Sea-thru: A Method For Removing Water From Underwater Images论文研读
摘要
针对于水下图像颜色恢复问题，目前来看仍然是一个挑战。我们最近表明，这部分是由于大气图像形成模型普遍适用于水下图像，并提出了物理上准确的模型。修改后的模型如下：1）信号的衰减系数在整个场景中不是均匀的，而是取决于物体的范围和反射率。2）控制反向散射随距离增加的系数不同于信号衰减系数。 在这里，我们介绍了第一种使用RGBD图像通过修改后的模型恢复颜色的方法。Sea-thru方法使用暗度估计反向散射像素及其已知范围信息。 然后，它使用对空间变化的光源的估计以获得范围相关的衰减系数。使用我们提供的来自两个光学上不同的水体的1,100幅图像，我们表明，使用修正模型的方法优于使用大气模型的方法。 持续去除水将为强大的计算机视觉和机器学习算法打开大型水下数据集，为水下勘探和水下环境保护提供了保障。
1、介绍
水下图像中的色彩重建是一项艰巨的任务，目前尚没有鲁棒的算法。最近，我们发现，部分归咎于常用的图像形成模型，因为它是针对大气而推导的，而忽略了水下光对波长的强烈依赖性。我们提出了一个修改后的模型，该模型显示：1）正向和反向散射信号受不同系数的控制（旧模型假定它们相同）。2）这些系数中的每一个都依赖于除水的光学特性以外的因素（旧模型忽略了它们）。尽管修改后的模型在物理上更准确，但是它具有额外的参数，因此难以应用。 在这里，我们介绍了Sea-thru方法，该方法概述了如何估计这些参数以实现更好的场景恢复。
像ImageNet这样的大型图像数据集在点燃人工智能热潮中发挥了作用，在过去的二十年中，它推动了科学和工业领域的许多重要发现。在水下图像领域，水下领域并不缺少大型图像数据集，但是，它并没有从计算机视觉和机器学习方法的强大功能中受益，这使得这些发现成为可能，部分原因是水掩盖了场景的许多计算上有价值的特征。水下照片等于在空中拍摄的照片，但被浓彩色雾覆盖，白点和亮度随距离而变化。很难针对代表全球海洋的不同光学条件来训练基于学习的方法，因为校准后的水下数据集很复杂，并且在逻辑上很难获得。现有方法解决由水引起的偏色问题，要么不稳定，太敏感，要么仅适用于较短的目标范围。因此，大型水下数据集的分析通常需要昂贵的人工。 平均而言，人类专家会花费2个小时以上的时间来识别和计数一条长达1小时的视频中的鱼类。
明天接续。。。。。。。