论文：Visibility Enhancement for Underwater Visual SLAM based on Underwater Light Scattering Model
会议：ICRA
年份：2017
作者：Younggun Cho and Ayoung Kim

文章目录

1. 简介
2. 水下成像模型
3. 研究方法
4. 实验
5. 论文贡献

1.简介

本文提出了一种有效的水下视觉同时定位和制图（SLAM）的实时可见性增强算法。与空中环境不同，水下环境包含较大的粒子，并由不同的图像退化模型主导。论文的方法先对水下粒子物理性进行全面分析（例如，前向散射，后向散射，多次散射，模糊和噪声）。针对现实应用中的水下图像增强，论文在推导中加入了人造光模型。与常规方法相比，所提出的方法对于彩色图像和灰度图像均有效，并且处理时间显着改善。通过使用模拟的合成图像（彩色）和真实世界的水下图像（彩色和灰度）验证了该方法的有效性。使用从相同区域获得的两个水下图像集，但浊度不同，我们评估了SLAM中建议的可见性增强和相机配准改进。

2.水下成像模型

考虑到水下粒子的物理性，首先分析造成水下图像退化的四种原因：

然后提出水下成像模型：

3.研究方法

考虑到需要增强的图像可能有以下两种特点：

1. 与时间测量无关，即这些图像之间重叠的部分比较少，要想精确定位，需要整体对图像进行增强；
2. 与时间测量有关，即是在一段时间内的序列图像，这些图像相互之间重叠部分比较多且视点变化比较小，这样的图像要想定位跟踪，只需进行简单的增强即可。

考虑到以上两种情况，提出以下两种增强方法：

1. 完整图像增强模型
   （a）去噪：使用导向滤波；
   （b）去雾：首先估计出人造光和一个拟合平面，然后用平面诱导去雾进行去雾；
   （c）去模糊：首先估计出点扩散函数，然后用去雾之后的图像与点扩散函数进行反卷积；
   （d）全局对比度增强：使用CLAHE进行对比度增强。

2. 简化图像增强模型
   （a）细节增强：使用双重导向滤波对前景和背景进行细节增强；
   （b）全局对比度增强：同上。

4.实验

文中考虑到水下图像难以取得，首先使用ground-truth进行合成水下数据集，然后在此基础上进行增强。

论文中使用的数据集：

1. ICL-NUIM RGBD benchmark dataset：
2. ACFR stereo datasets：marine.acfr.usyd.edu.au/datasets/

5.论文贡献

1. 在去雾时考虑水下粒子的物理性（前向散射、后向散射、多次散射、噪声）；
2. 提出在水下机器人应用中加入人造光模型（模型LED的发光模型）；
3. 与颜色通道数无关（使用平面诱导去雾的方法，既适用于彩色图像，也适用于灰度图像）；
4. 在线处理性能提升。