基于非参数层次贝叶斯景深估计模型的水下降质图像质量提升研究

Quality improvement method of underwater degradation image is an important technology of underwater optical imaging, and is widely applied in relative ocean fields. However, underwater imaging characteristics are not taken into consideration in existing methods, and thus problems are generated: noise and artifacts amplification in inversion operation of transmission function, model parameter selection and robustness, color distortion in contrast and brightness enhancement, and poor visibility of details and structures. The proposal aims to applying non-parametric hierarchical Bayesian theory to underwater degradation image quality improvement, and the key techniques: 1) quality improvement problem is turned into a denoising problem, then depth estimation based on non-parametric hierarchical Bayesian model is proposed for more sparse and accurate depth estimation to suppress noise and artifacts in inversion operation of transmission function. Meanwhile, adaptive parameter estimation is presented to overcome model robustness sensitivity resulted from artificial adjustment. 2) depth estimation model is fused into image fusion framework, and advantages of multiple classical methods are combined for underwater degradation image quality improvement, then multi-scale fusion method is utilized to remove halo and artifacts caused by direct fusion. 3) the statistic method of color correction is developed for color restoration, and is suitable for haze and sandstorm images.

水下降质图像质量提升方法是水下光学成像的重要技术之一，在相关海洋领域得到广泛应用。然而现有质量提升方法欠考虑水下成像特殊性，产生水下图像传输函数求倒中噪声及伪影被成倍放大，模型参数选择及其鲁棒性敏感，对比度及亮度提升中颜色失真，细节及结构能见度差等问题。项目旨在研究非参数层次贝叶斯理论应用于水下降质图像质量提升所需解决的几个关键技术：1）将水下图像质量提升问题转变为去噪问题，提出非参数层次贝叶斯景深估计模型，求解更稀疏准确的景深来克服传输函数求倒中噪声及伪影被放大问题，同时自适应估计模型参数以克服人工调节所致的模型鲁棒性敏感问题。2）提出此景深估计模型引入图像融合框架中，结合多种经典方法优势以提升水下图像质量，并对水下提升图像进行多尺度有效融合，以克服直接融合所致的光晕及伪影问题。3）提出基于统计的颜色矫正方法以克服水下图像偏色问题，并适用于雾天和沙尘等图像。

水下图像质量提升方法是水下光学成像的重要技术之一，在水下资源开发与利用、海洋生物监测、水下军事探测等领域中均得到广泛应用。由于水下复杂场景对光线传播有严重的吸收与散射效应，容易造成水下成像的图像呈现出能见度低、对比度差、颜色失真、噪声伪影显著等退化问题。同时，现有水下图像增强方法产生对比度及亮度提升中颜色失真，细节与结构能见度差，模型参数鲁棒性敏感，噪声及伪影被放大等问题。针对这些问题及关键技术，本项目围绕水下图像增强、贝叶斯理论及模型、稀疏表示、深度学习等展开研究。目前课题组已提出七种水下图像增强方法：基于贝叶斯多阶梯度、保边滤波、高斯曲率滤波、广义全变分光照等先验的四种Retinex水下图像增强方法，基于多尺度密集生成对抗网络的水下图像增强方法，基于比尔-朗伯定律扩展模型的高效水下图像增强方法，基于结合去雾和色彩校正的水下图像增强算法；提出基于统计的水下图像颜色修正方法，有效解决偏色与颜色恢复，应用到雾天、沙尘和低照度等图像；结合经典与当前增强方法优势，多尺度融合水下图像以克服光晕及伪影问题；将复杂水下图像增强问题转变为简单去噪问题，推导一系列高效交替优化方法求解目标函数，从数学理论上证明算法收敛性。另外课题组在基金的支持下，在核磁共振图像重构、遥感图像融合、气象云图复原、台风云图增强和深度网络构建等方面取得了一定的科研进展。目前为止，课题组已发表学术论文18篇、另有3篇论文已投稿，取得一定的科研成果与学术影响，如UWGAN方法发表在海洋工程顶级期刊 IEEE Journal of Oceanic Engineering, 谷歌学术他引29次，被IEEE TIP、PR、ICCP等顶级期刊与会议引用；ICSRN方法发表在著名光通信期刊IEEE Photonics Journal，谷歌学术他引15次, 被IEEE TGRS和Neural Networks等顶级期刊引用。