificación, el método STOIQ es superior al método de restauración biespectral.
Resumen: Se propone un nuevo método para mejorar el contraste de la imagen y reducir el ruido de la imagen, que combina histogramas de imagen corregidos en modelos de color RGB y HSV. En el canal RGB, el canal azul en el histograma dominante se extiende hasta el canal de bajo nivel con un máximo de 95, y el canal de bajo nivel en el canal RGB, el canal rojo, se extiende hasta el nivel superior con un mínimo de 5. Todo el procesamiento en el modelo de color RGB satisface la distribución de Rayleigh. Convertir el modelo de color RGB al modelo de color HSV, modificando los parámetros de S y V con valores máximo y mínimo de 1. Este método reduce el ajuste insuficiente y excesivo de la imagen de salida y mejora el contraste de la imagen submarina.
Resumen: Basado en el modelo J-M simplificado, se propone un algoritmo eficaz de restauración de imágenes submarinas. Este artículo define el canal R, deriva y estima la luz de fondo y la transformación. La visibilidad de la escena se compensa con la profundidad y se restaura el color entre el fondo y el objetivo. Al analizar las características físicas del PSF, se propone un filtro de paso bajo simple y efectivo para eliminar el desenfoque. El marco del trabajo es el siguiente: 1. Redefina el canal oscuro antes de estimar la luz y la variación del fondo, y recupere los colores distorsionados normalizando la transformación en cada canal de RGB. 2. Según el rendimiento de PSF, seleccione la luz que no se haya dispersado y procésela con un filtro de paso bajo para mejorar el contraste y la visibilidad de la imagen.
Introducción: Este artículo proporciona una revisión de la restauración y mejora contemporáneas en el procesamiento de imágenes submarinas. El autor profundiza en los supuestos del modelo y la clasificación de los dos métodos, y analiza sus respectivas ventajas, desventajas y escenarios aplicables.
Referencia:
/Zheng lab/restauración de imágenes bajo el agua/árbol/master/mejora de 20 imágenes bajo el agua 20