作者：Underwater Image Enhancement: Using Wavelength Compensation and Image Dehazing (WCID) 作者：John Y. Chiang 年份：2011年 期刊： ACIVS 目录摘要1 介绍2 水下图像模型2.1相机和物体之间的距离：d（x）2.2摄影场景的水下深度D2.3图像深度范围R2.4人造光源L 摘要本文提出了一
要点本文提出了一个简单而有效的图像暗通道先验，以去除单一输入图像中的雾霾。暗通道先验是室外无霾图像的一种统计。它是基于一个关键的观测结果，即在室外无霾图像中，大多数局部区域包含一些像素，这些像素在至少一个颜色通道中的强度非常低。利用该先验知识和雾霾成像模型，可以直接估计雾霾的厚度，恢复出高质量的无雾霾图像。一、引言本文中提出了一种新的暗通道先验去雾方法。暗通道先验是基于室外无霾图像的统计信息。我们
最近出于学习的需要，阅读了关于水下图像增强的论文《Color Balance and Fusion for Underwater Image Enhancement》，并且尝试着按照论文中所介绍的步骤使用matlab来实现，由于本人对图像处理初次接触，感觉做出来的效果一般，本文对论文提及的步骤进行简略介绍，代码是按照论文步骤写的，并不十分完善，此论文主要用于学习交流，欢迎大家阅读分享并提出宝贵意见
1.经典的DCP原程序水下图像恢复效果较差，甚至几乎没有恢复效果 原因：水下图像存在蓝色色偏或者绿色色偏，此时其他通道的值都较小，当使用暗通道直接求景深图时2.其他经过DCP改进的算法3.水体光学作用4.既然色偏，我们的DCP就不太适用了那么我们用最亮的通道（均值最大的通道）-最暗的通道（均值最小的通道），得到深度图，取反乘以调节因子得到透射图！ 这个的科学依据：由于水下的吸收作用，传播距离越远，
本博文为本人调研水下图像增强时做的一些笔记。可能整理得不是很清晰，仅仅供个人学习记录用~欢迎各位交流~ 目录背景研究现状（常用的方法）非物理模型的图像增强方法白平衡方法直方图均衡化方法基于Retinex的方法基于暗通道先验的方法（去雾的方法）基于卷积神经网络的方法基于物理模型的图像复原方法水下图像成像理论水下成像系统水下散射模型水下退化图像模糊类型高斯模糊运动模糊散焦模糊图像质量评价标准
下面要介绍的论文发于2019年12月，题为「ROIMIX: PROPOSAL-FUSION AMONG MULTIPLE IMAGESFOR UNDERWATER OBJECT DETECTION」，axriv地址为：https://arxiv.org/abs/1911.03029。 近年来，通用的目标检测算法已经证明了其卓越的性能。然而，关于水下目标检测的话题却很少被研
论文：Multi-scale adversarial network for underwater image restoration 作者：Jingyu Lu 年份：2018 期刊：Optics and Laser Technology本文提出一种基于CycleGAN和多尺度SSIM损失的新方法，用于水下图像恢复。其中，多尺度循环生成对抗网络（MCycle GAN）系统将水下样式的图像转换为恢复
由于水体的特殊环境，导致水下图像对比度低，颜色失真，亮度低，纹理模糊等问题。因此，水下图像分解方法的主要目的是通过改变图像的对比度，颜色，亮度和纹理等来提高水下图像的质量。传统的水下图像分解分类方法主要是基于水下图像的上述特点通过不同的分解方式来提高水下图像质量。 1、基于颜色和亮度的方法：这类方法主要通过调整水下图像的颜色和亮度来增强图像质量，例如直方图均衡化、Retinex算法、RGB分解等
论文题目：WaterGAN: Unsupervised Generative Network to Enable Real-Time Color Correction of Monocular发表期刊：IEEE ROBOTICS AND AUTOMA TION LETTERS作者：Jie Li, Katherine A. Skinner, Ryan M. Eustice, and Matthew
摘要 水下图像增强技术在水下视觉研究中受到了广泛的关注。但是，原始水下图像容易遭受由水下场景引起的色彩失真、曝光不足和模糊。 本文：提出了一种新的用于增强水下图像的多尺度密集生成式对抗网络（GAN）。 ①生成器：使用残差的多尺度密集块，其中多尺度、密集连接和残差学习可以提高性能、渲染更多细节并利用之前的特征图。 ②判别器：采用计算量小的光谱归一化来稳定判别器的训练。 ③损失函数：
1.目前水下图像增强算法存在的问题（1）部分算法在合成数据集上进行训练，却无法很好地迁移到真实场景中。 （2）真实的海下图像数据的背景差异较大，没有一套算法可以很好地适用于所有的海下场景中。2.提出的方法（1）提出的图像增强算法分为两步，如下图所示。左边是Inter域的自适应调整，右边是Intra域的自适应调整。Inter域存在的原因是增强模型在真实域中的性能，Intra域存在的原因是增强模型对不
Reveal of domain effect: how visual restoration contributes to object detection in aquatic scenes. 虽然水下图像增很多要灌水|毕业的论文，但是这篇来自中科院的文章还是在探索一些东西的。下面对文章中一些结论做一些评注：1现在做图像增强的一个角度就是和目标检测任务结合。对于这两个任务的关系想当然地看，应该
之前已经写过有关水下图像复原及增强相关的博客了。但是感觉了解仍然不够深入，本博文会继续做paper survey 目录图像增强与复原的区别水下增强现状基于图像增强的水下图像增强基于物理模型的水下图像复原水下光通信光在水中的传播模型水下成像散射模型水的吸收特性与散射特性 吸收作用散射作用水下信道分析水空通信或空水通信（air to water or water to air）参考
1、引言 近年来，水下图像在海洋军事、海洋环境保护和海洋工程等科研和工业领域扮演着越来越重要的角色，在海洋研究和水下机器人领域都具有重要的应用，因为观察海洋生物、进行水下作业等相关海洋活动都需要清晰的图像。然而由于水的折射和水中悬浮颗粒的散射都会对光造成大幅度的衰减，同时水体的多样性也可能会造成多方面的偏
这篇文章可以说结果好到令人拍案叫绝，处理后细节也好了，色偏也好了，更主要是那些评价指标仿佛都是为它设计的，一个比一个好，本文就详细地介绍一下水下图像融合算法。1.首先先分别进行两次处理①对原图进行白平衡处理——详细地可以看它的代码，代码是改良的灰度世界，个人觉得是一个灰度世界+一个直方图均衡。处理结果作为输入一。②对白平衡后的图进行亮通道自适应直方图均衡化（亮通道：CIElab颜色模型的l通道；自
1. 作者提出了两个问题：“水下图像增强是否真的可以提高水下目标检测？ “水下图像增强如何有助于
1. 赛事介绍见官网2. 赛题——水下声学图像目标检测2.1 简介声呐图像数据经常伴随水深探测及底层探测数据一并获取，从而能够使我们观测海底浅层结构。2.2 比赛任务2.2.1 初赛任务声呐图像目标检测，即从给定的水下侧扫声呐或前视声呐图像中检测由特殊地形地貌、人造物等构成的特征目标，标注目标区域的位置和范围。比赛将使用mAP（mean Average Precision）作为客观性能指标。已知/
最近一直没有找到感兴趣的研究课题，下了几个最新的去雾的论文，随便看了下，觉得都是为了写论文而做的论文，没有什么创新性，也就没有想法去实现他们。偶尔看到了一些关于水下图像增强方面的文章，闲来无聊试着去看看效果，不过也觉得非常让人失望，似乎并没有特别有效的算法。 就我看得几篇文章而言，这类算法都不是从原理上、或者说某一个数学模型、抑或是某种先验知识出发，而提
作者 | 张文豪 李革 编辑 | 李旭峰 第一行图像为原始水下图像；第二行图像为我们的方法增强后的效果1背景简介水下成像技术对于海洋资源的探索、海底生态的研究以及海洋军事的应用等都有着重要的意义。然而，水下的环境是很恶劣的，因为光线在介质传播的过程中被严重吸收和散射。光线被大颗粒悬浮物反
A Rapid Scene Depth Estimation Model Based on Underwater Light Attenuation Prior for Underwater Image Restoration https://doi.org/10.1007/978-3-030-00776-8_62 R. Hong et al. (Eds.): PCM 2018, LNCS 111
