摘要
水下光学成像作为水下智能机器人环境感知的重要途径之一，所获取的图像质量直接影响了水下视觉系统的信息感知与辨识能力。然而，水下图像受水中介质的散射与吸收作用的影响，通常存在降质问题，呈现出蓝绿色偏严重、对比度低等特点，为后续水下目标检测等任务带来了极大困难。在解决上述问题时，传统的模型无关的增强方法未能充分考虑水下成像过程中的复杂影响因素，在处理图像时存在局限性；基于模型的水下图像增强方法由于现有模型仍存在局限性，采用单一成像模型难以应用于多种水体条件下的图像增强任务，存在鲁棒性较差的问题；而基于端到端的深度学习方法则由于缺少模型引导，无法充分学习水下图像到清晰图像之间的潜在关联特征，只能处理与训练集风格特征相近的水下图像，难以泛化至多样化的水下场景。因此，本文从修正的水下光学成像模型出发，充分考虑模型参数影响，结合光学成像模型和深度神经网络的优势，实现模型参数估计和清晰场景恢复。具体研究内容如下： (1)针对现有的图像增强方法未充分考虑水下图像成像机理，在多种水下场景下缺乏鲁棒性的问题，本文提出一种基于修正成像模型的水下图像增强方法，将图像增强任务转换为模型参数的求解问题，综合考虑水下图像成像过程中不同来源的成分光的衰减，并将数据驱动的深度神经网络嵌入至参数求解过程，联合估计直接反射分量透射率、后向散射分量透射率和背景光，最终得到增强后的水下清晰场景图像。为了有效提取水下图像中的细节信息，采用双分支的编码解码网络作为透射参数估计的基础网络。 (2)针对深度学习方法的训练结果依赖于成对数据集，而成对数据集在真实场景中难以采集得到的问题，本文提出了一种基于修正成像模型的水下图像合成方法，用于合成多样化水体类型的水下降质图像，通过综合考量光的不同分量存在衰减不一致性，分析水体光学特性、相机参数、景深信息等参数对水下成像的影响，给出相关参数的赋值范围和关联性因素，模拟水下图像退化过程，生成不同水下图像风格的降质图像。在此基础上，本文建立了一个大规模水下图像合成数据集，用于有监督模型训练以及图像质量评价。 本文方法在大规模水下图像合成数据集和真实场景数据集上进行了全面地评估和验证。实验结果表明，本文方法能够有效去除因衰减造成的细节模糊、色偏效应，实现在校正水下图像颜色的同时，提升图像的细节信息与对比度，使增强后的图像具有良好的视觉效果。
NETL