基于色彩模型的水下海參圖像增強方法研究

禹志鵬，龍杜輝，劉康

（200082 上海市 上海理工大學機械工程學院）

0 引言

隨著生活品質日益提高，人們對海參的需求量越來越大，海參養殖產業也隨之迅速發展，但是由于海參的捕撈方式十分麻煩，目前我國大部分海參的捕撈方式仍然為人力潛水采集為主[1-2]，這項工作不僅工作強度大，而且風險系數非常高，并且人力采集也難以到達海參捕撈效率要求。減少捕撈人的捕撈風險，更快地實現自動化捕撈成為了目前迫切需要解決的問題。現階段研究與應用多以結合目標識別技術的水下捕撈機器人來完成海參識別與自動化或半自動化捕撈，為了完成水下作業任務，機器人需要具有對水下目標進行識別的能力。

機器視覺是用可以代替人眼的光學裝置和傳感器來對客觀世界三維場景進行感知水下機器，視覺方法的核心是圖像處理技術。因為水下環境的特殊性，往往我們攝像頭采集到的圖片不能夠達到我們后期處理的預期，需要我們對圖像首先進行圖像增強，提高圖像的質量和對比度以便后期進行目標識別與三維定位。近年來國內外有一些有關研究成果公諸于世，Schettini[3]等總結水下圖像處理可被分為圖像增強和圖像恢復的方法；Wen[4]等根據 RGB 三個顏色通道將水下彩色圖像分成3 個單獨的彩色圖像，分別對3 張單獨的圖像進行直方圖均衡化，然后將3 張圖片組合到一起，最終輸出的圖像有著高對比度與豐富的色彩信息；喬曦[5]等發現海參和背景圖像在紋理、形狀和顏色等特征上存在差異，因此其基于目標與背景之間的差異性完成了對海參的實時識別。

由此可見，水下圖像增強技術在目前的視覺研究方面占據著十分重要的地位。本文以水下海參圖像作為研究對象，著重研究了水下海參圖像的增強方法，提出了一種改進于顏色模型的增強方法，并比較該算法與傳統算法處理圖像后圖像的質量指標，證明了該算法的優勢性，并且在水下圖像增強方面有一定的普適性。

1 水下成像模型

因為水的密度比空氣大700 多倍，所以水下環境的能見度比較低，而且由于水中水介質存在的原因，導致光在水中傳播時會發生不同程度的折射與散射現象（如圖1 所示），這就使水下攝像機拍攝到的目標物呈現對比度低、模糊、光照不均勻等一系列特征。

根據圖1 的水下成像模型，可以把水下圖像表示為3 個分量的相加[6]。

圖1 水下成像模型Fig.1 Underwater imaging model

（1）直接衰減分量可以表示為直接被目標物反射回來的光線，用式（1）表示：

式中：（x，y）——圖像像素的橫縱坐標；c——圖像的紅、綠、藍3 個顏色通道；E（cx，y）——目標物的反射光線；d（x，y）——目標物到攝像頭的距離；a（c）——衰減系數。不同光在水中的衰減系數是不同的，所以海底圖像隨著深度的增加會以藍色綠色為主。

（2）前向散射分量表示目標物反射回攝像頭的過程中因為水介質而發生的散射，用式（2）表示：

式中：g（cx，y）——點擴散函數；“”——卷積。

（3）后向散射分量表示為非目標物周圍的背景經過水介質散射后進入到攝像頭的光線，用式（3）表示：

式中：B∞（c）——背景光。

綜上所述，水下圖像可用式（4）表示：

2 水下圖像增強算法

2.1 直方圖均衡化算法（HE）

直方圖均衡化是一種比較簡單有效的圖像增強算法[7]，主要用于增強圖像的灰度范圍較窄的圖像，增強圖像的對比度，使圖像的灰度大致落在整體部分。

為了方便研究，設r，s分別為歸一化以后的原圖像的灰度和經過直方圖算法處理后的灰度，所以對于每一個r都有一個經過變換函數T(r)的s與之對應，用式（5）表示：

根據概率論的相關知識可以知道，設r的概率密度為pr(r)，因為s是關于r的函數，所以s的分布函數Fs(s)可以表示為式（6）：

對式（6）兩邊同時求導可得

根據式（7）可知，HE 是把輸入圖像的累計分布函數作為變換函數的圖像增強技術，這個算法的優點在于算法簡單，并且運行速度快。但是這種算法對于水下工況較為復雜的場合并不適用，而且由于對紅色通道進行了過度補償，圖像很容易產生色偏、失真等問題。為了改進這類問題，Zuiderveld 提出了限制對比度的自適應直方圖均衡化算法。在提高算法的運行速度方面，前人采用了線性插值的方法，這種方法不會影響算法處理圖像的質量而且能有效提高算法處理效率。CLAHE 算法能夠解決HE 算法不能解決的低光照問題，但是在解決顏色失真方面沒有太大效果。

2.2 基于Retinex 的水下圖像增強算法

Retinex 是一種常用的建立在科學實驗和科學分析基礎上的圖像增強方法，是Land[8]等人從人眼對顏色的感知特性出發研究出來的增強算法。Retinex 的理論基礎如下：

（1）任何物體的顏色都是由紅色光、綠色光、藍色光的反射能力決定的，而不是光線的反射強度來決定。

（2）物體的色彩不會受到光照的不均勻性而受到影響。

該算法的模型如圖2 所示，攝像頭接受到的圖像Ic（x，y）可以表示為入射光的光照分量乘以物體的反射分量，計算公式如式（8）所示：

圖2 Retinex 成像模型Fig.2 Retinex imaging model

基于Retinex 理論的增強算法目的是從拍攝到的原始圖像分離出入射光照和目標物的反射分量，從而可以消除因為光照不均勻引起的圖像問題，從而提高圖像質量。

2.3 基于顏色模型的增強算法

該算法基于色彩平衡及對比度校正技術。目前對比度增強技術被廣泛運用于水下圖像處理的領域中，受到國內外學者的廣泛關注。該算法目的是通過提高水下圖像的對比度、細節來提高圖像的質量。本文在對比度校正方面使用了直方圖拉伸技術，將全局直方圖拉伸應用到圖像直方圖上，在原拉伸模型的基礎上，研究并修改了紅色通道和綠色通道的倍增系數，而藍色通道選擇原圖像藍色像素的平均值，最后重組為三通道的彩色圖像，再進行后續操作，更好地提高圖像的質量。具體算法可以分為以下3 步：

（1）首先對RGB 三顏色進行顏色平衡；

（2）對圖像的RGB 模型進行對比度校正；

（3）將RGB 模型轉換為HSI 模型，并且對HSI 模型進行對比度校正。

本文算法對水下海參圖像處理流程如圖3所示。

圖3 算法流程圖Fig.3 Algorithm flow chart

2.3.1 RGB 三顏色平衡

在水下的工作環境下，由于紅光的波長較短，所以水下圖像在紅色通道上數值較小，導致圖像質量不高。為了提高質量，首先在第1 步需要對圖像的顏色進行平衡。取3 個顏色通道的像素最大值，如式（9）—式（11）所示。

通過式（9）—式（11）求得圖像中最顯著的顏色通道，以及該通道下最大的像素點的值，幫助我們后期確定哪些通道需要通過倍增系數來進行增強。第2 步，計算每個顏色分量的平均值，如式（12）—式（14）所示。

式中：M×N——圖像中一個通道的像素數；I（i，j）——某一通道下某一位置的像素值。

之前的RGB 通道顏色平衡主要是假設保持主色投射通道不變，基于此色偏計算兩個倍增因子來和其他兩個通道相乘。但是本文發現，如果通過使用這種以主要色偏通道作為參考對象，最低強度通道將會與更大的倍增因子相乘，這樣這個較大的倍增因子將會使原始通道的強度變得不合理，即圖像中對象的顏色會偏離原始顏色。因此本文提出了以中值強度顏色通道作為參考對象，重新構造倍增因子，這樣就不會產生偏離原始顏色的現象。

中間值由式（12）—式（14）計算出的平均值而確定，將其作為參考值或目標值，由此構造倍增因子，如式（15）—式（16）所示。

然后將圖像中最小顏色強度通道與A相乘，最大顏色強度通道與B相乘，這樣就能達到更好的顏色平衡效果，并且不會造成太大的色偏現象。

2.3.2 RGB 模型對比度拉伸

低對比度會使圖像模糊。針對水下圖像對比度較低這一問題，本文通過對強度值范圍內進行加權來擴大原來的強度范圍，以達到增強圖像的對比度的目的。并且為了保證圖像的清晰度，防止數值過高或者過低的像素值影響圖像，本文選擇了0.2%～99.8%之間的像素值來進行對比度拉伸。對比度拉伸公式如式（17）所示。

式中：P0——對比度校正后的像素值；Pi——待處理的像素值；a——0 的下限值；b——255 的上限值；c——圖像中當前存在的最小像素值；d——圖像中當前存在的最大像素值。

首先根據以上基于RGB 模型的對比度拉伸方法對拍攝出的海參圖像的像素值進行處理，增強紅色通道和綠色通道，得到處理后的圖像，然后再對該圖像進行HSI 模型上的強度拉伸。

2.3.3 HSI 模型對比度拉伸

在對圖像進行RGB 模型對比度拉伸以后，需要對圖像進行HSI 模型對比度拉伸。HSI 是由Hue(色調)、Saturation(飽和度)和Intensity(亮度)3個分量來表現圖像，圖像的飽和度和亮度是清晰度和可見度的重要參數，因此圖像中的對象可以與背景明顯區分開來，避免了在RGB 模型上增強會引起的顏色偏移的問題。分離了圖像亮度與顏色分量，這種模型更適用于人對圖像的解釋，且對圖像的增強處理只需在一個維度上進行，提升了圖像處理速度。

因為本文將HSI 模型拉伸與RGB 模型拉伸結合起來，所以在對圖像進行HSI 拉伸時，對下方（朝向黑暗面），上方（朝向明亮面）進行處理，這種處理方式能夠很好地將直方圖擴展到兩個方向。圖像中的藍色區域可以由“S”“I”來調整，從而創建出淺藍色和深藍色的范圍，使用這種方法可以來控制圖像的對比度。光照對于水下圖像也是極其重要的，在該模型中可以通過亮度參數來調整。

3 實驗研究

為了驗證本文圖像增強算法的可行性和有效性，實施了水下海參圖像采集，圖像處理，圖像主觀、客觀對比等步驟。實驗場景如圖4 所示，包括計算機、水下攝像頭、150 L 水箱。

圖4 實驗場景圖Fig.4 Experimental scene

為了模擬在較深水下拍攝圖像的色偏問題，本文在原本的清水中加入了甲基藍試劑對水體進行染色，使圖像呈現偏藍、偏綠，并加入少量氫氧化鈉使清水變得略渾濁一點，更好地模擬出了海下工作環境，拍攝出的圖像如圖5 所示。

圖5 水下海參原圖Fig.5 Original picture of sea cucumber

在MATLAB 平臺上使用不同的增強算法分別為HE，CLAHE，單尺度的Retinex，傳統基于RGB 模型算法和本文算法對圖像進行處理，通過比較主觀評價和客觀評價得出結論。

3.1 主觀評價

使用上述所有算法對圖像進行處理，通過人眼主觀識別圖像質量的好壞，觀察各圖像對比度差異，顏色是否均衡，是否存在色偏，判定算法的優劣性，處理結果圖如圖6 所示。

圖6 不同算法的增強圖Fig.6 Enhancement chart of different algorithms

從圖6 明顯可以看出其他算法增強后的圖像存在或多或少的色偏問題，而本文增強算法在改善水下圖像對比度、色偏等方面更具有優勢性。

3.2 客觀評價

通過客觀評價圖像質量指標來對處理后的圖像進行定量分析，合理充分地驗證本文增強算法的有效性常用的評價指標有：均方誤差（MSE），峰值信噪比（PSNR），結構相似性（SSIM）和信息熵，如表1 所示。

表1 所示圖像定量結果Tab.1 Quantitative results of the images shown

一般來說，均方誤差越小，峰值信噪比越大，說明圖像處理效果越好。信息熵的數值越大說明圖像包含的信息量越大，而對于結構相似性指標來說，越接近1 表明兩幅圖像的相似性越大。從表1 的分析結果可知，本文的算法能有效減少噪聲，增強圖像的對比度，提高圖像的有效信息。

4 結論

本文以水下海參作為研究對象，針對水下圖像模糊、對比度不高、色偏甚至失真等問題，通過研究并修改色彩均衡模型中的倍增系數，提高了圖像增強的效果，改善增強后圖像的質量。對不同的水下增強算法進行研究，并用這些算法對原始圖像進行處理，得到一系列處理后的圖像。通過主觀評價和對圖像質量的定量分析，驗證了本文算法在水下圖像增強方面的有效性，并且該方法在同類圖像處理方面變現出更好的處理效果。