萬至達(dá)，張學(xué)武，盛金保, 向 衍,張 卓，李 敏，范新南，羅成名

(1. 河海大學(xué) 物聯(lián)網(wǎng)工程學(xué)院，江蘇常州 213000; 2. 南京水利科學(xué)研究院，江蘇南京 210029)

隨著水利工程、水電工程、橋梁工程等的持續(xù)建設(shè)，水下結(jié)構(gòu)物(大壩、海洋平臺(tái)、港口碼頭以及橋梁工程等)的覆蓋范圍變得越來越廣泛。水下結(jié)構(gòu)物由于長(zhǎng)期處于水下復(fù)雜環(huán)境中，容易受到水流沖刷、滲透、侵蝕以及自身老化等影響，會(huì)產(chǎn)生一系列的結(jié)構(gòu)性損傷，進(jìn)而在水下結(jié)構(gòu)物表面形成各種各樣的缺陷[1]。如果不對(duì)其進(jìn)行快速有效的修復(fù)，水下結(jié)構(gòu)物表面缺陷會(huì)繼續(xù)擴(kuò)展，嚴(yán)重威脅到整體工程的安全運(yùn)行，成為重大安全事故的主要隱患。國(guó)內(nèi)外專家學(xué)者們提出了如高密度電阻率法、面波勘探法、瞬變電流法、超聲波檢測(cè)法、振動(dòng)法和傳感器檢測(cè)法等。但這些方法存在著共同的缺陷，如測(cè)量深度淺，對(duì)超過百米的深水大壩等水下結(jié)構(gòu)物無法完整探測(cè)整體情況，無法測(cè)量缺陷的空間信息；而且這些方法定位誤差大、效率低下、適應(yīng)性較弱。

隨著計(jì)算機(jī)科學(xué)技術(shù)的發(fā)展，數(shù)字圖像處理技術(shù)憑借其成本低、處理精度高、適用性廣泛的優(yōu)勢(shì)，應(yīng)用于各種情景下，解決了多種復(fù)雜性問題。應(yīng)用數(shù)字圖像處理技術(shù)測(cè)量水下結(jié)構(gòu)物表面缺陷，可以有效降低成本，提高測(cè)量效率、精度和范圍[2]。水下采集的圖像對(duì)比度低、特征信息缺乏、圖像模糊，且包含由于泥沙、水流、微生物等造成的大量隨機(jī)噪聲，現(xiàn)有的缺陷測(cè)量方法不能有效測(cè)量出水下結(jié)構(gòu)物表面缺陷的空間信息。

針對(duì)上述問題，提出了一種基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量方法。該方法通過雙目攝像頭采集水下結(jié)構(gòu)物表面的圖像；通過預(yù)先標(biāo)定的參數(shù)矩陣對(duì)采集到的圖像進(jìn)行校正；通過基于生物視覺特性的表面缺陷圖像增強(qiáng)算法，有效解決水下圖像細(xì)節(jié)模糊、亮度不均等問題；通過雙目視覺算法實(shí)現(xiàn)對(duì)表面缺陷的空間信息的有效測(cè)量。

1 雙目攝像頭水下環(huán)境標(biāo)定

基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量根據(jù)圖像中各對(duì)應(yīng)點(diǎn)的像素距離，計(jì)算相應(yīng)的空間信息，采集到的圖像的準(zhǔn)確性和可靠性就尤為關(guān)鍵，所以需要對(duì)攝像頭采集到的有畸變圖像進(jìn)行校正。同時(shí)由于在水下環(huán)境中，光線從空氣中照射入水中時(shí)會(huì)發(fā)生折射，標(biāo)定方法需要進(jìn)一步分析、討論[3]。本文通過對(duì)光線從水中入射到攝像頭的過程分析，根據(jù)折射規(guī)律，將折射近似成一個(gè)透鏡，通過張正友[4]標(biāo)定方法來標(biāo)定水下環(huán)境中的雙目攝像頭。采用優(yōu)化的張正友算法，在標(biāo)定計(jì)算過程增加畸變參數(shù)。本文中，將徑向畸變參數(shù)由張氏標(biāo)定法中的1個(gè)畸變參數(shù)k1，增加到3個(gè)畸變參數(shù)k1，k2和k3，分別為主點(diǎn)周圍的泰勒級(jí)數(shù)展開式前三項(xiàng)的系數(shù)；同時(shí)考慮切向畸變?cè)谒鲁上裰袑?duì)圖像存在影響，設(shè)置2個(gè)切向畸變參數(shù)p1，p2。

2 基于生物特性的表面缺陷圖像增強(qiáng)算法

由于水下環(huán)境中水流、泥沙、微生物和輔助光照等的影響，會(huì)造成圖像的亮度不均勻、細(xì)節(jié)較少、對(duì)比度不強(qiáng)等問題，對(duì)缺陷測(cè)量造成很大的干擾[5]。本文針對(duì)這些問題，利用生物視覺特性，設(shè)計(jì)了一種基于生物特性的表面缺陷圖像增強(qiáng)算法。

2.1 生物視覺特性

圖1 光強(qiáng)亮度和主觀亮度關(guān)系曲線Fig.1Brightness and subjective brightness

生物學(xué)研究表明，眼睛的主觀亮度是進(jìn)入人眼光亮度的對(duì)數(shù)函數(shù)。實(shí)際光強(qiáng)度對(duì)數(shù)與人眼主觀亮度的關(guān)系曲線如圖1所示[6]。

人類視覺系統(tǒng)能夠適應(yīng)的光強(qiáng)度級(jí)別非常寬，但人的視覺系統(tǒng)不能同時(shí)在一個(gè)范圍內(nèi)工作，所以必須通過改變整個(gè)視覺系統(tǒng)的靈敏度來實(shí)現(xiàn)這一功能，該現(xiàn)象即為人眼的亮度適應(yīng)現(xiàn)象。如圖1中，長(zhǎng)交叉線表示光強(qiáng)對(duì)數(shù)與主觀亮度之間的關(guān)系，而短交叉線表示當(dāng)人眼適應(yīng)該光強(qiáng)為Ba強(qiáng)度級(jí)時(shí)，人眼能感覺到的主觀亮度范圍。若亮度超出該段交叉線范圍時(shí)，所有的刺激都可以看做是不可分辨的黑色來處理。

由于人眼的亮度適應(yīng)特性完全符合對(duì)數(shù)模型，而對(duì)數(shù)變換可以通過對(duì)圖像全局明暗程度進(jìn)行非線性調(diào)整，在一定程度上壓縮圖像像素值的動(dòng)態(tài)范圍，擴(kuò)展高值圖像中的暗像素區(qū)域，完成圖像的全局亮度變化，以適應(yīng)人類視覺系統(tǒng)對(duì)于光強(qiáng)的主觀感覺特性。對(duì)數(shù)變換的一般表達(dá)式為：

In(x,y)=clg(I(x,y)+1)

(1)

Ig(x,y)=In(x,y)/lg256

(2)

式中：I(x,y)是原始圖像在(x,y)處的像素值；In(x,y)是對(duì)(x,y)坐標(biāo)處像素進(jìn)行亮度變換后的像素值；Ig(x,y)是對(duì)(x,y)坐標(biāo)處亮度變化后的像素值In(x,y)進(jìn)行歸一化后獲得的亮度值。

針對(duì)由于水下光照亮度不均勻?qū)е碌乃麓髩瘟芽p圖像的背景灰度不均勻現(xiàn)象，可以利用上述人眼亮度均勻方法壓縮該類圖像灰度的動(dòng)態(tài)范圍，提高圖像暗區(qū)域的亮度，完成水下圖像的全局亮度調(diào)整，提高后續(xù)算法的自適應(yīng)能力。

鱟魚的側(cè)抑制機(jī)理，是將鱟魚復(fù)眼中的每個(gè)小眼都視為一個(gè)單獨(dú)的感受器，因此，每個(gè)復(fù)眼中都包含大量的感受器。當(dāng)某一感受器受到刺激產(chǎn)生興奮時(shí)，該感受器抑制野內(nèi)的其他感受器受到刺激所產(chǎn)生的興奮都對(duì)其具有抑制作用，而且抑制的強(qiáng)度與兩個(gè)感受器之間的距離有關(guān)。因此，在側(cè)抑制網(wǎng)絡(luò)中，每個(gè)感受器的輸出是該感受器接受外部刺激所產(chǎn)生的興奮性影響和周圍感受器對(duì)其抑制性影響相互作用的結(jié)果。

側(cè)抑制網(wǎng)絡(luò)的主要功能有：(1) 檢測(cè)圖像的邊緣信息，增強(qiáng)邊緣信息的對(duì)比度，具有“勾邊”效應(yīng)；(2) 抑 制空間內(nèi)低頻信號(hào)，壓縮輸入變化范圍，對(duì)均勻光照起到亮度調(diào)節(jié)作用；(3) 對(duì)由于屈光系統(tǒng)缺陷所引起的成像模糊進(jìn)行補(bǔ)償，提高模糊圖像的清晰度。

側(cè)抑制網(wǎng)絡(luò)將邊框突出機(jī)制、亮度適應(yīng)機(jī)制以及圖像復(fù)原機(jī)制有效結(jié)合起來。因此，側(cè)抑制機(jī)理對(duì)于水下圖像的細(xì)節(jié)模糊、對(duì)比度差等問題的解決是一個(gè)很好的突破口。

2.2 仿生視覺特性的缺陷圖像增強(qiáng)算法

根據(jù)生物視覺亮度均勻方法，雖然可以通過對(duì)數(shù)函數(shù)對(duì)水下大壩裂縫圖像亮度不均勻的情況進(jìn)行亮度非線性調(diào)整，在一定程度上壓縮圖像像素值的動(dòng)態(tài)范圍，擴(kuò)展高值圖像中的暗像素區(qū)域，使得裂縫圖像的全局亮度均勻。但是由于水下環(huán)境極其復(fù)雜以及大壩表面的復(fù)雜情況，導(dǎo)致了拍攝的水下大壩裂縫圖像的多樣性。為了能夠提高生物亮度均勻算法對(duì)不同亮度區(qū)間、不同類型以及不同大小的裂縫圖像的亮度調(diào)整的自適應(yīng)性，建立了參數(shù)對(duì)數(shù)模型來模擬生物視覺亮度系統(tǒng)。該模型可以根據(jù)圖像自身的整體亮度分布情況自適應(yīng)地對(duì)圖像進(jìn)行全局亮度均勻。其計(jì)算模型如式(3)所示。

Ig(x,y)=c(k)[lg(I(x,y)+k+1)/lg(m(k))-t(k)]

(3)

式中：I(x,y)是原始圖像在坐標(biāo)(x,y)處的灰度值；Ig(x,y)是對(duì)原始圖像亮度均勻處理后的圖像在坐標(biāo)(x,y)處的灰度值；c(k)，m(k)和t(k)是圖像亮度信息調(diào)整相關(guān)參數(shù)：

m(k)=256+k

(4)

t(k)=lg(k+1)/lg(m(k))

(5)

c(k)=1/(1-t(k))

(6)

而k值是整個(gè)自適應(yīng)算法的關(guān)鍵，k值可以通過計(jì)算圖像自身的灰度直方圖來確定，其計(jì)算式為：

(7)

式中:Sum(h(1:k))表示在統(tǒng)計(jì)直方圖中1～k的灰度級(jí)內(nèi)所有灰度值的總和，而T為閾值。

通過對(duì)生物視覺的亮度調(diào)整的模型進(jìn)行改進(jìn)，提出了大壩裂縫圖像亮度自適應(yīng)調(diào)整算法。該算法不僅可以對(duì)圖像進(jìn)行全局亮度均勻，避免影響后續(xù)的增強(qiáng)過程，而且針對(duì)不同亮度、不同大小的圖像，不再需要人工干預(yù)進(jìn)行參數(shù)調(diào)整，提高了算法的自適應(yīng)性和實(shí)用性。

圖2 循環(huán)側(cè)抑制模型和非循環(huán)側(cè)抑制模型原理Fig.2 Schematic diagram of the cyclic side suppression model and the acyclic side suppression model

建立側(cè)抑制網(wǎng)絡(luò)需要從側(cè)抑制網(wǎng)絡(luò)模型、抑制系數(shù)分布以及抑制野的范圍3個(gè)方面進(jìn)行考慮。

(1) 側(cè)抑制網(wǎng)絡(luò)模型。根據(jù)感受器j是對(duì)感受器i的輸入?yún)?shù)還是輸出參數(shù)進(jìn)行抑制，可以將側(cè)抑制網(wǎng)絡(luò)模型分為非循環(huán)抑制模型和循環(huán)抑制模型，如圖2所示。其中，感受器i的輸入為xi，輸出為yi，感受器j對(duì)感受器i的抑制系數(shù)為kij。若感受器i的抑制野內(nèi)的所有感受器對(duì)其的抑制總和為∑kijxi，則該模型為非循環(huán)抑制模型。若感受器i的抑制野內(nèi)的所有單元對(duì)其的抑制總和為∑kijyi，則該模型為循環(huán)抑制模型。

根據(jù)感受器j對(duì)感受器i的抑制影響方式是總和作用還是分流作用，可以將側(cè)抑制模型分為減法型模型和分流型模型。其中，在減法型模型中，每個(gè)感受器的輸出是該感受器的興奮性輸出與抑制野范圍內(nèi)所有感受器的抑制性輸出的總和。而在分流型模型中，每個(gè)感受器的興奮性輸出是由抑制野內(nèi)所有感受器對(duì)該感受器的興奮性輸入進(jìn)行抑制后的產(chǎn)生輸出。本文中采用的二維側(cè)抑制模型是二維減法循環(huán)模型：

(8)

式中：xij，yij分別為感受器單元(i,j)的輸入及輸出；kij,pq為感受器單元(p,q)對(duì)感受器單元(i,j)的抑制系數(shù)；R為抑制野的半徑。

(2) 側(cè)抑制系數(shù)分布。Hartline等對(duì)鱟所做的電生理實(shí)驗(yàn)中發(fā)現(xiàn)，感受器j對(duì)感受器i的抑制作用隨著兩個(gè)感受器之間的距離增大而減小。本文采用高斯分布曲線函數(shù)，其計(jì)算式如下：

(9)

其中，二維側(cè)抑制模型中兩個(gè)感受器單元(i,j)和(p,q)之間的距離定義為歐幾里德距離。

(3) 抑制野的大小。抑制野是指能對(duì)中心感受器i產(chǎn)生抑制作用的所有感受器的范圍。由于側(cè)抑制作用存在空間總和效應(yīng)，因此抑制野的范圍越大，即對(duì)感受器i產(chǎn)生抑制作用的感受器越多，則感受器i受到的抑制作用越大，圖像邊緣的“勾邊”效果就越明顯。但是隨著抑制野范圍的增大，系統(tǒng)的運(yùn)行時(shí)間和空間將會(huì)大幅度提高，嚴(yán)重影響系統(tǒng)的實(shí)時(shí)性。因此，考慮到精確度以及實(shí)用性，本文將抑制野范圍設(shè)置為中心感受器單元的5×5鄰域。

3 基于半全局匹配的立體測(cè)量算法

基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量目的在于檢測(cè)缺陷的空間信息，檢測(cè)缺陷空間信息就需要知道缺陷在兩幅圖像中所對(duì)應(yīng)像素點(diǎn)的位置之差，然后通過像素點(diǎn)的位置之差和兩個(gè)攝像頭的空間位置關(guān)系，可以得到缺陷的空間信息。通過立體測(cè)量可以將兩幅圖像對(duì)應(yīng)的像素點(diǎn)找到。本文采用了一種基于半全局匹配的立體測(cè)量算法，該算法對(duì)光線不敏感、精確度高、準(zhǔn)確度高、速度快，適用于水下環(huán)境，可獲得稠密的視差圖。

3.1 匹配代價(jià)計(jì)算

匹配代價(jià)算法采用了基于互信息的代價(jià)計(jì)算[7]?；バ畔⒖醋魇且环N熵，如式(10)和(11)所示。

(10)

MII1，I2=HI1+HI2-HI1，I2

(11)

根據(jù)式(11)，式中第1項(xiàng)和第2項(xiàng)分別是左右圖像的熵，第3項(xiàng)是聯(lián)合熵。熵是一種概率的分布，聯(lián)合熵是一種概率分布圖像,如式(12)所示:

(12)

求解式中圖像的概率分布，圖像概率分布就是圖像灰度的統(tǒng)計(jì)。將圖像的所有灰度概率統(tǒng)計(jì)為概率分布PI。圖像概率分布PI1，I2是一個(gè)256×256的二維的圖像，如式(13)所示。

(13)

左圖像和右圖像中有(i，k)對(duì)應(yīng)點(diǎn)，左圖像中點(diǎn)的灰度值為i，右圖像中點(diǎn)的灰度值為k。

將式(11)進(jìn)行泰勒展開可以求出聯(lián)合熵，如式(14)所示。

(14)

在式(14)中，hI1，I2是以像素的灰度值為自變量的數(shù)據(jù)項(xiàng)，因此聯(lián)合熵的求取就轉(zhuǎn)化成了求hI1，I2的值，具體的計(jì)算式為：

(15)

式中：g(i，k)是高斯核，對(duì)聯(lián)合熵的概率圖像進(jìn)行平滑，對(duì)處理后的圖像取對(duì)數(shù)再進(jìn)行高斯平滑，就可以得到hI1，I2(i，k)。對(duì)圖像的熵進(jìn)行計(jì)算的時(shí)候同樣采用上述方法，即：

(16)

(17)

可以得出匹配代價(jià)CMI：

CMI(P，d)=-miIb， fD(Im)(IbP，Imq)

(18)

q=ebm(p，d)

(19)

3.2 代價(jià)聚合

對(duì)代價(jià)的聚合需要考慮圖像像素之間的關(guān)系。具體能量函數(shù)如式(20)所示[8]。

(20)

在式(20)中第1項(xiàng)是互信息的匹配代價(jià)，第2項(xiàng)是平滑性約束加入圖像鄰域的相關(guān)性懲罰約束。懲罰系數(shù)P2大于懲罰系數(shù)P1。

像素的鄰域是二維圖像，將其分解為8個(gè)方向的一維像素條，再對(duì)各個(gè)方向應(yīng)用動(dòng)態(tài)規(guī)劃的方法求取能量函數(shù)的最小值。

S(p，d)代表像素點(diǎn)p，視差值為d的一維圖像像素的聚合值。計(jì)算式如式(21)所示。

(21)

式中:r是8個(gè)向量中的1個(gè)向量，r向量指向像素p，Lr為向量r上代價(jià)的聚合值。Lr的計(jì)算如式(22)所示。

Lr(p，d)=C(p，d)+min(Lr(p-r，d)，Lr(p-r，d-1)+P1，Lr(p-r，d+1)+P1，

(22)

在計(jì)算點(diǎn)p的鄰域在r方向上的聚合值的第2個(gè)部分時(shí)充分應(yīng)用了動(dòng)態(tài)規(guī)劃的思想，將一個(gè)點(diǎn)的匹配代價(jià)轉(zhuǎn)化為下一個(gè)點(diǎn)的匹配代價(jià)，最后以遞歸的方式對(duì)匹配代價(jià)求解。

3.3 視差圖優(yōu)化

上述基于半全局匹配的立體測(cè)量算法對(duì)誤匹配點(diǎn)和遮擋點(diǎn)的處理都是直接置為0，會(huì)使得匹配完成的視差圖像存在很多空洞。針對(duì)該問題，本文提出了一種空洞填充方式，獲得稠密的視差圖。移動(dòng)滑窗對(duì)整幅視差圖填充，然后縮小滑窗，對(duì)視差圖迭代計(jì)算，直至迭代次數(shù)完畢。

4 試驗(yàn)與分析

為驗(yàn)證本文方法的效果和可靠性，以水庫(kù)大壩深水表面裂縫為研究對(duì)象，對(duì)基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量進(jìn)行了大量試驗(yàn)。

4.1 攝像頭標(biāo)定試驗(yàn)

首先制作平面標(biāo)定標(biāo)靶。在平面標(biāo)定標(biāo)靶上刻畫出6×9的黑白棋盤格，每個(gè)方格的邊長(zhǎng)為22 mm。標(biāo)定時(shí)應(yīng)在平靜的水中進(jìn)行，如圖3所示。然后編寫拍照相關(guān)程序，將攝像頭采集到的圖像以圖片的形式存取。在拍攝標(biāo)定使用的圖片時(shí)應(yīng)從多個(gè)距離、多個(gè)角度去拍攝黑白棋盤格。標(biāo)定過程如圖3所示。

標(biāo)定結(jié)果符合模型對(duì)重投影誤差低于0.5個(gè)像素點(diǎn)的要求。對(duì)重投影誤差的統(tǒng)計(jì)如圖4,平均像素誤差為0.20個(gè)像素點(diǎn)，滿足要求。

圖3 標(biāo)定照片拍攝過程Fig.3Calibration photo shooting process

圖4 標(biāo)定的重投影誤差Fig.4Calibrated reprojection error

4.2 圖像增強(qiáng)試驗(yàn)

為了驗(yàn)證提出的基于生物視覺特性的大壩裂縫測(cè)量算法的有效性，從眾多試驗(yàn)中選擇3幅典型的大壩裂縫圖像，包括弱裂縫、表面裂縫和大裂縫(圖5)。

圖5 仿水下生物視覺的增強(qiáng)算法效果圖

圖5中，上圖是采集到的原始圖像，下圖是處理后的圖像。從圖5中可明顯看出，本文提出仿水下生物視覺的增強(qiáng)算法不僅對(duì)大壩裂縫的邊緣的勾邊效果明顯，灰度表現(xiàn)力好，且圖像平滑性較好，邊界明顯，并且有抑制噪聲的效果。

圖6 原圖和彩色視差圖對(duì)比Fig.6Color parallax map

4.3 立體測(cè)量及目標(biāo)測(cè)量試驗(yàn)

本文中立體測(cè)量及目標(biāo)測(cè)量試驗(yàn)首先測(cè)得裂縫的真實(shí)空間信息，然后進(jìn)行試驗(yàn)，得出裂縫的空間信息，并與真實(shí)空間信息對(duì)比，測(cè)出平均誤差率。首先在水下環(huán)境對(duì)圖像進(jìn)行采集，根據(jù)上文所述校正雙目攝像頭的圖像，并做圖像增強(qiáng)。然后通過立體測(cè)量得到初步的視差圖，對(duì)初步視差圖進(jìn)行空洞填充，然后對(duì)其彩色化，不同顏色對(duì)應(yīng)不同深度信息(見圖6)。最后進(jìn)行人機(jī)交互操作，即可獲得其相對(duì)于左攝像頭空間信息。

對(duì)水下環(huán)境中的缺陷測(cè)量，7組典型測(cè)量結(jié)果如表1所示,其中裂縫距離均是相對(duì)于左側(cè)攝像頭的空間直線距離。

表1 典型測(cè)量結(jié)果Tab.1 Typical measurement result table

對(duì)測(cè)量結(jié)果進(jìn)行誤差分析和計(jì)算。經(jīng)計(jì)算相對(duì)誤差的平均數(shù)為5.10%，相對(duì)誤差從圖像中心向四周逐漸變大，這與攝像頭的成像原理相符，在圖像四周相對(duì)誤差均小于10%，且實(shí)際應(yīng)用中水下結(jié)構(gòu)物缺陷的圖像位置可經(jīng)過攝像頭及水下平臺(tái)位置的調(diào)整，將其置于圖像中心部分。本文對(duì)50個(gè)裂縫分別進(jìn)行10組測(cè)量試驗(yàn)，得到大量裂縫空間信息試驗(yàn)數(shù)據(jù)，具有統(tǒng)計(jì)意義。經(jīng)驗(yàn)證，該方法可靠、穩(wěn)定，測(cè)量精度滿足工程需要。

5 結(jié) 語(yǔ)

基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量方法，通過對(duì)雙目攝像頭的校正、圖像增強(qiáng)和立體測(cè)量的一系列處理，實(shí)現(xiàn)對(duì)缺陷的空間信息的測(cè)量，經(jīng)大量試驗(yàn)得出：

(1) 設(shè)計(jì)的基于雙目視覺的水下結(jié)構(gòu)物表面缺陷測(cè)量方法，可以穩(wěn)定、可靠地實(shí)現(xiàn)對(duì)水下結(jié)構(gòu)物空間信息的精準(zhǔn)測(cè)量。

(2) 根據(jù)水下光的傳播路徑分析結(jié)果，設(shè)計(jì)的攝像頭標(biāo)定算法，將水下環(huán)境擬合成透鏡形式，標(biāo)定的攝像頭參數(shù)矩陣可以很好地校正攝像頭畸變圖像。

(3) 根據(jù)人類和鱟魚視覺系統(tǒng)，通過仿生方式，設(shè)計(jì)出了基于生物特性的水下結(jié)構(gòu)物缺陷增強(qiáng)算法，并通過試驗(yàn)證明該算法可以對(duì)圖像進(jìn)行勻光處理，且圖像增強(qiáng)效果明顯，對(duì)噪聲抑制較好。

本文雖然可以穩(wěn)定、精確測(cè)量缺陷處的空間信息，但并未對(duì)缺陷進(jìn)行識(shí)別，不能達(dá)到自主測(cè)量缺陷的目的；本文提出的方法處理速度尚未達(dá)到實(shí)時(shí)效果，需要進(jìn)一步優(yōu)化。