, 李永龙2, 陈永灿2,4, 张华1,31. 西南科技大学 信息工程学院, 绵阳 621010;
2. 清华四川能源互联网研究院, 成都 610213;
3. 四川天府新区创新研究院, 成都 610000;
4. 西南石油大学 土木工程与测绘学院, 成都 610500
收稿日期：2022-10-25
基金项目：国家自然科学基金资助项目(52009064, U21A20157); 四川省科技厅项目(2022JDRC0073, 2022YFSY0011, 2022YFQ0080)
作者简介：林海涛(1993—), 男, 博士研究生
通讯作者：王皓冉, 正高级工程师, E-mail: thuwhr@163.com
摘要：检测水下基础设施混凝土表观缺陷是保障水下基础设施安全稳定运行的重要措施。使用遥控水下机器人(remote operated vehicle, ROV)采集混凝土表观图像是当前水下检测最高效的方式，然而ROV采集到的混凝土图像存在光照不均、色彩失衡、对比度差和边缘信息弱等问题。该文针对水下混凝土图像质量不佳的问题，提出了水下非均匀光照场景下的混凝土图像增强方法。首先采用图像修复技术(image inpainting technique, IIT)对图像局部高光区域进行修复；然后在暗通道图像增强方法的基础上引入图像对比度感知调节方法，选取不同窗口尺寸，在每个局部窗口区域中实现图像增强；最后采用自然图像质量评估、基于感知的图像质量评估、无参照物图像质量评估和水下彩色图像质量评估4个指标对增强后的图像进行评估。实验结果表明：该文提出的方法在多个对比指标中优于现有水下图像增强方法，能有效提升水下图像质量。
关键词：混凝土图像增强水下测量图像畸变矫正对比度引导
Concrete image enhancement method for underwater uneven illumination scenes
LIN Haitao1, WANG Haoran2
, LI Yonglong2, CHEN Yongcan2,4, ZHANG Hua1,31. College of Information Engineering, Southwest University of Science and Technology, Mianyang 621010, China;
2. Sichuan Energy Internet Research Institute, Tsinghua University, Chengdu 610213, China;
3. Sichuan Tianfu New Area Innovation Research Institute, Chengdu 610000, China;
4. School of Civil Engineering and Geomatics, Southwest Petroleum University, Chengdu 610500, China
Abstract: Objective Identifying concrete surface defects in underwater infrastructure is crucial to ensure safe and stable operation. At present, using ROV to gather concrete surface images is the most effective measure for underwater image detection. However, the concrete images obtained by ROV have some phenomena, such as uneven illumination, color imbalance, poor contrast, and weak edge information. In this study, the issue of underwater concrete photos with poor image quality in nonuniform lighting scenarios is investigated, and a method for underwater concrete image enhancement is suggested, which provides efficient data support for the detection and analysis of concrete surface defects in underwater infrastructure. Methods The local highlight issue caused by the fill light spots in underwater images is processed based on image repair. First, the image is thresholded, and the highlighted pixel area of the image is retained. Second, using the hough circle detection method, the annular fill light spot area on the image is retrieved. The resulting annular fill light spot image is then used as the Mask image of the original image for restoration. Finally, the local highlighted area caused by the fill light spot is repaired by filling the adjacent pixel area. An improved dark channel prior (DCP) technique is used to enhance the image to address the issue of poor image quality brought by the undersea environment's uneven illumination. However, the single window size will have the following three problems: (1) A small size window area will lead to the oversaturation of local areas in the enhanced image. (2) A large window size can better eliminate the haze of the image but may produce halos. (3) A single-sized window is difficult to adapt to different pixel size images. Therefore, the selection area of the dark channel window size is expanded upon in this work using the contrast perception method. Image enhancement is done in each local window region by computing the contrast of seven neighborhood windows of one pixel and choosing the relevant dark channel window size following the contrast of the windows. Results To confirm the effectiveness of the algorithm, the image enhancement method suggested in the manuscript was compared with low-light underwater images using local contrast and multiscale fusion (L2UWE), relative global histogram stretching (GRHS), underwater light attenuation prior (ULAP), image blurriness and light absorption (IBLA), dark channel prior (DCP), and contrast limited adaptive histogram equalization (CLAHE). Simultaneously, four metrics, natural image quality evaluator (NIQE), perception-based image quality evaluator (PIQE), blind/reference less image spatial quality evaluator (BRISQUE), and underwater color image quality evaluation (UCIQE), were used to assess the enhanced images. Experiment results showed that the PIQE, BRISQUE, and UCIQE of the proposed method obtained scores of 25.75±3.93, 29.39±1.80, and 1.04±0.01, respectively, which performed best. Conclusions The proposed image enhancement method achieves balanced enhancement of images in terms of color, contrast, and brightness, and the algorithm in this paper can successfully enhance the quality of underwater images. Our study will aid in measuring underwater concrete fault levels.
Key words: concrete image enhancementunderwater measurementsimage distortion correctioncontrast guide
中国水利基础设施建设量居世界首位，对港口、桥梁、水库大坝等基础设施的水下混凝土图像检测是保障其安全稳定运行的重要举措[1]。采集和处理水下基础设施混凝土表观图像数据仍面临诸多技术难题。水下图像采集存在不易达、水体浑浊、图像折射畸变、混凝土表观淤积覆盖、无光或弱光的水下环境等制约因素，严重影响水下混凝土图像检测的效率。因此构建稳定可靠的低光照水下混凝土图像检测和水下混凝土图像增强方法，可为评估水下基础设施安全提供可靠的数据支撑。
近年来，遥控水下机器人(remote operated vehicle, ROV)便捷、高效、灵活的水下作业方式已被广泛应用于水下智能巡检行业。ROV能很好地应用于海洋或清水环境，但在浑浊的水体环境使用仍具有很大挑战。ROV携带的光学相机在采集水下图像时，存在光照不均衡、色彩失衡、对比度差和边缘信息弱等问题。Akkaynak等[2]提出了水下图像去水的sea-thru理论，并构建自然光线在水下的折射与散射模型，建立不同深度的距离地图，用于计算光线在不同深度的模型系数，能有效消除光线在相机成像时由水下环境造成的偏色和散射，使水下拍摄的图像呈现如空气中拍摄的状态，然而该模型对不同浊度的鲁棒性还有待提升。文[3-6]开展了非均匀光照和低照度场景的图像增强的相关研究。在Dong等[6]的研究中发现，低照度的图像取反后与大气中的有雾图像存在共性，将低照度的图像取反，再采用暗通道先验(dark channel prior, DCP)算法对取反后的图像进行处理，处理后的图像再次取反即可实现图像增强。该方法巧妙结合了He等[7]的研究，依赖于对大气光强的选取，但固定窗口尺寸对图像增强的质量存在限制。文[8-11]采用了多尺度融合的方式来实现水下图像增强，其中Marques等[10]提出了水下低光照图像增强(low-light underwater image enhancer, L2UWE)模型，首先将单张水下低光照图像取反，再将取反的图像生成多尺度融合图像进行输入，一张用于图像细节的增强，另一张用于图像的亮度增强，然后计算2张图像进行融合时的权重输入，即图像的显著性权重函数、亮度权重函数和局部对比度权重函数，最后将权重计算输出的图像取反，以达到水下低光照场景的图像增强；模型很好地兼顾了局部细节和全局亮度，但多个权重函数对图像权重分量的影响不同，只对某类水下低照度图像具有很好的增强效果。文[12-16]开展了水下图像的自适应增强研究工作。刘国等[16]提出了一种自适应的暗原色单幅图像增强方法，暗通道优先(dark channel priority，DCP)算法在暗通道选取的基础上引入了自适应阈值，以减少景深变化对获取暗通道窗口大小的影响，求取较精确的透射率，能有效避免由导向滤波引起的处理速度过慢的问题，可较好地消除光晕效应，但存在局部区域的增强效果不佳的问题。
本文主要针对水下非均匀光照场景下的图像增强，构建浊水环境中有效采集水下混凝土图像数据的方法，采用图像修复技术(image inpainting technique, IIT)[17]消除图像局部高光区域；通过图像对比度感知调节方法计算不同窗口区域的环境光强，使图像的增强可兼顾全局性亮度与局部细节的对比度，经过增强后的图像数据可为水下混凝土图像的缺陷分析与安全评估提供可靠的数据支撑。
1 浊水环境中混凝土图像采集与处理1.1 双模态水下机器人图像采集现有ROV或自主式水下航行器(autonomous underwater vehicle, AUV)不能有效克服浊水环境对水下图像采集的影响。本文采用自主研发的双模态水下机器人(dual-modal underwater robot, DUR)采集水下混凝土图像。DUR的主要模块如图 1所示。
 |
| 图 1 DUR主要模块 |
| 图选项 |
DUR具备水中浮游与水下爬行2种运动模式，腹部携带的清水置换模块能有效避免浊水环境对图像采集的影响。对有淤积覆盖的混凝土表面采用清淤推进器与清水置换模块协同工作的方式，如图 2所示。
 |
| 图 2 DUR采集图像的工作方式 |
| 图选项 |
混凝土表面有淤积覆盖时相机不能直接拍摄到混凝土表观的真实情况，DUR携带的清淤推进器可有效清除覆盖在混凝土表面的淤积(10 cm)，清水置换模块能有效克服浊水环境对图像采集的影响，如图 2所示。
1.2 图像增强处理DUR在采集水下图像时能避免浊水环境的影响。清淤推进器可清除混凝土表面覆盖的淤积，有效采集水下混凝土表面的高清图像数据。当水深超过20 m时，自然光线不能投射到水底，DUR的补光也被水体吸收，采集的水下图像会存在明显的光照不均衡、对比度低、亮度低和补光灯光斑等问题。因此本文提出在水下非均匀光照场景下的图像增强方法，图像增强处理流程如图 3所示。
 |
| 图 3 图像增强处理流程 |
| 图选项 |
首先将LBF-C50HD相机在水下进行标定，将标定好的内外参数用于矫正采集到的混凝土原始图像，并将矫正后的数据进行适当剪裁以消除畸变矫正后的黑色区域，剪裁前像素尺寸为1 920×1 080，剪裁后像素尺寸为1 860×1 046；对剪裁后的图像进行修复以消除补光灯光斑；将消除局部补光灯光斑的图像取反；将取反后的图像引入对比度感知调节方法，用于计算图像不同窗口区域内非均匀光照的环境光强度A；然后将对比度感知调节引导后的图像做暗通道增强处理；最后将图像再次取反以获得增强后的图像。
2 水下非均匀光照图像处理方法2.1 局部高光消除方法水下混凝土表观原始图像存在由补光灯光斑造成的局部高光区域，因此需要对局部高光区域进行修复，避免光斑对图像增强造成亮度过高的影响。局部高光修复利用待修复区域边缘像素的邻域，逐步估计待修复区域边缘像素，再进一步估计待修复区域内部像素点。局部高光修复示意图如图 4所示。
 |
| 图 4 图像增强处理流程 |
| 图选项 |
图 4中Ω表示待修复的高光区域，N表示点p在待修复区域的方向向量，Ωbj表示待修复区域的边界。通过计算已知区域的像素替代待修复区域的像素。若p点为待修复像素点，ε为待修复像素点的领域，现以p为中心选取其邻域Bε(p)，一般邻域大小为3×3或5×5。该邻域内像素点均为已知，且q点在Bε(p)内，图像I中p点的像素值大小Iq(p)，可表示为
| $I_q(p)=I(q)+\nabla I(q)(p-q).$ | (1) |
Bε(p)中各个像素点对p点所起的作用有差异，因此需要引入权值函数，可表示为
| $I(p)=\frac{\sum\limits_{q \in B_{\varepsilon}(p)} w(p, q)[I(q)+\nabla I(q)(p-q)]}{\sum\limits_{q \in B_{\varepsilon}(p)} w(p, q)} .$ | (2) |
| $w(p, q)=\operatorname{dir}(p, q) \cdot \operatorname{dst}(p, q) \cdot \operatorname{lev}(p, q), $ | (3) |
| $\operatorname{dir}(p, q)=\frac{p-q}{|p-q|} \cdot D(p), $ | (4) |
| $\operatorname{dst}(p, q)=\frac{d_0^2}{|p-q|^2}, $ | (5) |
| $\operatorname{lev}(p, q)=\frac{T_0}{1+|T(p)-T(q)|}.$ | (6) |
2.2 对比度引导的图像增强方法消除补光灯光斑能有效去除局部高光区域的无效像素点对图像增强的影响。为进一步实现水下混凝土图像增强，本文在暗通道先验去雾算法[7]的基础上引入对比度感知调节方法，用于调节水下非均匀光照场景下的图像在不同窗口区域的环境光强度。根据暗通道先验去雾算法，水下待增强的图像Ⅰ可用直接衰减与非均衡环境光强(即空气图像中的大气光强)表示，故水下成像模型可表示为
| $I(x)=J(x) t(x)+A_{\infty}(1-t(x)) .$ | (7) |
He等[7]提出了暗通道先验去雾算法，主要通过A∞与t(x)来确定图像J(x)，采用DCP算法处理后的图像可表示为
| $J_{\mathrm{dark}}(x)=\min\limits _{y \in \Omega(x)}\left(\min\limits _{c \in\{\mathrm{r}, \mathrm{g}, \mathrm{b}\}} I_c(y)\right).$ | (8) |
| $J_c(x)=\frac{I_c(x)-A_{\infty}^c}{\max \left(t(x), t_0\right)}+A_{\infty}^c .$ | (9) |
| $t(x)=1-W \min\limits _{y \in \Omega(x)}\left(\min\limits _{c \in\{\mathrm{r}, \mathrm{g}, \mathrm{b}\}} \frac{I_c(y)}{A_{\infty}^c}\right) .$ | (10) |
在有关大气光强的计算中，He等[7]采用暗通道中前0.2%最亮像素来推断大气光强Ac∞，对计算环境光强均匀的图像非常高效，但对水下非均匀光照场景并不适用。Ancuti等[8]发现用单一暗通道邻域内部大气光强代替全局大气光强，因不适用低照度环境下的图像，故提出了多尺度融合的方法。Marques等[10-11]提出并验证了在非均匀光照场景的图像增强中，采用单一尺寸的暗通道邻域δ，会出现3个问题：1) 较小的δ会导致增强后的图像出现局部区域过饱和；2) 较大的δ可较好地消除图像的雾度，但是可能产生不必要的光晕(即光环效应)；3) 单一尺寸的δ难以适应不同像素尺寸图像。图 5展示了单一通道窗口尺寸对图像增强的不全面性，图 5a—5d的像素尺寸为1 860×1 046，图 5e—5f的像素尺寸为1 027×578。
 |
| 图 5 单一窗口尺寸对图像增强的不全面性 |
| 图选项 |
当δ为3×3时，图像呈现过饱和现象，导致色彩失常，如图 5b所示；当δ为25×25时，图像由亮到暗的边缘会产生明显的光晕，如图 5c所示；当δ为15×15时，图像中间部分增强效果明显，但边缘会出现明显的暗边缘，不能兼顾图像的全局性，如图 5d红框所示；将剪裁后的图像进行增强，其增强效果在局部细节和视觉观感上具有明显的提升，如图 5f所示。针对以上问题，本文提出基于对比度感知调节引导的窗口邻域大小的选择方法，通过计算当前像素区域的7个暗通道邻域δ和每个邻域的对比度引导，选取不同窗口尺寸，可表示为
| $\left.\operatorname{CPA}(x)=\operatorname{argmin} i \sigma_i\left(\delta_i(x)\right)\right] .$ | (11) |
| $\sigma^2=\sum\limits_\delta \varphi(a, b)^2 P_{\varphi}(a, b).$ | (12) |
| $S_\delta\left(m, \&\left(\sigma_i\right)\right)=3 m-\left[\frac{m}{3}\left(\&\left(\sigma_i\right)-1\right)\right].$ | (13) |
| $A_{\mathrm{CPA} \infty}^c=\max\limits _{n \in S_\delta}\left(\min\limits _{z \in \delta(n)}\left(I_c(z)\right)\right)$ | (14) |
式(14)通过计算当前局部区域的所有颜色通道的暗通道值，并根据Sδ区域内的对比度计算辐射亮度在
3 图像处理实验3.1 图像预处理用DUR采集水下混凝土表观图像。在图像采集时，清水替换模块将紧贴混凝土表面以获取图像，相机在清水替换装置内部将整个清水替换装置模块作为一个整体进行标定，采用张正友标定方法[18]。相机标定是图像处理的必要步骤，但不是本文研究的重点内容，以前的研究工作对相机的标定进行了详细的描述[19]，在此将不赘述相机标定的内容。本文采用DUR采集水下混凝土表观原始图像数据，像素尺寸为1 920×1 080，如图 6所示。
 |
| 图 6 水下混凝土表观原始图像数据 |
| 图选项 |
由图 6可知，水下原始图像存在明显的圆形补光灯光斑，且图像右侧边缘存在无光的暗角区域。对原始图像进行畸变矫正，对矫正后的图像进行适当的剪裁，剪裁后的像素尺寸为1 860×1 046，以消除畸变矫正所产生的边缘暗角区域，矫正并剪裁后的图像如图 7所示。
 |
| 图 7 畸变矫正并剪裁后的图像 |
| 图选项 |
在图像预处理部分主要完成图像的校正与剪裁，为后续图像局部高光的消除与增强处理做准备。
3.2 局部高光消除实验由图 7可知，由补光灯光斑造成的局部高光区域亮度明显高于邻域。采用2.1节中的局部高光消除方法对图像进行处理，补光灯局部高光处理图像如图 8所示。
 |
| 图 8 补光灯局部高光消除 |
| 图选项 |
由图 8可知，带有补光灯光斑的局部高光图像经过阈值分割，提取图像上所有高亮区域，需要消除的补光灯光斑具有明显的圆形特征，通过Hough圆检测能有效检测到补光灯的圆形光斑；对局部高光区域的图像做开运算从而生成Mask图像；通过2.1节中的IIT方法对原始图像所标定的Mask区域进行修复，局部高光消除处理图像。
为了验证补光灯局部高光部分被修复的情况，对补光灯高光区域进行图像的颜色通道分布直方图统计，如图 9所示。局部高光图像的灰度级在255附近的像素数量较高(见图 9b)，经过高光修复后的图像，在255附近的像素数量有明显的降低(见图 9d)。从图 9a、9c可知，由补光灯造成的局部高光区域得到明显修复。局部高光区域的消除避免了局部的高对比度影响，利于图像在增强过程中和非均匀光照场景下，对环境光邻域范围的选取。
 |
| 图 9 补光灯局部高光修复前后直方图统计 |
| 图选项 |
3.3 水下非均匀光照场景下图像增强实验由于受光照条件的影响，获取的水下混凝土表观图像呈现非均光照，非均衡光照场景下的反转图像与有雾图像非常相似[6]。对水下非均匀光照场景下的反转图像做增强处理，再对图像取反，可达到对原始图像增强的效果，如图 10所示。首先对高光消除后的图像取反，再采用2.2节对比度引导的图像增强方法进行处理，在对比度引导Sδ局部窗口大小时，选取从7×7到19×19的7个窗口尺寸，得到增强后的图像。
 |
| 图 10 水下非均匀光照场景下图像增强前后对比 |
| 图选项 |
由图 9可知，图像的色彩和亮度均有明显改善，边缘暗角区域的对比度也有明显增强。为验证本文研究方法对水下非均衡光照场景图像增强的有效性，本文构建了横向对比实验，将本文研究方法与L2UWE[10]、RGHS(relative global histogram stretching)[15]、ULAP(underwater light attenuation prior)[20]、IBLA(image blurriness and light absorption)[21]、DCP(dark channel prior)[7]、CLAHE(contrast limited adaptive histogram equalization)[22]算法进行了对比，处理结果如图 11所示。
 |
| 图 11 不同算法对图像增强的处理结果 |
| 图选项 |
从图像全局效果看，CLAHE算法展现的对比度效果最佳，但局部放大图像出现过饱和现象；ULAP算法使图像整体偏红，并不适用于低光照水下图像的增强，因此对于增强后图像的质量还需要借助图像增强的评估指标进行评价。水下图像增强属于无参考图像增强，故评价指标需要借助无参考水下图像增强指标。本文引入4个图像质量评价指标NIQE(natural image quality evaluator)[23]、PIQE(perception-based image quality evaluator)[24]、BRISQUE(blind/reference less image spatial quality evaluator)[25]和UCIQE(underwater color image quality evaluation)[26]对增强的图像进行评估。采用在消力池池底获取的300张混凝土图像数据进行测试，对比数据如表 1所示。
表 1 图像质量评估数据对比表
| 原图 | L2UWE[10] | RGHS[15] | ULAP[20] | IBLA[21] | DCP[7] | CLAHE[22] | 本文方法 | |
| NIQE[23] | 4.01±0.01 | 4.10±0.02 | 3.83±0.05 | 3.87±0.03 | 3.56±0.08 | 4.01±0.12 | 4.01±0.08 | 3.98±0.02 |
| PIQE[24] | 29.42±2.30 | 26.12±3.09 | 26.21±2.56 | 32.59±4.67 | 37.01±2.12 | 28.22±1.86 | 28.87±4.12 | 25.75±3.93 |
| BRISQUE[25] | 32.19±2.71 | 30.78±2.65 | 31.67±1.13 | 32.65±0.28 | 41.48±3.49 | 33.49±2.78 | 31.19±2.84 | 29.39±1.80 |
| UCIQE[26] | 0.95±0.01 | 0.99±0.01 | 0.79±0.03 | 0.74+0.06 | 0.43±0.17 | 0.89±0.03 | 0.95±0.02 | 1.04±0.01 |
表选项
表 1中标记为红色的数据表示整个评估中最优数据，粗体数据为本文所提出的水下非均衡光照场景下图像增强结果。以表中第一个数据4.01±0.01为例，4.01表示300张原始图像的NIQE均值，0.01表示300张数据的NIQE偏差值。单一的图像质量评估数据并不能说明图像增强质量的优异性，如IBLA算法采用NIQE指标的评分为3.56±0.08，表现优异，但由图 11可知IBLA算法降低了图像的整体亮度。对本文所提出的方法分别采用PIQE、BRISQUE、UCIQE指标进行评分，结果分别为25.75±3.93、29.39±1.80和1.04±0.01，这3个指标评分结果均为最优，因此本文所提出的水下非均匀光照场景下的图像增强方法，图像增强质量评价得分综合指标最佳，能有效提升水下非均匀光照场景下的图像质量。
4 结论对水下混凝土进行检测可以及时发现水下结构的问题，有利于相关人员进行维修和准备应急工作。本文研究使用DUR采集水下混凝土图像，能有效克服水底浑浊的环境，从而获取高清图像数据。但由于水底环境黑暗，水体对机器人自带的光源吸收强烈，导致光线在远离补光灯的区域被严重吸收，在靠近光源区域的图像亮度过高，呈现颜色失衡、光照不均匀现象，导致图像质量不佳。本文总结了当前水下图像增强的主流算法，分析了在实际工程应用中水下混凝土图像质量出现的主要问题，从图像预处理、局部高光消除和非均衡光照场景的图像增强3方面进行实验，尤其在图像增强方面，兼顾了图像的局部细节与全局亮度指标。相较于DCP处理方法，图像的平均亮度提升了40%左右，表明通过对比度感知、自适应选取通道窗口以实现图像增强，对处理水下非均匀光照场景下的图像增强具有很好的效果。在对比实验分析中，图像质量评估指标NIQE、PIQE、BRISQUE和UCIQE的评分结果表明：本文提出的图像增强方法使增强后的图像在色彩、对比度和亮度方面达到了均衡的增强效果。本文研究为水下混凝土的缺陷检测和病害预测提供了有效的数据支撑，在后期将采用增强后的图像分析水下混凝土的特征信息，结合混凝土缺陷特征提取与混凝土缺陷尺寸估计开展进一步研究。
参考文献
| [1] | 李庆斌, 马睿, 胡昱, 等. 大坝智能建造研究进展与发展趋势[J]. 清华大学学报(自然科学版), 2022, 62(8): 1252-1269. LI Q B, MA R, HU Y, et al. A review of intelligent dam construction techniques[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(8): 1252-1269. (in Chinese) |
| [2] | AKKAYNAK D, TREIBITZ T. Sea-thru: A method for removing water from underwater images [C]// Proceedings of 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, USA: IEEE, 2019: 1682-1691. |
| [3] | ZHENG Y J, YU J Y, KANG S B, et al. Single-image vignetting correction using radial gradient symmetry [C]// Proceedings of 2008 IEEE Computer Vision and Pattern Recognition. Anchorage, USA: IEEE, 2008: 1-8. |
| [4] | LI Y, TAN R T, BROWN M S. Nighttime haze removal with glow and multiple light colors [C]// Proceedings of 2015 IEEE International Conference on Computer Vision (ICCV). Santiago, Chile: IEEE, 2015: 226-234. |
| [5] | ANCUTI C, ANCUTI C O, VLEESCHOUWER C D, et al. Day and night-time dehazing by local airlight estimation[J]. IEEE Transactions on Image Processing, 2020, 29: 6264-6275. DOI:10.1109/TIP.2020.2988203 |
| [6] | DONG X, WANG G, PANG Y, et al. Fast efficient algorithm for enhancement of low lighting video [C]// Proceedings of 2011 International Conference on Multimedia and Expo. Barcelona, Spain: IEEE, 2011: 1-6. |
| [7] | HE K M, SUN J, TANG X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341-2353. DOI:10.1109/TPAMI.2010.168 |
| [8] | ANCUTI C O, ANCUTI C, VLEESCHOUWER C D, et al. Color balance and fusion for underwater image enhancement[J]. IEEE Transactions on Image Processing, 2018, 27(1): 379-393. DOI:10.1109/TIP.2017.2759252 |
| [9] | 胡振宇, 陈琦, 朱大奇. 基于颜色平衡和多尺度融合的水下图像增强[J]. 光学精密工程, 2022, 30(17): 2133-2146. HU Z Y, CHEN Q, ZHU D Q. Underwater image enhancement based on color balance and multi-scale fusion[J]. Opticsand Precision Engineering, 2022, 30(17): 2133-2146. DOI:10.37188/OPE.20223017.2133 (in Chinese) |
| [10] | MARQUES T P, ALBU A B. L2UWE: A framework for the efficient enhancement of low-light underwater images using local contrast and multi-scale fusion [C]// Proceedings of 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Seattle, USA: IEEE, 2020: 2286-2295. |
| [11] | MARQUES T P, ALBU A B, HOEBERECHTS M. A contrast-guided approach for the enhancement of low-lighting underwater images[J]. Journal of Imaging, 2019, 5(10): 79. DOI:10.3390/jimaging5100079 |
| [12] | 曹风云, 赵凯, 王筱薇倩, 等. 自适应水下彩色图像增强算法[J]. 电子测量与仪器学报, 2016, 30(5): 772-778. CAO F Y, ZHAO K, WANG X W Q, et al. An adaptive underwater image enhancement algorithm[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(5): 772-778. (in Chinese) |
| [13] | QING C M, HUANG W Y, ZHU S Q, et al. Underwater image enhancement with an adaptive dehazing framework [C]// Proceedings of 2015 IEEE International Conference on Digital Signal Processing (DSP). Singapore: IEEE, 2015: 338-342. |
| [14] | 黄冬梅, 王龑, 宋巍, 等. 不同颜色模型下自适应直方图拉伸的水下图像增强[J]. 中国图像图形学报, 2018, 23(5): 640-651. HUANG D M, WANG Y, SONG W, et al. Underwater image enhancement method using adaptive histogram stretching in different color models[J]. Journal of Image and Graphics, 2018, 23(5): 640-651. (in Chinese) |
| [15] | HUANG D M, WANG Y, SONG W, et al. Shallow-water image enhancement using relative global histogram stretching based on adaptive parameter acquisition [C]// Proceedings of the 24th International Conference on Multimedia Modeling. Bangkok, Thailand: Springer, 2018: 453-465. |
| [16] | 刘国, 吕群波, 刘扬阳. 基于自适应暗原色的单幅图像去雾算法[J]. 光子学报, 2018, 47(2): 0210001. LIU G, LV Q B, LIU Y Y. Single image dehazing algorithm based on adaptive dark channel prior[J]. Acta Photonica Sinica, 2018, 47(2): 0210001. (in Chinese) |
| [17] | TELEA A. An image inpainting technique based on the fast marching method[J]. Journal of Graphics Tools, 2004, 9(1): 23-34. DOI:10.1080/10867651.2004.10487596 |
| [18] | ZHANG Z Y. Flexible camera calibration by viewing a plane from unknown orientations [C]// Proceedings of the Seventh IEEE International Conference on Computer Vision. Kerkyra, Greece: IEEE, 1999: 666-673. |
| [19] | LIN H T, ZHANG H, LI Y L, et al. 3D point cloud capture method for underwater structures in turbid environment[J]. Measurement Science and Technology, 2021, 32(2): 025106. DOI:10.1088/1361-6501/abba4a |
| [20] | SONG W, WANG Y, HUANG D M, et al. A rapid scene depth estimation model based on underwater light attenuation prior for underwater image restoration [C]// Proceedings of the 19th Pacific Rim Conference on Multimedia. Hefei, China: Springer, 2018: 678-688. |
| [21] | PENG Y T, COSMAN P C. Underwater image restoration based on image blurriness and light absorption[J]. IEEE Transactions on Image Processing, 2017, 26(4): 1579-1594. DOI:10.1109/TIP.2017.2663846 |
| [22] | PIZER S M, JOHNSTON R E, ERICKSEN J P, et al. Contrast-limited adaptive histogram equalization: Speed and effectiveness [C]// Proceedings of the First Conference on Visualization in Biomedical Computing. Atlanta, USA: IEEE, 1990: 337-345. |
| [23] | MITTAL A, SOUNDARARAJAN R, BOVIK A C. Making a "completely blind" image quality analyzer[J]. IEEE Signal Processing Letters, 2013, 20(3): 209-212. |
| [24] | VENKATANATH N, PRANEETH D, MARUTHI C, et al. Blind image quality evaluation using perception based features [C]// Twenty First National Conference on Communications (NCC). Mumbai, India: IEEE, 2015: 1-6. |
| [25] | MITTAL A, MOORTHY A, BOVIK A. No-reference image quality assessment in the spatial domain[J]. IEEE Transactions on Image Processing, 2012, 21(12): 4695-4708. |
| [26] | YANG M, SOWMYA A. An underwater color image quality evaluation metric[J]. IEEE Transactions on Image Processing, 2015, 24(12): 6062-6071. |
