半全局水下图像色彩校正

论文地址：“A Semi-Global Color Correction for Underwater Image Restoration”

---

论文算法流程图如下：

结果如图

---

1.色彩迁移（全局色彩补偿）

典型的色彩迁移算法“Color Transfer between Images”是针对整幅图片的，即在lαβ颜色空间中将参考图像的均值和标准差传递给原图像，从而实现参考图像色彩到原图像的迁移。具体算法及实现很简单，在此不做赘述。
效果如图：

而对于水下图像来说，其色彩校正依赖于光的衰减程度，即和目标在水下的深度还有光谱有关（不同深度，不同波长，光的衰减程度不同）。因此水下图像主要针对衰减程度大的区域进行色彩补偿。其中参考图像为较清晰的水下图像。

2.显著图与光质量权值（计算色彩衰减程度高的区域）

显著图在目标分割，目标识别，适应压缩等领域都有很重要的应用。“Frequency-tuned Salient Region Detection”是一种十分简便的显著图实现算法。该算法有很宽的通带，并且忽略了最高的频率，因此1.突出了最大的显著目标，2.均匀的突出整个显著区域，3.建立了明确的显著目标边界，4.减少了噪声和块效应，5.高效率地输出全分辨率显著图
在Lab颜色空间内得到显著图公式：
S(x,y)=||Iμ−Iωc(x,y)
其中，Iμ为图像均值，Iωc(x,y)为高斯平滑后的图像，|| ||为欧氏距离。论文作者已提供了相关代码。
效果如图：

因为红色通道和颜色的衰减有很强的相关性，因此对图像红色通道应用上式，可以得到光质量权值Iω，从而得到色彩校正后的图像ICC
ICC(x)=[1−Iω(x)]ICT(x)+Iω(x)I(x)
其中ICT为色彩迁移后的图像

3.单尺度图像融合

基于拉普拉斯图像金字塔分解的多尺度图像融合算法是现在图像融合的主流算法之一：可以将一幅图像分解为多个带通图像的和，即
I(x)=I(x)−G1(I(x))+G1(I(x))
=L1(I(x))+G1(I(x))
=L1(I(x))+G1(I(x))−G2(I(x))+G2(I(x))
=L1(I(x))+L2(I(x))+G2(I(x))
...
∑Nk=1Ll(I(x))+GN(I(x))
其中，L为拉普拉斯滤波，G为高斯滤波

从而融合图像为
R=∑Nl=1Gl−1(w¯¯¯)Ll(I)+GN(w¯¯¯)GN(I)
其中w¯¯¯为归一化权值图

但其计算量稍显庞大，因而
“Single-Scale Fusion: An Effective Approach to Merging Images”提出了单尺度融合算法，通过对上述过程的近似得到融合图像
RSSF,k(x)=[GN(w¯¯¯(x))+α|L1(I(x))|]I(x)
其中GN(w¯¯¯(x))方差为初始高斯核的N倍，论文中α取0.2

效果如图

4.暗通道先验去雾

“Single Image Haze Removal Using Dark Channel Prior”

暗通道先验算法是通过对户外无雾图像统计得到的：作者发现，在绝大多数不包括天空的局部区域里，某些像素至少在某一通道（RGB）中的值非常低，这些像素被称为暗像素。而在有雾图像中暗像素值主要来自于空气光。
一幅有雾图像可表示为I(x)=J(x)t(x)+A(1−t(x))
其中J(x)目标景物的辐射，也就是无雾图像，t(x)为介质传播系数，即没有散射直接到达摄像机的光，A为全局大气光。
因此我们的目标是得到无雾图像J(x)。
通过对上述公式中各值的估计，最终得到
J(x)=I(x)−Amax(t(x),t0)+A
其中t0通常取0.1（防止t(x)->0）

效果如图

对于水下图像可以应用此算法进行去模糊，此时A表示后向散射光。