技术特征：
1.一种基于图像增强的水下slam优化方法，其特征在于，包括以下步骤：s1、根据光线的折射原理，得到修正后的特征点坐标；s2、在空域方面通过线性变换对水下机器人所获取的原始图像的每个像素点的灰度值进行处理；s3、在频域方面使用高通滤波器，设置适当的截止频率，只允许截止频率以上的信号通过；s4、引入陆上的暗原色去雾算法，控制去雾程度、最小透射率以及分块窗口区域的大小；s5、对s4处理后的图像进行传统视觉salm中的特征提取，得到全局地图。2.根据权利要求1所述的基于图像增强的水下slam优化方法，其特征在于，所述s1中，通过特征点坐标方程得到修正后的特征点坐标，其中特征点坐标方程得到如下：通过特征点坐标方程得到修正后的特征点坐标，其中特征点坐标方程得到如下：其中，a点为水下折射后的投影点，b点为没有经过水下折射的投影点，
ɑ
和β分别表示入射光和折射光在y轴方向的入射角，θ和λ分别表示入射光和折射光在x轴方向的入射角，d为保护层玻璃到镜头间的距离，通过特征点坐标方程能够算出修正后特征点的坐标(x
b
，y
b
)。3.根据权利要求1所述的基于图像增强的水下slam优化方法，其特征在于，所述s2中，对水下机器人所获取的原始图像的每个像素点的灰度值进行处理表示为：g(x,y)＝e
h
[f(x,y)]其中g(x,y)为增强后的图像，f(x,y)为原始图像，e
h
为增强函数。4.根据权利要求1所述的基于图像增强的水下slam优化方法，其特征在于，所述s3中，将原始图像的时域变换域转换为傅里叶变换域，设置一个截止频率，使用高通滤波器将截止频率以上的信号通过，滤除截止频率以下信号。5.根据权利要求1所述的基于图像增强的水下slam优化方法，其特征在于，所述s4中，对水下光学成像进行建模，所述水下光学成像模型包括反射模型和光照模型，其中反射模型s和光照模型e的表达式如下:s＝l(x,y)r(x,y)e＝(l(x,y)r(x,y))e-βd
+e
∞
(1-e-βd
)其中l为入射光的光照强度，经过传播过程的衰减到达目标物体表面的坐标位置(x,y)处为l(x,y)；r(x,y)表示目标物体上坐标位置为(x,y)的点的反射函数；β为水介质的衰减参数；d是光线传播长度；e
∞
和e分别为远处的光强度和到达水下机器人摄像机的光强度，其中e
∞
为常数。6.根据权利要求5所述的基于图像增强的水下slam优化方法，其特征在于，基于所述水下光学成像模型，综合陆上去雾算法、水下环境和大雾天气的相似性，得出基于暗原色原理图像的水下去雾函数，所述暗原色原理图像j
dark
定义如下：
式中，j
c
为j的某一颜色通道，r、g、b分别表示三种颜色通道；ω(x)为以x为中心的区域，j
dark
的值很低且趋近于0，j为先验获取的图像，j
dark
为j的暗原色。7.根据权利要求6所述的基于图像增强的水下slam优化方法，其特征在于，假定光因子在某个小区域中是恒定的，得出:t(x)＝e-βd
其中，表示大气的光因子参数，e
c
(y)和s
c
(y)分别表示光照模型和反射模型的某一颜色通道。8.根据权利要求7所述的基于图像增强的水下slam优化方法，其特征在于，通过引入一个常数λ(0<λ<1)，通过调整λ的值来保留一部分场景中的雾：其中，ω(x)为固定的矩阵，t(x)表示透射因子；为透射因子t(x)设定一个下限t0，计算出经过去雾处理后的图像s(x)：其中，e(x)为大气光成分，e
∞
(x)表示光成分中的最大密度像素。9.根据权利要求1所述的基于图像增强的水下slam优化方法，其特征在于，所述s5中，传统视觉salm中的特征提取步骤包括提取orb描述子、特征匹配、局部建图、回环检测和全局建图。
技术总结
本发明公开了一种基于图像增强的水下SLAM优化方法，包括以下步骤：S1、根据光线的折射原理，得到修正后的特征点坐标；S2、在空域方面通过线性变换对水下机器人所获取的原始图像的每个像素点的灰度值进行处理；S3、在频域方面使用高通滤波器，设置适当的截止频率，只允许截止频率以上的信号通过；S4、引入陆上的暗原色去雾算法，控制去雾程度、最小透射率以及分块窗口区域的大小；S5、对S4处理后的图像进行传统视觉SALM中的特征提取，得到全局地图。本发明提高了水下获取的图像的清晰度，有利于提取更优的特征点，进而得到更加清晰的水下三维模型。下三维模型。下三维模型。
技术研发人员：陈凯锐 黄沛昇 赖冠宇 杨嘉俊 蔡培周 周晓阳
受保护的技术使用者：广州大学
技术研发日：2022.08.12
技术公布日：2022/12/5