本发明属于计算机视觉及图像处理，具体涉及由于水体吸收和散射导致的水下降质图像的恢复方法。
背景技术：
1、随着人类对水下世界的探索和开发不断深入，对水下环境的高清晰度、高保真度图像需求日益增长。水下图像增强技术作为提升水下视觉质量的重要手段，其发展前景广阔且充满潜力。然而，使用目前的水下图像作为高层视觉任务的输入，极有可能无法得到令人满意的输出。
2、与陆地环境不同，水下环境中光线不仅受到水体粒子的散射影响，还受到水体溶解物质(如浮游生物、矿物质等)对光线的吸收作用。这种双重影响使得水下图像常常出现色彩失真、对比度降低、纹理模糊等问题，严重影响了图像的后续分析和应用。特别是在深海区域，由于光线传播距离显著增加，这些问题变得更加严重，极大地限制了水下图像的质量。
3、现有的水下图像恢复方法大致可以分为两类：一类是基于传统图像处理技术的方法，如基于直方图均衡化的方法、基于生物视觉机制的算法、基于图像融合的算法等，这些方法将水下图像增强视为一种传统图像的增强问题处理，通过提高图像亮度、对比度、消除图像噪声来对图像进行增强。这些方法虽然能在一定程度上改善图像质量，但由于缺乏物理模型的支撑，难以从根本上解决水下图像退化的问题。另一类是基于物理模型的方法，如基于辐射传输方程的水下图像恢复算法，这类方法将水下图像的退化过程类比于大气散射造成的图像质量下降。在此基础上，它巧妙地利用这些先验知识来减少大气散射模型中的未知变量，进而逆向推演光线散射对图像质量造成的负面效应，最终实现图像的有效恢复与增强。然而，在多数水域环境中，光线因水体中粒子吸收而发生的衰减与由粒子散射引起的衰减之间并无数量级的差异。因此，若忽视水体对光线的吸收效应(即忽略模型中的ta)，仅将水体衰减导致的图像质量退化视为与大气散射相类似的问题来应对，这在理论基础上是存在明显不足的。此类方法在实际应用中，其有效性往往局限于较短的成像距离内。随着成像距离的延长，水体对光线的吸收作用会呈现指数级增长趋势，这直接导致此类算法的性能迅速恶化，难以有效地实现图像增强的目标。
4、近年来，水体吸收衰减造成的图像质量退化问题逐渐收到重视，部分方法开始以第三方输入的距离估计为引导，结合水体吸收系数估计图像受水体吸收导致的质量退化。这类方法从原理上更符合水下图像退化的物理过程，效果相对较好。在具有准确距离信息外部输入时，可以获得最优结果。但由于其依赖外部输入的距离估计，在实际应用中存在不便，当外部输入的距离估计失准时，效果劣化严重。
技术实现思路
1、为解决现有技术存在的上述问题，本发明提出了一种隐式距离估计的水下图像吸收散射双重恢复方法。
2、本发明的具体技术方案为：一种隐式距离估计的水下图像吸收散射双重恢复方法，包括以下步骤：
3、s1.考虑到水体对光线的吸收散射作用，合成吸收透射图ta(x)和散射透射图ts(x)，通过水下图像成像公式合成不同衰减程度的训练数据，得到训练用水下衰减图像；
4、s2.提取步骤s1得到的训练用水下衰减图像的特征图；
5、s3.对步骤s2提取的特征图进行融合；
6、s4.根据步骤s3融合的特征预测吸收水体吸收透射图水体散射透射图和背景光得到训练好的网络；
7、s5.将真实输入图像送入训练好的网络，得到背景光吸收透射图散射透射图代入到水下图像恢复公式中，获得最终输出的恢复图像。
8、进一步的，步骤s1的具体过程如下：随机生成散射系数β，吸收系数α，具体生成规则由下式计算：
9、
10、βr＝0.1×random(0，1)+0.15
11、
12、αb＝0.2×random(0，1)+0.1
13、其中，random(0，1)为取0到1之间的随机数操作；
14、然后随机生成背景光a，具体生成规则由下式计算：
15、a＝0.3×random(0，1)+0.4
16、根据生成的散射系数β，吸收系数α以及深度信息d(x)来生成吸收透射图和散射透射图，具体生成公式为：
17、ts(x)＝e-βd(x)
18、ta(x)＝e-αdd(x)
19、结合吸收透射图ta(x)和散射透射图ts(x)合成训练用水下衰减图像合成公式为
20、
21、式中，j(x)为无衰减的参考图像。
22、进一步的，步骤s4得到训练好的网络具体以预测损失函数为指导进行训练得到的。
23、本发明的有益效果：相较于传统的水下图像合成技术，本发明的方法全面考虑了水体介质与大气气溶胶介质在光学传播特性上的差异，尤其是对光传播的吸收效应，通过对吸收透射图和散射透射图的恢复使得恢复结果细节更加准确。相比于外部距离信息引导的水下图像恢复方法，本发明的方法无需外部信息，部署更方便，鲁棒性更强，具有物理基础坚实、稳定性高及合成应用广泛等优势，能够准确模拟多种类型水体所导致的不同性质的衰减现象。
1.一种隐式距离估计的水下图像吸收散射双重恢复方法，包括以下步骤：
2.根据权利要求1所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，步骤s1的具体过程如下：随机生成散射系数β，吸收系数α，具体生成规则由下式计算：
3.根据权利要求1所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，步骤s4得到训练好的网络具体以预测损失函数为指导进行训练得到的。
4.根据权利要求2所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，采用特征提取模块，提取输入图像的特征图，具体过程如下：使用tf_efficientnet_lite3作为特征提取网络，将tf_efficientnet_lite3分为四层，第一层输入由tf_efficientnet_lite3的conv_stem、batchnorm、relu6和tf_efficientnet_lite3中0，1层的block构成，输出通道数为32，尺度为输入图像的1/4的特征图；第二层由tf_efficientnet_lite3的第2层block构成，输出通道数为48，尺度为输入图像的1/8的特征图；第三层由tf_efficientnet_lite3的第3、4层block构成，输出通道数为136，尺度为输入图像的1/16的特征图；第四层由tf_efficientnet_lite3的第5～9层block构成，输出通道数为384，尺度为输入图像的1/32的特征图。
5.根据权利要求4所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，采用特征融合模块，对步骤s2提取的特征图进行融合，具体过程如下：
6.根据权利要求5所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，步骤s4的具体过程如下：
7.根据权利要求6所述的隐式距离估计的水下图像吸收散射双重恢复方法，其特征在于，步骤s5输出的恢复图像其中，i(x)为真实输入图像。
