孫昊宇，牛宏俠

(1.蘭州交通大學(xué) 光電技術(shù)與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；2.甘肅省高原交通信息工程及控制重點(diǎn)實(shí)驗(yàn)室，甘肅 蘭州 730070；3.蘭州交通大學(xué) 自動(dòng)化與電氣工程學(xué)院，甘肅 蘭州 730070)

0 引言

21世紀(jì)以來(lái),人類對(duì)陸地的勘探已經(jīng)大部分完成,未知的海洋成為了人們新的目標(biāo)。隨著陸地資源的緊缺與能源危機(jī)的產(chǎn)生,海洋是接下來(lái)人類的重要資源來(lái)源。作為水下探測(cè)中的最基礎(chǔ)的圖像信息,能夠在受到較少干擾的情況下直觀地反映水下的狀況。在水下,由水中包含的雜質(zhì)、附著在水中物體表面的沉積物以及水體中的漂浮物造成的不正常散射,以及水對(duì)陽(yáng)光的反射與折射相互作用,多種因素的疊加造成了水下圖像較為復(fù)雜的成像以及嚴(yán)重低下的清晰度和完整度。盡管目前的圖像增強(qiáng)得到了很大的提高,但由于水下環(huán)境的特殊性和非線性使得一些算法對(duì)細(xì)節(jié)不能達(dá)到很好的增強(qiáng)效果,且由于環(huán)境的不確定性導(dǎo)致神經(jīng)網(wǎng)絡(luò)的泛化性低且效果不明顯,主要表現(xiàn)為水中的圖像噪聲較大、圖片模糊不清、像素聚焦困難、顏色色調(diào)偏離嚴(yán)重、邊緣與整體細(xì)節(jié)的退化等問(wèn)題。因此,對(duì)現(xiàn)有的水下圖像進(jìn)行清晰化,具有很高的研究?jī)r(jià)值。

目前水下圖像處理算法主要分為以下3種:基于物理模型的增強(qiáng)算法、基于非物理模型的增強(qiáng)算法和基于數(shù)據(jù)驅(qū)動(dòng)的增強(qiáng)方法?；谖锢砟Ｐ偷脑鰪?qiáng)方法一般通過(guò)建立水下成像的物理模型,再采用假設(shè)估計(jì)與直接測(cè)量的方法得到模型內(nèi)水體性質(zhì)參數(shù),經(jīng)過(guò)反演推斷獲得未退化的水下清晰圖像,在數(shù)據(jù)缺乏或受限的情況下,仍然能夠進(jìn)行模型預(yù)測(cè)和控制,對(duì)于已知的物理系統(tǒng),模型的參數(shù)可以根據(jù)實(shí)驗(yàn)或理論進(jìn)行準(zhǔn)確估計(jì)。如Li等[1]擴(kuò)展暗通道先驗(yàn)(Dark Channel Prior,DCP)算法通過(guò)去霧算法恢復(fù)藍(lán)綠信道,并按照灰色世界理論進(jìn)行紅通道校正,減少光吸收和散射的影響,對(duì)于淺水圖像的色偏去除效果較好。文獻(xiàn)[2]融合雙透射率成像模型與Retinex方法,使用多尺度融合的方法獲得清晰化水下圖像,環(huán)境適應(yīng)性較強(qiáng)。文獻(xiàn)[3]提出一種水下圖像形成模型的無(wú)監(jiān)督和未訓(xùn)練的水下圖像復(fù)原方法,將水下圖像分解為場(chǎng)景輻射圖、直接傳輸圖、反向散射傳輸圖和全球背景光4個(gè)組成部分,以自監(jiān)督的方式重建水下圖像,對(duì)于光照還原效果更真實(shí)。但此類方法目前通常需要較多的領(lǐng)域?qū)I(yè)知識(shí)和數(shù)學(xué)能力,建立精確的物理模型也需要耗費(fèi)大量的時(shí)間和資源,在實(shí)際應(yīng)用中,無(wú)法完全精確地演化水下退化模型,需要進(jìn)行模型簡(jiǎn)化和適當(dāng)?shù)慕啤?/p>

基于非物理模型的方法通過(guò)調(diào)整給定的圖像像素值來(lái)增強(qiáng)圖像,通常可以通過(guò)優(yōu)化算法和機(jī)器學(xué)習(xí)技術(shù)來(lái)提高預(yù)測(cè)和控制的精度和魯棒性,可以應(yīng)用于各種不同環(huán)境水下圖像的處理,不受物理特性的限制。文獻(xiàn)[4]利用LAB顏色空間并使用K均值聚類的雙直方圖增強(qiáng)算法增強(qiáng)拆分圖像基礎(chǔ)層的對(duì)比度,對(duì)于處理圖像集合,該算法非常高效。文獻(xiàn)[5]將水下圖像分解光照層進(jìn)行亮度補(bǔ)償和反射層進(jìn)行對(duì)比度提升,具有較高的靈活性,細(xì)節(jié)損失較小。文獻(xiàn)[6]通過(guò)多級(jí)小波變換拆分圖像的高低頻,組成了多級(jí)小波變換增強(qiáng)網(wǎng)絡(luò)并基于二階龍格庫(kù)塔模塊的細(xì)化子網(wǎng)絡(luò),去除水下圖像噪聲,表現(xiàn)出較好的去噪能力。但此類方法缺少物理基礎(chǔ),難以提供系統(tǒng)的深入分析;對(duì)于數(shù)據(jù)缺乏或受限的情況,預(yù)測(cè)和控制的精度會(huì)受到影響。

基于數(shù)據(jù)驅(qū)動(dòng)的方法一般利用神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)退化圖像到清晰圖像的映射,可以從海量數(shù)據(jù)中自動(dòng)學(xué)習(xí)系統(tǒng)的特征和行為,不需要對(duì)系統(tǒng)進(jìn)行先驗(yàn)知識(shí)的建模;通過(guò)模型優(yōu)化和深度學(xué)習(xí)等技術(shù)來(lái)提高預(yù)測(cè)和控制的精度。如Li等[7]創(chuàng)建了水下圖像數(shù)據(jù)集UIEB,并結(jié)合數(shù)據(jù)集提出了waternet網(wǎng)絡(luò),針對(duì)不同光照和深淺的水下圖像都展現(xiàn)出了較好的泛化能力。文獻(xiàn)[8]針對(duì)針對(duì)水下深水環(huán)境利用卷積神經(jīng)網(wǎng)絡(luò)提出了 DUIENet網(wǎng)絡(luò),對(duì)水下圖像顏色的校正與背景特征的保留和光照都有很好的主觀效果。文獻(xiàn)[9]提出了使用殘余密集學(xué)習(xí)的FloodNet,從退化的水下圖像中提取特征的低級(jí)特征提取,通過(guò)跳躍連接密集連接的殘差密集塊進(jìn)行分層特征融合,自適應(yīng)利用局部和全局殘差學(xué)習(xí)獲得恢復(fù)的水下圖像,對(duì)細(xì)節(jié)保留效果較為優(yōu)秀。但數(shù)據(jù)驅(qū)動(dòng)的方法目前仍需大量的圖像數(shù)據(jù)來(lái)進(jìn)行訓(xùn)練,這對(duì)于一些特殊場(chǎng)景的圖像增強(qiáng)可能會(huì)比較困難,且需要大量的計(jì)算和模型訓(xùn)練,十分耗費(fèi)計(jì)算資源和時(shí)間。

圖像增強(qiáng)算法可以提高圖像處理和分析的準(zhǔn)確性和效率,有助于更好地識(shí)別和提取圖像特征,從而更好地實(shí)現(xiàn)各種應(yīng)用,且方法更便捷?；诖?本文提出了基于色彩均衡和多權(quán)重融合的水下圖像增強(qiáng)算法,針對(duì)水下圖像的低清晰度、低信息度和高色偏分別處理,相比于其他算法,本文算法在保證圖像無(wú)色偏的基礎(chǔ)上,還具有更好的飽和度提升效果和更好的明暗對(duì)比細(xì)節(jié)能力,且針對(duì)不同程度的水下渾濁圖像都有很好的增強(qiáng)效果,適用環(huán)境較廣。經(jīng)過(guò)主客觀實(shí)驗(yàn)對(duì)比后,驗(yàn)證了本文算法對(duì)水下圖像整體清晰度恢復(fù)效果,為后續(xù)水下圖像目標(biāo)識(shí)別等領(lǐng)域提供更優(yōu)的處理圖像。

1 本文算法

本文提出的基于色彩均衡和多權(quán)重融合的水下圖像增強(qiáng)算法主要分為3個(gè)部分處理:第一部分是針對(duì)水下圖像模糊影響,利用DCP算法進(jìn)行去模糊處理;第二部分是偏色校正處理,本文采取基于動(dòng)態(tài)閾值法的白平衡算法解決偏色影響,并利用灰度世界算法進(jìn)行校正后處理,以均衡處理后存在的過(guò)度曝光問(wèn)題;第三部分對(duì)于圖像邊緣和圖像細(xì)節(jié)增強(qiáng)采取多權(quán)重融合的方式處理,主要是分為2個(gè)圖譜,利用伽馬校正和基于直方圖均衡化的邊緣增強(qiáng)算法分別處理,然后單獨(dú)計(jì)算顯著性權(quán)重和飽和度權(quán)重,最后線性加權(quán)融合后得到輸出圖像。

本文算法流程如圖1所示。

圖1 本文算法流程Fig.1 Flowchart of the proposed algorithm

1.1 DCP去模糊

由于水下圖像在光照下部分光波會(huì)衰減消失,導(dǎo)致獲取到的圖像會(huì)產(chǎn)生模糊效果[10],再加上存在水域渾濁影響,會(huì)產(chǎn)生類似霧氣干擾的問(wèn)題,DCP算法是經(jīng)典去霧算法,在保證時(shí)間效率的同時(shí),能有效去除霧氣效果,進(jìn)而提升圖像清晰度。因此本文利用DCP算法進(jìn)行預(yù)處理,消除水下圖像模糊問(wèn)題,有利于后續(xù)的增強(qiáng)算法進(jìn)一步處理。該算法的具體實(shí)現(xiàn)如下。

水下模糊圖像的表達(dá)式為:

I(x)=J(x)t(x)+A(1-t(x)),

(1)

式中:I(x)為初始水下圖像,t(x)為透射率,J(x)為需要逆推得到的清晰圖像,A為水中的背景光值。

設(shè)定水下圖像對(duì)應(yīng)的暗通道圖像Jdark為:

Jdark=miny∈Ω(x)(minC∈{R,G,B}JC(y)),

(2)

式中:JC(y)表示暗通道圖像在C通道下的像素值,Ω(x)表示像素值為x的鄰域窗口。

在暗通道圖像基礎(chǔ)上進(jìn)行去模糊處理,首先獲取到Jdark前0.1%最亮的灰度值,在初始水下圖像中進(jìn)行對(duì)比,將大于這些像素點(diǎn)的灰度值設(shè)為水下的背景光值A(chǔ),為了保留較好的水下圖像景深保留效果,設(shè)定修正參數(shù)ω,求得的透射率為:

(3)

據(jù)此逆向反推可求得清晰的去霧圖像J(x)。獲取到的圖像結(jié)果為:

(4)

式中:為了防止透射率為零導(dǎo)致表達(dá)式無(wú)法正常執(zhí)行,t0一般設(shè)為0.1。

通過(guò)DCP處理后的結(jié)果如圖2所示。

圖2 暗通道算法處理結(jié)果Fig.2 Processing results of dark channel algorithm

從圖2可看出經(jīng)DCP算法處理后,圖像清晰度明顯提升,具有較好的去模糊效果,但是處理后的圖像整體偏暗,色彩豐富度較差,而且無(wú)法有效解決圖像偏色問(wèn)題,仍需設(shè)計(jì)算法進(jìn)一步處理。

1.2 色彩均衡算法

1.2.1 基于動(dòng)態(tài)閾值白平衡色彩校正

由于水下光波紅色波長(zhǎng)最先衰減消失,綠波和藍(lán)波波長(zhǎng)較短,受衰減較少,因此水下圖像會(huì)呈現(xiàn)偏綠或偏藍(lán)色調(diào)[11]。文獻(xiàn)[12]對(duì)水下圖像先進(jìn)行全局光照補(bǔ)償,再采用灰度世界算法校正水下圖像顏色,該算法對(duì)于偏色不嚴(yán)重的圖像具有一定的色彩校正效果,但是對(duì)于光波衰減嚴(yán)重的水域圖像,并不能完全去除偏色影響。文獻(xiàn)[13]利用白平衡算法對(duì)水下圖像的藍(lán)(綠)色偏進(jìn)行預(yù)處理,再進(jìn)行灰度世界算法補(bǔ)償,但是由于傳統(tǒng)白平衡算法的限制,無(wú)法有效均衡調(diào)節(jié)色差,偏色校正效果仍有待提升。

經(jīng)DCP算法預(yù)處理后圖像整體偏暗,本文在偏色校正基礎(chǔ)上進(jìn)行動(dòng)態(tài)范圍調(diào)節(jié)圖像整體灰度值,來(lái)提升圖像整體的細(xì)節(jié)表現(xiàn)能力。本文在傳統(tǒng)白平衡算法的基礎(chǔ)上引入動(dòng)態(tài)閾值調(diào)整,該算法步驟主要分為兩部分,分別是白色參考點(diǎn)檢測(cè)和白色參考點(diǎn)校正,具體算法步驟為:

① 顏色空間轉(zhuǎn)換。由于在YCrCb顏色空間能方便提取Cr和Cb色度信號(hào),更有利于色彩分量調(diào)節(jié),所以需要將RGB空間的水下圖像轉(zhuǎn)到Y(jié)CrCb空間進(jìn)行處理,轉(zhuǎn)換過(guò)程如下:

(5)

② 計(jì)算Cr和Cb各分量均值,并據(jù)此計(jì)算出其均方差。設(shè)各分量均值分別為Mb、Mr,對(duì)應(yīng)均方差分別為Db、Dr,求解過(guò)程為:

(6)

③ 檢測(cè)白色參考點(diǎn),每個(gè)分量以1.5倍的均方差為參考值,當(dāng)符合該范圍內(nèi)的值確定為參考點(diǎn),并取篩選后的前10%灰度值最大的像素點(diǎn)為需要處理的校正值。處理規(guī)則如下:

(7)

④ 計(jì)算上述步驟所獲取的各通道白色參考值的均值,并利用Y分量的最大值確定各通道所需的增益常量。

Cgain=Ymax/Cm,

(8)

式中:C?{R,G,B},Ymax表示Y分量的最大值,最終可求得各通道的增益值Cgain。

⑤ 利用上述求得的各通道增益確定校正后的灰度值。

C′=C×Cgain,

(9)

式中:C?{R,G,B},C′為最終調(diào)整后的各通道像素值。

通過(guò)該算法處理后的結(jié)果如圖3所示。

圖3 動(dòng)態(tài)閾值白平衡算法調(diào)整結(jié)果Fig.3 Adjustment results of dynamic threshold white balance algorithm

圖3結(jié)果表明,經(jīng)動(dòng)態(tài)閾值白平衡算法處理后圖像整體偏色問(wèn)題已基本解決,但是由于在動(dòng)態(tài)閾值確定選取的灰度值為前10%最亮像素值,導(dǎo)致處理結(jié)果存在過(guò)度曝光,整體亮度并不符合預(yù)期校正后的視覺(jué)效果。所以在該算法處理的基礎(chǔ)上,仍需進(jìn)行整體亮度重新分布調(diào)整。

1.2.2 灰度世界算法色彩均衡

對(duì)于上述算法存在的問(wèn)題,引入灰度世界理論解決亮度不均勻的問(wèn)題。該算法的主要思想是假設(shè)圖像中所有顏色的亮度值都相等,即假設(shè)整幅圖像處于“灰度世界”中,因此可以通過(guò)調(diào)整每個(gè)像素的RGB值,來(lái)使圖像整體的色彩達(dá)到均衡。由于灰度世界理論認(rèn)為在正常情況下獲取的彩色圖像,RGB三通道灰度值分布趨于某一確定值,通常取三通道像素均值,然后可根據(jù)該確定值求取增益常量,進(jìn)而調(diào)整各通道灰度值[14]。具體實(shí)現(xiàn)如下:

(10)

圖4 灰度世界算法處理后圖像Fig.4 Image processed by gray world algorithm

(a)初始校正圖像直方圖

本次實(shí)驗(yàn)選取水下圖像數(shù)據(jù)集 (Underwater Image Enhancement Benchmark Dataset,UIEB)的部分不同的場(chǎng)景進(jìn)行實(shí)驗(yàn)驗(yàn)證,由于篇幅限制,選取的部分圖像。圖5的直方圖表明經(jīng)整體均衡算法處理后,水下圖像偏色問(wèn)題得到了很好的處理,三通道分布更均勻,本文所提出的色彩均衡算法對(duì)于不同色偏程度的水下圖像均具有較好的處理效果,表現(xiàn)出優(yōu)良的魯棒性。

1.3 多權(quán)重融合算法

水下圖像經(jīng)偏色校正算法處理后已具有較好的視覺(jué)效果,但是對(duì)于圖像整體對(duì)比度和飽和度的提升效果仍有待提高。因此,本文提出了一種多權(quán)重融合算法,以提高水下圖像的整體細(xì)節(jié)表現(xiàn)能力。該算法分為兩部分,旨在進(jìn)一步提高水下圖像的整體對(duì)比度和飽和度,并增強(qiáng)圖像的邊緣細(xì)節(jié)。在校正圖像的基礎(chǔ)上分為兩部分進(jìn)行算法處理:第一部分經(jīng)過(guò)伽馬校正,獲取處理后的顯著性權(quán)重和飽和度權(quán)重;第二部分是將校正圖像提取邊緣后再獲取顯著性權(quán)重和飽和度權(quán)重,然后將兩部分權(quán)重圖譜進(jìn)行合并,與伽馬校正處理后的圖像融合得到最終的輸出圖像。具體過(guò)程如圖6所示。

圖6 多權(quán)重融合算法流程Fig.6 Flowchart of multi-weight fusion algorithm

1.3.1 邊緣增強(qiáng)算法

為了更好地體現(xiàn)圖像細(xì)節(jié)表現(xiàn)能力,本文在伽馬校正提升圖像整體對(duì)比度的同時(shí),將邊緣保留特征也考慮在內(nèi),圖像邊緣可以更好地體現(xiàn)物體的形狀信息,去除其他非關(guān)鍵信息的干擾。本文所采用的邊緣增強(qiáng)算法流程為:

① 先利用高斯濾波平滑輸入圖像,去除部分噪聲的影響。

② 將輸入圖像與高斯濾波后的圖像做差分運(yùn)算,得到圖像邊緣特征圖譜,再進(jìn)行直方圖均衡化操作。

③ 根據(jù)上述步驟均衡化后的差分圖像得到銳化結(jié)果,如圖7所示。具體實(shí)現(xiàn)為:

圖7 差分運(yùn)算結(jié)果圖像Fig.7 Image of differential operation result

Isharp=(Ih+Iin)/2,

(11)

式中:Ih表示均衡化后的差分圖像,Iin表示初始顏色校正后的輸入圖像,Isharp表示輸出的邊緣增強(qiáng)圖像。

④ 由于銳化后的差分圖像受直方圖均衡影響,整體會(huì)存在模糊效應(yīng),再將其進(jìn)行DCP去模糊處理,可得到增強(qiáng)后的邊緣圖像Jsharp:

(12)

邊緣增強(qiáng)算法實(shí)現(xiàn)結(jié)果如圖8所示。

圖8 邊緣增強(qiáng)算法實(shí)現(xiàn)結(jié)果Fig.8 Results achieved by edge enhancement algorithm

從圖8邊緣檢測(cè)結(jié)果對(duì)比可以看出,經(jīng)過(guò)本文邊緣增強(qiáng)算法銳化處理后,圖像的細(xì)節(jié)表現(xiàn)更為突出,相比校正后的輸入圖像,邊緣特征有明顯提升。

1.3.2 顯著性權(quán)重

為了更好地突出水下圖像顯著性對(duì)象的特征,本文將輸入圖像轉(zhuǎn)至LAB顏色空間,進(jìn)而提取其分量圖譜,具體實(shí)現(xiàn)如下:

(13)

1.3.3 飽和度權(quán)重

飽和度分量能反映圖像的色度信息,突出圖像前景的物體細(xì)節(jié)信息,避免圖像畫面的蒼白感[15]。由于原始的水下圖像受到偏色影響飽和度明顯不足,同時(shí)經(jīng)校正算法處理后,飽和度分量也會(huì)有相應(yīng)損失,所以在考慮提升圖像對(duì)比度的同時(shí),也需要相應(yīng)提升飽和度分量,以更好地恢復(fù)圖像質(zhì)量和色彩豐富度。

傳統(tǒng)提升圖像飽和度的方式一般為在飽和度均值的基礎(chǔ)上進(jìn)行飽和度增益調(diào)節(jié),但是增益常量的求取具有很大的不確定性,不利于算法的自適應(yīng)調(diào)節(jié),也有不少算法轉(zhuǎn)換顏色空間,單獨(dú)對(duì)飽和度分量進(jìn)行調(diào)整,但是由于上下限的調(diào)節(jié)范圍有限,不能較好地改善整體飽和度,本文采用的調(diào)整算法是轉(zhuǎn)換到HSL顏色空間進(jìn)行處理,并利用S和L雙分量進(jìn)行限制飽和度動(dòng)態(tài)范圍,從而能更大范圍地提升圖像飽和度。具體算法步驟為:

① 將RGB顏色空間轉(zhuǎn)到HSL顏色空間,由于色調(diào)分量H對(duì)飽和度分量調(diào)整并不干擾,僅轉(zhuǎn)換其余兩通道分量即可。轉(zhuǎn)換過(guò)程如下:

(14)

② 確定飽和度增益常量,該取值歸一化后為[-1,1]。確定該增益值后,和原始飽和度分量運(yùn)算后可能已超過(guò)最大限定范圍,因此做出條件限定如下:

(15)

式中:?表示計(jì)算得到的調(diào)整參數(shù),s表示初始飽和度分量,ins表示飽和度增益值,為了防止過(guò)飽和現(xiàn)象的出現(xiàn),本文采用了增益中值0.5進(jìn)行調(diào)節(jié),以平衡飽和度參數(shù)的影響。

③ 通過(guò)上述參數(shù)對(duì)初始RGB圖像進(jìn)行飽和度調(diào)整,調(diào)整過(guò)程為:

(16)

式中:Ws2表示輸出的飽和度權(quán)重圖,IC表示RGB空間各通道的原始灰度值,即將三通道分別進(jìn)行調(diào)整后合并得到最終的權(quán)重圖譜。

1.3.4 加權(quán)融合

(17)

(18)

式中:δ表示正則化系數(shù),當(dāng)各權(quán)重為0時(shí)也能起到部分貢獻(xiàn)。為了更好地平衡正則化系數(shù)對(duì)歸一化權(quán)重圖譜的影響,本文將正則化系數(shù)的默認(rèn)值從0.1調(diào)整為0.2,以減少其對(duì)最終權(quán)重圖譜的影響。

因伽馬校正獲取的圖像已具有較高對(duì)比度,所以本文選取伽馬校正后的圖像,與上述計(jì)算得到的權(quán)重圖譜進(jìn)行融合,得到最終的輸出圖像,最終加權(quán)融合的實(shí)現(xiàn)過(guò)程如下:

(19)

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性和可行性,通過(guò)在典型數(shù)據(jù)集上進(jìn)行大量實(shí)驗(yàn)測(cè)試,從主觀視覺(jué)效果和客觀參數(shù)進(jìn)行評(píng)價(jià),與主流不同算法進(jìn)行對(duì)比分析,說(shuō)明了本文算法在色彩校正和圖像對(duì)比度提升方面具有較好的性能。本文實(shí)驗(yàn)使用Matlab編程語(yǔ)言,硬件環(huán)境為Intel(R)Core(TM)i7-6700H CPU,16.0 GB RAM。

本文在公開(kāi)數(shù)據(jù)集UIEB中進(jìn)行了大量實(shí)驗(yàn)驗(yàn)證,然后選取其中9張圖像進(jìn)行主客觀分析,并按不同色偏程度進(jìn)行分類對(duì)比。圖9中前3組數(shù)據(jù)為色調(diào)偏藍(lán)的水下圖像,中間3組為色調(diào)偏綠的水下圖像,最后3組為整體泛白的水下圖像。通過(guò)實(shí)驗(yàn)觀察本文算法對(duì)于不同程度色偏的圖像的處理效果,并與目前主流的一些較為先進(jìn)的處理算法進(jìn)行對(duì)比,分別是 Underwater Light Attenuation Prior(ULAP)算法[16]、Ancuti算法[11]、 Statistical Model of Background Light and Optimization of Transmission Map(BL-TM)算法[17]及 Differential Attenuation Compensation(DAC)算法[18]。

圖9 不同算法增強(qiáng)處理實(shí)驗(yàn)對(duì)比Fig.9 Comparison of enhanced processing experiments with different algorithms

2.1 主觀分析

不同算法增強(qiáng)處理后的實(shí)驗(yàn)效果如圖9所示。

從對(duì)比實(shí)驗(yàn)可以看出,ULAP算法和BL-TM算法對(duì)色調(diào)偏藍(lán)和泛白的水下圖像,清晰度提升效果較好,但是色偏校正的結(jié)果展現(xiàn)并不理想,尤其對(duì)于色調(diào)偏綠且降質(zhì)嚴(yán)重的圖像,如圖像(4)、(5),色偏問(wèn)題并未解決,處理后仍呈現(xiàn)不同程度的綠色色調(diào)。BL-TM算法對(duì)于亮度提升效果較好,處理泛白圖像和降質(zhì)不嚴(yán)重的圖像(1)、(6)后整體灰度值均有所提升,但是會(huì)導(dǎo)致圖像色彩體現(xiàn)不足,對(duì)于飽和度分量仍有待提高。相對(duì)而言,Ancuti算法 和DAC算法對(duì)于圖像色偏校正效果較好,即使是偏色嚴(yán)重的圖像,如偏藍(lán)色調(diào)的圖像(3)和偏綠色調(diào)的圖像(4)、(5),處理后偏色影響已基本消除,但是DAC算法對(duì)于水下圖像沒(méi)有進(jìn)行去模糊處理,雖經(jīng)過(guò)對(duì)比度拉伸和降噪處理在一定程度上提升了圖像細(xì)節(jié)的表現(xiàn)力,但是并沒(méi)有完全解決由水下光線前向散射導(dǎo)致的圖像顏色衰減;Ancuti算法在清晰度恢復(fù)方面具有優(yōu)良的性能,但是在權(quán)重融合時(shí)采用銳化圖像后的分量權(quán)重導(dǎo)致圖像過(guò)度表現(xiàn)細(xì)節(jié),出現(xiàn)了紫色邊緣和噪聲污染。綜合對(duì)比來(lái)看,雖然其他方法能夠增強(qiáng)圖像亮度,但部分區(qū)域存在著增強(qiáng)不足或過(guò)度增強(qiáng)的現(xiàn)象,導(dǎo)致物體顏色無(wú)法被有效識(shí)別。和其他圖像增強(qiáng)方法相比較,本文算法保留了目標(biāo)物更多的細(xì)節(jié),比如在低光照?qǐng)鼍爸锌梢钥吹矫黠@的改進(jìn)效果,證明本文算法在色偏校正方面具有不錯(cuò)的表現(xiàn)力,在不同程度的偏色環(huán)境下均能恢復(fù)色彩均衡的水下圖像,而且在飽和度和色彩豐富度方面也具有一定的提升效果。

2.2 客觀分析

本文選用4個(gè)客觀評(píng)價(jià)指標(biāo)對(duì)上述算法處理圖像進(jìn)行質(zhì)量評(píng)估,分別是圖像平均梯度、信息熵、水下圖像色彩評(píng)價(jià)指標(biāo)(Underwater Color Image Quality Evaluation, UCIQE)和水下圖像的質(zhì)量評(píng)價(jià)指標(biāo)(Underwater Image Quality Measurement, UIQM)。其中,平均梯度反映了圖像灰度層次,該值越大,表示圖像越清晰;信息熵象征著圖像細(xì)節(jié)的豐富度,信息熵越大,圖像細(xì)節(jié)展現(xiàn)得越多。上述2個(gè)值是傳統(tǒng)評(píng)價(jià)圖像質(zhì)量?jī)?yōu)劣的指標(biāo),此外,本文還利用2個(gè)無(wú)參考評(píng)價(jià)指標(biāo)UCIQE和UIQM進(jìn)行了對(duì)比。UCIQE是綜合考量圖像飽和度、色度和銳化對(duì)比度參數(shù)之間的平衡,值越大,表明圖像整體恢復(fù)的質(zhì)量更好;UIQM是將色彩指標(biāo)、清晰度指標(biāo)和對(duì)比度指標(biāo)作為整體評(píng)價(jià)依據(jù),該值也能很好評(píng)估圖像綜合質(zhì)量的恢復(fù)效果,結(jié)果值越大越符合人類視覺(jué)效果。對(duì)3組不同色調(diào)偏色(偏藍(lán)、偏綠、泛白)的圖像進(jìn)行參數(shù)評(píng)估,結(jié)果如表1～表3所示。

表1 基于不同算法處理第一組(偏藍(lán))圖像評(píng)價(jià)指標(biāo)對(duì)比

表2 基于不同算法處理第二組(偏綠)圖像評(píng)價(jià)指標(biāo)對(duì)比

表3 基于不同算法處理第三組(泛白)圖像評(píng)價(jià)指標(biāo)對(duì)比

由表1～表3可以看出,Ancuti算法和BL-TM算法在平均梯度評(píng)估參數(shù)上表現(xiàn)優(yōu)異,如圖像(6)、(8),說(shuō)明其針對(duì)不同偏色場(chǎng)景的圖像對(duì)比度都具有較好的提升作用,但是結(jié)合主觀效果來(lái)看,由于Ancuti算法銳化過(guò)度,會(huì)加重圖像噪聲和邊緣偽影,而BL-TM算法在偏色校正方面處理效果欠佳,圖像光暈十分嚴(yán)重,如圖像(4)、(6),無(wú)法完全體現(xiàn)圖像對(duì)比度的展現(xiàn)效果;對(duì)于信息熵評(píng)估參數(shù),本文算法在第一組偏藍(lán)圖像和第三組泛白圖像中的表現(xiàn)均優(yōu)于其他對(duì)比算法,在第二組偏綠圖像中,參數(shù)表現(xiàn)稍遜一些,但是對(duì)比其他算法仍取得了次優(yōu)的數(shù)值體現(xiàn)。就評(píng)估參數(shù)UCIQE和UIQM而言,本文算法基本都獲得了最優(yōu)值,說(shuō)明綜合考量飽和度、清晰度和色度方面的表現(xiàn),本文算法具有更好的質(zhì)量恢復(fù)效果。綜上所述,本文所提算法對(duì)于不同偏色程度的水下圖像均具有較好的調(diào)整效果,而且增強(qiáng)后的圖像也更符合人類視覺(jué)系統(tǒng)的接受習(xí)慣。

各算法處理后UCIQE和UIQM平均值統(tǒng)計(jì)如圖10和圖11所示。根據(jù)圖中上述不同算法的UCIQE和UIQM的平均指標(biāo)值可知,經(jīng)過(guò)本文算法處理后,UCIQE的平均指標(biāo)值比其他算法提升了22.3%,UIQM的平均指標(biāo)值提升了10.2%。這表明本文算法的參數(shù)表現(xiàn)更加優(yōu)異,適用于不同場(chǎng)景的水下圖像增強(qiáng),并具有良好的圖像質(zhì)量恢復(fù)效果。

圖11 各算法處理UIQM指標(biāo)平均值統(tǒng)計(jì)Fig.11 The average statistics of UIQM indicators processed by different algorithms

3 結(jié)束語(yǔ)

本文針對(duì)水下圖像存在的色彩偏移和對(duì)比度不足等問(wèn)題,提出一種基于色彩平衡和多權(quán)重融合的水下圖像增強(qiáng)算法。整體步驟主要包括圖像去模糊處理、色偏校正及多權(quán)重融合提升色彩豐富度。實(shí)驗(yàn)驗(yàn)證結(jié)果表明本文算法對(duì)水下圖像清晰度恢復(fù)和對(duì)比度提升具有較好的效果,而且相比其他主流算法,本文算法在保證圖像無(wú)色偏的基礎(chǔ)上,還具有更好的飽和度提升效果和細(xì)節(jié)表現(xiàn)能力。主客觀實(shí)驗(yàn)對(duì)比后,驗(yàn)證了本文算法對(duì)水下圖像整體清晰度恢復(fù)效果,對(duì)于對(duì)比度、信息量和圖像色彩均有很大提升。但是本文算法在處理降質(zhì)嚴(yán)重的偏綠色調(diào)水下圖像時(shí),會(huì)產(chǎn)生藍(lán)色偽影現(xiàn)象,未來(lái)仍需對(duì)此進(jìn)一步研究。