通过浊度先验和多尺度自适应技术进行水下工程图像增强

《Engineering Applications of Artificial Intelligence》:Underwater engineering image enhancement via turbidity prior and multi-scale adaptive

【字体: 大 中 小 】 时间:2026年01月01日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  针对高浑浊内陆水域水下工程图像存在的颜色失真、低对比度和模糊细节问题,提出基于浑浊感知先验与多尺度自适应融合的TMAF方法。该方法通过IMPA算法消除颜色 casts 并保持材料真实性,TAP模块基于1008张工程图像统计分析实现准确透射率估计,结合多尺度融合框架提升细节可见性。实验表明,TMAF在IUCE和UIEB数据集上全面优于9种SOTA方法,显著提升特征点与目标检测性能,验证了其在复杂水下环境中的实用价值。

  
胡港|袁爱民|陈琦|刘久生|邱恒亚
中国南京河海大学土木与交通工程学院,210098

摘要

在浑浊度极高的内陆河流中,水下工程图像受到严重的颜色失真、对比度低和细节模糊的影响,这限制了结构健康监测的效果。为了解决这些问题,本文提出了一种基于浑浊度意识的先验信息和多尺度自适应融合(TMAF)方法。该方法包含三个创新点:(1)智能材料保留自适应(IMPA)颜色校正算法,通过多维特征提取消除颜色偏移同时保持材料真实性;(2)基于1008张工程图像的统计分析的浑浊度意识先验(TAP)模块,通过融合局部对比度、饱和度和边缘密度特征来准确估计透射率;(3)集成USM、CLAHE和边缘保持滤波的多尺度自适应融合框架。在内陆水下工程图像(IUCE)数据集和公共水下图像增强基准(UIEB)数据集上的实验验证表明,TMAF在定性和定量评估中均显著优于九种现有方法。该方法还显著提高了特征点和物体检测的性能,特别是在高浑浊度条件下表现出优异的鲁棒性和泛化能力。这表明该方法在复杂的水下工程环境中的图像增强和后续基于AI的智能检测任务中具有实际应用价值。

引言

随着城市基础设施的不断扩张和老化,高浑浊度内陆河流和港口中的水下工程结构(如桥墩、基础和码头)的健康状况已成为土木工程领域日益关注的焦点(Teng等人,2024a,Teng等人,2024b;Negi等人,2024)。这些结构经常暴露在复杂的水环境中,高浑浊度、低能见度和强烈的光散射显著增加了裂缝、剥落和腐蚀的风险,从而对结构的安全性和耐久性构成严重威胁(O'Byrne等人,2018;Qu等人,2021)。高效准确的水下结构检测对于确保工程安全、延长使用寿命和降低维护成本至关重要(Xiang等人,2022)。然而,由于水的吸收和散射作用,尤其是在高浑浊度的内陆环境中,水下图像常常出现严重的颜色失真、对比度低和细节模糊,这极大地阻碍了结构缺陷的早期识别和智能检测技术的发展(Zhou等人,2020,2022;Zhou等人,2022a,Zhou等人,2022b)。
近年来,水下图像增强技术取得了显著进展(Yin等人,2023;Wang等人,2017;Ren等人,2022;Carlevaris-Bianco等人,2010)。现有方法大致可以分为基于物理模型的方法、基于非物理模型的方法和基于深度学习的方法。第2节将对这些方法及其在高浑浊度工程环境中的局限性进行详细回顾。
尽管现有方法在自然水域和海洋环境中取得了显著成果,但在高浑浊度的内陆河流工程环境中仍存在显著局限性(Teng等人,2024a,Teng等人,2024b)。大多数算法侧重于颜色恢复和视觉改善,但未能同时保持工程材料的真实性和结构细节的清晰度。此外,公共数据集主要包含自然场景图像,限制了算法在工程检测任务中的泛化能力。工程检测需要精确的细节恢复和缺陷敏感性,而现有方法未能系统地解决这些问题。
为了解决这些局限性,本文提出了一种基于浑浊度意识先验和多尺度自适应融合的水下图像增强方法,以下简称TMAF方法,专门针对土木工程结构中的高浑浊度水下环境。该方法包含三个关键创新点:(1)基于1008张内陆水下工程图像的统计分析的浑浊度意识先验(TAP)模块,用于准确估计透射率;(2)智能材料保留自适应颜色校正(IMPA)算法,消除颜色偏移同时保持工程材料的真实性;(3)集成USM、CLAHE和边缘保持滤波的多尺度自适应融合框架,以实现全面的细节增强。这些创新使TMAF在增强结构细节可见性的同时保持了材料真实性,适用于工程检测应用。
本文的其余部分组织如下。第2节回顾了水下图像增强的相关工作。第3节介绍了提出的TMAF方法,包括水下成像模型(第3.1节)、IMPA颜色校正(第3.2节)、TAP模块(第3.3节)和多尺度自适应融合(第3.4节)。第4节展示了实验结果和分析。第5节总结了本文并讨论了未来的工作。

相关研究

相关研究

为了应对由水中的光吸收和散射引起的颜色失真、对比度低和细节模糊等问题,水下图像增强已被广泛研究。现有方法大致可以分为三类:基于物理模型的方法、基于非物理模型的方法和基于深度学习的方法。本节对每一类的代表性工作进行了全面回顾,并讨论了它们在高浑浊度环境中的局限性。

背景研究

水介质的吸收、散射和折射效应改变了光的传播路径,最终影响水下结构的成像结果。为了阐明光传播过程和图像平面上每个像素的辐照度,图1展示了经典的Jaffe-McGlamery(McGlamery,1980;Jaffe,1990)水下成像模型(UIM)。根据该模型,相机捕获的场景辐射可以被视为一个线性

实验结果与分析

为了验证TMAF方法的有效性,在内陆水下工程图像数据集(IUCE)和水下图像增强基准数据集(UIEB)上进行了对比实验。从四个方面全面评估了算法的性能:定性评估、定量评估、特征检测性能和物体检测效率。与九种最先进的水下图像增强方法的对比分析表明

结论

本文提出了TMAF方法,这是一种基于浑浊度意识先验和多尺度自适应融合的水下混凝土图像增强方法,旨在解决高浑浊度内陆水下工程图像的质量退化问题。通过全面的定性和定量评估、特征点检测性能评估,在自构建的IUCE数据集和公共UIEB数据集上验证了TMAF方法的有效性和优越性。

CRediT作者贡献声明

胡港:撰写——原始草稿、软件、方法论。袁爱民:验证、监督、方法论、概念化。陈琦:验证、资源、数据管理。刘久生:可视化、验证。邱恒亚:可视化、验证。

利益冲突声明

我们确认本出版物不存在已知的利益冲突,且本工作未接受任何可能影响其结果的财务支持。
我们确认所有列出的作者均已阅读并批准了手稿,且没有其他符合作者资格但未列出的人士。我们进一步确认手稿中作者的顺序已得到所有作者的同意。
我们确认我们已

致谢

作者感谢中国设计集团有限公司对本文的宁马高速水下检测项目提供资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号