摘" 要： 針對水下介質分布不均勻引起的光吸收和散射導致圖像顏色失真、對比度低、細節(jié)模糊，嚴重影響ORB?SLAM2算法前端特征提取與匹配魯棒性的問題，文中提出一種基于顏色校正與改進的自適應對比度增強的圖像處理方法。首先，利用一種改進的顏色通道補償和顏色通道拉伸方法去除色偏；其次，采用改進的自適應對比度增強方法提高圖像的亮度與對比度；最后，將彩色校正圖像與對比度增強圖像在HSV空間中融合。此外，將提出的算法與一些其他算法進行主客觀的評價，并將處理好的圖片進行特征提取和匹配。結果表明，該算法處理的圖片不僅在主客觀評價上均優(yōu)于對比算法，而且增加了特征點的匹配數量，為水下圖像處理提供了借鑒。

關鍵詞： 水下視覺SLAM； 水下圖像增強； 自適應對比度增強； 顏色校正； 顏色補償； 特征匹配

中圖分類號： TN911.73?34" " " " " " " " " " " " 文獻標識碼： A" " " " " " " " " " " " 文章編號： 1004?373X（2025）01?0040?07

Underwater image enhancement method based on color correction"and improved contrast enhancement

LIU Ming， XIAO Hancheng

（School of Electrical and Information Engineering， Yunnan Minzu University， Kunming 650500， China）

Abstract： The light absorption and scattering caused by the uneven distribution of underwater media lead to image color distortion， low contrast and blurred details， which seriously affects the robustness of front?end feature extraction and matching of ORB?SLAM2 algorithm， so an image processing method based on color correction and improved adaptive contrast enhancement is proposed. An improved color channel compensation and stretching method is utilized to remove color cast first， and then an improved adaptive contrast enhancement method is adopted to improve the brightness and contrast of the image. Finally， the color?corrected image and the contrast?enhanced image are fused in the HSV （hue， saturation， value） space. In addition， the proposed algorithm and other algorithms are evaluated objectively and subjectively， and the processed images are used for feature extraction and matching. The results show that the images processed by the proposed algorithm not only outperform the comparison algorithms in both objective and subjective evaluations， but also increase the number of matched feature points. To sum up， the proposed algorithm provides reference for underwater image processing.

Keywords： underwater visual SLAM; underwater image enhancement; adaptive contrast enhancement; color correction; color compensation; feature matching

0" 引" 言

近年來，視覺同時定位與建圖（Simultaneous Localization and Mapping， SLAM）技術已經成為導航定位領域重要的導航方式之一[1]。由于水下介質分布不均勻，光的散射以及波長的吸收導致水下圖像退化[2]，影響其在SLAM前端的應用能力，所以需要對圖像進行增強以達到應用的效果。

水下圖像增強方法主要分為傳統圖像增強方法和基于深度學習的方法[3]。傳統圖像增強算法包括：文獻[4]對水下圖像進行預處理，并將顏色校正和伽馬對比度增強的水下圖像進行多尺度融合，增強了視覺效果，但是當多個通道衰減嚴重時，處理結果并不理想；文獻[5]提出帶有色彩恢復因子的多尺度Retinex（Multi?Scale Retinex with Color Restore， MSRCR）理論，將圖片分解為不同的尺度并進行Retinex處理，然后恢復圖片顏色，最后將不同尺度圖像融合，該方法能夠很好地處理低照度圖像，但是容易放大圖像噪聲或降低色彩飽和度；文獻[6]提出暗通道先驗算法（Dark Channel Prior， DCP），其原理是基于大氣散射特性，利用圖像暗通道信息估計霧濃度并去除霧氣來獲取清晰圖像；文獻[7]基于DCP提出泛化型暗通道先驗（General Dark Channel Prior， GDCP）算法，通過估計暗通道和大氣透射率來復原圖像，但其穩(wěn)定性較差；文獻[8]提出一種新的單圖像低光水下圖像增強器L2UWE，將圖片分別增強細節(jié)和消除黑暗，并采用多尺度融合組合圖像，使得圖像有更高對比度和亮度，但顏色校正能力較差。

基于深度學習的方法包括：文獻[9]提出的兩種感知器模型，每種模型都是一個帶有檢測感知器的深度增強模型，并利用檢測感知器提供的信息引導增強模型生成優(yōu)質圖像；文獻[10]提出的一個物理模型引導的GAN模型，參數估計子網學習物理模型參數，利用生成的彩色圖像作為輔助信息增強雙流交互，形成增強子網，并引入退化量化模塊強化關鍵區(qū)域，同時雙鑒別器確保了結果的真實性和美學；文獻[11]提出的一種用于增強水下圖像的多色空間引導網絡，通過合并不同顏色空間的特征，結合密集注意塊和顏色引導地圖，實現準確的顏色估計和增強的視覺結果；文獻[12]提出的一種UMGAN模型，通過反饋機制和降噪網絡減少噪聲和偽影，結合全局與局部鑒別器自適應調整局部增強效果。雖然這些方法處理的圖像均有較好的效果，但依賴于大量高質量數據集且泛化能力不強。

針對這些問題，本文提出了一種基于顏色校正的改進自適應對比度增強的圖像處理方法。首先，采用顏色通道補償和拉伸方法去除色偏；其次，采用隨機搜索優(yōu)化算法計算對比度增強增益系數，并將增益系數應用于對比度增強公式；最后，提取出彩色校正圖像的色調與色彩飽和度空間及對比度增強圖像的亮度空間，將三者在HSV空間中融合，得到增強圖像。

1" 算法原理

本文算法流程圖如圖1所示。

1.1" 顏色校正

本節(jié)將有色偏圖像進行顏色校正。通常綠色通道衰減較少，紅色通道衰減最為嚴重。文獻[4]提出將綠色通道作為參考通道，使用灰度世界假設方法來補償最高衰減通道。本文在此基礎上進行改進，解決其在處理綠色圖像時紅色通道過度補償的問題。具體算法如下。

步驟1：顏色通道補償。

[Irc（x）=Ir（x）+α*（Ig-Ir）*（1-Ir（x））*Ig（x）] （1）

[Ircc（x）=Irc（x）+Ig-IbIg+Ib*Ig（x）] （2）

[Ibcc（x）=Ib（x）+Ig-IbIg+Ib*Ig（x）] （3）

式中：[Irc（x）]表示初步補償后的紅色通道；[Ircc（x）]和[Ibcc（x）]分別表示調整好的紅色通道和藍色通道；[Ir（x）]、[Ib（x）]和[Ig（x）]分別表示原圖像的紅、藍和綠色通道；[Ir]、[Ig]和[Ib]分別表示原圖像紅、綠、藍通道的均值；[α]是一個常數，通常設置為1。

步驟2：選取范圍，對圖像的每個顏色通道動態(tài)范圍拉伸。

[Lout=Lcin-Lmean+λ*Lstd2*λ*Lstd] （4）

式中：[Lmean]和[Lstd]表示對應顏色通道的均值和標準差；[λ]表示范圍調整參數，一般取2～3，根據多次調試，本文選擇取[λ]=3；[Lcin]和[Lout]分別為輸入圖像和顏色通道拉伸后的輸出圖像。

將本文提出的顏色校正算法與文獻[4]提出的顏色校正算法進行對比，結果如圖2所示。

根據輸出圖片的視覺效果來看，文獻[4]算法處理后的圖片對紅色通道的過度補償引起了顏色失真，整體偏紅色；而本文提出的顏色校正算法處理后的圖片恢復出原本顏色。根據直方圖來看，本文提出的算法使得各個通道的顏色更接近，表明其差異更小。因此，本文提出的顏色校正方法在處理顏色失真方面有更好的效果，且更符合人類視覺感知。

1.2" 對比度增強

1.1節(jié)對圖像的顏色進行了校正，圖像的色彩質量得到了提高，但是校正后的圖像仍然存在模糊問題。直方圖均衡（Histogram Equalization， HE）算法處理圖像時，由于沒有可控的增強顯示，使得圖像的對比度過于增強。自適應對比度增強（Adaptive Contrast Enhancement， ACE）算法通過將圖像分為高低頻兩部分，并對高頻部分進行局部增強，然后將高頻部分與低頻部分組合，得到對比度增強的圖像。在提高對比度方面有較好的效果，但是難以選取最佳增益系數（GC）。針對這些問題，本文借鑒文獻[13]，利用粒子群優(yōu)化算法求出最優(yōu)伽馬值的思想，將ACE與隨機搜索優(yōu)化算法相結合來選取最佳增益系數（GC），并限制HE的增強水平，適度提高圖像的對比度和亮度。具體算法如下。

步驟1：對圖像整體直方圖均衡化。

步驟2：設定窗口大小，計算圖像的窗口平均值和標準差。

[mx（i，j）=1（2n+1）2k=i-ni+n l=j-nj+nx（k，l）] （5）

[δx（i，j）=k=i-ni+n l=j-nj+n[x（k，l）-mx（i，j）]2] （6）

式中：[mx（i，j）]表示所在窗口平均值；[δx（i，j）]表示窗口標準差；[（2n+1）]表示窗口的邊長；[x（k，l）]表示在（[k]，[l]）處的像素值。

步驟3：將GC值集合在一個矩陣中：

[GC={GC11，GC12，…，GCmn}] （7）

式中：[m]和[n]表示圖像的大小。

步驟4：通過隨機搜索優(yōu)化算法計算出最優(yōu)GC矩陣，隨機搜索算法的適應度函數由圖片的熵和對比度均方根構成。

[F（GC）=E2（GC）+RMS2（GC）2] （8）

式中：[F（GC）]表示適應度函數；[E（GC）]表示對比度增強后圖像的熵；[RMS（GC）]表示對比度增強后圖像的對比度均方根。

步驟5：經過迭代計算后，得到最優(yōu)GC矩陣，并利用GC計算對比度增強圖像。

[f（i，j）=mx（i， j）+GC*[x（i， j）-mx（i， j）]] （9）

式中：[f（i， j）]表示對比度增強后的圖像；[GC]為增益系數；其他符號與式（6）含義相同。將本文提出的對比度算法與傳統ACE算法進行對比，結果如圖3所示。

根據圖3可以看到：經傳統ACE算法處理后的圖像上有很多白色的小光斑，通過實驗發(fā)現，GC設置的閾值越大，光斑越明顯；而改進的ACE算法對細節(jié)保存較好，在與HE相結合后增強了對比度不足的區(qū)域，亮度也得到了提升。

1.3" 圖像融合

要同時得到對比度增強和顏色校正的圖片，可以利用通道融合的方法。將顏色校正好的圖片和對比度增強圖片轉換到HSV空間，并提取出顏色校正圖片的H和S通道，對比度增強圖片的V通道。通過拼接公式將其融合在一起，拼接公式為：

[Vcont=Vcc*σ+Vcon*（1-σ）] （10）

[I=cat（3，Hcc，Scc，Vcont）] （11）

式中：[Hcc]、[Scc]和[Vcc]分別代表顏色校正好的圖像的色調與飽和度空間以及亮度空間；[σ]表示一個常數，本文取0.3；[Vcon]代表對比度增強圖像的亮度空間；[Vcont]表示融合后的亮度空間；[I]為融合后的圖片；[cat]表示拼接三個通道的函數。

圖像通道融合效果如圖4所示。

2" 實驗結果與分析

本文從人的主觀感受和客觀參數兩方面進行評價，并與GDCP[7]、MSRCR[5]、L2UWE[8]、Two?step[14]、Red?Channel[15]算法進行對比分析。本文選取的對比測試圖像來源于RUIE[16]和UIEB[17]。實驗所用軟件為Matlab 2024a，硬件為Intel[?] CoreTM i5?9300H CPU，8.00 GB RAM。

2.1" 主觀評價

不同算法處理圖像的結果如圖5所示。

根據對比實驗結果可知，GDCP算法能夠有效去霧，增強了圖片清晰度，但是在顏色校正方面效果不佳，圖像仍然呈藍綠色。MSRCR對顏色進行了一定的校正，但清晰度并不足。L2UWE算法和Two?step算法突出了圖像細節(jié)，提高了整張圖片的對比度與亮度，卻仍存在顏色失真問題，且會引入一些噪聲。Red?Channel算法在處理偏綠色圖像時效果較好，而處理偏藍色圖像時效果較差。相比之下，本文所提出的算法在色調和飽和度調整方面有更好的效果，圖像的整體亮度更為均衡，細節(jié)也保存的更好。

2.2" 客觀評價

為了客觀地評價圖5中不同方法處理后的圖像，本文選用三種常用客觀評價指標UCIQE[18]、UIQM[19]、信息熵[20]進行評價。其中：UIQM將顏色指標（UICM）、清晰度指標（UISM）和對比度指標（UIConM）線性結合，UIQM值越大，表示圖像綜合質量越高；UCIQE是對色度、飽和度和對比度的綜合定量評價，其值越大，則圖像在對比度、銳度和顏色平衡方面效果越好；信息熵則反映的是圖像的細節(jié)，其值越大，細節(jié)越豐富。評價結果如表1所示。

從表1可知：GDCP算法在每個評估參數上都表現較好，但結合主觀來看，其只是除霧，整體的顏色偏差并沒有消除，對比度也沒有很大的提升；MSRCR算法對于原圖像，在消除色偏，提高對比度上稍有改善，但是各項指標均值均小于其他算法；L2UWE算法使得圖像在對比度增強方面有很大的提升，細節(jié)也得到了很好的恢復，但與Two?step算法相比，UIQM和UCIQE值相差不太大，其均值甚至低于Two?step算法，說明L2UWE算法在圖像色彩校正方面不太理想；Red?Channel算法與除了MSRCR算法以外的其他方法相比，處理的圖像的UIQM和UCIQE均值較低。從各項指標參數的均值來看，本文提出的算法在處理水下圖像的色偏以及對比度時有更好的效果。

2.3" 特征匹配測試

將原始圖像和本文算法處理的圖像經過ORB特征提取與匹配[21]的部分結果如圖6所示，匹配特征數量如表2所示。

顯然，本文算法處理的圖像明顯增加了匹配點對，為后續(xù)估算位姿環(huán)節(jié)做好了準備工作。

3" 結" 語

本文提出了一種基于顏色校正與改進的自適應對比度增強的圖像處理方法，該方法采用紅色二次通道調整和顏色通道拉伸進行顏色校正，并通過隨機搜索優(yōu)化算法來計算對比度增益系數并增強對比度，融合得到輸出圖像。實驗結果表明，本文算法不但在視覺感知方面有更好的效果，在UIQM、UCIQE以及信息熵評價指標中均優(yōu)于對比算法，而且極大地增加了特征點匹配對數。在未來的工作中，可以利用該算法處理好的圖像進行更準確的位姿估計。

參考文獻

[1] 曾慶化，羅怡雪，孫克誠，等.視覺及其融合慣性的SLAM技術發(fā)展綜述[J].南京航空航天大學學報，2022，54（6）：1007?1020.

[2] 郭銀景，吳琪，苑嬌嬌，等.水下光學圖像處理研究進展[J].電子與信息學報，2021，43（2）：426?435.

[3] 鄧晶.水下圖像增強方法綜述[J].電視技術，2022，46（12）：4?7.

[4] ANCUTI C O， ANCUTI C， DE VLEESCHOUWER C， et al. Color balance and fusion for underwater image enhancement [J]. IEEE transactions on image processing， 2018， 27（1）： 379?393.

[5] RAHMAN Z， JOBSON D J， WOODELL G A. Retinex processing for automatic image enhancement [J]. Journal of electronic imaging， 2004， 13（1）： 100?110.

[6] HE K M， SUN J， TANG X O. Single image haze removal using dark channel prior [J]. IEEE transactions on pattern analysis and machine intelligence， 2011， 33（12）： 2341?2353.

[7] PENG Y T， CAO K M， COSMAN P C. Generalization of the dark channel prior for single image restoration [J]. IEEE transactions on image processing， 2018， 27（6）： 2856?2868.

[8] MARQUES T P， ALBU A B. L2UWE： A framework for the efficient enhancement of low?light underwater images using local contrast and multi?scale fusion [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. New York： IEEE， 2020： 2286?2295.

[9] CHEN L， JIANG Z， TONG L， et al. Perceptual underwater image enhancement with deep learning and physical priors [J]. IEEE transactions on circuits and systems for video technology， 2021， 31（8）： 3078?3092.

[10] CONG R M， YANG W Y， ZHANG W， et al. PUGAN： Physical model?guided underwater image enhancement using GAN with dual?discriminators [J]. IEEE transactions on image processing， 2023， 32： 4472?4485.

[11] ZHOU J C， LI B S， ZHANG D H， et al. UGIF?Net： An efficient fully guided information flow network for underwater image enhancement [J]. IEEE transactions on geoscience and remote sensing， 2023， 61： 1?17.

[12] SUN B Y， MEI Y P， YAN N， et al. UMGAN： Underwater image enhancement network for unpaired image?to?image translation [J]. Journal of marine science and engineering， 2023， 11（2）： 447.

[13] MAHMOOD A， KHAN S A， HUSSAIN S， et al. An adaptive image contrast enhancement technique for low?contrast images [J]. IEEE access， 2019， 7： 161584?161593.

[14] FU X Y， FAN Z W， LING M， et al. Two?step approach for single underwater image enhancement [C]// 2017 International Symposium on Intelligent Signal Processing and Communication Systems （ISPACS）. New York： IEEE， 2017： 789?794.

[15] GALDRAN A， PARDO D， PICóN A， et al. Automatic red?channel underwater image restoration [J]. Journal of visual communication and image representation， 2015， 26： 132?145.

[16] LIU R S， FAN X， ZHU M， et al. Real?world underwater enhancement： Challenges， benchmarks， and solutions under natural light [J]. IEEE transactions on circuits and systems for video technology， 2020， 30（12）： 4861?4875.

[17] LI C Y， GUO C L， REN W Q， et al. An underwater image enhancement benchmark dataset and beyond [J]. IEEE transactions on image processing， 2020， 29： 4376?4389.

[18] YANG M， SOWMYA A. An underwater color image quality evaluation metric [J]. IEEE transactions on image processing， 2015， 24（12）： 6062?6071.

[19] PANETTA K， GAO C， AGAIAN S. Human?visual?system?inspired underwater image quality measures [J]. IEEE journal of oceanic engineering， 2016， 41（3）： 541?551.

[20] 胡振宇，陳琦，朱大奇.基于顏色平衡和多尺度融合的水下圖像增強[J].光學精密工程，2022，30（17）：2133?2146.

[21] MUR?ARTAL R， TARDóS J D. ORB?SLAM2： An open?source SLAM system for monocular， stereo， and RGB?D cameras [J]. IEEE transactions on robotics， 2017， 33（5）： 1255?1262.

基金項目：國家自然科學基金資助項目（52061042）

作者簡介：劉" 明（1973—），男，云南會澤人，博士研究生，研究員，研究方向為機器人控制及導航。

肖漢城（2000—），男，江西宜春人，碩士研究生，研究方向為圖像處理。