水下图像——不平衡衰减相关文献阅读

目录

不平衡衰减

相关文献

1、Underwater Single Image Color Restoration Using Haze-Lines and a New Quantitative Dataset[1]

2、Underwater Image Enhancement by Wavelength Compensation and Dehazing[2]

3、Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration[3]

不平衡衰减

水下光的衰减是不稳定的，会随着地理位置、季节和气候等相关事件的变化而变化。

在清晰开阔的水域，最长波长的可见光首先被吸收，呈现在眼中就是蓝色的。

在近岸水域，海水中会比开阔水域包含更多的悬浮颗粒，这些悬浮颗粒会散射光线，使沿海水域看起来没有开阔水域清澈。而且，对最短波长的吸收更强，因此绿色波长到达的位置比其他波长更深。

Jerlov基于水的透明度提出了一种常用的海水分类方案[4]。Jerlov把水域类型分为 10种，其中Ⅰ、IA、IB、Ⅱ和Ⅲ用于开阔海域，1、3、5、7、9 用于沿海水域。

类型Ⅰ是最清澈的开阔水域，类型Ⅲ是最浑浊的。同样，近海水域中，1是最清澈的，9是最浑浊的。

 图1，描述了衰减系数与波长的相关性

普遍想法是红色比蓝/绿色衰减的更快，但该想法只适用于海水。

图2、红绿蓝三通道相机的光谱灵敏度[5]

红绿蓝三通道相机的峰值灵敏度分别为波长600nm、525nm和475nm。

相关文献

1、Underwater Single Image Color Restoration Using Haze-Lines and a New Quantitative Dataset[1]

https://arxiv.org/pdf/1811.01343.pdf

由于光在水中传播时的不平衡衰减，导致水下图像有颜色失真和对比度的问题。陆地图像的光谱衰减程度被认为是均匀的，而水下的衰减随波长而变化。

衰减依赖于水体本身以及场景的3D结构，这些让颜色复原变得困难。

• 不像现有的单一水下图像增强技术，我们的方法考虑了不同水类型的多个光谱剖面。由于水的类型是未知的，我们从现有的水类型库估计不同参数。每种水的类型会导致不同的恢复图像，基于颜色分布自动选择最佳结果。
• 通过仅估计两个额外的全局参数：红蓝和蓝绿通道的衰减系数，所有的颜色通道拥有相同的衰减系数，问题被简化成单幅图像去雾。
• 我们收集了在不同地点拍摄的具有不同水属性的图像数据集，并在场景中展示了彩色图表。为了获得地面实况，我们基于立体成像技术计算了场景的 3D 结构。该数据集能够对自然图像上的恢复算法进行定量评估。

2、Underwater Image Enhancement by Wavelength Compensation and Dehazing[2]

https://image.cse.nsysu.edu.tw/ServerPaper/1000/Underwater%20Image%20Enhancement%20by%20Wavelength%20Compensation%20and%20Dehazing.pdf

光的散射和颜色变换是水下图像失真的两大原因。

光的散射是入射到物体上的光在到达相机前，被水中的粒子多次反射和偏转引起的。水中粒子的反射和偏转会降低捕捉到的图像的可见度和对比度。

颜色变化对应于不同波长的光在水中传播时遇到的不同程度的衰减，从而呈现出以蓝色为主的水下环境。

目前没有成熟的水下图像处理技术可以处理水下图像捕获时遇到的光散射和颜色变化失真问题，以及同时可能存在的人工照明干扰。

所以本文提出了一个系统的去雾算法增强水下图像，补偿传播路径上的衰减差异，同时考虑可能存在的人造光源的影响。

• 估计深度图，即物体和相机之
• 比较前景和背景的光线强度，来确定图像捕捉过程中是否使用了人造光源
• 补偿人造光源的影响，修正水下传播路径到相机过程中的雾化现象和波长衰减差异。
• 计算背景光中不同颜色通道的剩余能量比，来估计图像场景中的水深。
• 根据每个光波长对应的衰减量，进行色彩变化补偿，恢复色彩平衡。

3、Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration[3]

https://arxiv.org/abs/2106.07910

光在水下的不平衡衰减会引起图像低对比度、颜色失真等问题

由波长变化引起的衰减会导致颜色的不对称传播

虽然前人在水下图像复原中的工作使用了深度学习，但以上提到的非对称性还是没有被之前代表性的网络工程解决。

所以本文的第一个创新点是基于通道的传播范围选择相应的感受野，可能对于水下图像复原任务会产生重要的效果。而且，这样可以抑制不相干的多语义特征，提升模型的表现。

第二个创新点是在模型中结合了一个跳过机制，可以自适应性的调整学习到的多语义特征。

[1]D. Berman, D. Levy, S. Avidan, and T. Treibitz, “Underwater single image color restoration using haze-lines and a new quantitative dataset,” IEEE Transactions on Pattern Analysis and Machine Intelligence, pp. 1–1, 2020.

[2]J. Y. Chiang and Y. Chen, “Underwater image enhancement by wavelength compensation and dehazing,” IEEE Transactions on Image Processing, vol. 21, no. 4, pp. 1756–1769, 2012.

[3]Sharma P K, Bisht I, Sur A. Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration[J]. arXiv preprint arXiv:2106.07910, 2021.

[4]N. G. Jerlov, Marine optics. Elsevier, 1976, vol. 14.

[5]J. Jiang, D. Liu, J. Gu, and S. Susstrunk, “What is the space of spectral sensitivity functions for digital color cameras?” in Proc. IEEE Workshop Applications of Computer Vision (WACV), 2013, pp. 168–179.What is the space of spectral sensitivity functions for digital color cameras? | IEEE Conference Publication | IEEE Xplore