張微微,祝開艷

(大連海洋大學(xué) 信息工程學(xué)院, 遼寧 大連 116023)

海洋在給我們帶來大自然饋贈的同時(shí),也給身處信息時(shí)代的我們帶來了無限挑戰(zhàn),由于水下環(huán)境中存在的物理特性,水下機(jī)器人進(jìn)行目標(biāo)識別和檢測充滿了挑戰(zhàn)性。與陸地圖像不同,水下圖像成像不僅受到水下環(huán)境的影響,而且還因?yàn)樽匀还獾乃p,人眼無法清晰觀察水下圖像。另外,水體對自然光具有吸收和散射作用,光線隨距離和深度呈指數(shù)衰減,所以水下圖像呈現(xiàn)霧狀。而水下環(huán)境中存在各種介質(zhì),導(dǎo)致光線沿人眼的視線從水下散射回來的部分會顯著降低場景對比度,因?yàn)樗陆橘|(zhì)的這些特性,水下圖像會存在對比度差的特點(diǎn)。在普通海水中,距離超過10 m的物體幾乎無法區(qū)分,而顏色則會產(chǎn)生色偏,因?yàn)樗聢D像的色彩通道特征波長會根據(jù)水深進(jìn)行切割,所以水下拍攝的圖像會呈現(xiàn)出藍(lán)綠色。為了能夠更精確地識別攝像機(jī)拍攝的海洋生物,拍取到的水下圖像都要經(jīng)過一系列的處理,比如進(jìn)行圖像增強(qiáng)或圖像復(fù)原操作,以增強(qiáng)圖片的對比度、亮度、細(xì)節(jié)等。圖像增強(qiáng)算法根據(jù)是否基于圖像成像模型,主要分為兩大類,一類是圖像增強(qiáng),一類是圖像復(fù)原,這兩類方法的共同目的都是為了突出圖像中感興趣的部分,改善圖像總體質(zhì)量,提高圖像的可視效果。海洋的特性給水下圖像增強(qiáng)研究帶來了無限挑戰(zhàn),也帶來了無限可能。

低照度圖像增強(qiáng),是目前圖像處理領(lǐng)域中熱門研究方向之一,低照度圖像增強(qiáng)的應(yīng)用場景包括海洋、道路交通、監(jiān)控視頻等計(jì)算機(jī)視覺相關(guān)領(lǐng)域。低照度圖像增強(qiáng)屬于特殊環(huán)境下的圖像增強(qiáng),低照度環(huán)境包括自然光不足、室內(nèi)光線不足,兩種情況下拍攝出的圖像亮度都比較低,整體亮度低影響了人眼的視覺感知。低光照圖像亮度低和細(xì)節(jié)模糊,不僅嚴(yán)重影響人眼的識別能力,而且降低了計(jì)算機(jī)系統(tǒng)對其的后期處理性能。光線不足情況下抓拍的水下圖像被稱為低照度水下圖像,因?yàn)楹Ｋ凸庹盏脑?導(dǎo)致顏色失真,更加難以識別,對低照度水下圖像進(jìn)行增強(qiáng)有著重要的科學(xué)研究意義和實(shí)用價(jià)值。傳統(tǒng)的水下圖像增強(qiáng)算法在處理一些極限環(huán)境下的水下圖像時(shí)存在局限性。

本文介紹了一種新的方法,在傳統(tǒng)的水下圖像增強(qiáng)算法的基礎(chǔ)上,添加低光照圖像增強(qiáng)算法,最終實(shí)現(xiàn)低照度水下圖像增強(qiáng)。主要貢獻(xiàn)如下:

(1)本文算法建立在融合原理的基礎(chǔ)上,提出了白平衡算法融合Retinex理論的低照度水下圖像增強(qiáng)方法。

(2)使用灰度世界對水下圖像進(jìn)行增強(qiáng),消除了水下圖像的藍(lán)綠色調(diào),在白平衡處理的基礎(chǔ)上,對圖像進(jìn)行銳化處理,增強(qiáng)圖像的細(xì)節(jié)。

(3)設(shè)計(jì)了一個(gè)亮度增強(qiáng)模塊,該模塊將經(jīng)過白平衡處理的圖像進(jìn)行Gamma校正,對圖像的亮度進(jìn)行初步處理,再基于Retinex理論對圖像進(jìn)行分解,基于HSV顏色空間下對照度分量V進(jìn)行增強(qiáng),有效增強(qiáng)圖像的亮度。

(4)設(shè)計(jì)了一個(gè)融合模塊,提出基于拉普拉斯金字塔的多尺度融合策略進(jìn)行融合增強(qiáng),改善了圖像顏色,提高了圖像的亮度,更大化地保留了圖像的細(xì)節(jié)信息。

(5)采用圖像質(zhì)量評價(jià)指標(biāo)對實(shí)驗(yàn)結(jié)果進(jìn)行評價(jià),結(jié)合主觀評價(jià),證明了本文算法在低照度環(huán)境下對水下圖像增強(qiáng)的優(yōu)越性。

1 相關(guān)工作

低照度圖像增強(qiáng)比較具有代表性的算法有:傳統(tǒng)算法、基于深度學(xué)習(xí)的算法、基于圖像融合的算法。

1.1 傳統(tǒng)算法

用于圖像增強(qiáng)的傳統(tǒng)算法包括:直方圖均衡化[1](Histogram Equalization,HE)、白平衡[2]、灰度邊緣假設(shè)[3]、基于Retinex理論[4]的算法等。圖像增強(qiáng)研究早期階段,應(yīng)用最多的是直方圖均衡化,但是經(jīng)過HE增強(qiáng)后的圖像會出現(xiàn)過度增強(qiáng)、細(xì)節(jié)丟失、顏色失真等問題。為了解決這些問題, Banik等人[5]采用光照調(diào)整結(jié)合直方圖均衡來增強(qiáng)不同類型的低照度圖像,經(jīng)顏色空間轉(zhuǎn)換,即在HSV顏色空間下進(jìn)行低照度圖像增強(qiáng)。為了緩解對比度過度增強(qiáng)的現(xiàn)象,Reza等人[6-7]提出了限制對比度自適應(yīng)直方圖均衡化算法(Contrast Limited Adaptive Histogram Equalization,CLAHE),該算法的原理是裁剪直方圖時(shí)添加了閾值,通過閾值限制裁剪。隨后Chang等人[8]提出了自動(dòng)對比度限制自適應(yīng)直方圖均衡算法,提升了對比度增強(qiáng)的效果,但該算法在處理低照度圖像時(shí),難以兼顧色彩和對比度,會導(dǎo)致顏色失真。綜上,直方圖均衡化算法可以對水下圖像和低照度圖像有效增強(qiáng),但是處理結(jié)果在細(xì)節(jié)和顏色上還存在問題。

Retinex算法最先在1963年的時(shí)候被Edwin.H.Land提出,基于Retinex理論的增強(qiáng)方法包括單尺度Retinex理論(Single-Scale Retinx,SSR)[9]、多尺度Retinex理論(Multi-Scale Retinex,MSR)[10]、帶有色彩恢復(fù)因子的多尺度Retinex理論(Multi-Scale Retinex with Color Restoration,MSRCR)[11]。Retinex是基于人類視覺系統(tǒng)的算法,它不僅可以調(diào)整圖像的動(dòng)態(tài)灰度范圍,而且在細(xì)節(jié)上處理較好。基于Retinex理論的方法在水下圖像和低照度圖像增強(qiáng)方面效果有明顯提升,但是這類算法容易產(chǎn)生光暈效應(yīng)。

1.2 基于深度學(xué)習(xí)的算法

用于水下圖像增強(qiáng)的神經(jīng)網(wǎng)絡(luò)主要為卷積神經(jīng)網(wǎng)絡(luò)和生成式對抗網(wǎng)絡(luò),常見的網(wǎng)絡(luò)模型有:U-NET[12]、DehazeNet[13]、DenseNet[14]、RetinexNet[15]、Grid Network[16]、DCNN[17]、殘差網(wǎng)絡(luò)[18]等。基于傳統(tǒng)算法的圖像增強(qiáng)存在局限性,于是很多研究者開始使用卷積神經(jīng)網(wǎng)絡(luò)對低照度圖像進(jìn)行增強(qiáng),提出了各種網(wǎng)絡(luò)結(jié)構(gòu)。由于基于Retinex的理論比較實(shí)用,一些網(wǎng)絡(luò)結(jié)構(gòu)融合了Retinex理論,這類算法的思路是通過訓(xùn)練好的網(wǎng)絡(luò)模型提取出入射光,然后對其進(jìn)行調(diào)整,接著根據(jù)Retinex模型計(jì)算出反射率,最后得到增強(qiáng)圖像。Li C等人[24]提出了LNET算法,該算法就是結(jié)合Retinex理論對圖像進(jìn)行增強(qiáng)的。首先使用卷積神經(jīng)網(wǎng)絡(luò)估計(jì)光照圖像,然后使用引導(dǎo)濾波優(yōu)化光照圖像,最后根據(jù)Retinex模型進(jìn)行融合得到增強(qiáng)圖像。隨后Wang提出了一種端到端的可訓(xùn)練神經(jīng)網(wǎng)絡(luò)GLADNet[25]。該網(wǎng)絡(luò)以低光照圖像作為網(wǎng)絡(luò)的輸入,直接端到端地輸出正常光照圖。現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的低照度圖像增強(qiáng)算法還有很多局限性,會導(dǎo)致增強(qiáng)后的圖像不符合人眼視覺特性,缺乏魯棒性。由于水下環(huán)境比較特殊,可用于研究的真實(shí)水下數(shù)據(jù)集較少,Li等人[27]建立了水下圖像增強(qiáng)測試集(UIEB),基于此還提出了新的網(wǎng)絡(luò)模型Water-Net,此網(wǎng)絡(luò)采用UIEB數(shù)據(jù)集進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練,該模型的水下圖像增強(qiáng)性能優(yōu)于大部分現(xiàn)有水下圖像處理方法,但是對于一些特殊環(huán)境下的水下圖像處理不是很好。

1.3 基于圖像融合的算法

圖像融合包括決策級融合、特征級融合、數(shù)據(jù)級融合(又叫像素級融合)。由于單一的傳統(tǒng)算法處理效果不佳,Ancuti等人[19]第一次提出了一種基于融合的方法。該算法的思路是:首先,從輸入圖像中生成兩幅用于融合的圖像;然后,根據(jù)兩幅待融合圖像的對比度、顯著特征和曝光量確定四個(gè)融合權(quán)重;最后,采用多尺度融合策略,將兩幅圖像和確定的權(quán)重進(jìn)行融合,得到對比度增強(qiáng)和細(xì)節(jié)突出的增強(qiáng)圖像。隨后,Ancuti等人[20]在原有的實(shí)驗(yàn)步驟上進(jìn)行了改進(jìn),提出了一種用于水下圖像增強(qiáng)的顏色平衡與融合新方法。融合的思想隨之深化,Dong等人[21]于2020年在U-Net架構(gòu)上提出基于密集特征融合的多尺度增強(qiáng)去霧網(wǎng)絡(luò),提出的密集特征融合模塊可以同時(shí)彌補(bǔ)高分辨率特征缺失的空間信息,從而達(dá)到圖像去霧效果。以上基于融合的方法在低照度圖像中得到很好的對比度增強(qiáng)效果,但是還是會出現(xiàn)細(xì)節(jié)丟失的問題。

本文在Ancuti提出的圖像融合基礎(chǔ)上,對現(xiàn)有的水下圖像增強(qiáng)算法進(jìn)行改進(jìn),提出一種新的可用于低光照環(huán)境下的水下圖像增強(qiáng)算法。該算法主要包含顏色恢復(fù)、細(xì)節(jié)增強(qiáng)模塊和亮度增強(qiáng)模塊,將后面兩個(gè)模塊得到的圖像作為融合模塊的輸入圖像,以得到增強(qiáng)后的低照度水下圖像。本文選取了UIEB數(shù)據(jù)集結(jié)合U45數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù),以驗(yàn)證本文算法的有效性。

1.4 水下圖像成像理論

水下圖像成像的環(huán)境主要是海洋,海水的成分比較復(fù)雜,除了液態(tài)水外,還有很多雜質(zhì),包含多種懸浮粒子、細(xì)菌、浮游生物等。自然光源在照射海水時(shí),因?yàn)樗袘腋×Ｗ拥拇嬖?光線受懸浮粒子的影響在水下很容易發(fā)生散射,同時(shí)水體本身對光線具有一定的衰減特性,導(dǎo)致水下機(jī)器人采集到的水下圖像對比度不佳。一些研究表明,水的衰減是光波長的復(fù)函數(shù),因?yàn)樗w對光具有散射和吸收作用,所以光線在海水中傳輸時(shí)的能量按指數(shù)規(guī)律迅速地衰減。影響海水衰減的比例顯示,散射作用和吸收作用的比例是6∶4。

水下圖像質(zhì)量不佳表現(xiàn)為顏色失真、對比度低、細(xì)節(jié)模糊。水下圖像呈現(xiàn)藍(lán)綠色是因?yàn)楣饩€的吸收和衰減作用,水下圖像對比度低是因?yàn)楣饩€后向散射作用,水下圖像細(xì)節(jié)模糊是因?yàn)楣饩€前向散射作用。水體對光的散射作用是水下圖像質(zhì)量不佳的主因子。另外,水體對自然光的散射作用主要是因?yàn)槭艿剿w中懸浮粒子的影響。水下圖像成像過程可參見Jaffe-McGlamery水下成像模型。

圖1 Jaffe-McGlamery水下成像模型

圖1反映了水下環(huán)境中光源、相機(jī)和物體之間的直接關(guān)系,水下圖像總照度=直接衰減分量+前向散射分量+后向散射分量。直接衰減分量是指海水經(jīng)過物體本身反射而未發(fā)生散射的光照;前向散射分量是指物體反射光到達(dá)相機(jī)的過程中射入懸浮粒子而發(fā)生小角度散射的光照;后向散射分量是指海洋環(huán)境的反射光經(jīng)懸浮粒子散射后進(jìn)入相機(jī)的光照。Jaffe-McGlamery水下圖像成像模型可以用如下表達(dá)式表示:

I(x)=D(x)t(x)+B(1-t(x))

(1)

表達(dá)式中,I(x)表示相機(jī)拍攝的物體圖像,D(x)表示物體自身光源,t(x)表示直接傳輸映射,B表示環(huán)境光,D(x)t(x)表示直接傳輸光,B(1-t(x))表示背景散射光。其中t(x)會受衰減效應(yīng)的影響,公式如式(2)所示:

t(x)=e-βd

(2)

表達(dá)式(2)中,β表示衰減系數(shù),d表示傳輸距離,可以看出直接傳輸映射與傳輸距離密切相關(guān)。光線的衰減在空氣中和水下是不同的,在海洋環(huán)境下,光線是呈指數(shù)衰減的,相機(jī)距離物體的距離也得到了限制,所以圖像成像的性能在水下環(huán)境是非常低的。

2 低照度水下圖像增強(qiáng)算法

2.1 算法設(shè)計(jì)思路

本文提出的算法主要包含了四個(gè)部分,分別是顏色恢復(fù)模塊、細(xì)節(jié)增強(qiáng)模塊、亮度增強(qiáng)模塊、融合模塊。算法設(shè)計(jì)如圖2所示。

圖2 本文算法框架

2.2 顏色恢復(fù)模塊

針對水下圖像呈現(xiàn)藍(lán)綠色調(diào)的特點(diǎn),自適應(yīng)地進(jìn)行顏色補(bǔ)償和顏色校正,這里選取了傳統(tǒng)算法中的白平衡算法,考慮了大量現(xiàn)有的白平衡方法,并確定了有效又適合現(xiàn)存問題的解決方案,本文選取的是灰度世界算法。

2.3 細(xì)節(jié)增強(qiáng)模塊

水下圖像經(jīng)過顏色恢復(fù)模塊,已經(jīng)改善了整體顏色,為了保留圖像的細(xì)節(jié)信息,在顏色恢復(fù)的圖像基礎(chǔ)上進(jìn)行銳化處理,讓圖像細(xì)節(jié)更加突出。

2.4 亮度增強(qiáng)模塊

在顏色恢復(fù)模塊經(jīng)過白平衡處理過的低照度水下圖像會呈現(xiàn)亮度比較高的現(xiàn)象,需要對全局對比度進(jìn)行調(diào)整,使用伽馬校正對圖像進(jìn)行初步調(diào)整。接著基于Retinex理論對圖像進(jìn)行分解,分為照度分量和反射分量,本文重點(diǎn)對照度分量進(jìn)行增強(qiáng),將RGB顏色空間轉(zhuǎn)變?yōu)镠SV顏色空間,在HSV顏色空間下,對亮度通道V進(jìn)行增強(qiáng),對通道H和S進(jìn)行歸一化,通過此步驟得到亮度增強(qiáng)圖像。

2.5 融合模塊

首先,從輸入圖像中生成兩幅融合圖像:input 1是原圖經(jīng)過白平衡和銳化處理得到的增強(qiáng)圖像,input 2是原圖經(jīng)過亮度增強(qiáng)后的圖像。然后,根據(jù)多尺度融合策略,定義圖像的融合權(quán)重,這里主要包括拉普拉斯對比度權(quán)重(Laplacian contrast weight,Wl)、顯著權(quán)重(Saliency weight,Ws)和飽和權(quán)重(Saturation weight,Wsat)。最后,根據(jù)多尺度融合策略,將兩種圖像和確定的權(quán)重進(jìn)行融合,得到全局對比度和細(xì)節(jié)信息更好的增強(qiáng)圖像。

為了描述圖像在卷積和下采樣操作中丟失的高頻細(xì)節(jié)信息,人們定義了拉普拉斯金字塔。本文多尺度融合基于拉普拉斯金字塔,金字塔表示將圖像分解為帶通圖像之和。實(shí)際中,金字塔每一層都對圖像用參數(shù)為2的低通高斯濾波核進(jìn)行濾波,從輸入中減去一個(gè)高采樣版本的低通圖像,并用低通圖像作為后續(xù)輸入。然后,它從輸入中減去低通圖像的上采樣版本,從而近似拉普拉斯(倒數(shù)),并使用抽取的低通圖像作為金字塔后續(xù)級別的輸入。形式上,使用G1表示一系列低通濾波和抽取,然后進(jìn)行后續(xù)采樣操作,我們將金字塔的級別定義如下:

I(x)=I(x)-G1{I(x)}+

G1{I(x)}?L1{I(x)}+G1{I(x)}=

L1{I(x)}+G1{I(x)}-G2{I(x)}+

G2{I(x)}=L1{I(x)}+L2{I(x)}+

(3)

式(3)中L1和G1分別表示拉普拉斯金字塔和高斯金字塔的第一層,融合過程如圖3所示。

圖3 融合模塊

3 實(shí)驗(yàn)與分析

本文使用公開的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),并選擇在相同條件下與其他傳統(tǒng)算法進(jìn)行對比實(shí)驗(yàn)。我們對實(shí)驗(yàn)結(jié)果進(jìn)行主觀評價(jià)以及客觀評價(jià),另外還引入了視覺感知任務(wù)進(jìn)行對比實(shí)驗(yàn),根據(jù)觀察和分析,實(shí)驗(yàn)效果比較好。

3.1 數(shù)據(jù)集

我們選取的是Li等人提出的UIEB[27]數(shù)據(jù)集,數(shù)據(jù)集中包括890張raw圖像、890張reference圖像和60張challenging圖像,在測試時(shí)也選取了U45水下圖像數(shù)據(jù)集中的相關(guān)圖片。

3.2 圖像評價(jià)指標(biāo)

為了證明水下圖像處理方法的有效性和速度,通常需要借助水下質(zhì)量評價(jià)指標(biāo)來進(jìn)行。圖像質(zhì)量評價(jià)的方式包括主觀評價(jià)和客觀評價(jià)。主觀評價(jià)建立在個(gè)體參與圖像質(zhì)量評價(jià)的基礎(chǔ)上,根據(jù)人眼觀察來進(jìn)行評價(jià);而客觀評價(jià)建立在選定的指標(biāo)上。水下數(shù)據(jù)集可以分為兩類,為參考圖像數(shù)據(jù)集和無參考圖像數(shù)據(jù)集,根據(jù)有無參考圖像,客觀評價(jià)又可以分為全參考評價(jià)和無參考評價(jià)。

全參考評價(jià)包括峰值信噪比(PSNR)、均方誤差(MSE)、結(jié)構(gòu)相似性(SSIM)[28]等。無參考評價(jià)包括基于人類視覺系統(tǒng)的水下圖像質(zhì)量評價(jià)度量(UIQM)[29]、水下彩色圖像質(zhì)量評價(jià)度量(UCIQE)[30]等。由于水下圖像很難獲取對應(yīng)的參考圖像,所以一般情況下都是采取無參考評價(jià)。表1根據(jù)測量分量和方式將UIQM和UCIQE算法進(jìn)行對比。

表1 圖像質(zhì)量評價(jià)指標(biāo)對比

3.3 視覺效果分析與主觀評價(jià)

在進(jìn)行視覺效果分析時(shí),本文所提出的算法與基于對比度約束的自適應(yīng)直方圖均衡(CLAHE)、帶顏色恢復(fù)的Retinex(MSRCP)、自動(dòng)白平衡(AWB)進(jìn)行比較。圖4中的圖片來自UIEB數(shù)據(jù)集,第一列為輸入水下原始圖像,后四列分別為不同算法增強(qiáng)結(jié)果。通過人眼觀察圖4可以看到,本文算法不僅還原了水下圖像的顏色,而且提高了圖像的整體亮度,水下圖像細(xì)節(jié)更加明顯。圖5是在圖4基礎(chǔ)上進(jìn)行了細(xì)節(jié)放大處理,根據(jù)魚的眼睛和巖石可以看出本文算法在細(xì)節(jié)上處理效果最佳。

圖4 UIEB圖像不同算法效果圖對比

圖6中的圖片來自U45數(shù)據(jù)集,第一列為原圖,圖像中主要包含了水下海膽和扇貝。和傳統(tǒng)的水下增強(qiáng)算法對比,本文算法有效去除了水體綠色。圖7是放大細(xì)節(jié)圖,通過觀察扇貝和水下人像衣服,可以明顯看到圖像細(xì)節(jié)。

3.4 客觀評價(jià)

將本文所提算法和其他算法使用不同指標(biāo)進(jìn)行比較。我們使用水下圖像質(zhì)量測量指標(biāo)(Underwater Image Quality Measure, UIQM)和水下彩色圖像質(zhì)量評價(jià)指標(biāo)(Undewater Color Image Quality Evaluation,UCIQE)對各個(gè)算法的測試結(jié)果進(jìn)行了定量比較。UIQM代表水下圖像質(zhì)量指標(biāo),它只需要一張圖像,是一個(gè)非參考評價(jià)指標(biāo),更適合用于開放的水下任務(wù)。UIQM 的評價(jià)分為三部分,即圖像顏色指標(biāo)(UICM)、清晰度指標(biāo)(UISM) 和對比度指標(biāo)(UIConM),ULQM的值為三部分指標(biāo)線性之和,其值越大,表示圖像的顏色平衡、清晰度、對比度越佳。UCIQE是利用色度、飽和度和對比度的線性組合進(jìn)行定量評估,分別量化不均勻的偏色、模糊和低對比度,其值也為三部分指標(biāo)之和。

圖5 UIEB圖像不同算法細(xì)節(jié)圖對比

圖6 U45圖像不同算法效果圖對比

圖7 U45圖像不同算法細(xì)節(jié)圖對比

表2為各種算法在測試集上的比較結(jié)果,我們選取了基于對比度限制的直方圖均衡化算法(CLAHE)、帶色彩恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法(MSRCP)、自動(dòng)白平衡算法(AWB)和水下參考圖像與本文算法進(jìn)行比較,從以下兩個(gè)評價(jià)指標(biāo)進(jìn)行圖像質(zhì)量的評價(jià)。從表2中可以看到:本文算法在UIQM和UCIQE評價(jià)指標(biāo)上均優(yōu)于其他對比算法,這說明本文算法能有效增強(qiáng)圖像,和主觀評價(jià)結(jié)果相一致。

表2 不同水下圖像增強(qiáng)算法在測試集上的定量比較

3.5 視覺感知任務(wù)

將水下圖像進(jìn)行增強(qiáng)是為了使水下機(jī)器人進(jìn)行目標(biāo)檢測作業(yè)時(shí)更加容易,增強(qiáng)圖像的對比度和亮度有利于提高水下機(jī)器人的視覺感知能力,本文利用圖像特征點(diǎn)匹配來證明算法的效果。

這里選取的圖像為U45水下數(shù)據(jù)集中編號為5和6的圖像,圖像中包含了海膽和扇貝等信息。采用不同的算法進(jìn)行圖像特征點(diǎn)匹配,圖8是算法對比效果,圖8(e)中海膽和扇貝的匹配線段最多,可以看出本文算法處理效果比較好。

可以看到圖8(c)和力學(xué)8(e)中的特征點(diǎn)匹配數(shù)都較多,表3將幾組圖像特征點(diǎn)匹配對數(shù)進(jìn)行展示,從而通過主觀觀察結(jié)合客觀指標(biāo)反映了本文算法的優(yōu)勢。

(c)MSRCP增強(qiáng)圖像

(d)AWB增強(qiáng)圖像

(e) 本文算法增強(qiáng)圖像

表3 圖像特征點(diǎn)匹配對數(shù)對比

4 結(jié) 論

本文算法不僅很好地解決了水下圖像呈現(xiàn)藍(lán)綠色的問題,而且增強(qiáng)了圖像的整體亮度,大量實(shí)驗(yàn)結(jié)果表明,該算法可以獲得高質(zhì)量的水下圖像,在視覺感知任務(wù)中表現(xiàn)良好。根據(jù)圖像質(zhì)量評價(jià)指標(biāo)顯示,本文算法在UIQM指標(biāo)達(dá)到了1.1304,UCIQE指標(biāo)達(dá)到了0.4295,都優(yōu)于傳統(tǒng)算法。未來,我們將考慮融合Retinex理論與深度學(xué)習(xí)方法對低照度水下圖像進(jìn)行增強(qiáng)。