王紅茹 李 瑞 王 佳

（1.江蘇科技大學(xué)機械工程學(xué)院 鎮(zhèn)江 212003）（2.江蘇省船海機械先進(jìn)制造及工藝重點實驗室 鎮(zhèn)江 212003）

1 引言

海洋經(jīng)濟(jì)的興起促使水下裝備及相關(guān)技術(shù)的研發(fā)成為各國關(guān)注的重點方向，水下視覺技術(shù)更是其中的關(guān)鍵［1］。然而，水下成像環(huán)境通常較為復(fù)雜，使得水下圖像的質(zhì)量較低。水中懸浮物引起的光線散射效應(yīng)以及光線在水中傳播的衰減造成水下圖像對比度低、模糊、光照不均等問題［2～3］。因此，水下圖像增強的研究成為計算機視覺領(lǐng)域的熱點之一。水下圖像增強方法分為物理模型法和非物理模型法。物理模型法根據(jù)水下圖像的退化過程進(jìn)行建模，反演退化過程得到輸出圖像，但其建立的水下成像模型過于理想化，且模型參數(shù)具有不確定性，導(dǎo)致這類方法適應(yīng)性不強［4］。非物理模型方法包括基于空域增強的CLAHE算法［5～6］，基于頻域增強的小波變換［7］，以及基于顏色恒常性的Retinex理論［8～10］等。小波變換在去除水下噪聲方面效果不錯，但是并不能有效提高圖像對比度和清晰度；Retinex則容易存在過度增強和欠飽和區(qū)域，且耗時較多。而CLAHE算法在提高圖像對比度的同時可以較好地抑制噪聲放大的問題，但是對于暗部細(xì)節(jié)的增強不夠明顯。

綜上，本文根據(jù)水下成像的特點，在CLAHE算法的基礎(chǔ)上提出一種改進(jìn)的水下圖像增強算法。根據(jù)像素值的分布確定裁剪幅值，對直方圖進(jìn)行裁剪與分配；對超出幅值部分進(jìn)行二次分配，確定其分配的動態(tài)范圍；最后引入同態(tài)濾波，以改善光照不均。

2 算法原理

2.1 限制對比度自適應(yīng)直方圖均衡

CLAHE算法在HE的基礎(chǔ)上對每個子塊的直方圖進(jìn)行限幅，可以較好地抑制噪聲放大，算法具體步驟如下。

1）將原圖像分成n*n個大小相等且互不疊加的子塊。

2）計算每個子塊的直方圖。

3）計算裁剪幅值T。

式中，nx和ny為每個子塊在x和y方向上的像素個數(shù)，K為灰度級數(shù)，c為裁剪系數(shù)。

4）裁剪直方圖，并對像素點進(jìn)行分配。根據(jù)裁剪幅值T對子塊直方圖h(x)進(jìn)行裁剪，如圖1（a）所示；然后將裁剪掉的像素數(shù)平均分配到每個灰度級上，如圖1（b）所示。設(shè)超出裁剪幅值T的像素總數(shù)為S，每個灰度級平均分配到的像素個數(shù)為A，則有：

用h’(x)表示重新分配以后的直方圖，有

圖1 直方圖裁剪、分割

5）對重新分配以后的子塊直方圖進(jìn)行均衡化處理。

6）插值運算。若每個子塊中的像素僅通過相應(yīng)的映射函數(shù)進(jìn)行變換，會使得最終的圖像呈現(xiàn)塊狀效應(yīng)，因此利用插值運算來求解像素點的值。

圖2 插值運算

用黑色標(biāo)記的四個邊角區(qū)域的像素，直接根據(jù)所在子塊的映射函數(shù)進(jìn)行計算，如圖2所示。白色標(biāo)記的四個邊緣區(qū)域的像素值通過相鄰兩個子塊的映射函數(shù)進(jìn)行變換得到兩個映射值，再對這兩個值進(jìn)行線性插值運算，如式（5）。其中，f(x ，y) 為所求點的像素值，f1，f2為該點通過相鄰兩個子塊的映射函數(shù)變換得到的映射值，為相鄰兩個子塊的中心像素坐標(biāo)。

灰色標(biāo)記的中心區(qū)域的像素值則通過周圍四個子塊的映射函數(shù)變換得到四個映射值，再對這四個值進(jìn)行雙線性插值運算得到，如式（6）。其中，f’1，f’2，f’3，f’4為該點通過周圍四個子塊的映射函 數(shù) 變 換 得 到 的 映 射 值 ，分別為周圍四個子塊的中心像素坐標(biāo)。

2.2 裁剪幅值的確定

CLAHE算法中，確定裁剪幅值的關(guān)鍵在于裁剪系數(shù)c，c的取值不同會直接影響到子塊直方圖的裁剪和重新分配。另外，如果劃分的子塊越多，那么每個子塊的像素數(shù)和灰度級數(shù)越少，統(tǒng)一的裁剪幅值可能大于子塊直方圖中任意灰度級的像素個數(shù)，導(dǎo)致該子塊直方圖并沒有被裁剪和重新分配，該子塊得不到增強。

本文根據(jù)子塊直方圖像素值的分布提出一種確定裁剪幅值的方法。根據(jù)子塊直方圖的像素分布，選取像素數(shù)目前20%的灰度級，設(shè)其對應(yīng)的像素數(shù)目分別為 s1，s2，…，sl，l為前20%的灰度級數(shù)，根據(jù)式（7）計算裁剪幅值，使得每個子塊的裁剪幅值較為合適，能保證每個子塊具有一定的增強效果。

2.3 二次分配的動態(tài)范圍

子塊直方圖經(jīng)過裁剪和重新分配以后（圖1（b）），整體有一定的增強，但是會有一部分灰度級的像素個數(shù)再次超過裁剪幅值T。為進(jìn)一步提升增強效果，對超出部分再一次進(jìn)行分配。由于直方圖中較低和較高的灰度級對應(yīng)的是圖像中較暗和較亮的部分，所含的有用信息較少。因此，本文引入自適應(yīng)上下限閾值，確定二次分配的動態(tài)范圍，將超出部分分配到中間灰度級上，如圖（3）所示。設(shè)子塊直方圖中前五十個灰度級分別為x1，x2，…，x50，所對應(yīng)的像素個數(shù)分別為 a1，a2，…，a50，根據(jù)下式計算自適應(yīng)下限閾值tl：

圖3 確定動態(tài)范圍

同理，取直方圖中后五十個灰度級與對應(yīng)的像素個數(shù)，可計算出自適應(yīng)上限閾值th。

設(shè)第一次分配以后超出裁剪幅值T的像素總數(shù)為S’，每個灰度級平均分配的像素個數(shù)為A’，則有：

用h’’(x)表示二次分配以后的直方圖，有：

當(dāng) x∈[0，tl)∪(th，K-1]時，

當(dāng) x∈[tl，th]時，

2.4 同態(tài)濾波

水下圖像除了對比度低以外，還存在光照不均的情況。為此，引入同態(tài)濾波［11］以改善局部過暗或過亮現(xiàn)象。同態(tài)濾波以照射-反射模型為基礎(chǔ)，對圖像的灰度范圍進(jìn)行調(diào)整，將圖像g(x ，y) 表示為入射分量i(x ，y)和反射分量r(x ，y) 的乘積，表達(dá)式如下。

其中，入射分量i(x ，y)取決于光照條件，頻譜集中在低頻區(qū)域；反射分量r(x ，y)取決于成像物體表面特性，反映圖像細(xì)節(jié)信息，頻譜集中在高頻區(qū)域。具體步驟如下。

對式（14）兩邊同時取對數(shù)，得到：

對上式進(jìn)行傅里葉變換，得到頻域的表達(dá)式：

對G(u ，v)乘上同態(tài)濾波函數(shù)H(u ，v )，得到：

對上式進(jìn)行傅里葉逆變換，轉(zhuǎn)換到空間域：

指數(shù)變換得到同態(tài)濾波后的圖像：

3 算法流程

首先，將原圖像從RGB空間轉(zhuǎn)換到HSV空間［12］，僅對明度分量V進(jìn)行限制對比度自適應(yīng)直方圖均衡；將圖像劃分為大小相等的子塊，確定裁剪幅值后對每個子塊直方圖進(jìn)行裁剪和分配，再根據(jù)自適應(yīng)上下限閾值對直方圖進(jìn)行二次分配；然后對每個子塊進(jìn)行直方圖均衡化處理，并對不同區(qū)域的像素進(jìn)行插值運算；最后，對灰度圖像進(jìn)行同態(tài)濾波處理并與明度分量V進(jìn)行加權(quán)求和，與H、S分量融合后轉(zhuǎn)回RGB空間獲得最終輸出圖像。算法流程如圖（4）所示。

圖4 算法流程圖

4 實驗與分析

本文算法的開發(fā)環(huán)境為visual studio 2015、opencv 3.2.0，實驗所用圖像均為水下專用彩色攝像頭拍攝，為了模擬真實水下環(huán)境，在水箱中加入顏料以及雜質(zhì)等，拍攝時光線條件及拍攝角度各不相同且對比度都較低。為了驗證本文算法的有效性，對其以及HE算法、CLAHE算法、MSRCR算法進(jìn)行實驗對比，實驗結(jié)果如圖5～圖9所示。其中，圖5（a）為白天拍攝，光照較為充足，但是水箱邊框處的條紋出現(xiàn)模糊，而綠色物體周圍由于前面物體的遮擋顯得較暗；圖5（b）拍攝時的光線不夠充足，圖像四周偏暗，整體較為模糊；圖5（c）的拍攝環(huán)境為晚上，因此采用水下LED燈為其照明，圖像出現(xiàn)了嚴(yán)重的光照不均，中心區(qū)域過亮且存在反光，而周圍區(qū)域普遍過暗，遠(yuǎn)處的水箱邊框細(xì)節(jié)幾乎看不到。

4.1 定性分析

由圖6可以看出，HE算法對于對比度的提升不夠明顯，反而加重了圖像中局部區(qū)域的過暗及過亮的程度，丟失了更多的細(xì)節(jié)信息。圖7中，MSRCR算法一定程度上提升了圖像對比度，但是三幅圖像出現(xiàn)了不同程度的色彩偏差，尤其是物體邊緣，圖像失真較為嚴(yán)重。圖8（b）中，CLAHE算法提升了圖像的對比度，但是相較于圖9（b），依然存在部分偏暗區(qū)域。圖8（c）中，CLAHE算法對于整體亮度提升不夠明顯，且球體反光較為嚴(yán)重；而圖9（c）中，本文算法較好地提升了圖像亮度和對比度，可以清晰地看見水箱邊框，并且球體表面細(xì)節(jié)也更加突出。

圖5 原始圖像

圖6 HE算法處理結(jié)果

圖7 MSRCR算法處理結(jié)果

圖8 CLAHE算法處理結(jié)果

圖9 本文算法處理結(jié)果

4.2 定量分析

為了能夠?qū)Ω鱾€算法進(jìn)行更精確的分析對比，選取峰值信噪比（PSNR）和結(jié)構(gòu)相似性指數(shù)（SSIM）作為客觀的評價指標(biāo)。PSNR是使用較為廣泛的一種評價指標(biāo)，它基于對應(yīng)像素點間的誤差對圖像質(zhì)量進(jìn)行評價，數(shù)值越大表示失真越小，計算公式如下。

式中，H，W分別為圖像的高度和寬度；X，Y分別表示待評價圖像和原圖像；n為像素的比特數(shù)，一般取8；MSE為均方誤差。

SSIM分別從亮度、對比度、結(jié)構(gòu)三個方面評價圖像質(zhì)量，其值越接近1則圖像失真越小，越接近0則失真越大，其計算公式如下：

其中，μX，μY分別表示圖像 X，Y 的均值；分別表示圖像X，Y的方差；σXY表示圖像 X，Y的協(xié)方差。

各算法的評價指標(biāo)PSNR，SSIM分別見表1、表2。

表1 各算法PSNR值

表2 各算法SSIM值

5 結(jié)語

本文根據(jù)水下成像的特點，在限制對比度自適應(yīng)直方圖均衡算法的基礎(chǔ)上，提出一種改進(jìn)算法。該算法由像素的直方圖分布確定裁剪幅值，解決了部分子塊得不到增強的問題；對超出幅值部分的二次分配增強了圖像細(xì)節(jié)；而同態(tài)濾波的引入則改善了光照不均。實驗結(jié)果表明，本文算法在增強水下圖像對比度的同時，能夠較好地還原過暗或過亮區(qū)域的細(xì)節(jié)，且不存在圖像失真，有效地提升了水下圖像的質(zhì)量。