수중 이미지 복원 논문 요약 및 정리

다이제스트: 이미지 전송 이론을 사용하여 해수의 점 확장 및 변조 전송 함수를 측정하고 비너 필터를 사용하여 흐릿한 이미지를 복원합니다. 퇴화 방정식 H(u, v) 는 싱크대에서 측정됩니다. 슬릿 이미지와 광원이 실험에 사용되었습니다. 첫 번째 단계: 1 차원 빛을 물에 비춰 서로 다른 거리의 슬릿 이미지 데이터를 얻어서 역컨볼 루션 1 차원 해수점 확산 함수를 얻습니다. 점 확산 함수의 대칭성으로 인해 수학적 방법으로도 2 차원 함수 모형을 얻을 수 있습니다. 전달 함수를 유사한 방식으로 변조하여 얻을 수도 있습니다. 이렇게 하면 전송 방정식을 얻을 수 있습니다.

이 이미지는 다음 공식을 통해 얻을 수 있습니다.

-응?

요약: 본 논문에서는 자연 조명 하에서 수중 이미지의 퇴화 효과가 광편광과 관련이 있다고 제안하고, 장면의 유효 박스 촬영은 광편광과 무관하다. 카메라 렌즈 끝에 조절 가능한 편광경을 설치하고, 서로 다른 편광각으로 같은 장면의 두 이미지를 만들면, 결과 이미지에서 백라이트가 눈에 띄게 달라질 수 있다. (데이비드 아셀, Northern Exposure (미국 TV 드라마), 카메라명언) 이미징 물리적 모델의 분석을 통해 두 이미지와 추정된 편광도를 사용하여 효과적인 장면 방사선을 복원할 수 있습니다. 그는 수중 영상에서 퇴화 효과를 내는 컴퓨터 시각 방법도 제시했다. 선명도가 떨어지는 물리적 원인을 분석해 보면 주로 빛의 부분 편광과 관련이 있다는 것을 알 수 있다. 그런 다음 가시성을 복구하기 위한 역이미징 방법을 제시했습니다. 이 방법은 편광 방향이 다른 여러 편광기를 통해 이미지를 수집합니다.

요약: 어댑티브 필터를 기반으로 하는 수중 이미지 복원 방법이 제시되었습니다. 이미지 로컬 대비 품질 결정 함수를 최적화하여 필터에 사용된 매개변수 값을 추정할 수 있습니다.

단순화된 Jaffe-McGlamery 수중 이미징 모델을 기반으로 하는 자체 조정 이미지 복원 필터가 제시되었습니다. 이미지당 전역 대비 최적화 품질 표준을 기준으로 필터의 최적 매개변수 값을 자동으로 추정합니다. (이미지 필터의 경우 전역 대비를 기준으로 최적의 매개변수 값을 자동으로 추정할 수 있습니다.) 모형 단순화는 후방 산란이 적은 분산 라이트 이미징에 적합합니다. 1. 먼저 Jaffe-McGlamery 수중 이미징 모델을 단순화합니다. 즉, 조명이 균일하다고 가정합니다 (얕은 물 직사광선). 후방 산란 부분은 무시됩니다. 그런 다음 단순화된 이미징 모델을 기반으로 간단한 역필터를 설계합니다. 필터를 적응 형 필터로 설계하십시오.

요약: 이 문서에서는 수중 이미지 복원에 사용할 수 있는 상세하고 정확한 변조 전달 함수에 대한 시스템 함수 정보를 제공합니다. 저자는 실험을 통해 수질 매개 변수를 측정하여 이러한 함수를 얻고 결과 함수를 사용하여 이미지를 복원합니다. 동시에, 그는 수중 이미지를 최대한 복원할 수 있는 틀을 세웠다. 이 프레임워크에서는 기존의 이미지 복구 방법을 확장하여 수중 광학 매개변수, 특히 시간 영역의 점 확산 함수와 주파수 영역의 변조 전달 함수를 추가했습니다. 환경의 광학 특성에 따라 조정된 객관적인 이미지 품질 측정 기준을 설계하여 복원의 유효성을 측정했습니다.

요약: 변조 전달 함수는 수중 이미지를 복구하는 데 사용할 수 있는 상세하고 정확한 시스템 함수 정보를 제공합니다. 저자는 실험을 통해 수질 매개 변수를 측정하여 이러한 함수를 얻고 결과 함수를 사용하여 이미지를 복원합니다. 이 부분은 왕자 타오의 논문에 자세히 소개되어 있다. ) 을 참조하십시오

소개: 산란 매체에서의 정규화 된 이미지 복원. 물리적 원인에 기반한 복구 방법은 노이즈를 제거하기 어렵고 투과율이 낮습니다. 이 문서에서는 가시성을 크게 높이고 노이즈 확대를 억제하는 어댑티브 필터 방법을 제시합니다. 본질적으로 복원 방법의 정규화는 미디어의 투과율을 변경하는 데 적합하므로 이 정규화는 단거리 목표를 흐리게 하지 않습니다.

요약: 가장자리 그레이스케일의 각도 가중치를 기준으로 이미지 선명도 평가 방법을 제시했습니다. 먼저 이미지를 소파 분해하여 임의 소음을 제거하고 가장자리 감지 가능성을 높입니다. 각 가장자리의 선명도는 그레이스케일 각도를 기준으로 탄젠트의 회귀 분석 방법에 의해 결정되어 가장자리 픽셀의 그레이스케일 값 사이의 기울기와 위치를 결정합니다. 전체 이미지의 선명도는 측정된 각 GSA 의 1 차 분해 세부 사항의 평균으로, 이미지의 총 전력으로, 마지막으로 이미지 노이즈 분산을 통해 가장자리 폭을 적응시킵니다.

다이제스트: 능동 편광을 기반으로 한 인공 조명 수중 이미지 처리 기술이 제시되었습니다. 넓은 시야 인공 조명 아래 수중 영상에서 광원 끝 또는 카메라 끝에 조정 가능한 편광경을 설치합니다. 조명 또는 카메라의 편광기를 조정하여 동일한 장면의 두 개 이상의 이미지를 동시에 촬영하고 두 이미지에서 배경 라이트의 편광을 추정할 수 있습니다. 수중 이미징의 물리적 모델과 결합하여 이미지를 복원하고 장면의 3D 정보를 추정할 수 있습니다. 이 방법은 조작이 간단하고, 설비가 간단하며, 수중 페인트 대상의 이미징에 적합하다.

광범위한 인공 조명 조건에서 이미징 과정을 연구했습니다. 이 이미징 모델을 기반으로 대상 신호를 복구하는 방법을 제안하고 대략적인 3D 장면 구조를 얻을 수 있습니다. 이 카메라에는 편광기가 설치되어 있다. 검편기 또는 광원 편광판의 다양한 상태를 이용하여 같은 장면의 사진 두 장을 실시간으로 수집한 다음 알고리즘을 사용하여 수집된 사진을 처리합니다. 이전에 제안한 편광 기반 접근 방식을 통합하고 확장합니다. 편광 기술을 사용하면 후방 산란을 줄일 수 있고, 작가는 이미지 후처리를 이용하여 나머지 후방 산란을 제거할 수 있다. 또한 3D 장면의 구조를 대략적으로 추정했습니다. 혁신: 이전의 일부 방법에서는 목표 반사광의 편광도를 무시할 수 있다고 생각했습니다 (즉, 후방 산란만 편광입니다). 후방 산란의 편광도는 무시할 수 있다고 생각하는 사람들도 있습니다 (즉, 대상의 반사광만 편광할 수 있음). 저자는 둘 다 부분 편광이라고 생각한다.

요약: 표준 모드, 이미지 선험적, 다중 뷰 또는 활성 조명을 사용하지 않고 수면 모양을 추정하고 수중 2D 장면을 동시에 복원합니다. 요점은 수면 파동 방정식을 이용하여 컴팩트한 공간 왜곡 모델을 만드는 것이다. 이 모델을 기반으로 대상 모델의 부족과 파동의 복잡한 모양 변화를 주로 해결하는 새로운 추적 기술이 제시되었습니다. 시뮬레이션과 실제 장면에서 텍스트 및 텍스처 정보가 효과적으로 복원되었습니다.

요약: 안개 이미지를 복구하기 위한 어두운 채널 선험적 알고리즘이 제시되었습니다. 어두운 통로는 선험적으로 일련의 실외 안개 없는 이미지에 대한 수학 통계이다. 관찰된 실외 안개 없는 이미지를 기반으로 하는 대부분의 패치는 하나 이상의 색상 채널에 강도가 낮은 픽셀을 포함합니다. 안개 이미지에서 이러한 선험적 사용을 통해 안개의 두께를 직접 추정하고 고품질의 안개 없는 이미지로 복원하여 고품질의 깊이 맵을 얻을 수 있습니다.

소개: 이 문서에서는 블라인드 디콘 볼 루션 알고리즘의 R-L 알고리즘, 최소 평방 및 곱셈 반복 방법을 비교합니다. 수중 이미지 노이즈 제거와 Wells 소각 근사화 이론을 적용하여 점 분포 함수를 유도했습니다. Wells 의 작은 각도 산란 이론과 흐림 측정 방법을 구현함으로써 세 가지 블라인드 디콘 볼 루션 알고리즘을 비교하여 총 반복 횟수와 최적의 이미지 복구 결과를 확인했습니다. 비교를 통해 최소 평방 복원률이 가장 높지만 곱셈 반복 속도가 가장 좋습니다.

다이제스트: 수중 이미지 복원을 위한 PSF (점 확산 함수) 및 MFT (변조 조정 함수) 방법을 제안하고 Wells 기반 작은 각도 근사화 이론을 적용하여 이미지를 향상시킵니다. 이 문서에서는 수중 이미지 퇴화의 원인을 분석하고 초고속 레이저 이미징 시스템에서 거리 선택 펄스를 사용하여 후방 산란에서 추가 소음을 줄입니다. 본 논문에서는 이미지의 기본 잡음 패턴을 분석하고, 먼저 산술 평균 필터를 사용하여 이미지를 잡음 제거한 다음, 잡음 제거 후 이미지의 초기 점 확산 함수의 이상적인 값을 사용하여 더 나은 복원 효과를 얻을 수 있습니다. 본 논문에서는 블라인드 디콘 볼 루션 알고리즘에서 포인트 확장 및 변조 및 복조 함수를 올바르게 사용하는 것이 수중 이미지 복원에 큰 의미가 있다고 믿는다.

요약: 이 문서에서는 특수한 하드웨어, 수중 조건 또는 기존 지식 구조가 필요하지 않은 새로운 이미지 복구 방법을 제시합니다. 소파 변환을 사용하여 인접한 프레임 간의 시간 일관성을 지원하는 융합 프레임워크이자 효과적인 노이즈 제거 방법입니다. 이 이미지 향상은 노이즈 수준을 낮추고, 어두운 영역을 더 잘 노출하고, 전역 대비를 높이고, 세부 사항과 가장자리 중요도를 높이는 것이 특징입니다. 이 알고리즘은 보충 정보를 사용하지 않고 노이즈가 없는 입력 디그라데이션 이미지만 처리합니다. 세 가지 입력은 주로 계산된 입력 이미지의 흰색 균형과 향상된 버전의 min-max 에서 나옵니다. 결론적으로 융합과 소파 변환 방법의 복원 효과는 수중 퇴화 이미지에 직접 안개를 제거하는 것보다 낫다는 것이 밝혀졌다.

서론: 이 글은 종합적인 논문이다. 이 문서에서는 1, 수중 광학 이미징 시스템, 이미지 복원 방법 (다양한 이미지 복원 방법 요약), 이미지 향상 및 색상 보정 방법, 광학 문제에 대해 설명합니다.

요약: 일반 수중 이미지 처리 방법이 수중 비균일 라이트 필드에 적용되지 않는 문제에 대해 전문 영역을 기반으로 하는 수중 비균일 라이트 필드 이미지 복원 방법을 제시했습니다. 이 알고리즘은 노이즈 제거 및 색상 보정을 고려합니다. 이 방법은 일반적인 수중 이미지 복구 및 향상 알고리즘에 비해 선명도 및 색상 충실도가 시각적 평가를 통과했으며 품질 평가 점수도 높습니다.

요약: 수중 이미지의 감쇠와 빛의 파장 사이의 관계에 따라 R 채널 복구 방법을 제시하여 단파장 색상을 복구하고 대비가 낮은 수중 이미지를 예상으로 복원할 수 있습니다. 이 R 채널 복구 방법은 대기 중 안개 이미지 어두운 채널의 선험적 방법의 변형으로 볼 수 있습니다. 실험에 따르면 이 방법은 인공 조명 분야에서 잘 적용되어 색상 교정과 가시성을 높인 것으로 나타났다.

요약: 저자는 다양한 수중 이미지 향상 및 복원 알고리즘을 연구하고 요약하고 수중 이미지 품질을 향상시키는 방법을 소개합니다. 저자는 동형 필터, 소파 노이즈 제거, 양자 필터 및 대비 균형을 차례로 사용합니다. 이 방법은 다른 방법에 비해 수중 목표의 가시성을 효과적으로 높였다.

요약: 이 문서에서는 터뷸런스 퇴화 모델을 사용하여 품질 표준에 따른 여러 가지 이유로 수중 터뷸런스 퇴화 이미지를 안내합니다. 대기 터런스 이미지 복원 알고리즘을 참고하여 염분의 영향을 무시하고, 물의 기복으로 인한 터런스가 수중 이미징에 미치는 영향만 고려합니다. 어댑티브 평균 비등방성 측정 기준을 사용하여 수중 이미지를 복원합니다. 검증을 거쳐 STOIQ 법은 쌍보복원법보다 우수하다.

요약: 이미지 대비를 높이고 이미지 노이즈를 줄일 수 있는 새로운 방법을 제시했습니다. 이 방법은 수정된 이미지 히스토그램을 RGB 및 HSV 색상 모델에 결합합니다. RGB 채널에서 이점 히스토그램의 파란색 채널은 최대 95% 에서 하위 채널로 확장되고, RGB 채널의 하위 채널은 빨간색 채널이 최소 5% 에서 상위 레이어로 확장되며, RGB 색상 모델의 모든 처리는 레일리 분포를 충족합니다. RGB 색상 모델을 HSV 색상 모델로 변환하고 최대값과 최소값 1% 로 s 와 v 의 매개변수를 수정합니다. 이 방법은 출력 이미지의 언더맞춤 및 오버맞춤을 줄이고 수중 이미지의 대비를 높입니다.

요약: 단순화된 J-M 모델을 기반으로 효과적인 수중 이미지 복구 알고리즘이 제시되었습니다. 이 문서에서는 R 채널을 정의하여 백라이트 및 변환을 유도하고 추정합니다. 장면의 가시성은 깊이에 의해 보정되고 배경과 대상 사이의 색상이 복원됩니다. PSF 의 물리적 특성을 분석하여 간단하고 효과적인 저역 통과 필터를 제시하여 블러를 제거합니다. 논문의 틀은 다음과 같다: 1. 배경 라이트 및 변경을 추정하기 전에 어두운 채널을 재정의하고 RGB 의 각 채널에서 변환을 표준화하여 왜곡된 색상을 복원합니다. 2. PSF 성능에 따라 분산되지 않은 광선을 선택하고 저통필터를 사용하여 처리하여 화면의 대비와 가시성을 높입니다.

서론: 이 글은 당대 수중 이미지 처리의 회복과 향상을 종합하여 서술하였다. 저자는 두 가지 방법의 모형 가설과 분류를 설명하고 각각의 장단점과 적용 시나리오를 분석했다.

참조:

/zhenglab/underwaterimage restoration/tree/master/underwater% 20 image% 20 enhancement