禹志鵬， 白國振， 劉懷周

(上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200082)

0 引 言

隨著當(dāng)今社會(huì)科技的迅猛發(fā)展，海洋資源的觀測(cè)與智慧捕撈成為目前人們研究的熱點(diǎn)。與陸地環(huán)境不同的是，水下工況十分復(fù)雜，由于不同顏色的光在水中的衰減率不同，導(dǎo)致采集到的水下圖像總是呈現(xiàn)出顏色偏藍(lán)、偏綠的問題。并且根據(jù)Huang等[1]提出的水下光學(xué)成像模型可知在水下場(chǎng)景反射的光線到達(dá)相機(jī)之前，水中懸浮物吸收了大部分的光能，改變了光線的方向[2]。使得水下成像圖像還存在分辨率與對(duì)比度低、模糊、顏色失真等問題[3]。攝像機(jī)在視線范圍內(nèi)接收3種光：從捕捉到的場(chǎng)景直接反射光，該過程被稱為直接透射；被小顆粒散射但仍到達(dá)攝像機(jī)的場(chǎng)景光，該過程被稱為前向散射；來自大氣光并被懸浮粒子反射的光，該過程被稱為背景散射[4]。退化后的圖像可以表示為

Ic(x)=Jc(x)tc(x)+Ac(1-tc(x))

(1)

其中,Jc(x)為清晰的圖像，tc(x)是海水的衰減率系數(shù)，Ac為后向散射分量。

目前，比較流行的水下圖像增強(qiáng)算法分為兩種：基于物理模型和基于非物理模型，其中基于非物理模型的方法都基于單一的RGB顏色模型。直方圖均衡化[5]、對(duì)比度限制自適應(yīng)直方圖均衡化、伽馬校正，UCM等算法被認(rèn)為是改善圖像對(duì)比度的典型增強(qiáng)方法。而常見的基于物理模型的算法有：Chao[6]使用暗通道先驗(yàn)(Dark Channel Prior,DCP)來恢復(fù)水下圖像和去霧，根據(jù)這個(gè)知識(shí)可以推導(dǎo)出背景光和透射比，然后再運(yùn)到物理模型中，但是與原圖相比，算法處理過后的圖片質(zhì)量改善效果比較有限，甚至有些圖片出現(xiàn)了顏色失真現(xiàn)象；Drews等[7]提出水下暗通道先驗(yàn)(Underwater Dark Channel Prior,UDCP)算法。該算法對(duì)圖片的綠色和藍(lán)色通道進(jìn)行處理，實(shí)現(xiàn)了水下圖像的色彩恢復(fù)。但由于水下圖像中存在的光吸收和不同的光照條件使得這些先驗(yàn)值有例外，這可能導(dǎo)致圖像恢復(fù)效果不佳，經(jīng)常違背了基于DCP、UDCP的假設(shè)，所以Peng[8]提出了圖像模糊和光吸收算法，以更準(zhǔn)確地估計(jì)背景光和水下場(chǎng)景深度，并恢復(fù)了各種復(fù)雜場(chǎng)景下的水下圖像，該算法在不同的水下工況下都能表現(xiàn)出較好的魯棒性，并能夠恢復(fù)復(fù)雜場(chǎng)景下的水下圖像，實(shí)驗(yàn)表明該算法比其他基于物理模型的算法擁有更好的性能；Song等[9]提出了一種基于水下光衰減先驗(yàn)的快速有效的景深估計(jì)模型，該模型假設(shè)水下圖像中一個(gè)像素的G-B強(qiáng)度最大值與R強(qiáng)度值之間的差值與場(chǎng)景深度的變化密切相關(guān)，該模型可以用來估計(jì)RGB透射圖，從而恢復(fù)水下真實(shí)場(chǎng)景的輻射；李景明等[10]提出了基于拉普拉斯算子先驗(yàn)項(xiàng)的水下圖像復(fù)原；王一斌等[11]提出了自適應(yīng)背景光估計(jì)與非局部先驗(yàn)的水下圖像復(fù)原算法。實(shí)驗(yàn)表明：該算法在確保運(yùn)行效率的基礎(chǔ)上，準(zhǔn)確地估計(jì)透射率，較常用算法的復(fù)原精度提高了約18%。本文的創(chuàng)新性在于以往傳統(tǒng)的UCM算法在進(jìn)行顏色對(duì)比度校正的時(shí)候沒有考慮圖像中像素值過大或者過小的區(qū)域，所以導(dǎo)致處理后的圖像會(huì)呈現(xiàn)過飽和或者欠飽和的情況，因此本文對(duì)UCM算法中的直方圖拉伸進(jìn)行了改進(jìn)，提出使用限制對(duì)比度自適應(yīng)的方法對(duì)直方圖進(jìn)行非線性均衡化，用非線性直方圖拉伸代替?zhèn)鹘y(tǒng)的線性直方圖拉伸，從而進(jìn)一步改進(jìn)了圖像的色偏現(xiàn)象，并且區(qū)域處的過飽和和欠飽和現(xiàn)象得到了改善。

1 傳統(tǒng)UCM算法增強(qiáng)和其局限性

1.1 傳統(tǒng)UCM算法分析

UCM算法分為3個(gè)步驟：首先通過白平衡來均衡顏色，然后對(duì)RGB色彩模型中的R、G、B三通道的直方圖進(jìn)行線性拉伸來提高對(duì)比度，最后對(duì)HSI色彩模型中S、I通道的直方圖進(jìn)行線性拉伸來增加真實(shí)顏色和亮度。

(1) RGB色彩模型均衡化。計(jì)算圖像中R、G、B通道的平均值，其中IR(i,j),IG(i,j),IB(i,j)分別為大小為M×N圖像上紅綠藍(lán)3個(gè)通道的像素值,i=1,2，…，M；j=1,2，…，N。

(2)

由于水下圖像存在色偏問題，在水下的衰減速度從快到慢依次為紅光、綠光、藍(lán)光，所以為了平衡G和R通道，因此引入兩個(gè)增益因子：

(3)

通過增益因子提高G和B通道的值，如下：

(4)

其中，R和G是原來的像素值，R′和G′是平衡后的像素值。

(2) RGB色彩模型對(duì)比度校正。在步驟(1)中平衡了圖像的顏色后，UCM算法對(duì)模糊的水下圖像進(jìn)一步提高對(duì)比度。對(duì)比度的校正主要是將R、G、B 3個(gè)通道的像素值范圍拉伸到期望的范圍。通常情況下，8位顏色通道的值變化范圍在0～255。該方法的拉伸公式為

(5)

其中,P0表示校正后的像素值，Pi表示當(dāng)前的像素值，a表示期望校正的最小值，b表示期望校正的最大值，c表示當(dāng)前圖像中的最小值，d表示當(dāng)前圖像中的最大值。

對(duì)于圖像中R通道來說，通道像素平均值會(huì)偏小，因此期望朝著最大像素值的方向拉伸，如圖1所示。用式(5)進(jìn)行拉伸時(shí)，式中(b-a)被(Upper Limit-Lower Limit)代替，其中Lower Limit表示紅色通道最小的像素值，Upper Limit=255。

圖1 向最大方向拉伸Fig.1 Stretch to the maximum direction

對(duì)于圖像的G通道來說，通道像素值平均值介于R、B通道之間，期望朝最大最小像素值兩個(gè)方向拉伸，如圖2所示。利用式(5)進(jìn)行拉伸時(shí)與R通道一樣將(b-a)替代，其中Lower Limit值為0，Upper Limit值為255。

圖2 向兩邊拉伸Fig.2 Stretch to both sides

對(duì)于圖像中B通道來說，通道像素值平均值會(huì)偏大，因此期望朝著最小像素值的方向拉伸，如圖3所示。利用式(5)進(jìn)行拉伸時(shí)，其中Lower Limit值為0，Upper Limit表示B通道中最大的像素值。

圖3 向最小方向拉伸Fig.3 Stretch to the minimum direction

(3) HSI色彩模型的飽和度和亮度校正。將在步驟(1)和步驟(2)中處理過的RGB色彩模型轉(zhuǎn)換為HSI色彩模型，其中H表示色調(diào)，S表示飽和度，I表示亮度。將S和I通道分別向兩邊拉伸，這樣可以擴(kuò)大直方圖的分布范圍，進(jìn)一步通過提高飽和度來增加真實(shí)顏色，并通過提高亮度來解決低光照問題，使處理后的圖像更加自然。

1.2 傳統(tǒng)UCM算法局限性

在實(shí)驗(yàn)室水箱內(nèi)模擬了海參場(chǎng)景圖像，并且進(jìn)一步在水箱中添加氫氧化鈉和甲基藍(lán)使水下工況更渾濁和偏藍(lán)綠色，更加接近深海真實(shí)場(chǎng)景，如圖4所示。可以看出：預(yù)處理后的圖像的對(duì)比度在一定程度上得到了提高，但增強(qiáng)的效果不明顯，圖像整體暗淡，亮度偏低。而且在圖4(b)中，紅色矩形框中圖像的局部區(qū)域出現(xiàn)了欠飽和現(xiàn)象，而在圖4(d)中，處理后的整體圖像呈現(xiàn)一種過飽和的現(xiàn)象，其主要原因是由于UCM算法在線性拉伸直方圖的過程中沒有考慮到圖像中數(shù)值太高或太低的像素值，導(dǎo)致灰度值低的地方和高的地方?jīng)]有得到相對(duì)應(yīng)的均衡化處理。

(a) 水箱內(nèi)海參場(chǎng)景

(b) UCM算法增強(qiáng)后的圖像

(c) 模擬偏藍(lán)綠色的水下場(chǎng)景

(d) UCM算法增強(qiáng)后的圖像圖4 傳統(tǒng)UCM算法局限性Fig.4 Limitations of traditional UCM algorithm

2 傳統(tǒng)UCM算法直方圖均衡化的改進(jìn)

針對(duì)提出的傳統(tǒng)UCM增強(qiáng)算法產(chǎn)生的過飽和和欠飽和問題，基于色彩校正模型[12]，本文對(duì)UCM算法中的直方圖線性拉伸進(jìn)行了改進(jìn)，提出使用限制對(duì)比度自適應(yīng)的方法對(duì)直方圖進(jìn)行非線性均衡化，將傳統(tǒng)的線性直方圖拉伸改進(jìn)為非線性直方圖拉伸，使得改進(jìn)后的圖像進(jìn)一步提高了對(duì)比度，解決偏色問題，增加圖像的亮度，改善圖像質(zhì)量，使其更符合人類視覺感知，本文算法流程圖如圖5所示。

圖5 改進(jìn)UCM圖像增強(qiáng)算法圖Fig.5 Improved UCM image enhancement algorithm

直方圖均衡化(Histogram Equalization,HE)就是把原圖像直方圖集中的灰度區(qū)間變成全灰度區(qū)間范圍的均勻分布[13]。如圖6所示(圖6(b)為均衡化后的直方圖)。

圖6 直方圖均衡化Fig.6 Histogram equalization

假設(shè)以r和s分別表示為歸一化處理后的原始圖像的灰度和經(jīng)過HE算法處理后的灰度，即0≤r≤1，0≤s≤1。并且在區(qū)間[0,1]內(nèi)，所有的r都可以經(jīng)過變換函數(shù)T(r)處理以后映射出一個(gè)s，如下：

s=T(r)

(6)

然后根據(jù)概率論的理論可以得到：假設(shè)已知隨機(jī)變量r的概率密度為Pr(r)，因?yàn)橛墒?6)可知r和s存在映射關(guān)系，則s的概率密度為Ps(s)可以根據(jù)Pr(r)求得，假設(shè)s的分布函數(shù)用Fs(s)表示，根據(jù)分布函數(shù)的定理得：

(7)

對(duì)兩邊同時(shí)求導(dǎo)：

根據(jù)式(8)、式(9)可以知道通過改變兩個(gè)圖像之間的變換函數(shù)T(r)來控制圖像的概率密度函數(shù)，從而進(jìn)一步改變圖像的灰度區(qū)間，變換處理過程如圖7所示。

圖7 HE算法變換過程Fig.7 HE algorithm transformation process

但是雖然HE可以在一定程度上提高圖像的對(duì)比度，但是該算法對(duì)全局圖像進(jìn)行均衡化的時(shí)候會(huì)產(chǎn)生過度增強(qiáng)效果，同時(shí)也放大了噪聲，因此有學(xué)者提出自適應(yīng)直方圖均衡化(Adaptive Histogram Equalization,AHE)[14]，該算法雖然有利于減少圖像細(xì)節(jié)的損失，但也增加了噪聲。Zuiderveld等[15]在AHE的基礎(chǔ)上提出了(Contrast Limited Adaptive Histogram Equalization,CLAHE)[16]，如圖8所示。

圖8 CLAHE算法直方圖Fig.8 CLAHE algorithm histogram

算法通過限制對(duì)比度來達(dá)到防止過度增強(qiáng)和抑制噪聲的目的，其在計(jì)算非線性函數(shù)f之前，設(shè)定一個(gè)閾值，將超過閾值的灰度直方圖裁剪，并將閾值裁掉的像素點(diǎn)數(shù)目平均分配到各個(gè)灰度級(jí)中，這樣就會(huì)平緩灰度級(jí)之間的劇烈變化，起到抑制過度增強(qiáng)噪聲點(diǎn)的作用。

3 實(shí)驗(yàn)結(jié)果與分析

伽馬校正[17](Gamma Correction,GC)和相對(duì)全局直方圖拉伸(Relative Global Histogram Streching,RGHS)算法是提高圖像對(duì)比度、改善圖像質(zhì)量的典型增強(qiáng)方法[18]。本文分別將改進(jìn)的UCM算法與GC、RGHS、UCM 3種算法進(jìn)行對(duì)比，定性、定量地分析本文算法的可行性。

3.1 定性分析

圖9為GC、RGHS 、UCM和本文算法對(duì)原始圖像處理的效果圖，其中原始圖像來自實(shí)驗(yàn)室水箱模擬的海參場(chǎng)景，GC算法不僅沒有提高圖像的對(duì)比度，反而變得更加模糊，看上去有一層薄霧，整體畫面呈現(xiàn)一種偏白的現(xiàn)象。RGHS和UCM雖然在一定程度上提高了對(duì)比度，但對(duì)比度增強(qiáng)沒有那么明顯，并且UCM算法使圖像變得暗淡，部分區(qū)域表現(xiàn)出了欠飽和的問題。改進(jìn)的UCM算法明顯提高了圖像的對(duì)比度，使圖像變得更加清晰，更符合人類的視覺感知。

圖9 4種增強(qiáng)算法處理后的比較圖Fig.9 Comparison diagrams after processing by four enhancement algorithms

3.2 定量分析

如表1所示，用UIConM[19]、UIQM[19]和NIQE[20]指標(biāo)對(duì)圖9增強(qiáng)后的圖像進(jìn)行定量的分析。UIQM是Panetta等提出來的水下圖像質(zhì)量度量指標(biāo)，該指標(biāo)是由水下圖像色度測(cè)量(UICM)、水下圖像清晰度測(cè)量(UISM)和水下圖像對(duì)比度測(cè)量(UIConM)線性組成的，其值分別為fUICM、fUISM、fUIConM,UIQM的值fUIQM越大，說明水下圖像的質(zhì)量就越好，反之就越差。

表1 不同圖像增強(qiáng)算法指標(biāo)對(duì)比Table 1 Comparison of different image enhancement algorithms

fUIQM=c1×fUICM+c2×fUISM+c3×fUIConM

其中，c1、c2、c3分別為這個(gè)線性組合的權(quán)重值。

自然圖像質(zhì)量評(píng)估器NIQE是基于簡(jiǎn)單的空間域自然場(chǎng)景統(tǒng)計(jì)模型，將拍攝圖像中的特征與統(tǒng)計(jì)模型進(jìn)行度量，從而得到評(píng)價(jià)分?jǐn)?shù)，fNIQE的得分越小說明圖像質(zhì)量越高。

從表1可以看出GC算法的fUIConM和fUIQM較小，在IM1中僅分別為0.25和3.03，說明了對(duì)比度較低并且圖像質(zhì)量不高，而fNIQE又是4種算法中最大的，為4.69，說明了該圖像與自然場(chǎng)景下的圖像相似度較小，質(zhì)量也不高。而改進(jìn)后的UCM在UIConM、UIQM和NIQE指標(biāo)下都是最優(yōu)的，說明改進(jìn)后的UCM算法進(jìn)一步提高了圖像對(duì)比度，改善了圖像質(zhì)量。RGHS和UCM算法的性能介于GC與改進(jìn)的UCM之間。

4 結(jié)束語

本文以水下海參圖像為研究目標(biāo)，針對(duì)水下圖像存在的偏色、低對(duì)比度、噪聲影響等問題，通過提出改進(jìn)傳統(tǒng)的UCM算法，使用CLAHE對(duì)RGB模型中的R、G、B通道以及HSI模型中的S、I通道的直方圖進(jìn)行均衡化。較好地提高了圖像質(zhì)量，并且通過實(shí)驗(yàn)后的定性和定量分析，驗(yàn)證了本文算法更加符合人類視覺感知，表明了該算法有很好的魯棒性，且在同類圖像處理方面有更好的表現(xiàn)性。