一種基于光補償的水下圖像增強算法

朱靜儀，張瑜慧，杜 義，丁一凡

（宿遷學院，宿遷 223800）

0 引言

水下圖像在海洋生物監測、地質或生物環境評估等科學探索領域至關重要。水下場景中，除了水的吸收效應外，水下介質中的懸浮顆粒會對入射光線產生散射效應，導致水下圖像出現霧化和模糊的現象。在水下拍攝圖像具有挑戰性，受光線從物體表面反射，并被水粒子偏轉和散射等諸多因素的影響，水下圖像出現不同程度的降質現象。水下物體反射的光射向相機時，一部分光與這些懸浮粒子相遇，這些懸浮粒子吸收并散射光。在沒有背景光源的環境中，散射通常擴展為多次散射，進一步將光束分散成均勻的背景光。由于不同波長的光衰減程度不同，從而引起顏色變化。在水下采集的圖像中，光散射和顏色變化導致對比度降低與顏色偏差。光的散射效應會造成水下圖像模糊；波長吸收會導致捕獲的圖像顏色失真；人工照明設備以及攝像系統的浮動使得水下光照環境呈非均勻狀態，圖像中心部位形成亮斑而周圍形成暗區，嚴重影響圖像的對比度。

基于水下成像的特點，提高水下成像的質量，改善光照因素造成的影響與顏色失真，已經成為水下圖像處理的研究熱點。現有的水下圖像處理可分為，基于成像模型的圖像復原方法和圖像增強方法兩大類。基于成像模型的圖像復原方法針對水下圖像退化過程，構建適用于水下環境的成像模型以恢復圖像，該類方法的重點在于分析水下成像的特點，并據此構建模型。而圖像增強方法主要通過改變圖像在不同顏色通道的強度分布，改善圖像的亮度、顏色與對比度，從而在視覺上改善水下圖像的視覺質量。

光照問題以及水下圖像的顏色失真是影響圖像質量的關鍵因素。圖像增強方法不考慮水下光學成像和光照機理，直接根據降質圖像的特征進行處理，能夠在一定程度上提高圖像質量。圖像復原利用物理模型估計圖像的降質模式，再根據估計值復原降質圖像，可以較好地實現降質圖像的復原，但是仍然存在兩個主要問題：一是估計介質散射光或景深信息的算法太費時且存在局限性；二是目前采用的水下成像模型大多數沒有考慮因人工光源導致的水下光照不均勻的問題。

本文提出了一種基于水下模型的圖像增強方法，該方法考慮到水下圖像的色散、色偏、對比度低等問題，利用水下光學物理模型，結合暗通道先驗，以及自適應直方圖均衡技術，進行多尺度光補償，較好地復原水下圖像。

1 水下圖像增強算法

1.1 水下成像模型

因為水下光學成像與霧天成像模型相似，所以暗通道先驗算法被廣泛應用于水下圖像增強。其成像模型為

式中，表示水下圖像，表示理想圖像，也可以視作入射光照射到場景表面后未經散射的反射光，A表示背景光，()表示透射率。透射率由光的衰減系數，景深函數()確定，表達式如式（2）所示。

何愷明從大量無霧圖像的統計規律中發現，R、G、B 3 個顏色通道中，至少存在一個顏色通道強度值很低，甚至接近于0。暗通道圖像為

式中，J表示顏色通道，Ω()表示以像素為中心的局部區域。

由于水下成像的特殊性，在深海中，自然光幾乎衰減為零，此時海底成像的光源主要來源于人造光源，通常假設人造光源與相機在同一水平面上，光源發出照射分量，經過距離()到達物體表面。此時的入射光()為

再經反射形成反射光，表達式為

將式（5）帶入水下成像模型式（1），獲得深海水下成像模型為

實際中，圖像在去除后向散射干擾后，仍然受到人造光的影響，也存在光在傳輸中衰減的問題。與傳統的圖像生成模型相比，基于暗通道先驗的算法，能夠更加準確地估算水下場景深度。當自然光到達水下，光會存在一定的衰減，場景中的點反射光傳播到相機從而形成圖像。

1.2 算法步驟

在水下成像過程中，色散是光吸收和懸浮顆粒在到達相機的過程中多次散射的結果；色偏是由于不同波長的光衰減不一致造成的，這是因為不同波長的光在傳播的過程中隨著距離的增加，衰減差異較大，尤其在深海成像過程中還存在人造光源自身顏色增益的影響。

在從水下圖像的頂部到底部的深度范圍內，光衰減的程度在每個區域中變化，因而需要估計每個補償點的水下深度。通常，為了克服水下攝影環境中的照明不足問題，會使用人造光源來輔助攝影。從而在補償衰減損失時，也需要考慮人造光源貢獻的亮度，以避免過度補償。 算法在進行適當的補償之前，考慮圖像范圍內衰減的能量和人造光源的亮度。具體算法步驟為：

（1）對水下圖像白平衡處理，獲得圖像。

（2）由暗通道先驗，獲得深度()與暗通道圖像。

（3）對圖像進行自適應直方圖均衡處理。

（4）提取直方圖均衡化圖的照度，色度與顯著性信息。

（5）提取圖像的照度，色度與顯著性信息。

（6）多尺度融合，進行散射光與色彩變化補償，增強圖像。

圖1（a）是待處理水下圖像，該圖整體偏藍，存在對比度低及顏色失真現象。圖1（b）為對圖（a）進行白平衡處理的結果圖，經過白平衡處理之后，顏色失真情況好轉。圖1（c）在白平衡基礎上，進行了自適應直方圖均衡化，由圖可見，圖像的對比度得到增強。圖1（d）、（e）與（f）分別是圖1（c）的照度圖、色度圖與顯著性圖。圖1（g）是圖1（a）的暗通道先驗結果圖。圖1（h）、（i）與（j）分別是圖1（g）的照度圖、色度圖與顯著性圖。圖1（k）是最終多尺度融合的處理結果，由圖可見圖像清晰度增強，對比度得到拉伸，顏色失真得到改善。

圖1

2 算法分析與評價

2.1 圖像增強評價指標

圖像增強質量評價標準主要分為兩類：主觀評價與客觀評價。其中主觀評價利用人眼觀察和評判圖像增強效果，但是評價結果容易受到環境，及評判人員心境與經驗等因素影響。雖然人眼的視覺對誤差的敏感度并不是絕對的，其感知結果會受到許多因素的影響而發生變化，但是主觀評價標準依然是常用的評價方法。

客觀評價能夠定量的評價圖像質量。常見的評價指標有很多，本文選擇3種適合水下圖像增強的客觀評價指標，分別是、、。其中指標無需參考圖像，其余兩種需要提供參考圖像對待評價圖像進行評估，這些指標能相對公正地測量圖像質量，評價增強算法的優劣。

（1）。是色彩濃度，飽和度和對比度的線性組合，用來定量評價水下圖像在色偏，模糊和低對比度等方面的情況，屬于無參考圖像的圖像質量評價指標，目前逐漸成為水下圖像增強的重要評價指標之一，表達式如下：

其中，σ表示色度的標準差，con表示亮度的對比，μ表示飽和度的平均值，系數，，用于調整色度、亮度與飽和度的權重比值。

（2）。圖像均方誤差。設待評價圖像和參考圖像的大小為×，定義為：

（3）。峰值信噪比（）可以用來衡量增強圖像與參考圖像的相似程度，數值越大，表示增強效果越佳。定義為

其中，MAX是圖像的最大像素值。

2.2 實驗結果與分析

實驗所用圖像選自數據庫UIEB，該數據庫包含水下圖像及對應的高質量參考圖像。實驗從UIEB 數據庫選用20 幅具有代表性的圖像，用于檢測不同算法的增強效果。

在對比實驗中，論文選擇了經典的自適應直方圖均衡化算法（contrast limited adaptive histogram equalization，CLAHE），研究表明符合Rayleigh 分布的水下圖像在視覺上更加符合人類視覺習慣。除此之外，還選擇了暗通道先驗（dark channel prior，DCP）算法，以及WCID算法，這些算法在增強圖像領域都是經典算法，具有代表性。

圖2 是4 種增強算法的結果圖，其中圖（a）是3 幅水下原圖像，圖（b）、圖（c）、圖（d）與圖（e），分別對應于應用CLAHE 算法、DCP 算法、WCID 算法和本文算法對原圖進行增強后的效果圖。從圖中可以觀察到，DCP 算法在水下圖像增強方面效果不佳，WCID 算法能夠在清晰度、對比度與飽和度上增強原圖，CLAHE 算法在修正色偏、提高清晰度等方面效果較好。本文算法相較于其余3種算法，在色調、飽和度、對比度及清晰度各方面都有較好的表現，在主觀評價方面，本文算法最優。

圖2 水下圖像增強結果比較

表1 是本文算法與3 種經典算法的3 種客觀評價數值。表中第1 列指標，數值越大，表示圖像色偏越小，畫面清晰度越高，對比度也越高。從表中數據可以看出指標顯示，本文算法最佳，遠遠高于DCP 算法與WCID 算法。在方面，本文算法平均值為18.6362，在4種算法的峰值信噪比上數值最大，表明本文所提算法增強的圖像與作為參考的質量最佳圖像最接近。用于評價兩幅圖像的均方差，數值越小，表明待比較的雙方誤差越小。表1第3 列數據顯示本文算法最小。綜合3 種評價指標可以看出，本文算法明顯優于WCID 算法，在水下圖像增強應用中，也優于CLAHE 算法與DCP算法。

表1 算法質量評價

3 結語

本文提出了一種新的水下圖像增強算法。該算法從水下成像模型出發，結合暗通道先驗與自適應直方圖均衡，提高了圖像的清晰度與對比度，同時由于進行多尺度光補償，能夠在色度，照度以及圖像顯著性上實現圖像增強，提高水下圖像質量。