【论文阅读】《Underwater Image Enhancement via L2 based Laplacian Pyramid Fusion》

框架图

本文提出了一个有效的基于融合的框架来增强水下图像。
（1）对原始图像使用Simlest Color Balance进行颜色校正消除色偏，并获得颜色校正的图像。
（2）将图像的RGB通道转换为Lab通道获得亮度Lc。
（3）通过自适应直方图均衡化增强对比度来处理亮度通道，获得亮度La，将拉普拉斯金字塔分解亮度Lc和亮度La，以获得两个5层金字塔 。
（4）使用提出的融合规则，即基于L2范数的最佳平衡，将第三步中获得的两个金字塔逐层合并。 （因为经过色彩校正后，水下图像仍然模糊不清，亮度较低。）

颜色校正

由于光的吸收和散射，大多数水下图像是蓝色和绿色，因此颜色校正通常是增强水下图像的必要步骤之一。 白平衡是颜色校正的常用方法之一。 本文使用Simlest Color Balance算法作为色彩校正方法。 它通过应用仿射变换来尽可能扩展图像的三个通道R，G，B的值，以便它们可以占据[0，255]之间的最大范围，从而达到拉伸通道的效果。naive颜色平衡是一种简单的像素仿射变换，可将输入图像像素的最小值和最大测量像素值映射到输出空间极值。 但是，本文认为许多图像本身已经占用了0和255的值，因此在应用plain颜色平衡之前，将一小部分具有最高值的像素“裁剪”到255，并将一小部分具有最低值的像素“裁剪” 为0。这样获得的图像将比直接应用仿射变换获得的图像好得多。

对比度增强

自适应直方图均衡化（Adaptive histogram equalization）（简称AHE）主要是基于块处理以提高图像对比度的算法。 它通过计算图像每个重要区域的直方图来重新分配图像的亮度值，因此它更适合于改善图像的局部对比度和增强图像边缘信息。出于同样的原因，本文使用AHE算法更改亮度Lc的对比度以获得亮度La，并通过计算每个像素邻域的变换函数对每个像素执行直方图均衡（HE）。使用最简单的形式来均衡每个像素基于像素的正方形邻域的直方图。 另外，注意到由于图像边界像素的邻域没有完全包含在图像中，因此本文通过获取像素行或列的镜像像素来计算变换函数。

拉普拉斯金字塔分层

对亮度Lc和亮度La进行拉普拉斯金字塔分解。拉普拉斯金字塔分解位置按分辨率从大到小的顺序对图像进行分层，形成金字塔形状。 它基于高斯分解，对高斯金字塔的第l层图像和第l + 1 1层图像进行插值，以获得拉普拉斯金字塔的第l层图像，从而减少了 高斯金字塔中的大量冗余信息。
本文分别对亮度Lc和亮度La进行拉普拉斯金字塔分解，并将它们分为5层以获得Lp1和Lp2。 拉普拉斯金字塔分解的每一层的公式如下：

其中N是顶层，L1是层1图像，G1是当前层的高斯金字塔，G ∗ l + 1是通过对G1层图像进行插值生成的，Rl和Cl是分别在l层中的行数和列数 ，w（m，n）是5 * 5的窗函数，表示为：

基于L2范数的最优平衡

基于L2范数的最优平衡是一种新的融合规则。经过色彩校正后，水下图像仍然模糊不清，亮度较低。因此，为了增强图像的亮度，要突出物体。因此本文根据融合规则对拉普拉斯分解得到的图像进行融合。其基本思想是根据L2范数在Lp1和Lp2各层之间找到最优平衡点。由于Lp1和Lp2都包含不同的有用信息，可以通过融合方法结合Lp1和Lp2的优点，即实现Lp1和Lp2亮度的最优解，提高信亮度通道。融合公式:

其中α∈[0，1]是一个正参数，∇表示差分算子，Lp3是拉普拉斯金字塔的融合结果。
等式（3）的前两个惩罚项表示修正亮度Lp3是Lp1和Lp2的加权平均值。 如果仅存在前两项，则在融合期间亮度通道可能会过度增强。 为了解决这个问题，在目标函数中增加了加权梯度约束（等式（3）的后两项），以通过平滑操作来平衡过度增强的问题。
由于等式（3）中的所有项都是二次项，因此这是一个最小二乘问题，具有可以直接获得的近似解。 快速傅立叶变换（FFT）用于加快此过程。首先计算Lp3的傅立叶系数，然后找到其逆变换。

其中Φ= F *（∇x）F（∇x）+ F *（∇y）F（∇y），1是单位矩阵，F是FFT运算，F-1是逆FFT运算，F ∗是 共轭转置，x和y是水平和垂直方向。
完成上述步骤后，需要从上到下重建融合的拉普拉斯金字塔，以获得最终的亮度通道L0，然后将其替换为Lc，然后将LAB通道转换为RGB通道，以得到结果图像。

结果