基于蓝绿通道自适应色彩补偿的水下图像增强

周景春 卫晓靖 史金余

(大连海事大学信息科学技术学院 大连 116000)

1 引言

近年，水下计算机视觉技术越来越受到更多关注，推动水下环境勘测、海洋生物研究、海洋资源开发和海洋军事等领域的快速发展，水下图像研究具有实际应用价值和重要理论意义[1]。水下环境复杂多变，光被水选择性吸收以及水中悬浮微颗粒对光线的散射作用，导致成像设备无法获取高质量的水下图像。退化的水下图像通常具有较低对比度和颜色偏差问题[2]，严重限制了目标识别、特征提取和特征点匹配等应用。因此，获得清晰的水下图像已经成为计算机视觉领域中一个迫切待解决问题。

为了恢复高质量的水下图像，现有的水下图像处理方法主要由3部分组成，分别为水下图像复原方法[3]、水下图像增强方法[4]和深度学习方法[5]。水下图像增强方法直接根据像素值之间的数学关系改变像素值，使水下图像的色彩可视性更强，对比度更高。杨爱萍等人[6]提出基于颜色失真去除与暗通道先验的方法，该方法校正水下图像的色彩，并未提高水下图像的对比度。代成刚等人[7]提出基于亮通道色彩补偿与融合的水下图像增强，结合水下成像模型和灰度世界假设，对红绿蓝3通道线性补偿，导致红通道补偿过度。杨爱萍等人[8]提出基于加权 L1正则化的水下图像清晰化算法，结合水下图像成像模型，将水下图像分为单一的蓝色基调或绿色基调进行色彩补偿。Song等人[9]依赖水下成像模型提出多尺度融合和双模型全局拉伸的水下图像增强算法，只提取绿色通道的信息对色彩进行补偿，忽略了蓝色通道的重要性。Wen等人[10]提出基于蓝色和绿色通道对色彩进行补偿，没有对水下图像场景进行分析研究，因缺少红通道信息导致色彩补偿率出现误差。上述方法在一定程度上改善了水下图像的质量，但没有考虑到水下场景的多样性，无法彻底解决不同场景和退化程度水下图像退化问题。

针对上述方法存在问题，本文提出一种基于蓝绿通道自适应色彩补偿水下图像增强方法。本文主要贡献如下：

(1) 结合水下成像模型特点，设计蓝绿通道色彩补偿的色彩校正方法，将水下场景分为3个等级。首先计算蓝色通道和绿色通道像素值均值占比，估计场景深度变化，自适应补偿红绿蓝3通道的色彩。

(2) 提出暗区域映射对比度增强方法增强图像对比度，根据1维灰度级直方图强度，将水下图像分为暗调、中间暗调、中间亮调、亮调4个区域。利用暗区域映射函数将暗调和中间暗调的高密度像素值离散分布到中间亮调和亮调区域，利用双线性插值解决区域块效应。

(3) 通过主观视觉和客观评价多方面验证本文方法具有较好的鲁棒性。真实水下数据集实验验证，本文方法有效改善水下图像色彩和提升对比度，在主观视觉和客观评价等方面均表现优异。

2 算法原理

2.1 蓝绿通道自适应颜色校正

水下成像模型(图1)需要考虑到吸收和散射的作用。水体对光存在散射作用，分为3种：直接散射、前向散射、后向散射[6]。直接散射是成像系统接收到的主要光线；前向散射悬浮颗粒将小角度偏移的光传输到成像系统，导致细节模糊；后向散射是光线被悬浮颗粒反射后被摄像机接收的散射现象。

图1 水下成像模型

水下成像模型下的水下图像可以看作3种散射的线性叠加，定义为

表1 水下场景深度等级划分

2.2 暗区域映射对比度增强

将水下图像灰度图像的划分成暗调、中间暗调、中间亮调、亮调4个区域，其中暗调区域的像素值为[0-100]，中间暗调区域的像素值为[100-150]，中间亮调区域的像素值为[150-200]，亮调区域的像素值为[200-255]。水下图像的像素值大部分位于暗调和中间暗调区域，将其定义为暗区域。利用像素密度函数重新调整像素的亮度分布，提高水下图像对比度，使大部分的像素值位于亮调和中间亮调，定义为亮区域。直方图拉伸重新调整像素的亮度分布，保证灰度直方图均匀分布，但灰度直方图某一区域密度较大时，拉伸后的分布较松散。当水下图像中有大块暗区域或亮区域，利用直方图拉伸会放大噪声。

首先统计每个灰度级的像素数个数，计算水下图像的像素密度为

图3 算法流程图

3 实验与结果分析

本文实验所需要的水下图像，来自UIEBD(Underwater Image Enhancement Benchmark Dataset)数据集[11]。本文实验使用MATLAB R2019a平台，主机设备为i7-6700HQ， CPU (2.60GHz)，16GB内存，Windows10 操作系统。

3.1 色彩校正实验

为了验证本文方法在色彩校正方面的有效性，将本文方法与水下图像增强和复原方法进行比较。所选对比方法包括：水下暗通道先验UDCP方法[12]，只考虑了蓝绿通道的光，忽略了红色光的指数型衰减。基于Retinex的单幅水下图像增强RBE[13]方法，以颜色恒常性为依据，恢复水下图像的视觉效果。TSP方法[14]，没有考虑到多场景，对带有人工光照的水下图像红通道补偿过度。基于图像模糊和光吸收的水下图像恢复方法IBLA[15]，基于图像成像模型，在处理有自然光照和人工光源的水下图像时，处理效果不佳。暗通道先验推广单幅图像复原GDCP[16]，依据水下场景深度反演水下真实图像。基于自适应参数获取的相对全局直方图拉伸水下图像增强RGHS[17]，只使用某一场景的水下图像，不能处理多场景的水下图像。蓝绿通道去雾和红通道校正单幅水下图像复原GBDRC[18]，依据灰度世界假设对水下图像进行颜色校正，导致红通道补偿过度。Retinex贝叶斯水下图像增强BRUIE[19]，可以提高水下图像的对比度，但色彩暗淡，细节部分可视性差。

利用3D散点图展示水下图像的色彩分布，实验结果如图4所示。UDCP方法、IBLA方法和RGHS方法的3D散点图绿色分布较广。RBE方法和BRUIE色彩不够丰富，红绿蓝3通道像素值集分布集中，导致图片整体出现灰色。TSP方法对红色通道补偿过度。GBDRC方法不能将水下图像的像素值提高到亮度区域，图像色彩较暗。从3D像素散点图分布可以看出，本文方法红绿蓝3通道色彩均衡，像素值遍布[0，255]。实验表明本文方法可以更好地校正水下图像的色彩。

图4 不同方法色彩校正对比结果

3.2 主观评价

为了验证本文方法可以恢复高质量的水下图像，采用UIEBD数据集进行试验，选用的对比方法包括UDCP[12]，RBE[13]，TSP[14]，IBLA[15]，GDCP[16]，RGHS[17]，GBDRC[18]和BRUIE[19]。选取5张代表性的水下图像，图像1为自然光照水下图像，图像2为色彩丰富水下图像，图像3为远景水下图像，图像4为人工光照水下图像，图像5为近景水下图像。主观实验对比结果如图5所示。

在图5中，UDCP方法和GBDRC方法没有考虑水下场景因素，对图片1和图片5的蓝色通道补偿过度。RBE方法和BRUIE方法可以恢复水下图像的色彩，但过度增强，导致部分细节丢失。IBLA方法在处理具有自然光的图像1时红通道补偿过度。GBDRC方法基于灰度世界算法，假定色彩丰富的情况下3通道的平均值趋于同一个值，忽略了红色光衰减系数最大，导致对红色通道补偿过度。本文方法有效校正水下图像色彩，增强水下图像对比度。本文方法充分考虑了水下场景的多样性，可以恢复高质量的水下图像。本文选取远景水下图像3中的细节部分和近景水下图像5中的细节部分，分别用红色框和黄色框标注，进行细节对比试验，如图6所示，图1为水下图像3中的红色框标注细节，图2为水下图像5中的黄色框标注细节，本文方法细节部分色彩更饱和，对比度更高，可以有效恢复水下图像细节部分的色彩和对比度。

图2 不同等级水下场景

图5 不同方法在UIEBD数据集真实水下图像上的处理效果

图6 图5中部分场景细节放大图

3.3 客观指标

采用水下图像客观评价指标对本文方法的性能进行客观评价，客观指标包括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，表明水下图像的细节特征越多，图像清晰度越好。EI值越大动态范围越大，图像质量越高。PCQI值用于评价用于评价图像的对比度，值越大表明图像对比度越高。UCIQE是评判色彩浓度、色彩饱和度和对比度的综合性指标，图像的质量越高其值越大。UIQM是根据人眼视觉系统色彩恒常性提出的评价指标，其值越大，表示色彩越接近人眼视觉、清晰度越高、对比度越佳。

本文随机选择100张真实水下图像，求取不同方法的5个指标的平均值，处理结果的平均指标如表2所示。本文方法的PCQI， UCIQE和UIQM指标均排名第一，在图像清晰度、色彩和对比度方面均优于其他对比方法。UDCP方法没有校正水下图像的色彩，导致细节不明显，图片质量不高。UDCP方法具有较好的UIQM的指标值，但对蓝色通道过度补偿，视觉效果不佳，从主观结果和客观指标综合考虑，本方法处理效果更佳。TSP方法提高了水下图像的对比度，但是在色彩校正方面效果不佳，因此只有PCQI值较高。IBLA， GDCP，RGHS和GBDRC方法在图像色彩和对比度方面都没有获得较好的处理效果。BRUIE方法可以很好地恢复水下图像边缘细节，获取较高的AG和EI平均指标值，但图像的饱和度不高，导致PCQI值和UCIQE值较低。本方法针对性地对不同场景的水下图像自适应恢复水下图像的色彩，并对颜色校正后的水下图像进行对比度增强。从色彩恢复和提高对比度两方面恢复清晰的水下图像。综合主观结果和客观指标，本文方法针对色彩和对比度能更好地恢复水下图像的色彩和对比度。

表2 100张水下图像不同方法处理结果的客观指标平均值(红色粗体：第1指标值；蓝色粗体：第2指标值)

3.4 图像分割应用测试

从图像分割角度验证本文方法的实用性。分割是根据一些特定的和独特的属性将图像划分为几个互不相交且同质的区域。本文采用基于超像素的快速FCM聚类算法[21]，它有着快速和稳健的彩色图像分割效果，不同方法的对比结果如图7所示，对图7的结果进行图像分割实验，如图8所示。在图8中，分割方法不能展现对比方法结果图像1中目标物体的整体轮廓，本文方法结果能够更好地识别边缘，达到更高的图像分割效果。分隔方法不能分割对比方法结果图像2中目标物体的细节部分，本文方法结果图能够提供更多的细节特征，对鱼身分割更加精细。分割实验证明本文方法可以恢复水下图像具有更多的边缘细节，有更高的对比度。

图7 不同方法在UIEBD数据集真实水下图像上的处理结果

图8 水下图像分割结果

4 结束语

水下图像成像环境复杂，存在对比度低、细节丢失和色彩失真等问题。本文提出基于蓝绿通道自适应色彩补偿水下图像增强方法，以提高不同场景水下图像的视觉效果，为后续场景深度的研究提供了具体方案。提出暗区域映射对比度增强方法，将低强度值拉伸映射到高强度值，利用双线性插值解决分区域引入的块效应。大量主客观实验表明，本文方法有效去除水下图像的偏色，增强了水下图像的对比度，提高水下图像质量。与大部分水下图像复原和增强方法相比，在主观评价、客观评价和图像分割应用方面均表现优异。