CN114331876A - 水下鱼类图像增强方法、系统、计算机设备及存储介质 - Google Patents

Abstract

本发明提供了水下鱼类图像增强方法、系统、计算机设备及存储介质，所述方法包括：获取海水网箱养殖的待增强水下鱼类图像；将所述待增强水下鱼类图像进行CIE‑Lab空间自适应拉伸，得到第一增强图像；根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。本发明通过对实际获取的水下鱼类图像依次进行CIE‑Lab空间自适应拉伸、颜色均衡处理、以及对比度拉伸处理，能够从亮度、颜色均衡和对比度三个角度对水下鱼类图像进行改善，得到图像视觉效果更好水下鱼类图像，进而为智慧渔业养殖中的图像分析处理提供了很好的技术支撑。

Description

水下鱼类图像增强方法、系统、计算机设备及存储介质

技术领域

本发明涉及计算机视觉及水下图像增强技术领域，特别是涉及一种水下鱼类图像增强方法、系统、计算机设备及存储介质。

背景技术

随着科技的不断发展，渔业也在逐渐由传统养殖方式不断地往智慧养殖的方向发展，人们开始在渔业养殖中引入物联网、大数据和图像处理等新兴技术，通过对实时获取的养殖区域内水下鱼类照片进行智能分析的方式，对养殖环境、鱼群密度、及鱼群体积等养殖数据进行监控，以便及时了解鱼群的生长情况和健康状况等，并依此进行针对性的养殖管理或救助管理等，使得水产养殖步入现代化、科学化和智能化，进一步为渔业稳定发展提供可靠保障。然而，水下鱼类图像的质量高低对智能分析结果的准确性有着重要影响。

现有提高水下图像质量方法主要分为两类：(1)通过调整图像像素来改善图像质量的非物理模型图像增强方法，如滑动拉伸的水下图像感知方法、双强度图像合成和Rayleigh拉伸方法、适用于浅水图像的自适应参数获取的相对全局直方图拉伸方法、基于颜色校正和改进的二维伽马函数的水下图像增强方法、以及颜色校正和自适应对比度增强方法等；(2)针对水下图像退化过程构建数学模型，并通过该模型反演图像退化过程，获得理想状态下未经退化图像的基于物理模型图像恢复方法，如基于图像模糊和光吸收的水下场景深度估计方法、基于水下光衰减先验的水下图像场景深度估计模型、自适应背景光估计与非局部先验的水下图像复原算法、种融合水下图像恢复算法和颜色平衡算法的方法、以及基于背景光融合及水下暗通道先验和色彩平衡的水下图像增强方法等。然后，上述图像增强方法和图像恢复方法虽然能够改善水下图像的亮度和颜色，在一定程度上解决水下图像退化问题，但是，并不能很好的解决某些特定场景下水下鱼类图像具有亮度暗、颜色偏置且对比度低等问题。

发明内容

本发明的目的是提供一种水下鱼类图像增强方法、系统、计算机设备及存储介质，通过对实际获取的水下鱼类图像依次进行CIE-Lab空间自适应拉伸、颜色均衡处理、以及对比度拉伸处理，能够从亮度、颜色均衡和对比度三个角度对水下鱼类图像进行改善，得到图像视觉效果更好水下鱼类图像，有效解决现有技术缺陷的同时，为基于水下鱼类图像的研究工作的开展提供便利，进而为智慧渔业养殖中的图像分析的精准性提供了很好的技术保障。

为了实现上述目的，有必要针对上述技术问题，提供了一种水下鱼类图像增强方法、系统、计算机设备及存储介质。

第一方面，本发明实施例提供了一种水下鱼类图像增强方法，所述方法包括以下步骤：

获取海水网箱养殖的待增强水下鱼类图像；

将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；

根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；

将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。

进一步地，所述获取海水网箱养殖的待增强水下鱼类图像的步骤包括：

利用水下机器人拍摄所述海水网箱养殖的水下鱼类视频；

将所述水下鱼类视频进行逐帧提取，得到所述待增强水下鱼类图像。

进一步地，所述将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像的步骤包括：

将所述待增强水下鱼类图像由RGB空间转换至CIE-Lab空间，得到CIE-Lab空间图像；

对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像；

将所述CIE-Lab空间自适应拉伸图像转换至RGB空间，得到所述第一增强图像。

进一步地，所述对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像的步骤包括：

分别计算所述L分量对应的亮度最大值和亮度最小值，并根据所述亮度最大值和亮度最小值，采用线性滑动拉伸将所述L分量拉伸到预设范围内，得到对应的L分量拉伸值；所述L分量拉伸值表示为：

式中，

L_min＝R.sort[R.length*0.1％]

L_max＝R.sort[-R.length*0.1％]

其中，L_out表示L分量拉伸值；R.sort表示根据图像亮度按升序排序的数据集；R.length表示数据集的长度；R.sort[x]表示正排序索引x中的值；

分别对a分量和b分量进行S曲线模型拉伸，得到对应的a分量拉伸值和b分量拉伸值；所述S曲线模型表示为：

其中，I_λ和O_λ分别表示输入像素和输出像素；λ∈{a,b}表示a分量或b分量；

表示预设常数；

将所述CIE-Lab空间图像的L分量拉伸值、a分量拉伸值和b分量分量拉伸值合并，得到所述CIE-Lab空间自适应拉伸图像。

进一步地，所述所述根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像的步骤包括：

根据不同光波在水中传播的衰减特性，将所述第一增强图像的B色彩通道确定为所述第一增强图像的主色彩通道；

通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值。

进一步地，所述通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值的颜色值的步骤包括：

分别计算R色彩通道、G色彩通道和B色彩通道的平均颜色值；

根据所述R色彩通道、G色彩通道和B色彩通道的平均颜色值，分别得到R色彩通道增益因子和G色彩通道增益因子；

根据所述R色彩通道增益因子和G色彩通道增益因子，分别按照下述均衡调整公式对所述R色彩通道、G色彩通道的颜色值进行均衡调整；所述均衡调整公式表示为：

式中，

其中，R和G分别表示原始图像R和G色彩通道的颜色值；R'和G'分别表示调整之后的R和G色彩通道通道的颜色值；a和b分别表示R色彩通道增益因子和G色彩通道增益因子；R_avg、G_avg和B_avg分别表示R、G和B色彩通道的平均颜色值；I_R(i,j)、I_G(i,j)和I_B(i,j)分别表示M×N像素的RGB图像的红、绿和蓝分量，且i＝1，2，…M，j＝1，2，…N。

进一步地，所述将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像的步骤包括：

获取所述第二增强图像的R色彩通道、G色彩通道和B色彩通道的灰度值，并根据所述R色彩通道、G色彩通道和B色彩通道的灰度值，分别确定所述R色彩通道、G色彩通道和B色彩通道对应的灰度值阈值；所述灰度值阈值包括最小灰度阈值和最大灰度阈值；

分别将所述R色彩通道、G色彩通道和B色彩通道的灰度值按照对应的灰度值阈值进行区间划分，并对各个区间内的灰度值分别进行对比度拉伸，得到R色彩通道、G色彩通道和B色彩通道的拉伸灰度值；所述R色彩通道的拉伸灰度值表示为：

其中，I_R和I_R,out分别表示R色彩通道的原灰度值和拉伸灰度值；I_R,min和I_R,max分别表示R色彩通道的最小灰度阈值和最大灰度阈值；

所述G色彩通道的拉伸灰度值表示为：

其中，I_G和I_G,out分别表示G色彩通道的原灰度值和拉伸灰度值；I_G,min和I_G,max分别表示G色彩通道的最小灰度阈值和最大灰度阈值；

所述B色彩通道的拉伸灰度值表示为：

其中，I_B和I_B,out分别表示B色彩通道的原灰度值和拉伸灰度值；I_B,min和I_B,max分别表示B色彩通道的最小灰度阈值和最大灰度阈值。

第二方面，本发明实施例提供了一种水下鱼类图像增强系统，所述系统包括：

图像获取模块，用于获取海水网箱养殖的待增强水下鱼类图像；

第一增强模块，用于将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；

第二增强模块，用于根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；

第三增强模块，用于将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。

第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

上述本申请提供了一种水下鱼类图像增强方法、系统、计算机设备及存储介质，通过所述方法，实现了通过对实际获取的水下鱼类图像依次进行CIE-Lab空间自适应拉伸、颜色均衡处理、以及对比度拉伸处理，得到图像视觉效果更好的水下鱼类增强图像的技术方案。与现有技术相比，本发明能够从亮度、颜色均衡和对比度三个角度对水下鱼类图像进行改善，得到图像视觉效果更好的水下鱼类图像，为基于水下鱼类图像的研究工作的开展提供便利，进而为智慧渔业养殖中的图像分析的精准性提供了很好的技术保障。

附图说明

图1是本发明实施例中水下鱼类图像增强方法的应用示意图；

图2是本发明实施例中水下鱼类图像增强处理流程图；

图3是本发明实施例中水下鱼类图像增强方法的流程示意图；

图4是图3中步骤S12 CIE-Lab空间自适应拉伸的流程示意图；

图5是图3中步骤S13颜色均衡处理的流程示意图；

图6是图3中步骤S14进行对比度拉伸的流程示意图；

图7是本发明实施例中水下鱼类图像增强方法与现有图像增强方法的增强效果对比示意图；

图8中a和b分别表示待增强图像及对应的直方图；c和d分别表示对本发明中空间自适应拉伸、颜色均衡和对比度拉伸步骤顺序调整后的增强效果直方图；e表示本发明水下鱼类图像增强方法的增强效果直方图。

图9是本发明实施例中水下鱼类图像增强系统的结构示意图；

图10是本发明实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的一种水下鱼类图像增强方法，可以应用于如图1所示的终端或服务器上。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可根据实际应用需求采用本发明图2所示的水下鱼类图像增强流程，对实时采集的真实鱼类养殖环境中水下鱼类图像进行相应的图像增强处理，从亮度、颜色均衡和对比度三个角度进行改善，得到视角效果更好的水下鱼类增强图像供服务器自身后续进行相关的智能分析使用，或发送至终端供终端使用者进一步分析研究使用，不仅有效解决现有技术缺陷，而且为基于水下鱼类图像的研究工作的开展提供便利，进而为智慧渔业养殖中的图像分析的精准性提供了很好的技术保障。下述实施例将对本发明的水下鱼类图像增强方法进行详细说明。

在一个实施例中，如图3所示，提供了一种水下鱼类图像增强方法，包括以下步骤：

S11、获取海水网箱养殖的待增强水下鱼类图像；其中，待增强水下鱼类图像原则上可以直接使用摄像机抓拍的图片，但为了获得更准确、更具有代表性的水下鱼类图像用于智能分析，以更好地实现对渔业养殖的智能管理，本实施例根据预先部署的水下监控设备拍摄得到的水下鱼类视频中提取出可供分析使用有效图像。具体地，所述获取海水网箱养殖的待增强水下鱼类图像的步骤包括：

利用水下机器人拍摄所述海水网箱养殖的水下鱼类视频；

将所述水下鱼类视频进行逐帧提取，得到所述待增强水下鱼类图像。

S12、将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；其中，CIE-Lab空间是由一个亮度通道(channel)和两个颜色通道组成的颜色空间：L分量代表图像的亮度，且L＝0时表示图像最暗，L＝100时表示图像最亮；a分量代表从绿色到红色的分量，且正数代表红色，负数代表绿色；b分量代表从蓝色到黄色的分量，且正数代表黄色，负数代表蓝色。CIE-Lab空间是基于人对颜色的感觉设计的，具有感知均匀和设备无关的特性，更易于对图像进行调整处理，以及得到更好的视觉效果图像。如图4所示，所述将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像的步骤S12包括：

S121、将所述待增强水下鱼类图像由RGB空间转换至CIE-Lab空间，得到CIE-Lab空间图像；

S122、对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像；其中，L分量进行线性滑动拉伸时，为了降低极端亮度值对全局拉伸的影响，先将亮度值排序后，选取合适的区间比例确定对应的下限阈值和上限阈值，以对所有亮度值进行分割后，再对不同的区间范围使用不同的拉伸方法将L分量拉伸至[0,100]范围，同时，将加a分量和b分量均拉伸至[-128,127]范围，其中，0为中值。具体地，所述对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像的步骤包括：

分别计算所述L分量对应的亮度最大值和亮度最小值，并根据所述亮度最大值和亮度最小值，采用线性滑动拉伸将所述L分量拉伸到预设范围内，得到对应的L分量拉伸值；所述L分量拉伸值表示为：

式中，

L_min＝R.sort[R.length*0.1％]

L_max＝R.sort[-R.length*0.1％]

其中，L_out表示L分量拉伸值；R.sort表示根据图像亮度按升序排序的数据集；R.length表示数据集的长度；R.sort[x]表示正排序索引x中的值；

分别对a分量和b分量进行S曲线模型拉伸，得到对应的a分量拉伸值和b分量拉伸值；所述S曲线模型表示为：

其中，I_λ和O_λ分别表示输入像素和输出像素；λ∈{a,b}表示a分量或b分量；

表示预设常数；

将所述CIE-Lab空间图像的L分量拉伸值、a分量拉伸值和b分量分量拉伸值合并，得到所述CIE-Lab空间自适应拉伸图像。

S123、将所述CIE-Lab空间自适应拉伸图像转换至RGB空间，得到所述第一增强图像。其中，第一增强图像较待增强水下鱼类图像而言，在清晰度和亮度上都得以有效提高。

S13、根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；其中，不同光波在水中传播的衰减特性具体指：光在水中传播呈指数衰减，不同光波有不同的衰减率且光波越长衰减程度越强，红光衰减最快，绿光次之，蓝光衰减最慢。显然，受此特性的影响，拍摄到的水下鱼类图像往往呈现蓝绿色调，颜色不均衡，即水下鱼类图像的主色彩通道大都为B色彩通道，显然，不符合R-G-B色彩通道的颜色值相等的高质量图像要求。因此，为了保证颜色均衡处理的合理性和有效性，本实施例选用图像的B色彩通道作为主色彩通道，分别对R色彩通道和G色彩通道的颜色值进行均衡。如图5所示，所述根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像的步骤S13包括：

S131、根据不同光波在水中传播的衰减特性，将所述第一增强图像的B色彩通道确定为所述第一增强图像的主色彩通道；

S132、通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值。其中，所述通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值的颜色值的步骤包括：

分别计算R色彩通道、G色彩通道和B色彩通道的平均颜色值；

根据所述R色彩通道、G色彩通道和B色彩通道的平均颜色值，分别得到R色彩通道增益因子和G色彩通道增益因子；

根据所述R色彩通道增益因子和G色彩通道增益因子，分别按照下述均衡调整公式对所述R色彩通道、G色彩通道的颜色值进行均衡调整；所述均衡调整公式表示为：

式中，

其中，R和G分别表示原始图像R和G色彩通道的颜色值；R'和G'分别表示调整之后的R和G色彩通道通道的颜色值；a和b分别表示R色彩通道增益因子和G色彩通道增益因子；R_avg、G_avg和B_avg分别表示R、G和B色彩通道的平均颜色值；I_R(i,j)、I_G(i,j)和I_B(i,j)分别表示M×N像素的RGB图像的红、绿和蓝分量，且i＝1，2，…M，j＝1，2，…N。

本实施例依据不同光波在水中传播的衰减特性确定主色彩通道，并根据主色彩通道的颜色值对其余色彩通道的颜色值进行均衡调整的颜色均衡方法，保证了颜色均衡处理的合理性和有效性，也为后续对比拉伸的效果提供了保障。

S14、将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。其中，对比度拉伸也同样考虑了上述的不同光波在水中传播的衰减特性，对R色彩通道、G色彩通道和B色彩通道的灰度值分别进行不同程度的差异性拉伸，且拉伸范围为[0,255]。基于极端灰度值对拉伸结果有较大的影响的考虑，本实施例先按照灰度直方图分别取各色彩通道灰度的灰度值阈值，并根据该灰度阈值对对应的色彩通道的灰度值进行区间划分，以对不同区间的灰度值采用不同的调整，进而保证对比度拉伸的合理性和有效性，如，选用每个色彩通道灰度值的前、后0.5％作为分界点，灰度值前0.5％对应点作为最小灰度阈值I_min，灰度值后0.5％作为最大灰度阈值I_max。需要说明的是，上述给出的最小灰度阈值和最大灰度阈值选取方式仅为示例性描述，此处不作具体限制。如图6所示，所述将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像的步骤S14包括：

S141、获取所述第二增强图像的R色彩通道、G色彩通道和B色彩通道的灰度值，并根据所述R色彩通道、G色彩通道和B色彩通道的灰度值，分别确定所述R色彩通道、G色彩通道和B色彩通道对应的灰度值阈值；所述灰度值阈值包括最小灰度阈值和最大灰度阈值；

S142、分别将所述R色彩通道、G色彩通道和B色彩通道的灰度值按照对应的灰度值阈值进行区间划分，并对各个区间内的灰度值分别进行对比度拉伸，得到R色彩通道、G色彩通道和B色彩通道的拉伸灰度值；所述R色彩通道的拉伸灰度值表示为：

其中，I_R和I_R,out分别表示R色彩通道的原灰度值和拉伸灰度值；I_R,min和I_R,max分别表示R色彩通道的最小灰度阈值和最大灰度阈值；

所述G色彩通道的拉伸灰度值表示为：

其中，I_G和I_G,out分别表示G色彩通道的原灰度值和拉伸灰度值；I_G,min和I_G,max分别表示G色彩通道的最小灰度阈值和最大灰度阈值；

所述B色彩通道的拉伸灰度值表示为：

其中，I_B和I_B,out分别表示B色彩通道的原灰度值和拉伸灰度值；I_B,min和I_B,max分别表示B色彩通道的最小灰度阈值和最大灰度阈值。

本申请实施例按照CIE-Lab空间自适应拉伸、颜色均衡处理、以及对比度拉伸处理的先后顺序对待增强水下鱼类图像进行图像增强处理，不仅保证了亮度、颜色均衡和对比度拉伸处理的合理性和有效性，而且能够从亮度、颜色均衡和对比度三个角度对水下鱼类图像进行改善，得到图像视觉效果更好水下鱼类图像，进而为智慧渔业养殖中的图像分析处理提供了很好的技术支撑。具体经过上述步骤S12-S14增强处理得到的增强水下鱼类图像与现有技术中的图像增强结果进行对比，得到如图7所示和表1所示的结果，明显本申请方法具有一定的优越性。

表1图像不同方法的各评价指标平均值

评价指标	PSNR	SSIM	UICM	UISM
					原图	\	\	17.3067	0.4606
方法1	27.9801	0.7656	16.9161	0.9787
					方法2	28.3451	0.8902	15.9111	0.7455
方法3	28.174	0.8345	11.0214	0.7352
					方法4	28.3048	0.8788	13.6615	0.7439
方法5	26.9426	0.8755	10.4971	0.7882
					提出方法	28.8561	0.9094	18.1018	1.0717

表1中的方法1、方法2、方法3、方法4和方法5分别指的是双强度图像合成和Rayleigh拉伸方法、自适应参数获取的相对全局直方图拉伸方法、基于图像模糊和光吸收的水下场景深度估计方法、基于水下光衰减先验的水下图像场景深度估计模型法以及无监督色彩校正方法。

此外，为了验证本发明水下鱼类图像增强方法的上述技术效果，还通过打乱上述三个步骤的增强处理顺序的方式进行了对比实验，且得到如图8所示的增强处理后的直方图：图8-a表示原图像，图8-b表示原图像直方图；图8-c表示依次进行颜色均衡、CIE-Lab空间自适应拉伸和对比度拉伸的增强图像直方图；图8-d表示依次进行对比度拉伸、CIE-Lab空间自适应拉伸和颜色均衡的增强图像直方图；图8-e是按照本发明的图像增强处理顺序得到的增强图像直方图。其中，直方图的横坐标表示像素灰度值，纵坐标表示处于这个灰度值的像素数量，且图像直方图的灰度值范围越大，像素值数量越均衡，说明图像的增强效果越好。由图8(b-e)的直方图效果可以看出，图8-c直方图不如图8-e的均衡；图8-d的灰度值范围较图8-c、图8-e要小，进而证明了按照本发明顺序进行增强处理得到的直方图效果最好，图8-a中原本较暗区域的亮度得到了有效改善，图像的亮度、清晰度得以提高。

需要说明的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。

在一个实施例中，如图9所示，提供了一种水下鱼类图像增强系统，所述系统包括：

图像获取模块1，用于获取海水网箱养殖的待增强水下鱼类图像；

第一增强模块2，用于将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；

第二增强模块3，用于根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；

第三增强模块4，用于将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。

需要说明的是，关于水下鱼类图像增强系统的具体限定可以参见上文中对于水下鱼类图像增强方法的限定，在此不再赘述。上述水下鱼类图像增强系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

图10示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图10所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种水下鱼类图像增强方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域普通技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比途中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。

综上，本发明实施例提供的一种水下鱼类图像增强方法、系统、计算机设备及存储介质，其水下鱼类图像增强方法实现了通过对实际获取的水下鱼类图像依次进行CIE-Lab空间自适应拉伸、颜色均衡处理、以及对比度拉伸处理，能够从亮度、颜色均衡和对比度三个角度对水下鱼类图像进行改善，得到图像视觉效果更好水下鱼类图像，有效解决现有技术缺陷的同时，为基于水下鱼类图像的研究工作的开展提供便利，进而为智慧渔业养殖中的图像分析的精准性提供了很好的技术保障。

本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种水下鱼类图像增强方法，其特征在于，所述方法包括以下步骤：

获取海水网箱养殖的待增强水下鱼类图像；

将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；

根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；

将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。

2.如权利要求1所述的水下鱼类图像增强方法，其特征在于，所述获取海水网箱养殖的待增强水下鱼类图像的步骤包括：

利用水下机器人拍摄所述海水网箱养殖的水下鱼类视频；

将所述水下鱼类视频进行逐帧提取，得到所述待增强水下鱼类图像。

3.如权利要求1所述的水下鱼类图像增强方法，其特征在于，所述将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像的步骤包括：

将所述待增强水下鱼类图像由RGB空间转换至CIE-Lab空间，得到CIE-Lab空间图像；

对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像；

将所述CIE-Lab空间自适应拉伸图像转换至RGB空间，得到所述第一增强图像。

4.如权利要求3所述的水下鱼类图像增强方法，其特征在于，所述对所述CIE-Lab空间图像的L分量进行线性滑动拉伸，以及对a分量和b分量进行S曲线模型拉伸，得到CIE-Lab空间自适应拉伸图像的步骤包括：

分别计算所述L分量对应的亮度最大值和亮度最小值，并根据所述亮度最大值和亮度最小值，采用线性滑动拉伸将所述L分量拉伸到预设范围内，得到对应的L分量拉伸值；所述L分量拉伸值表示为：

式中，

L_min＝R.sort[R.length*0.1％]

L_max＝R.sort[-R.length*0.1％]

其中，L_out表示L分量拉伸值；R.sort表示根据图像亮度按升序排序的数据集；R.length表示数据集的长度；R.sort[x]表示正排序索引x中的值；

分别对a分量和b分量进行S曲线模型拉伸，得到对应的a分量拉伸值和b分量拉伸值；所述S曲线模型表示为：

其中，I_λ和O_λ分别表示输入像素和输出像素；λ∈{a,b}表示a分量或b分量；

表示预设常数；

将所述CIE-Lab空间图像的L分量拉伸值、a分量拉伸值和b分量分量拉伸值合并，得到所述CIE-Lab空间自适应拉伸图像。

5.如权利要求1所述的水下鱼类图像增强方法，其特征在于，所述根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像的步骤包括：

根据不同光波在水中传播的衰减特性，将所述第一增强图像的B色彩通道确定为所述第一增强图像的主色彩通道；

通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值。

6.如权利要求5所述的水下鱼类图像增强方法，其特征在于，所述通过所述主色彩通道的颜色值，分别均衡R色彩通道和G色彩通道的颜色值的颜色值的步骤包括：

分别计算R色彩通道、G色彩通道和B色彩通道的平均颜色值；

根据所述R色彩通道、G色彩通道和B色彩通道的平均颜色值，分别得到R色彩通道增益因子和G色彩通道增益因子；

根据所述R色彩通道增益因子和G色彩通道增益因子，分别按照下述均衡调整公式对所述R色彩通道、G色彩通道的颜色值进行均衡调整；所述均衡调整公式表示为：

式中，

其中，R和G分别表示原始图像R和G色彩通道的颜色值；R'和G'分别表示调整之后的R和G色彩通道通道的颜色值；a和b分别表示R色彩通道增益因子和G色彩通道增益因子；R_avg、G_avg和B_avg分别表示R、G和B色彩通道的平均颜色值；I_R(i,j)、I_G(i,j)和I_B(i,j)分别表示M×N像素的RGB图像的红、绿和蓝分量，且i＝1，2，…M，j＝1，2，…N。

7.如权利要求1所述的水下鱼类图像增强方法，其特征在于，所述将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像的步骤包括：

获取所述第二增强图像的R色彩通道、G色彩通道和B色彩通道的灰度值，并根据所述R色彩通道、G色彩通道和B色彩通道的灰度值，分别确定所述R色彩通道、G色彩通道和B色彩通道对应的灰度值阈值；所述灰度值阈值包括最小灰度阈值和最大灰度阈值；

分别将所述R色彩通道、G色彩通道和B色彩通道的灰度值按照对应的灰度值阈值进行区间划分，并对各个区间内的灰度值分别进行对比度拉伸，得到R色彩通道、G色彩通道和B色彩通道的拉伸灰度值；所述R色彩通道的拉伸灰度值表示为：

其中，I_R和I_R,out分别表示R色彩通道的原灰度值和拉伸灰度值；I_R,min和I_R,max分别表示R色彩通道的最小灰度阈值和最大灰度阈值；

所述G色彩通道的拉伸灰度值表示为：

其中，I_G和I_G,out分别表示G色彩通道的原灰度值和拉伸灰度值；I_G,min和I_G,max分别表示G色彩通道的最小灰度阈值和最大灰度阈值；

所述B色彩通道的拉伸灰度值表示为：

其中，I_B和I_B,out分别表示B色彩通道的原灰度值和拉伸灰度值；I_B,min和I_B,max分别表示B色彩通道的最小灰度阈值和最大灰度阈值。

8.一种水下鱼类图像增强系统，其特征在于，所述系统包括：

图像获取模块，用于获取海水网箱养殖的待增强水下鱼类图像；

第一增强模块，用于将所述待增强水下鱼类图像进行CIE-Lab空间自适应拉伸，得到第一增强图像；

第二增强模块，用于根据不同光波在水中传播的衰减特性，对所述第一增强图像进行颜色均衡处理，得到第二增强图像；

第三增强模块，用于将所述第二增强图像进行对比度拉伸，得到增强水下鱼类图像。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。

Images