水下圖像低層視覺(jué)問(wèn)題研究.pdf

1、水下圖像在水下探測(cè)中具有重要意義，通過(guò)對(duì)直觀圖像的研究可以獲得各種未知環(huán)境的信息。由于水下信道環(huán)境復(fù)雜，以及水下圖像成像設(shè)備的特性導(dǎo)致了成像結(jié)果對(duì)比度低、圖像質(zhì)量差、目標(biāo)與背景之間對(duì)比度低。水下噪聲帶來(lái)的干擾和水體內(nèi)部的不均勻特性很大程度上降低了獲取圖像的質(zhì)量。這些問(wèn)題影響了獲取圖像的可視效果，同時(shí)也對(duì)后續(xù)的目標(biāo)檢測(cè)與識(shí)別分析等工作帶來(lái)了很大困難。低層視覺(jué)處理中的圖像復(fù)原和圖像增強(qiáng)可以有效解決這些問(wèn)題。
　　本文的研究重點(diǎn)為水下圖

2、像復(fù)原和水下圖像增強(qiáng)，在分析圖像退化降質(zhì)模型的基礎(chǔ)上，圍繞傅里葉頻譜、多尺度幾何分析方法、人眼視覺(jué)特性、同態(tài)濾波、馬爾可夫隨機(jī)場(chǎng)、字典學(xué)習(xí)理論、直方圖均衡、全變分、圖像形態(tài)學(xué)方法以及它們?cè)谙嚓P(guān)圖像處理技術(shù)中的典型應(yīng)用而展開。論文的主要研究成果及創(chuàng)新性表現(xiàn)在以下幾個(gè)方面：
　?。?）針對(duì)水下模糊圖像復(fù)原問(wèn)題，闡述了圖像退化模型的基本概念，分析了包括運(yùn)動(dòng)模糊，高斯模糊，離焦模糊的不同模糊原理。討論了不同模糊類型的確定以及通過(guò)解卷積復(fù)原

3、圖像的各類方法，比較了對(duì)應(yīng)于不同模糊類型所適用的解卷積方法。同時(shí)針對(duì)點(diǎn)擴(kuò)散函數(shù)中的未知參數(shù)提出了利用拉東變換和傅里葉變換估計(jì)運(yùn)動(dòng)模糊中模糊角度和模糊長(zhǎng)度的方法以及通過(guò)傅里葉頻譜的特征確定高斯模糊與離焦模糊中的未知參數(shù)的方法，實(shí)現(xiàn)了在缺少先驗(yàn)信息下水下模糊圖像的分類復(fù)原。
　?。?）針對(duì)高斯噪聲環(huán)境下水下非相干圖像復(fù)原問(wèn)題，分析了表面波變換的原理、構(gòu)成和特性。闡述了表面波變換和視網(wǎng)膜皮層原理以及二者特性，并在此基礎(chǔ)上提出了一種將彩色

4、圖像由RGB色彩空間轉(zhuǎn)換至HSV色彩空間，利用表面波結(jié)合自適應(yīng)閾值處理飽和度分量，多尺度視網(wǎng)膜皮層方法處理亮度分量的水下圖像去噪方法。實(shí)現(xiàn)了高斯噪聲下的水下非相干圖像去噪復(fù)原。
　?。?）針對(duì)脈沖噪聲環(huán)境下水下非相干圖像復(fù)原問(wèn)題，通過(guò)研究脈沖耦合神經(jīng)網(wǎng)絡(luò)特點(diǎn)，借鑒同態(tài)濾波的概念，提出了一種基于改進(jìn)同態(tài)濾波結(jié)合簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)水下非相干圖像去噪方法。該方法引入簡(jiǎn)化脈沖耦合神經(jīng)網(wǎng)絡(luò)模型，結(jié)合中值濾波對(duì)圖像中脈沖噪聲加以濾除，同時(shí)將

5、小波變換引入同態(tài)濾波并通過(guò)同態(tài)濾波調(diào)整圖像亮度，提升復(fù)原圖像的視覺(jué)效果，實(shí)現(xiàn)了對(duì)水下非相干圖像中脈沖噪聲的去除。
　?。?）針對(duì)高斯噪聲環(huán)境下水下相干圖像復(fù)原問(wèn)題，結(jié)合專家場(chǎng)方法與核奇異值分解模型，提出一種水下相干圖像去噪復(fù)原方法。探討了專家場(chǎng)中不同參數(shù)的選取和噪聲標(biāo)準(zhǔn)差估計(jì)方法，同時(shí)該方法還采用字典學(xué)習(xí)的方式通過(guò)噪聲圖像構(gòu)建學(xué)習(xí)字典，通過(guò)核奇異值分解完成對(duì)高強(qiáng)度噪聲下水下相干圖像的去噪復(fù)原。所提出方法將確定性的方法和隨機(jī)性的方法

6、加以聯(lián)合，達(dá)到去除圖像噪聲、改善圖像視覺(jué)效果的目的。
　?。?）針對(duì)水下圖像增強(qiáng)問(wèn)題，根據(jù)對(duì)直方圖均衡算法和Retinex方法的研究，提出了一種基于最大熵的水下圖像增強(qiáng)方法。該方法將水下彩色圖像進(jìn)行 RGB色彩空間下的圖層分解，通過(guò)直方圖均衡化和Retinex分別對(duì)各圖層進(jìn)行增強(qiáng)，比較通過(guò)兩種方法增強(qiáng)后圖層的熵值并保留高熵值的圖層作為待合成圖層，最終選取熵值高的圖層分量結(jié)果合成增強(qiáng)后彩色圖像。相比于單純采用直方圖均衡或Retine