一种基于光补偿的水下图像增强算法

2022-04-24朱静仪张瑜慧丁一凡

现代计算机 2022年4期

朱静仪，张瑜慧，杜义，丁一凡

（宿迁学院，宿迁 223800）

0 引言

水下图像在海洋生物监测、地质或生物环境评估等科学探索领域至关重要。水下场景中，除了水的吸收效应外，水下介质中的悬浮颗粒会对入射光线产生散射效应，导致水下图像出现雾化和模糊的现象。在水下拍摄图像具有挑战性，受光线从物体表面反射，并被水粒子偏转和散射等诸多因素的影响，水下图像出现不同程度的降质现象。水下物体反射的光射向相机时，一部分光与这些悬浮粒子相遇，这些悬浮粒子吸收并散射光。在没有背景光源的环境中，散射通常扩展为多次散射，进一步将光束分散成均匀的背景光。由于不同波长的光衰减程度不同，从而引起颜色变化。在水下采集的图像中，光散射和颜色变化导致对比度降低与颜色偏差。光的散射效应会造成水下图像模糊；波长吸收会导致捕获的图像颜色失真；人工照明设备以及摄像系统的浮动使得水下光照环境呈非均匀状态，图像中心部位形成亮斑而周围形成暗区，严重影响图像的对比度。

基于水下成像的特点，提高水下成像的质量，改善光照因素造成的影响与颜色失真，已经成为水下图像处理的研究热点。现有的水下图像处理可分为，基于成像模型的图像复原方法和图像增强方法两大类。基于成像模型的图像复原方法针对水下图像退化过程，构建适用于水下环境的成像模型以恢复图像，该类方法的重点在于分析水下成像的特点，并据此构建模型。而图像增强方法主要通过改变图像在不同颜色通道的强度分布，改善图像的亮度、颜色与对比度，从而在视觉上改善水下图像的视觉质量。

光照问题以及水下图像的颜色失真是影响图像质量的关键因素。图像增强方法不考虑水下光学成像和光照机理，直接根据降质图像的特征进行处理，能够在一定程度上提高图像质量。图像复原利用物理模型估计图像的降质模式，再根据估计值复原降质图像，可以较好地实现降质图像的复原，但是仍然存在两个主要问题：一是估计介质散射光或景深信息的算法太费时且存在局限性；二是目前采用的水下成像模型大多数没有考虑因人工光源导致的水下光照不均匀的问题。

本文提出了一种基于水下模型的图像增强方法，该方法考虑到水下图像的色散、色偏、对比度低等问题，利用水下光学物理模型，结合暗通道先验，以及自适应直方图均衡技术，进行多尺度光补偿，较好地复原水下图像。

1 水下图像增强算法

1.1 水下成像模型

因为水下光学成像与雾天成像模型相似，所以暗通道先验算法被广泛应用于水下图像增强。其成像模型为

式中，表示水下图像，表示理想图像，也可以视作入射光照射到场景表面后未经散射的反射光，A表示背景光，()表示透射率。透射率由光的衰减系数，景深函数()确定，表达式如式（2）所示。

何恺明从大量无雾图像的统计规律中发现，R、G、B 3 个颜色通道中，至少存在一个颜色通道强度值很低，甚至接近于0。暗通道图像为

式中，J表示颜色通道，Ω()表示以像素为中心的局部区域。

由于水下成像的特殊性，在深海中，自然光几乎衰减为零，此时海底成像的光源主要来源于人造光源，通常假设人造光源与相机在同一水平面上，光源发出照射分量，经过距离()到达物体表面。此时的入射光()为

再经反射形成反射光，表达式为

将式（5）带入水下成像模型式（1），获得深海水下成像模型为

实际中，图像在去除后向散射干扰后，仍然受到人造光的影响，也存在光在传输中衰减的问题。与传统的图像生成模型相比，基于暗通道先验的算法，能够更加准确地估算水下场景深度。当自然光到达水下，光会存在一定的衰减，场景中的点反射光传播到相机从而形成图像。

1.2 算法步骤

在水下成像过程中，色散是光吸收和悬浮颗粒在到达相机的过程中多次散射的结果；色偏是由于不同波长的光衰减不一致造成的，这是因为不同波长的光在传播的过程中随着距离的增加，衰减差异较大，尤其在深海成像过程中还存在人造光源自身颜色增益的影响。

在从水下图像的顶部到底部的深度范围内，光衰减的程度在每个区域中变化，因而需要估计每个补偿点的水下深度。通常，为了克服水下摄影环境中的照明不足问题，会使用人造光源来辅助摄影。从而在补偿衰减损失时，也需要考虑人造光源贡献的亮度，以避免过度补偿。算法在进行适当的补偿之前，考虑图像范围内衰减的能量和人造光源的亮度。具体算法步骤为：

（1）对水下图像白平衡处理，获得图像。

（2）由暗通道先验，获得深度()与暗通道图像。

（3）对图像进行自适应直方图均衡处理。

（4）提取直方图均衡化图的照度，色度与显著性信息。

（5）提取图像的照度，色度与显著性信息。

（6）多尺度融合，进行散射光与色彩变化补偿，增强图像。

图1（a）是待处理水下图像，该图整体偏蓝，存在对比度低及颜色失真现象。图1（b）为对图（a）进行白平衡处理的结果图，经过白平衡处理之后，颜色失真情况好转。图1（c）在白平衡基础上，进行了自适应直方图均衡化，由图可见，图像的对比度得到增强。图1（d）、（e）与（f）分别是图1（c）的照度图、色度图与显著性图。图1（g）是图1（a）的暗通道先验结果图。图1（h）、（i）与（j）分别是图1（g）的照度图、色度图与显著性图。图1（k）是最终多尺度融合的处理结果，由图可见图像清晰度增强，对比度得到拉伸，颜色失真得到改善。

图1

2 算法分析与评价

2.1 图像增强评价指标

图像增强质量评价标准主要分为两类：主观评价与客观评价。其中主观评价利用人眼观察和评判图像增强效果，但是评价结果容易受到环境，及评判人员心境与经验等因素影响。虽然人眼的视觉对误差的敏感度并不是绝对的，其感知结果会受到许多因素的影响而发生变化，但是主观评价标准依然是常用的评价方法。

客观评价能够定量的评价图像质量。常见的评价指标有很多，本文选择3种适合水下图像增强的客观评价指标，分别是、、。其中指标无需参考图像，其余两种需要提供参考图像对待评价图像进行评估，这些指标能相对公正地测量图像质量，评价增强算法的优劣。

（1）。是色彩浓度，饱和度和对比度的线性组合，用来定量评价水下图像在色偏，模糊和低对比度等方面的情况，属于无参考图像的图像质量评价指标，目前逐渐成为水下图像增强的重要评价指标之一，表达式如下：

其中，σ表示色度的标准差，con表示亮度的对比，μ表示饱和度的平均值，系数，，用于调整色度、亮度与饱和度的权重比值。

（2）。图像均方误差。设待评价图像和参考图像的大小为×，定义为：

（3）。峰值信噪比（）可以用来衡量增强图像与参考图像的相似程度，数值越大，表示增强效果越佳。定义为

其中，MAX是图像的最大像素值。

2.2 实验结果与分析

实验所用图像选自数据库UIEB，该数据库包含水下图像及对应的高质量参考图像。实验从UIEB 数据库选用20 幅具有代表性的图像，用于检测不同算法的增强效果。

在对比实验中，论文选择了经典的自适应直方图均衡化算法（contrast limited adaptive histogram equalization，CLAHE），研究表明符合Rayleigh 分布的水下图像在视觉上更加符合人类视觉习惯。除此之外，还选择了暗通道先验（dark channel prior，DCP）算法，以及WCID算法，这些算法在增强图像领域都是经典算法，具有代表性。

图2 是4 种增强算法的结果图，其中图（a）是3 幅水下原图像，图（b）、图（c）、图（d）与图（e），分别对应于应用CLAHE 算法、DCP 算法、WCID 算法和本文算法对原图进行增强后的效果图。从图中可以观察到，DCP 算法在水下图像增强方面效果不佳，WCID 算法能够在清晰度、对比度与饱和度上增强原图，CLAHE 算法在修正色偏、提高清晰度等方面效果较好。本文算法相较于其余3种算法，在色调、饱和度、对比度及清晰度各方面都有较好的表现，在主观评价方面，本文算法最优。

图2 水下图像增强结果比较

表1 是本文算法与3 种经典算法的3 种客观评价数值。表中第1 列指标，数值越大，表示图像色偏越小，画面清晰度越高，对比度也越高。从表中数据可以看出指标显示，本文算法最佳，远远高于DCP 算法与WCID 算法。在方面，本文算法平均值为18.6362，在4种算法的峰值信噪比上数值最大，表明本文所提算法增强的图像与作为参考的质量最佳图像最接近。用于评价两幅图像的均方差，数值越小，表明待比较的双方误差越小。表1第3 列数据显示本文算法最小。综合3 种评价指标可以看出，本文算法明显优于WCID 算法，在水下图像增强应用中，也优于CLAHE 算法与DCP算法。