基于MSRCR的水下图像清晰化算法

孙 杰

(中国人民解放军91550部队，辽宁 大连116023)

0 引言

作为水下探测的重要手段[1-2]，水下测量仪器可以直观反映真实的水下场景。但是在海洋环境中，光波的传输特性没有空气中优良，水体对光能量有着较强的吸收作用，同时水体、悬浮颗粒和浮游生物对光线有着极强的散射效应，极大限制了水下可见光成像的距离和质量。由于成像大多位于较深的水下，自然光难以照射，人工光源照明时，光线受到水的吸收衰减，导致光照条件差，成像接收器接收到的目标信号不强，反映在图像上会产生假细节。散射效应带来了图像模糊、信噪比低、对比度差等问题。关于水下图像清晰化处理算法的研究，是获取水下信息的需要，对研究和开发海洋都具有重要意义。

现有算法主要集中在增强和复原2个方面，图像增强技术面向具体问题，针对不同的特征需求采用不同方法来处理。直方图均衡、直方图规定化、限制对比度自适应直方图均衡等算法，能够通过调整图像灰度值范围，在一定程度上增强水下图像的对比度。Iqbal等[3]提出了一种基于对比度滑动拉伸算法的水下图像增强方法。丁伟等[4]和蓝国宁等[5]分别采用压缩感知和小波的方法对水下图像进行去噪，有还原图像色彩的角度上分析。Chambah等人提出了一个基于无监督式的色彩均衡算法的色彩校正方法[6]。颜色恒常性算法能消除由于场景光照变化产生的图像偏色现象，基于Retinex理论的图像增强算法经历了不断改进和完善[7-9]。包括随机步行算法、泊松方程算法、同态滤波算法、单尺度Retinex(SSR)算法[10]、多尺度Retinex(MSR)算法以及带色彩恢复的多尺度Retinex算法(MSRCR)[11]等。

在图像复原方面，张赫等[12]提出了基于大气湍流模型获取水下图像退化函数的方法，完成图像分割。李庆忠等[13]提出基于水下光照不均匀成像模型的去噪算法，通过去除小波变换后低频部分的介质散射光增强图像的对比度。本文将He等[14]基于暗原色先验知识的图像处理方法进行改进，在图像细节增强的基础上，采用MSRCR算法进一步解决水下图像色彩失真的问题。实验证明，该方法能够有效提高对比度，并且修正色彩失真，达到水下图像清晰化的效果。

1 MSRCR算法

1.1 Retinex理论

Retinex理论始于20世纪60年代，其基本内容是：物体的颜色由其表面反射特性决定，而不是由反射光强度的绝对值决定。物体的色彩不受光照非均匀性的影响，具有一致性。Retinex算法进行图像增强的关键是从原图像中有效地计算出亮度图像，然后通过降低亮度图像对反射图像的影响而达到图像增强的目的。

1.2 单尺度Retinex(SSR)

单尺度Retinex算法是通过对中心/环绕Retinex(Center/SurroundRetinex)改进提出的。中心/环绕Retinex算法理论的基本思想：通过对其周围环绕像素赋予不同的权值来估计每一个中心像素的亮度，这些权值的比例关系完全由环绕函数来确定。Jobson等根据这一理论提出了单尺度Retinex算法(SSR)，该算法基本内容如下：

设图像为I(x，y)，亮度图像为L(x，y)，反射图像为R(x，y)，则有：

I(x，y)=L(x，y)·R(x，y)。

(1)

该算法的目的是从I(x，y)中得到R(x，y)，通常假设亮度图像平滑，用图像的低频部分近似估计，对图像进行对数域处理，使得图像的值更接近人眼对亮度的感知能力，则单尺度Retinex可以表示为：

ln[I(x，y)*G(x，y)]，

(2)

式中，G(x，y)为低通卷积函数，用来估算亮度图，然后通过从原图像中去除亮度图像，即光源亮度的影响，从而恢复物体的本来颜色。Jobson论证了使用高斯卷积函数可以对原图像提供更局部的处理，从而更好的增强图像，因此G(x，y)通常是高斯函数，表达式为：

(3)

式中，λ是常量矩阵，它使得

∬G(x，y)dxdy=1，

(4)

式中，c是尺度常量，其值越小，动态范围压缩得越大；c越大，图像锐化程度越大。

1.3 多尺度Retinex算法(MSR)

由于SSR算法不能同时满足细节增强和颜色保真2个特性，Jobson等又提出了多尺度Retinex算法(MSR)。

多尺度Retinex是单尺度Retinex的加权平均，用r(x，y)表示反射图像的最终计算结果，则多尺度Retinex在对数域中可表示为：

ln[I(x，y)*Gi(x，y)]}，

(5)

式中，n表示尺度的个数，通常n=3，为彩色图像；wi表示加权系数，假定各个尺度对应的权重相等，则wi=1/3；Gi(x，y)通常是高斯低通滤波器：

(6)

式中，ci表示尺度。

1.4 带色彩恢复的多尺度Retinex(MSRCR)

MSRCR是多尺度Retinex算法在色彩通道进行线性加权综合来提高增强效果，在增强过程中，图像可能会因为增加了噪声而造成局部细节色彩失真，不能显现出物体的真正颜色效果，使整体视觉效果变差。针对这一不足，引入彩色恢复因子C到MSR算法中，弥补由于图像局部区域对比度增强而导致颜色失真的缺陷。改进的MSRCR算法可表示为：

RMSRCRi(x，y)=Ci(x，y)·RMSRi(x，y)，

(7)

(8)

(9)

式中，Ci表示第i个通道的彩色恢复因子，用来调节3个通道颜色的比例；f(.)表示颜色空间的映射函数；β是增益常数；α是受控制的非线性强度。MSRCR算法利用彩色恢复因子C来调节原始图像中3个颜色通道之间的比例关系，从而把相对暗区域的信息突显出来以达到消除图像色彩失真的缺陷。处理后的图像局部对比度提高，亮度与真实的场景相似，在人们视觉感知下图像显得更加逼真。利用MSRCR算法处理后的图像像素值一般会出现负值。通过增益参数G、补偿参数O对图像修正，可表示为：

(10)

SSR，MSR，MSRCR算法的图像处理结果如图1所示。

图1 3种Retinex算法处理结果

对比3种Retinex算法的增强效果，SSR和MSR仍然会引起图像色彩的失真，而MSRCR增强后的水下图像能更好地保持原有图像的色彩。

2 水下图像清晰化

2.1 物理成像模型

McCartney提出的光传输物理模型如下：

I(x)=J(x)t(x)+A[1-t(x)]，

(11)

式中，I(x)是目标场景的采集图像；J(x)是需要恢复的清晰图像；A是全局背景光，这里先假设它是已知量；t(x)是光线透射率。图像清晰化的目的就是从式(11)中求解出J(x)。

2.2 暗原色先验

暗原色先验理论的基础是：无雾图像的大部分区域存在暗通道，由于空气中的雾是灰白色的，其在RGB三通道上的值通常相等。但针对水下环境特殊的光学特性所导致的水下图像普遍存在颜色失真问题，直接应用暗通道方法进行水下图像处理并不合适。本文将空气中的暗原色去雾进行了改进，并结合MSRCR算法进行颜色修正。

2.3 水下图像清晰化算法

算法具体流程如图2所示。

(1)在RGB三个通道上分别建立传输模型：

Iλ(x)=Jλ(x)tλ(x)+Aλ[1-tλ(x)]。

(12)

根据Lamber-Beer定律，光在水中传输时以指数形式衰减[15]，

tλ(x)=e-Cλd(x)，

(13)

式中，λ为图像中R，G，B三个颜色通道；Cλ为各通道的衰减系数，d(x)为场景深度。

图2 算法流程

(2)水下暗原色先验

在RGB三个颜色通道上分别应用暗通道先验，得到：

(14)

式中，Jdark(x)为局部区域的暗通道值。

(3)计算透射率

假设局部区域的透射率不变，可以对图像分区域估算透射率，根据暗原色先验，每个小区域内应该存在某个通道值极低的像素点，可以表示为：

(15)

(16)

(17)

(4)估算背景光

全局背景光是场景中的光线强度，在水下图像中一般用水体区域的值近似表示。现有水下暗原色算法，大多沿用空气中寻找暗通道中值最大的那一部分像素作为背景光A。

在人工辅助照明条件下，这样选取的背景光值过高。在没有照明环境的水下图像中，这些像素的亮度值又很低。为解决此类问题，结合水下光学特性与水下退化模型进行分析，将水下图像背景光与水体光学参数、相机等参数建立关联[17-18]。

依据对海水光学性质的分析，得到水下图像中的背景光Aλ表达式：

Aλ=κβ(θ)Is(x)/cλ，

(18)

式中，κ为一个关于焦距的常数；cλ为水体的光衰减系数；β(θ)为体积散射系数；针对水下拍摄的图片，用相应的光衰减系数和体积散射系数代入式(18)；Is(x)表示目标物平面上的光照强度，反映在图片上可以由图像最大灰度值代表。从而获得较为准确的背景光估算值。

将参数和测量值代入式(11)，可以得到暗原色复原后的图像：

(19)

(5)水下彩色图像颜色修正

将暗原色方法复原后的初步图像，带入式(10)，取α=125，β=46，G=192，O=-30，进行MSRCR色彩修正，获得水下清晰化图像。

3 实验结果与分析

将单一的暗原色先验算法、MSRCR算法和本文的清晰化算法效果进行比较，分别处理了一副水下生物图像、24色色卡和数字分辨率板图像。

为衡量各算法处理后水下图像的质量，本文采用信息熵和平均梯度这2个客观质量评价指标来对比各种增强算法处理后的图片。平均梯度越大，表示图像边界的灰度变化率越大，反映在图像上，其细节分辨力更高。信息熵描述的是图像的平均信息量。

根据表1几种图像增强算法的客观评价和图3～图5几种算法处理的生物、色卡、数字板图像结果所示，本文算法结合了水下成像环境特征，暗原色方法和MSRCR的特点，克服了单一算法的弊端，得到的清晰化图像有更好的视觉效果，对比度更强，细节更突出，色彩恢复更加真实。

表1 几种图像增强算法的客观评价

图像内容参量原图MSRCR暗原色本文算法生物平均梯度3.145.282.725.62信息熵6.877.197.137.64色卡平均梯度1.3612.831.8314.49信息熵5.527.665.747.66数字板平均梯度0.663.481.135.73信息熵7.467.267.677.52

图3 几种算法处理的生物图像结果

图4 几种算法处理的色卡图像结果

图5 几种算法处理的数字板图像结果

4 结束语

本文在暗原色先验和Retinex理论基础上，提出了一种暗原色和MSRCR算法相结合的水下彩色图像清晰化算法。实验结果表明，该算法在各方面要优于暗原色和MSRCR算法单独处理的效果，能提高图像对比度，突出细节，并修正图像的色彩偏差，使处理后的图像更加清晰，更有利于后续对水下目标的检测和特征提取。