基于衰减补偿与直方图拉伸的水下图像增强算法

李 莉，王新强，银 珊

（桂林电子科技大学电子工程与自动化学院，广西桂林 541004）

0 概述

受复杂水下物理环境的影响，水下图像经常存在颜色失真、低对比度、细节模糊等问题［1-3］。低质量的水下图像对探知水下场景带来了极大挑战，因此，研究有效的水下图像清晰化算法具有重要意义。

目前，水下图像清晰化技术主要分为图像复原和图像增强［4］两种。其中，复原算法考虑水下成像机理，估计退化模型的参数以反演清晰图像［5］。近期，暗通道启发的算法逐渐应用到水下图像去雾方面，但该算法没有充分考虑红通道的衰减，造成估计的透射率较大，复原图像较暗。文献［6］采用随机森林回归算法提高透射率估计的准确率，但该算法的运算复杂度较高。文献［7-8］提出的算法进一步提高了投射率的估计准确率，但增强的图像中引入了红色伪影。

图像增强算法通过调整图像的像素值以增强图像的颜色和对比度。文献［9］提出了基于Retinex 的水下图像增强算法，该算法提高了图像的可视性，但易引入微红色。文献［10］利用Retinex 分解图像的反射分量和入射分量，然后对它们采用不同的增强算法，并通过加权融合获得增强的图像，但该算法放大了噪声。文献［11］受Retinex 的启发，采用模型分段和线性分段增强反射分量，通过空间平滑和线性平滑改善入射分量，但该算法求解复杂。文献［12-13］提出了自适应双直方图算法，但没有充分考虑水下图像的衰减，从而导致增强的图像出现过增强或欠增强。文献［14］提出了颜色平衡和融合的水下图像增强算法，但该算法对于衰减通道的选择考虑不足。增强算法简单且高效，在对比度增强方面表现出较好的性能，但需要充分考虑水下图像的衰减问题。最近，基于深度学习的算法逐渐应用到水下图像增强方面［15-18］。然而，高质量的训练数据和有效的网络结构制约了深度学习算法的发展。

本文提出无需先验知识假设且不必数据驱动的ACHS 算法，用以增强水下图像的对比度和颜色。根据颜色通道的衰减特性计算衰减矩阵，对衰减严重的通道进行校正。同时，通过引导滤波分离LAB 颜色模型中L通道的基础层和细节层，利用基于K-means聚类的双直方图增强基础层的对比度，采用Gamma 校正突显细节层的纹理结构。在此基础上，将L通道的基础层和细节层进行累加并转换到RGB 颜色模型，从而得到最终的增强图像。

1 ACHS 算法

1.1 算法流程

ACHS 算法流程如图1 所示（彩色效果见《计算机工程》官网HTML 版），算法步骤如下：1）将输入图像分解为红、绿、蓝通道；2）采用基于衰减补偿的颜色校正算法以去除水下图像的颜色失真；3）在LAB 颜色模型，通过引导滤波将亮度通道L通道分解为基础层和细节层，同时采用不同的增强策略分别实施增强操作；4）累加基础层和细节层以获得增强的L通道，并转换到RGB颜色模型以获取最终的增强图像。

图1 基于衰减补偿和直方图拉伸的水下图像增强算法流程Fig.1 Procedure of underwater image enhancement algorithm based on attenuation compensation and dual histogram

1.2 颜色校正

颜色失真是水下图像面临的挑战性问题。传统的拉伸算法并没有充分考虑水下图像的衰减，当直接被应用到水下图像的颜色校正时，易引入红色失真［12］。此外，在浑浊或深水域获得的水下图像各个通道之间的衰减程度差异较大。因此，本文需要考虑不同颜色通道之间的衰减差异，针对不同颜色通道采用不同的校正算法。首先，利用式（1）计算各个通道的总像素值：

其中：M和N表示图像行和列。然后，根据每个通道的总像素值对这3 个颜色通道从大到小排序为Imax、Imid、Imin。Imax表示最大颜色通道，也被称为衰减最弱的通道；Imid表示中间颜色通道，也被称为衰减较弱的通道；Imin表示最小颜色通道，也被称为衰减最强的通道。对于Imax颜色通道直接采用传输的拉伸算法，表达式如下：

其中：Ihigh和Ilow表示最大颜通道的最大值和最小值；Icmax表示校正的结果，对于中间颜色通道，它相对于最大的颜色通道Imax也有一些衰减。因此，考虑在它们之间的构建衰减矩阵[Imax(i，j)-Imid(i，j)]，并将其补偿给中间颜色通道。数学上，中间颜色通道的校正公式如下：

最小颜色通道相对于最大颜色通道Imax衰减最为严重。因此，需要在它们之间构建衰减矩阵[Imax(i，j) -Imin(i，j)]，并将其补偿给最小颜色通道。数学上，最小颜色通道的校正公式如下：

图2 展示了蓝色、绿色、黄色、模糊4 类退化的水下图像（彩色效果见《计算机工程》官网HTML 版），从中能够清楚看到本文颜色校正算法对于这4 种退化的水下图像都具有明显效果，特别适用于水下图像的颜色失真校正。

图2 颜色校正Fig.2 Color correction

1.3 对比度增强

如图2 所示，虽然本文的颜色校正算法可以有效移除颜色失真，但这些结果的对比度和细节纹理还需要进一步增强。在不改变颜色的前提下，有效提高水下图像的可视度是本节的研究重点。本节考虑到LAB 颜色空间中亮度通道L和颜色通道A、B是相互独立的。因此，通过增强L通道进一步提高输出图像的对比度。此外，为了进一步突显增强图像的纹理细节，本节采用引导滤波分解出L通道的基础层和细节层，然后，采用不同的增强策略进行增强。将颜色校正的图像从RGB 颜色模型转换到LAB 颜色模型，然后对其进行分层处理：

其中，亮度通道L即可作为引导图像也可以作为被滤波的图像，guided_filter()表示引导滤波的简化函数，且r和ε分别被设定为16 和0.01，这些参数的选择参考文献［19］。细节层是从输入图像中减去基础层如下：

1.3.1 基于K-means 的双直方图增强基础层

多数水下图像前景亮度高于背景亮度，由于前景距离成像系统较近且照明相对较充足，因此本节考虑将L通道分解前景和背景两个子图像，在这里本文的L通道指的是基础层。其中，前景子图像对应的是图像直方图中的高像素，背景子图像对应的是图像直方图中的低像素。K-means 作为无监督的聚类算法广泛引用到图像分割、聚类等领域。本节采用K-means 聚类的思想将L通道分解为前景和背景两个子图像。首先根据距离关系定义初始化聚类的中心：

其中：Cx为第x个类别的最初聚类中心；LBase，max和LBase，min表示基础层的最大和最小像素值，且x=1，2，…，X。然后，分配各个像素点到最近似的聚类集合中，表达式如下：

其中：Dx，y为第y个像素值到第x个像素值所在聚类中心之间的距离，y=1，2，…，Y，Y是像素点的总数目。当完成一次聚类以后，需要通过式（9）再次更新聚类中心：

其中：Yy表示式（8）被分配到x类别中的像素总数。如果聚类中心的位置发生变化，则重复执行式（8），直到整个聚类过程结束。最终将第x类和x-1 类的聚类中心的平均值作为双直方图的分解值，表达式如下：

将T作为L通道中分离前景和背景最佳阈值，然后利用阈值T将L通道分解为前景和背景子图像，其中小于阈值的区域定义为背景子图像，大于阈值的区域定义为前景子图像，最后采用式（11）分别对前景和背景子图像进行拉伸：

其中：CDF(LBase(i，j))表示对于任意一个输入像素LBase(i，j)的累加概率；LBase，Background和LBase，Foreground分别表示校正后的前景和背景子图像。最终，L通道的基础层被校正为=LBase，Background+LBase，Foreground。

1.3.2 Gamma 校正增强细节层

L通道的细节层包含大量的纹理信息，如图1 所示纹理信息较暗，因此如何有效提高纹理信息的亮度是突显细节的关键。Gamma 校正作为一种有效的非线性变换算法，可用于调整细节层的动态范围以突显纹理结构。基于Gamma 校正的原理，细节层的校正公式如下：

其中：LDetail表示L通道细节层；表示Gamma 校正的细节层。在Gamma 校正中，当γ<1 时，低灰度区域的动态范围增加，高灰度区域的动态范围减小；当γ>1 时，低灰度区域的动态范围减小，高灰度区域的动态范围增加。在细节层中纹理信息相对于图像中的其它区域显然是高灰度区域，为了进一步增大高灰度区域的动态范围，因此在本文Gamma 校正中γ>1。实验结果表明，当γ=1.8 时，细节层的纹理信息能够被较好地突显。最终，利用累加获取增强的L通道，同时将图像从LAB 颜色模型转换到RGB 颜色模型以获得最终的增强图像。

2 实验结果与分析

为了验证ACHS 算法的有效性，本文从UIEB［16］数据集中选出蓝色、绿色、黄色、模糊4 类具有代表性的水下图像进行主观评估分析。UIEB 包括890 张不同退化程度的水下图像。同时，从3 类经典算法选择7 个代表性的算法进行对比实验。复原算法：HMU［6］，GDCP［7］；增强算法：REBE［9］，BARU［11］，CBAF［14］；深度学习算法：WaterNet［16］，UIEC^2-Net［18］。实验平 台设置为：CPU八核3.6 GHz、内存32 GB；软件为Matlab R2015b，Windows 10 操作系统。

2.1 参数选择

在UIEB 数据集上，引导滤波中的参数选择评估结果如表1 所示，其中加粗数据表示最优数据。从中可知，当引入滤波中的局部窗口半径和正则化参数被设定为16 和0.01 时，定量评估指标PCQI、UCIQE 和CCF 能够获得最高和近似最高的值。因此，在本文分层设计中，r和ε被设定为16 和0.01。

表1 在UIEB 数据集上的参数选择评估结果Table 1 Parameter selection evaluation result on UIEB dataset

2.2 主观评估

本文选择4 类具有代表性的样本进行主观评估。蓝色、绿色、黄色和模糊水下图像示例分别如图3～图6 所示（彩色效果见《计算机工程》官网HTML 版）。由于版面有限，因此本文仅展示部分主观实验结果。

图3 不同算法的实验结果（蓝色水下图像）Fig.3 Experimental results of different algorithms（blue underwater images）

由图3 所示的蓝色水下图像实例可知：GDCP 加剧了颜色失真；虽然HUM 提高了图像的对比度，但引入了微红色失真；REBE、BARU 和CBAF 移除了颜色失真，提高了对比度，但不能有效突显细节；WaterNet 校正了颜色，提高了对比度，但是增强的图像出现了黑暗的外观；UIEC^2Net 在颜色校正和对比度增强方面都展示了令人满意的结果，但是在细节增强方面劣于ACHS 算法；ACHS 具有较好主观视觉效果，突显了细节信息。

由图4 所示的绿色水下图像实例可知：GDCP 不能很好地移除绿色失真；虽然HUM 移除了绿色失真，但引入了微红色失真；REBE、BARU 和CBAF 在颜色校正和对比度增强方面都展示了令人满意的结果，但是REBE 结果局部过暗，BARU 和CBAF 引入了局部微红色；WaterNet结果局部过暗；UIEC^2-Net在对比度增强和细节突显方面差于ACHS 算法。

图4 不同算法的实验结果（绿色水下图像）Fig.4 Experimental results of different algorithms（green underwater images）

由图5所示的黄色水下图像实例可知：GDCP、REBE和BARU 在移除红色失真方面的结果并不理想；HUM引入了不想要的蓝色失真；WaterNet移除了黄色失真，但是不能有效提高图像的可视性；CBAF 和UIEC2-Net移除了黄色失真，但是在细节突显和对比度增强方面差于ACHS 算法。

图5 不同算法的实验结果（黄色水下图像）Fig.5 Experimental results of different algorithms（yellow underwater images）

由图6 所示的模糊水下图像实例可知：GDCP、BARU、CBAF 和WaterNet 去模糊效果并不理想；UHM引入了红色失真；REBE 结果局部过暗；UIEC^2-Net 在对比度增强方面弱于ACHS 算法。

图6 不同算法的实验结果（模糊水下图像）Fig.6 Experimental results of different algorithms（blurred underwater images）

综上所述，ACHS 算法能够有效地移除水下图像的颜色失真，增强输出图像的对比度和细节。

2.3 客观评估

为进一步评估本文算法的有效性，选择全参考的图像质量评估指标：均方误差（MSE）［16］，边缘强度（EI）［13］和局部批次对比度（PCQI）［20］，以及非参考的评估指标：水下图像彩色质量指标（UCIQE）［21］和水下图像颜色、对比度以及雾的线性评估指标（CCF）［22］。其中：MSE 的值越低表明增强算法的性能越好；EI、PCQI、UCIQE 和CCF 的值越高表明增强算法的性能越好。为了进一步说明客观评估的有效性，使用ACHS 算法和对比算法测试整个UIEB 数据集。不同算法的客观评估指标如表2 所示。

表2 不同算法在UIEB 数据集上的客观评估指标Table 2 Objective evaluation metric of different algorithms tested on UIEB dataset

ACHS 算法在客观评估方面具有近似最高和最高的EI、PCQI、UCIQE、CCF 值以及最低的MSE 值。此外，ACHS 算法具有最高的平均评估指标。总体而言，ACHS 算法不仅具有较好的主观视觉，而且还具有较好的客观评结果。

3 结束语

本文提出一种基于衰减补偿和直方图拉伸的水下图像增强算法ACHS。结合水下图像的衰减补偿和线性拉伸技术扩大图像的动态范围，进而移除水下图像的颜色失真。同时，通过增强亮度通道的基础层和细节层，增强图像的对比度和细节。实验结果表明，ACHS 算法能够使增强的图像具有自然的颜色、较高的对比度和清晰的细节。此外，算法对于雾和低光照图像也具有一定的适用性。下一步将结合水下成像模型对水下图像进行视觉质量增强探索，并继续研究简单有效的水下图像增强方法。