基于DCP算法增強(qiáng)暗紋東方鲀胚胎圖像

馮國(guó)富，劉亞蕊，陳明，翁正，王耀輝

摘要：為了能夠精準(zhǔn)地識(shí)別出暗紋東方鲀胚胎發(fā)育的各個(gè)時(shí)期，提高人工繁殖和雜交育種的成活率，采用暗通道先驗(yàn)（DCP）算法和它的2個(gè)反演以及推導(dǎo)，對(duì)胚胎圖像進(jìn)行增強(qiáng)。推導(dǎo)出4種透射率，再結(jié)合像素值的縮小和放大最終生成8種增強(qiáng)效果。其中圖像增亮與圖像增暗結(jié)合的A+X組合算法效果最佳，增強(qiáng)后的圖像細(xì)節(jié)信息更加豐富，各個(gè)時(shí)期的特征更加清晰。選用多目標(biāo)檢測(cè)算法YOLOv5網(wǎng)絡(luò)對(duì)圖像中的胚胎進(jìn)行提取和分類。結(jié)果表明，增強(qiáng)后圖像分類結(jié)果的準(zhǔn)確率比原始圖像提高4.5%，損失函數(shù)降低0.16%。

關(guān)鍵詞：暗紋東方鲀;胚胎檢測(cè);暗通道先驗(yàn);圖像增強(qiáng);YOLOv5網(wǎng)絡(luò)

中圖分類號(hào)：S961.2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2021）06-1493-08

Image enhancement of Takifugu obscurus embryos based on DCP algorithm

FENG Guo-fu1，2，LIU Ya-rui1，2，CHEN Ming1，2，WENG Zheng1，2，WANG Yao-hui3

（1. School of Information， Shanghai Ocean University， Shanghai 201306， China;2.Shanghai Ocean University， Key Laboratory of Fishery Information， Ministry of Agriculture and Rural Affairs， Shanghai 201306， China;3.Nantong Longyang Aquatic Products Co.， Ltd.， Nantong 226634， China）

Abstract：In order to accurately identify each stage of embryonic development of Takifugu obscurus and improve the survival rate of artificial reproduction and cross breeding， dark channel prior （DCP） algorithm and its two inversions and derivation were used to enhance embryo image. Among them， four kinds of transmittances were derived in this study， and eight kinds of enhancement effects were finally generated by combining the reduction and amplification of pixel values. Through comparative analysis， A+X combination algorithm combining image brightening and image darkening had the best effect. The enhanced image details were more abundant， and the features of each period were clearer. The YOLOv5 network， a multi-target detection algorithm， was selected to extract and classify embryos in the images. The results showed that the classification accuracy of enhanced image was 4.5% higher than that of original image， and the loss function was 0.16% lower.

Key words：Takifugu obscurus;embryos detection;dark channel prior;image enhancement;YOLOv5 network

暗紋東方鲀與鰣魚、刀魚并稱“長(zhǎng)江三鮮”，享譽(yù)古今中外。近幾年，暗紋東方鲀僅依靠自然繁殖已不能滿足市場(chǎng)的需求，對(duì)它進(jìn)行人工繁殖逐漸成為研究熱點(diǎn)[1]。在人工繁殖和雜交育種過(guò)程中對(duì)胚胎發(fā)育的各個(gè)時(shí)期進(jìn)行檢測(cè)與分類顯得非常重要[2-3]。通過(guò)觀察胚胎的形態(tài)特征識(shí)別發(fā)育時(shí)期，選擇適宜的溫度、鹽度等環(huán)境培育胚胎，來(lái)提高胚胎的孵化率[4-5]。然而，人工肉眼識(shí)別胚胎發(fā)育的各個(gè)時(shí)期效率較低且準(zhǔn)確性不高。因此，我們使用基于圖像處理的人工智能技術(shù)來(lái)解決這一難題，當(dāng)前，國(guó)內(nèi)外將人工智能技術(shù)應(yīng)用在胚胎檢測(cè)、分類方面的研究幾乎是空白。

胚胎圖像通過(guò)數(shù)字顯微鏡獲取，由于胚胎帶有水珠等原因，導(dǎo)致圖像存在光照不均、細(xì)節(jié)不清晰、色彩對(duì)比度不明顯等問(wèn)題，因此需要對(duì)獲取的胚胎圖像進(jìn)行特征增強(qiáng)。常見的圖像增強(qiáng)算法有基于Retinex理論的帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法（MSRCR）[6]和基于直方圖均衡化改進(jìn)的自適應(yīng)局部區(qū)域伸展直方圖均衡化（LRS-CLAHE）[7]，此類方法是在提高圖像對(duì)比度的基礎(chǔ)上突出細(xì)節(jié)信息，忽略圖像的質(zhì)量因素。而圖像去霧處理方法能很好地解決這個(gè)問(wèn)題， 它是從散射介質(zhì)成像退化模型出發(fā)，根據(jù)圖像估計(jì)模型中的相關(guān)參數(shù)，反演獲得無(wú)霧條件下的清晰圖像。傳統(tǒng)的大氣散射物理模型為[8-9]：

I（x）=J（x）t（x）+A[1-t（x）]（1）

其中，x是圖像的像素點(diǎn)位置，I是真實(shí)觀察的圖像，J是曝光良好的自然圖像，t是介質(zhì)透射率，A是光照度。上述模型中包含了RGB 3個(gè)通道。本式是已知I求解J，則是一個(gè)無(wú)窮解的問(wèn)題，需要先驗(yàn)信息或附加約束求解。He等[10]統(tǒng)計(jì)了5 000多幅圖像的特征，證明了暗通道先驗(yàn)理論（Dark channel prior，DCP）的普遍性。即圖像場(chǎng)景中大部分像素的RGB 3個(gè)通道中存在一個(gè)暗通道，其亮度值趨于0，據(jù)此由公式（1）估計(jì)出透射率圖，從而恢復(fù)出無(wú)霧場(chǎng)景圖像。由于DCP算法導(dǎo)致圖像細(xì)節(jié)丟失，因此，He等[11]又提出引導(dǎo)濾波（Guided filter）[12]來(lái)細(xì)化透射率，恢復(fù)細(xì)節(jié)并提高了算法效率。該算法簡(jiǎn)單有效且適應(yīng)性較強(qiáng)，因而得到廣泛應(yīng)用。

為了恢復(fù)圖像的真實(shí)色彩，解決圖像曝光、光暈偽影和邊緣等細(xì)節(jié)信息丟失的問(wèn)題，本研究基于DCP算法和它的2種反演以及推導(dǎo)對(duì)圖像增亮和暗化，使光照達(dá)到平衡。并對(duì)比MSRCR、LRS-CLAHE、DCP算法，通過(guò)信息熵、平均梯度評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比分析。再利用多目標(biāo)檢測(cè)算法YOLOv5對(duì)胚胎圖像進(jìn)行分類檢測(cè)和識(shí)別，通過(guò)精確度、召回率和損失函數(shù)等參數(shù)對(duì)圖像增強(qiáng)效果進(jìn)行分析討論。

1DCP算法與反演

1.1DCP算法

DCP算法[13-14]通過(guò)對(duì)RGB圖像進(jìn)行先驗(yàn)假設(shè)來(lái)解決公式（1）的去霧任務(wù)。公式為：

Jdark（x）=minc∈（r，g，b）miny∈Ω（x）Jc（y）（2）

式中， Jc是圖像J的一個(gè)顏色通道，Ω（x）是以x為中心的一個(gè)局部區(qū)域。使用暗通道的概念觀察結(jié)果表明，如果J是室外清晰的無(wú)霧圖像，除了天空區(qū)域，J的暗通道強(qiáng)度很低并且趨向于 0，即：

Jdark→0（3）

已知光照度A為：

A=（r，g，b）（4）

這一觀察即被稱為暗通道先驗(yàn)。對(duì)公式（1）兩邊進(jìn)行2次最小值運(yùn)算，得：

mincminy∈ΩI（x）Ic（y）Ac=t（x）mincminy∈ΩI（x）Jc（y）Ac+1-t（x）（5）

所以根據(jù)暗通道先驗(yàn)理論，J的暗通道強(qiáng)度接近于0，可以估計(jì)出透射率為：

t（x）=1-minc∈（r，g，b）miny∈ΩI（x）Ic（y）Ac（6）

引入引導(dǎo)濾波來(lái)細(xì)化透射率[11]，為：

t（x）=guidedFilter[I，t（x）] （7）

在大氣環(huán)境下會(huì)含有一些顆粒，徹底去霧圖像則會(huì)失真。因此，需要保留一些霧增加圖像的真實(shí)感，引入了因子∈。t（x）過(guò)小也會(huì)引起失真，再結(jié)合公式（1）和公式（7）得出去霧清晰圖像J為：

J（x）=I（x）-Amax [t（x），∈]+AJ=fDCP（I，A）（8）

式中，I（x）-A控制清晰圖像J效果的方向和幅度。透射率本身是一個(gè)灰度圖像矩陣，但它可以是一個(gè)常數(shù)或三通道彩色圖像。t（x）取值范圍為[0，1]，規(guī)定信號(hào)中不失真的比例。當(dāng)t（x）=1時(shí)，不存在失真;當(dāng)t（x）趨于0時(shí)，則失真增大。

1.2DCP的2種反演

DCP算法支持不同的反演，本研究介紹2種反演曝光校正的亮通道先驗(yàn)（Bright channel prior，BCP）[15]和光照校正的反暗通道先驗(yàn)（Inverted dark channel prior，IDCP）[16]。BCP反演是將DCP算法中的2次最小值換成2次最大值運(yùn)算，其余與DCP算法保持不變。即：

t（x）=1-maxc∈（r，g，b）maxy∈ΩI（x）Ic（y）Ac（9）

同理得出去霧清晰圖像J為：

J=fBCP（I，A）（10）

而IDCP反演則是將DCP算法中輸入圖像I進(jìn)行反轉(zhuǎn)，中心思想是對(duì)I進(jìn)行反轉(zhuǎn)應(yīng)用于公式（8），再對(duì)最后結(jié)果進(jìn)行反演，最后去霧清晰圖像J為：

J=1-fDCP（1-I，A）（11）

式中，由于圖像是白平衡的，所以假設(shè)光照度A為1，即：

A=（1，1，1）（12）

基于DCP算法以及它的2種先驗(yàn)，本研究方法是將圖像的明暗擴(kuò)展為像素的顏色放大，使DCP算法適用于更廣泛的圖像增強(qiáng)。

2研究方法

2.1DCP算法的推論

通過(guò)DCP算法以及它的2個(gè)反演，推導(dǎo)出一個(gè)新的先驗(yàn)即DCP算法推論（Corollaries of dark channel prior，CDCP） [17]，它對(duì)公式（1）左右兩邊進(jìn)行2次最大值運(yùn)算，再反轉(zhuǎn)輸入圖像I，對(duì)最終結(jié)果進(jìn)行反演得到不失真增強(qiáng)圖像J為：

J=1-fBCP（1-I，A）（13）

同理，假設(shè)A恒等于1。

由恒等式（14）和（15）得出表1中的4種透射率。

solveMin_t（I，A）=1-mincminy∈ΩI（x）Ic（y）Ac≡maxcmaxy∈ΩI（x）1-Ic（y）Ac（14）

solveMax_t（I，A）=1-maxcmaxy∈ΩI（x）Ic（y）Ac≡mincminy∈ΩI（x）1-Ic（y）Ac（15）

結(jié)合公式（6）、（9），得出DCP算法的透射率t的表示方式為solveMin_t（I，A），BCP算法的表示方式為solveMax_t（I，A），IDCP算法的表示方式為solveMin_t（1-I，A）。由此，反演出一個(gè)新穎的CDCP算法為solveMax_t（1-I，A）。

表1中總結(jié)了DCP算法與它的2個(gè)反演以及推導(dǎo)之間的關(guān)系，也證明了IDCP先驗(yàn)和BCP先驗(yàn)是反向等價(jià)的，并都利用了通道間的最大像素值運(yùn)算;同樣，DCP和CDCP也是反向等價(jià)的，并且都利用了通道間的最小像素值運(yùn)算?？傊?，這4種透射率區(qū)分了弱放大和強(qiáng)放大，以及亮像素和暗像素的放大。其中，2次最小值運(yùn)算是透射率的弱放大， 2次最大值運(yùn)算是透射率的強(qiáng)放大，使增強(qiáng)的圖像在色彩上達(dá)到平衡，細(xì)節(jié)邊緣信息更加突出。

2.2像素值縮放方法

像素值縮放方法是對(duì)圖像進(jìn)行像素上的亮化和暗化，增強(qiáng)圖像的細(xì)節(jié)，克服偽影現(xiàn)象。由公式（8）推導(dǎo)出：

J=I-At+A=1-（1-I）-（1-A）t+（1-A）（16）

則得出恢復(fù)圖像J的2種等效公式如下，表明光照度（A）在反演下是對(duì)稱的。

J=solve_J（I，t，A）≡1-solve_J（1-I，t，1-A）（17）

根據(jù)公式（11）與公式（12），IDCP算法求解J為：

J=1-（1-I-At+A）=I-0t+0（18）

因此，由于白平衡即使假設(shè)了光照度（A）=1，IDCP算法在實(shí)際上是A=0。這些都證明了4種先驗(yàn)的可逆性。接下來(lái)，對(duì)表1中4種先驗(yàn)算法分別進(jìn)行增亮和增暗。

對(duì)于整幅圖像的增亮和增暗是對(duì)像素放大方向的選擇問(wèn)題，光照度（A）的選擇將導(dǎo)致圖像中所有像素的增亮和增暗。由公式（8）求透射率（t）為：

t=I-AJ-A∈[0，1]（19）

因此，得到2個(gè)等式關(guān)系J≤I≤A和J≥I≥A。當(dāng)A=1時(shí)，恢復(fù)后的圖像J比失真圖像I暗;當(dāng)A=0時(shí)，恢復(fù)后的圖像J比失真圖像I亮。進(jìn)一步，當(dāng)1≥Ac≥maxxIc（x）時(shí)，圖像J增暗;當(dāng)0≤Ac≤minxIc（x）時(shí)，圖像J增亮。根據(jù)表1中4種先驗(yàn)算法的透射率來(lái)增亮（A=0）或增暗（A=1），從而產(chǎn)生8種可視化效果，如圖1所示。

由公式（18）求解透射率（t）時(shí)，光照度A=1。但是，實(shí)際值為A=0 或A=1，對(duì)應(yīng)增亮或增暗。對(duì)于圖1（左）是整個(gè)圖像增亮即恢復(fù)圖像J=I-0t-0;對(duì)于圖1（右）是整個(gè)圖像增暗即恢復(fù)圖像J=I-1t-1。進(jìn)一步，對(duì)8種方法[A：t=solve_t（1-T， A=1）;B： t=solve_t（T， A=1）;C： t=1-solve_t（I， A=1）;D： t=1-solve_t（I-1， A=1）;W：t=solve_t（1-T， A=1）;X：t=solve_t（T， A=1）;Y：t=1-solve_t（I， A=1）;Z：t=1-solve_t（I-1， A=1）]進(jìn)行不同的疊加組合得到不同的可視化效果。

3結(jié)果與分析

試驗(yàn)設(shè)備中處理器CPU為i5-10400F，主頻為2.90 GHz，設(shè)備內(nèi)存為16 GB，顯卡為GeForce RTX 2060。胚胎圖像數(shù)據(jù)集采樣于江蘇中洋集團(tuán)股份有限公司現(xiàn)代化大型特種水產(chǎn)養(yǎng)殖基地，使用數(shù)字顯微鏡采集暗紋東方鲀的胚胎圖像，利用翻轉(zhuǎn)變換的方法將圖像數(shù)據(jù)集擴(kuò)充至3 030份。

針對(duì)暗紋東方鲀胚胎發(fā)育的不同時(shí)期，選擇發(fā)育特征明顯的死亡期、原腸中期、神經(jīng)胚期和肌節(jié)出現(xiàn)期4個(gè)時(shí)期進(jìn)行胚胎識(shí)別和分類[18-20]。如圖2所示，對(duì)于死亡期，囊胚層、胚芽和肌節(jié)等全部消失，胚胎死亡且卵成混亂狀;對(duì)于原腸中期，隆起的囊胚層向四周擴(kuò)張而逐漸變低，胚層開始向卵黃部分?jǐn)U展，邊緣細(xì)胞開始下包，囊胚腔清晰可見;對(duì)于神經(jīng)胚期，原腸下包和內(nèi)卷繼續(xù)進(jìn)行，胚環(huán)明顯縮小，背側(cè)神經(jīng)物質(zhì)增厚，凹陷形成神經(jīng)溝;對(duì)于肌節(jié)出現(xiàn)期，胚體前端稍膨大和隆起，胚體頭部?jī)蓚?cè)隱約可見眼泡[21-22]。

3.1暗紋東方鲀胚胎圖像增強(qiáng)結(jié)果對(duì)比與分析

利用上文提到的8種方法組合出較經(jīng)典的4種增亮增暗混合方法，即A+B+X+Z、A+B+C+X、A+B+C+W+X和A+X。通過(guò)這4種方法對(duì)胚胎的死亡期、原腸中期、神經(jīng)胚期和肌節(jié)出現(xiàn)期進(jìn)行圖像增強(qiáng)，對(duì)亮區(qū)域像素增亮和對(duì)暗區(qū)域像素增暗提高圖像效果，使每個(gè)時(shí)期的特征信息都非常清晰，如圖3所示。

A+B+X+Z、A+B+C+X、A+B+C+W+X、A+X見圖1。

將4個(gè)時(shí)期增強(qiáng)后的圖像與圖2中原始胚胎圖像進(jìn)行對(duì)比分析，圖像增強(qiáng)后的特征更加明顯，胚胎特征的細(xì)節(jié)信息更加清晰。從圖3可以看出，這4種混合方法中A+X組合的效果更佳，此方法對(duì)4個(gè)時(shí)期的圖像增強(qiáng)后均能很好地呈現(xiàn)出各個(gè)時(shí)期的特征。因此，本研究采用A+X組合方法作為暗紋東方鲀胚胎圖像的增強(qiáng)算法。

為了研究本文算法的有效性，分別利用MSRCR算法、LRS-CLAHE算法、文獻(xiàn)[11]中的DCP算法和本算法對(duì)4個(gè)時(shí)期的暗紋東方鲀胚胎圖像進(jìn)行增強(qiáng)。從圖4可以看出，MSRCR算法對(duì)高亮度區(qū)域過(guò)增強(qiáng)，造成胚胎圖像偏色嚴(yán)重;LRS-CLAHE算法雖然能很好地增強(qiáng)低亮度區(qū)域，但增加了噪聲，導(dǎo)致圖像中的特征信息模糊;DCP算法具有良好的色調(diào)保持性，能較好地保持圖像的自然性，但是對(duì)于細(xì)節(jié)特征的增強(qiáng)效果并不明顯;相比而言，本算法不僅提升了低亮度區(qū)域的亮度，還有效抑制了高亮度區(qū)域的過(guò)增強(qiáng)，從而很好地呈現(xiàn)出胚胎圖像中的細(xì)節(jié)信息。可以看出，死亡期的混亂效果明顯，原腸中期的囊胚層與卵黃分界清晰，神經(jīng)胚期的神經(jīng)溝與肌節(jié)出現(xiàn)期的肌節(jié)和眼泡的細(xì)節(jié)信息突出，可以為后續(xù)胚胎分類提供有力支撐。

本研究使用2種性能指標(biāo)來(lái)評(píng)估圖像，即信息熵和平均梯度[23-24]，每個(gè)性能指標(biāo)取圖4中每個(gè)時(shí)期2個(gè)圖像的平均值。由圖5可見，本算法的信息熵和平均梯度均最大，它們的均值分別比原圖提高了10.01%和1.36倍。信息熵越大，圖像的特征細(xì)節(jié)越豐富;平均梯度越大，圖像的紋理特征越清晰。綜上所述，本算法對(duì)胚胎圖像的增強(qiáng)效果更具有優(yōu)越性。

3.2暗紋東方鲀胚胎圖像檢測(cè)與分類

本研究運(yùn)用YOLOv5網(wǎng)絡(luò)[25]對(duì)暗紋東方鲀胚胎原始圖像和增強(qiáng)后的圖像進(jìn)行分別檢測(cè)和分類，網(wǎng)絡(luò)中迭代訓(xùn)練1 000次，基于準(zhǔn)確率、損失函數(shù)、召回率和均值平均準(zhǔn)確率（mAP）4個(gè)參數(shù)來(lái)比較圖像增強(qiáng)的效果。結(jié)果如圖6所示，增強(qiáng)后圖像的準(zhǔn)確率比原始圖像提高4.5%，損失函數(shù)降低0.16%，召回率和mAP沒有改變。從圖5中可知，增強(qiáng)后圖像的分類準(zhǔn)確率在迭代800次左右達(dá)到最大值95.2%，且后續(xù)趨于平緩;原始圖像準(zhǔn)確率最大值達(dá)到90.7%，且抖動(dòng)較大。增強(qiáng)后圖像損失函數(shù)比原始圖像更接近于0。

選擇迭代820次的網(wǎng)絡(luò)權(quán)重作為YOLOv5網(wǎng)絡(luò)檢測(cè)的模型參數(shù)，對(duì)暗紋東方鲀胚胎進(jìn)行檢測(cè)，分類效果如圖7所示。在訓(xùn)練中，對(duì)胚胎的4個(gè)時(shí)期進(jìn)行檢測(cè)，把死亡期、原腸中期、神經(jīng)胚期和肌節(jié)出現(xiàn)期標(biāo)簽為00、01、02和03。每個(gè)時(shí)期隨機(jī)選擇3個(gè)效果圖進(jìn)行對(duì)比分析。通過(guò)YOLOv5網(wǎng)絡(luò)對(duì)暗紋東方鲀胚胎原圖與增強(qiáng)后圖像進(jìn)行檢測(cè)對(duì)比，可以得出結(jié)論，圖7中（a）、（b）、（c）、（d）4個(gè)時(shí)期增強(qiáng)后的圖像檢測(cè)分類識(shí)別準(zhǔn)確性均高于原圖。

4結(jié)論

本研究將圖像處理技術(shù)應(yīng)用于暗紋東方鲀胚胎發(fā)育各個(gè)時(shí)期的檢測(cè)與分類，采用多目標(biāo)檢測(cè)YOLOv5算法進(jìn)行分類與識(shí)別。采用DCP算法以及它的先驗(yàn)推導(dǎo)出的一系列圖像增強(qiáng)算法，對(duì)暗紋東方鲀胚胎圖像進(jìn)行增強(qiáng)，增強(qiáng)后圖像的信息熵均值提高了10.01%，平均梯度均值提高了1.36倍，增強(qiáng)后的胚胎圖像細(xì)節(jié)信息更豐富且特征更加明顯清晰。在YOLOv5網(wǎng)絡(luò)上進(jìn)行訓(xùn)練，增強(qiáng)后的圖像比原圖準(zhǔn)確率提高4.5%，效果更佳。因此，本研究把DCP等一系列圖像增強(qiáng)算法運(yùn)用于暗紋東方鲀胚胎圖像上，且取得了一定的效果。對(duì)暗紋東方鲀胚胎進(jìn)行準(zhǔn)確檢測(cè)與分類，不僅給人工繁殖、雜交育種帶來(lái)了方便，也對(duì)在不同環(huán)境下胚胎生長(zhǎng)速度的研究提供了必要的參考材料。

參考文獻(xiàn)：

[1]吳劍峰，華元渝. 家化暗紋東方鲀?nèi)斯し敝臣夹g(shù)[J].水產(chǎn)養(yǎng)殖，2002（5）：7-9.

[2]李子奇，成美玲，吳玉萍，等. 鞍帶石斑魚（♀）×云紋石斑魚（♂）雜交后代早期發(fā)育及正反交后代生長(zhǎng)特性[J]. 水產(chǎn)學(xué)報(bào)， 2020， 44（3）： 436-446.

[3]崔文耀，周麗青，楊繼輝， 等. 四帶小鲃胚胎發(fā)育及系統(tǒng)進(jìn)化分析[J]. 水產(chǎn)學(xué)報(bào)， 2020， 44（8）： 1286-1295.

[4]謝剛，陳焜慈，胡隱昌，等. 倒刺鲃胚胎發(fā)育與水溫和鹽度的關(guān)系[J].大連水產(chǎn)學(xué)院學(xué)報(bào)， 2003，18（2）：95-98.

[5]楊州，華潔，陳晰. 暗紋東方鲀胚胎發(fā)育歷期與溫度的關(guān)系[J].淡水漁業(yè)，2004（2）：6-8.

[6]JOBSON D J， RAHMAN Z， WOODELL G A. A multiscale retinex for bridging the gap between color images and the human observation of scenes[J]. IEEE Transactions on Image Processing， 2002， 6（7）：965-976.

[7]SRINIVASAN S， BALRAM N. Adaptive contrast enhancement using local region stretching[C]//SATYENDRA K， IIT K. Proceedings of the 9th Asian symposium on information display. New Delhi， India：ASID， 2006： 152-155.

[8]趙馨宇，黃福珍. 基于雙通道先驗(yàn)和光照?qǐng)D引導(dǎo)濾波的圖像增強(qiáng)[J].激光與光電子學(xué)進(jìn)展，2021，58（8）：53-62.

[9]徐浩，譚一博，劉博文，等. 基于超像素和暗通道先驗(yàn)的圖像去霧復(fù)原方法[J].中國(guó)海洋大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，50（10）：118-124.

[10]HE K， SUN J， TANG X. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 33（12）： 2341-2353.

[11]HE K， SUN J，TANG X. Guided image filtering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2013，35（6）： 1397-1409.

[12]廖娟，陳民慧，汪鷂，等. 基于雙重Gamma校正的秧苗圖像增強(qiáng)算法[J].江蘇農(nóng)業(yè)學(xué)報(bào)，2020，36（6）：1411-1418.

[13]LEE S， YUN S， NAM J H， et al. A review on dark channel prior based image dehazing algorithms[J]. Eurasip Journal on Image & Video Processing， 2016， 2016（1）： 1-23.

[14]劉玲. 基于暗通道先驗(yàn)的圖像去霧改進(jìn)算法研究[D].重慶：重慶大學(xué)，2019.

[15]GALDRAN A， ALVAREZ-GILA A， BRIA A， et al. On the duality between retinex and image dehazing[C]//IEEE. 2018 IEEE/CVF conference on computer vision and pattern recognition （CVPR）. Salt Lake City， UT， USA：IEEE， 2018：8212-8221.

[16]SAVELLI B， BRIA A， GALDRAN A， et al. Illumination Correction by Dehazing for Retinal Vessel Segmentation[C]//IEEE.? 2017 IEEE 30th international symposium on computer-based medical systems （CBMS）. Greece：IEEE， 2017： 219-224.

[17]GAUDIO A， SMAILAGIC A， AURLIO C. Enhancement of retinal fundus images via pixel color amplification[J]. Lecture Notes in Computer Science， 2020，12132：299-312.

[18]胡亞麗，華元渝. 暗紋東方鲀胚胎發(fā)育的觀察[J].南京師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 1995，18（4）：139-144.

[19]劉俊果，宋煒，蔣科技，等. 棘頭梅童魚胚胎發(fā)育和仔魚形態(tài)觀察[J].海洋漁業(yè)，2018，40（6）：691-702.

[20]易祖盛，陳湘粦，王春，等. 倒刺鲃胚胎發(fā)育的研究[J].中國(guó)水產(chǎn)科學(xué)，2004（1）：65-69.

[21]侯雪寧. 暗紋東方鲀胚胎發(fā)育相關(guān)miRNA表達(dá)差異研究[D].青島：中國(guó)海洋大學(xué)，2015.

[22]周立斌，葉衛(wèi). 長(zhǎng)臀鮠胚胎發(fā)育的研究[J].水產(chǎn)科學(xué)，2007（1）：31-34.

[23]周治，黃若蘭，劉文慧，等. 基于暗通道和色彩校正的水下圖像增強(qiáng)方法[J].大眾標(biāo)準(zhǔn)化，2020（23）：168-169.

[24]王紅茹，張玲，王佳，等. 基于改進(jìn)的同態(tài)濾波和Retinex的水下圖像增強(qiáng)的算法研究[J].電光與控制，2021，28（5）：32-35.

[25]KUZNETSOVA A， MALEVA T， SOLOVIEV V. Detecting apples in orchards using YOLOv3 and YOLOv5 in general and close-up images[C]//HAN M， QIN S T， ZHANG N A. International symposium on neural networks. Cham： Springer， 2020： 233-243.

（責(zé)任編輯：張震林）

收稿日期：2021-03-13

基金項(xiàng)目：江蘇省現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)關(guān)鍵技術(shù)創(chuàng)新項(xiàng)目[CX（20）2028]

作者簡(jiǎn)介：馮國(guó)富（1971-），男，河南新鄉(xiāng)人，博士，副教授，研究方向?yàn)榍度胧郊夹g(shù)研究。

通訊作者：陳明，（E-mail）mchen@shou.edu.cn