基于藍綠通道自適應色彩補償的水下圖像增強

周景春 衛曉靖 史金余

(大連海事大學信息科學技術學院 大連 116000)

1 引言

近年，水下計算機視覺技術越來越受到更多關注，推動水下環境勘測、海洋生物研究、海洋資源開發和海洋軍事等領域的快速發展，水下圖像研究具有實際應用價值和重要理論意義[1]。水下環境復雜多變，光被水選擇性吸收以及水中懸浮微顆粒對光線的散射作用，導致成像設備無法獲取高質量的水下圖像。退化的水下圖像通常具有較低對比度和顏色偏差問題[2]，嚴重限制了目標識別、特征提取和特征點匹配等應用。因此，獲得清晰的水下圖像已經成為計算機視覺領域中一個迫切待解決問題。

為了恢復高質量的水下圖像，現有的水下圖像處理方法主要由3部分組成，分別為水下圖像復原方法[3]、水下圖像增強方法[4]和深度學習方法[5]。水下圖像增強方法直接根據像素值之間的數學關系改變像素值，使水下圖像的色彩可視性更強，對比度更高。楊愛萍等人[6]提出基于顏色失真去除與暗通道先驗的方法，該方法校正水下圖像的色彩，并未提高水下圖像的對比度。代成剛等人[7]提出基于亮通道色彩補償與融合的水下圖像增強，結合水下成像模型和灰度世界假設，對紅綠藍3通道線性補償，導致紅通道補償過度。楊愛萍等人[8]提出基于加權 L1正則化的水下圖像清晰化算法，結合水下圖像成像模型，將水下圖像分為單一的藍色基調或綠色基調進行色彩補償。Song等人[9]依賴水下成像模型提出多尺度融合和雙模型全局拉伸的水下圖像增強算法，只提取綠色通道的信息對色彩進行補償，忽略了藍色通道的重要性。Wen等人[10]提出基于藍色和綠色通道對色彩進行補償，沒有對水下圖像場景進行分析研究，因缺少紅通道信息導致色彩補償率出現誤差。上述方法在一定程度上改善了水下圖像的質量，但沒有考慮到水下場景的多樣性，無法徹底解決不同場景和退化程度水下圖像退化問題。

針對上述方法存在問題，本文提出一種基于藍綠通道自適應色彩補償水下圖像增強方法。本文主要貢獻如下：

(1) 結合水下成像模型特點，設計藍綠通道色彩補償的色彩校正方法，將水下場景分為3個等級。首先計算藍色通道和綠色通道像素值均值占比，估計場景深度變化，自適應補償紅綠藍3通道的色彩。

(2) 提出暗區域映射對比度增強方法增強圖像對比度，根據1維灰度級直方圖強度，將水下圖像分為暗調、中間暗調、中間亮調、亮調4個區域。利用暗區域映射函數將暗調和中間暗調的高密度像素值離散分布到中間亮調和亮調區域，利用雙線性插值解決區域塊效應。

(3) 通過主觀視覺和客觀評價多方面驗證本文方法具有較好的魯棒性。真實水下數據集實驗驗證，本文方法有效改善水下圖像色彩和提升對比度，在主觀視覺和客觀評價等方面均表現優異。

2 算法原理

2.1 藍綠通道自適應顏色校正

水下成像模型(圖1)需要考慮到吸收和散射的作用。水體對光存在散射作用，分為3種：直接散射、前向散射、后向散射[6]。直接散射是成像系統接收到的主要光線；前向散射懸浮顆粒將小角度偏移的光傳輸到成像系統，導致細節模糊；后向散射是光線被懸浮顆粒反射后被攝像機接收的散射現象。

圖1 水下成像模型

水下成像模型下的水下圖像可以看作3種散射的線性疊加，定義為

表1 水下場景深度等級劃分

2.2 暗區域映射對比度增強

將水下圖像灰度圖像的劃分成暗調、中間暗調、中間亮調、亮調4個區域，其中暗調區域的像素值為[0-100]，中間暗調區域的像素值為[100-150]，中間亮調區域的像素值為[150-200]，亮調區域的像素值為[200-255]。水下圖像的像素值大部分位于暗調和中間暗調區域，將其定義為暗區域。利用像素密度函數重新調整像素的亮度分布，提高水下圖像對比度，使大部分的像素值位于亮調和中間亮調，定義為亮區域。直方圖拉伸重新調整像素的亮度分布，保證灰度直方圖均勻分布，但灰度直方圖某一區域密度較大時，拉伸后的分布較松散。當水下圖像中有大塊暗區域或亮區域，利用直方圖拉伸會放大噪聲。

首先統計每個灰度級的像素數個數，計算水下圖像的像素密度為

圖3 算法流程圖

3 實驗與結果分析

本文實驗所需要的水下圖像，來自UIEBD(Underwater Image Enhancement Benchmark Dataset)數據集[11]。本文實驗使用MATLAB R2019a平臺，主機設備為i7-6700HQ， CPU (2.60GHz)，16GB內存，Windows10 操作系統。

3.1 色彩校正實驗

為了驗證本文方法在色彩校正方面的有效性，將本文方法與水下圖像增強和復原方法進行比較。所選對比方法包括：水下暗通道先驗UDCP方法[12]，只考慮了藍綠通道的光，忽略了紅色光的指數型衰減。基于Retinex的單幅水下圖像增強RBE[13]方法，以顏色恒常性為依據，恢復水下圖像的視覺效果。TSP方法[14]，沒有考慮到多場景，對帶有人工光照的水下圖像紅通道補償過度。基于圖像模糊和光吸收的水下圖像恢復方法IBLA[15]，基于圖像成像模型，在處理有自然光照和人工光源的水下圖像時，處理效果不佳。暗通道先驗推廣單幅圖像復原GDCP[16]，依據水下場景深度反演水下真實圖像。基于自適應參數獲取的相對全局直方圖拉伸水下圖像增強RGHS[17]，只使用某一場景的水下圖像，不能處理多場景的水下圖像。藍綠通道去霧和紅通道校正單幅水下圖像復原GBDRC[18]，依據灰度世界假設對水下圖像進行顏色校正，導致紅通道補償過度。Retinex貝葉斯水下圖像增強BRUIE[19]，可以提高水下圖像的對比度，但色彩暗淡，細節部分可視性差。

利用3D散點圖展示水下圖像的色彩分布，實驗結果如圖4所示。UDCP方法、IBLA方法和RGHS方法的3D散點圖綠色分布較廣。RBE方法和BRUIE色彩不夠豐富，紅綠藍3通道像素值集分布集中，導致圖片整體出現灰色。TSP方法對紅色通道補償過度。GBDRC方法不能將水下圖像的像素值提高到亮度區域，圖像色彩較暗。從3D像素散點圖分布可以看出，本文方法紅綠藍3通道色彩均衡，像素值遍布[0，255]。實驗表明本文方法可以更好地校正水下圖像的色彩。

圖4 不同方法色彩校正對比結果

3.2 主觀評價

為了驗證本文方法可以恢復高質量的水下圖像，采用UIEBD數據集進行試驗，選用的對比方法包括UDCP[12]，RBE[13]，TSP[14]，IBLA[15]，GDCP[16]，RGHS[17]，GBDRC[18]和BRUIE[19]。選取5張代表性的水下圖像，圖像1為自然光照水下圖像，圖像2為色彩豐富水下圖像，圖像3為遠景水下圖像，圖像4為人工光照水下圖像，圖像5為近景水下圖像。主觀實驗對比結果如圖5所示。

在圖5中，UDCP方法和GBDRC方法沒有考慮水下場景因素，對圖片1和圖片5的藍色通道補償過度。RBE方法和BRUIE方法可以恢復水下圖像的色彩，但過度增強，導致部分細節丟失。IBLA方法在處理具有自然光的圖像1時紅通道補償過度。GBDRC方法基于灰度世界算法，假定色彩豐富的情況下3通道的平均值趨于同一個值，忽略了紅色光衰減系數最大，導致對紅色通道補償過度。本文方法有效校正水下圖像色彩，增強水下圖像對比度。本文方法充分考慮了水下場景的多樣性，可以恢復高質量的水下圖像。本文選取遠景水下圖像3中的細節部分和近景水下圖像5中的細節部分，分別用紅色框和黃色框標注，進行細節對比試驗，如圖6所示，圖1為水下圖像3中的紅色框標注細節，圖2為水下圖像5中的黃色框標注細節，本文方法細節部分色彩更飽和，對比度更高，可以有效恢復水下圖像細節部分的色彩和對比度。

圖2 不同等級水下場景

圖5 不同方法在UIEBD數據集真實水下圖像上的處理效果

圖6 圖5中部分場景細節放大圖

3.3 客觀指標

采用水下圖像客觀評價指標對本文方法的性能進行客觀評價，客觀指標包括AG (Average Gradient)，EI (Image Information Entropy)，PCQI(Patch-based Contrast Quality)，UCIQE (Underwater Color Image Quality Evaluation)[20]和UIQM (Underwater Image Quality Measurement)。其中AG的值越大，表明水下圖像的細節特征越多，圖像清晰度越好。EI值越大動態范圍越大，圖像質量越高。PCQI值用于評價用于評價圖像的對比度，值越大表明圖像對比度越高。UCIQE是評判色彩濃度、色彩飽和度和對比度的綜合性指標，圖像的質量越高其值越大。UIQM是根據人眼視覺系統色彩恒常性提出的評價指標，其值越大，表示色彩越接近人眼視覺、清晰度越高、對比度越佳。

本文隨機選擇100張真實水下圖像，求取不同方法的5個指標的平均值，處理結果的平均指標如表2所示。本文方法的PCQI， UCIQE和UIQM指標均排名第一，在圖像清晰度、色彩和對比度方面均優于其他對比方法。UDCP方法沒有校正水下圖像的色彩，導致細節不明顯，圖片質量不高。UDCP方法具有較好的UIQM的指標值，但對藍色通道過度補償，視覺效果不佳，從主觀結果和客觀指標綜合考慮，本方法處理效果更佳。TSP方法提高了水下圖像的對比度，但是在色彩校正方面效果不佳，因此只有PCQI值較高。IBLA， GDCP，RGHS和GBDRC方法在圖像色彩和對比度方面都沒有獲得較好的處理效果。BRUIE方法可以很好地恢復水下圖像邊緣細節，獲取較高的AG和EI平均指標值，但圖像的飽和度不高，導致PCQI值和UCIQE值較低。本方法針對性地對不同場景的水下圖像自適應恢復水下圖像的色彩，并對顏色校正后的水下圖像進行對比度增強。從色彩恢復和提高對比度兩方面恢復清晰的水下圖像。綜合主觀結果和客觀指標，本文方法針對色彩和對比度能更好地恢復水下圖像的色彩和對比度。

表2 100張水下圖像不同方法處理結果的客觀指標平均值(紅色粗體：第1指標值；藍色粗體：第2指標值)

3.4 圖像分割應用測試

從圖像分割角度驗證本文方法的實用性。分割是根據一些特定的和獨特的屬性將圖像劃分為幾個互不相交且同質的區域。本文采用基于超像素的快速FCM聚類算法[21]，它有著快速和穩健的彩色圖像分割效果，不同方法的對比結果如圖7所示，對圖7的結果進行圖像分割實驗，如圖8所示。在圖8中，分割方法不能展現對比方法結果圖像1中目標物體的整體輪廓，本文方法結果能夠更好地識別邊緣，達到更高的圖像分割效果。分隔方法不能分割對比方法結果圖像2中目標物體的細節部分，本文方法結果圖能夠提供更多的細節特征，對魚身分割更加精細。分割實驗證明本文方法可以恢復水下圖像具有更多的邊緣細節，有更高的對比度。

圖7 不同方法在UIEBD數據集真實水下圖像上的處理結果

圖8 水下圖像分割結果

4 結束語

水下圖像成像環境復雜，存在對比度低、細節丟失和色彩失真等問題。本文提出基于藍綠通道自適應色彩補償水下圖像增強方法，以提高不同場景水下圖像的視覺效果，為后續場景深度的研究提供了具體方案。提出暗區域映射對比度增強方法，將低強度值拉伸映射到高強度值，利用雙線性插值解決分區域引入的塊效應。大量主客觀實驗表明，本文方法有效去除水下圖像的偏色，增強了水下圖像的對比度，提高水下圖像質量。與大部分水下圖像復原和增強方法相比，在主觀評價、客觀評價和圖像分割應用方面均表現優異。