基于Tetrolet变换的彩色水下图像清晰化算法 下载: 971次
1 引言
海洋工程应用、海洋能源探测和海洋资源开发等高科技海洋技术已经成为当今世界不遗余力进行的主要研究领域之一,海洋水下信息探测和水下作业装备已经成为世界大国重点研究的热点[1-2]。水下图像是获取水下信息的重要途径。在图像的捕获、存储和传输期间,由于受到复杂水下环境的影响,图像容易出现细节模糊、图像对比度下降以及彩色图像产生很大的色彩偏差、呈现单蓝色雾化等情况。
水下图像严重降质的主要原因有[3]:1)光在水中的传播复杂,即便非常纯净的水对光也有较强的吸收和衰减作用;2)水体中存在的悬浮颗粒和浮游生物会对光的传播产生较强的散射作用,另外,水体本身的流动等因素会造成图像传感器捕获的图像噪声大,细节信息损失严重;3)外部辅助光源的范围受限,且水波会造成水下光照不均匀,图像传感器捕获的图像会产生光斑等严重噪声。
水下图像的清晰化方法通常分为两类[4]:图像增强和图像复原。图像增强方法直接从图像像素的角度对图像进行处理,使得图像特征得到一定程度的增强,提高视觉的清晰程度;图像复原方法在分析水下环境的基础上建立水下图像模型,采用不同的手段进行估计参数,以复原水下图像。
当前对水下图像进行清晰化处理的研究较多,例如,Peng等[4]依据基于图像模糊和光吸收计算的水下环境深度估计方法增强水下图像,效果较好;Borkar等[5]提出基于单色彩通道的水下图像复原方法,提高了算法效率和图像的对比度;Li等[6]提出基于最小信息损失原则的水下图像复原算法,得到了较好的实际应用效果;杨爱萍等[7]基于颜色失真矫正和背景散射提取进行水下图像复原,在颜色的复原和避免光源、噪声等影响方面表现良好;曹美等[8]结合通道直方图量化的颜色校正和暗原色先验模型进行图像增强,提升了图像的视觉效果;陆慧敏等[9]利用水下图像退化模型和引导图像滤波器进行颜色校正,克服了光照不均的问题;王马华等[10]结合偏振成像技术与改进的湍流模型提出水下图像复原算法,在强湍流条件下效果较好;李一兵等[11]采用Radon变换和傅里叶变换方法分别估计模糊的角度和距离,为缺少先验条件的水下图像复原提供依据。上述水下图像复原方法已然取得了一定的进展,但是仍然存在算法复杂或仅针对某一特定应用、普适性差的问题。
本文提出一种基于Tetrolet变换的水下彩色图像的清晰化方法。首先,对RGB图像进行暗原色先验初步复原;然后,进行
2 暗原色先验初步复原
2.1 水下图像退化模型
光从光源发出,在水中传输,到被水下图像传感器捕获,根据整个过程可以建立水下图像退化模型。水下图像退化模型通常由直接光分量、前向散射光和后向散射光三部分构成[12-13]。
直接光分量指水下物体的反射光传输过程中没有被散射的部分,可表示为
式中
前向散射光是指在传输过程中物体的反射光发生小角度散射的部分,可表示为
式中
后向散射光是指光线经过水中悬浮颗粒散射后被相机接收的部分,可表示为
式中
因此,水下图像退化模型可表示为
当场景与相机的距离较小时,可以忽略前向散射带来的图像模糊,于是(4)式可简化为
2.2 暗原色先验估计
在对大量图像进行数据统计的基础上,He等[14]认为无雾图像非天空部分的局部区域中某些像素点至少有一个颜色通道具有很低的亮度值,甚至趋近于零,即为暗通道,此时有:
式中
水下图像与雾天图像都会因为介质中的悬浮物导致的光散射产生图像降质,两者的退化模型在形式上类似。此外,场景中都会存在物体的阴影、颜色较暗的物体或表面以及色彩鲜艳的物体或表面,这些景物都满足暗通道先验条件。因此,可以采用暗原色先验理论去除水下图像的后向散射。此时,由(5)式可以得到:
由暗原色先验知识可以得到透射率为
式中光源照射强度取各颜色通道的暗通道中亮度值最大值,即:
这样得到的透射率易出现块效应,需要对透射率进一步细化。He等[14]采用软抠图的方法解决该问题。
将估计的透射率和背景光代入(5)式,得到初步复原的水下图像,可表示为
3 本文算法
初步复原的水下图像由于估计出的透射率不够精确,会出现块效应。此外,水下图像在获取过程中容易出现蓝绿色偏,需要对颜色进行校正才能得到清晰化的水下图像。因此,将初步复原后的图像映射到
3.1 算法流程
算法流程如
1) 将初步复原的彩色水下图像由RGB空间映射到
2) 对
3) 对
4) 对
5) 将处理后的高、低频系数进行反向非下采样轮廓波变换(NSCT)得到复原的亮度通道图
6) 采用空间均值校正方法对
7) 将处理后的
3.2 空间映射
1998年提出的
首先,将RGB颜色空间映射到LMS空间,得到[17]:
然后,将LMS空间映射到对数空间:
式中
将彩色水下图像映射到
图 2. 彩色水下图像映射到lαβ三通道。(a) 原始图像; (b) l通道; (c) α通道; (d) β通道
Fig. 2. Maping underwater color image to lαβ three channels. (a) Original image; (b) l channel; (c) α channel; (d) β channel
4 l亮度通道的清晰化处理
4.1 改进的Tetrolet变换
2010年,Krommweh[18]基于自适应Harr小波提出了图像几何结构表达能力优秀的Tetrolet变换方法,该方法稀疏性强,具有高能量的变换系数,是一种简单有效的多尺度几何分析方法。同时,其支撑域很小,能够避免吉布斯现象的影响。另外,理论上Tetrolet变换简单,易处理。在边缘部分采用Haar小波函数对图像分解时,首先将图像分开,块的大小通常选取4×4。在每个图像块中填充与图像几何结构一致的四格拼板,因此该方法被称为Tetrolet变换。单个四格拼板由4个正方形拼成,根据排列组合可以看出,四格拼板有5种基本拼板图案(排除翻转、旋转的情况),将其视为Tetrolet变换的基函数。如
原始的Tetrolet变换在分解后得到的高频能量不集中,范围小,只有少数的轮廓信息。因此将其直接应用于图像融合时,无法提取更多的高频细节,融合图像达不到理想的效果。为了更多地保留高频区域红外图像与可见光图像的边缘、轮廓以及纹理等细节,需要根据图像特征对Tetrolet变换进行改进。
假设一幅大小为
1) 将源图像分割为若干4
2) 对图像块
式中
3) 选择模板
模板的选择通常采用一阶范数,原始的Tetrolet变换选取一阶范数的最小值进行滤波,结果将高频系数缩在很小的取值范围,无法得到足够的边缘和轮廓细节,而改进的Tetrolet变换采用一阶范数的最大值进行模板选择,这样可以尽量保留源图像的高频数据;
4) 采用最优模板
5) 重复2)~4)对图像进行下一层的Tetrolet分解,直到变换结束。
采用原始Tetrolet算法和改进后的算法分别对图像进行分解,高频细节的对比效果如
图 5. 高频细节对比图。(a) Tetrolet变换; (b) 改进的Tetrolet变换
Fig. 5. Comparison of high-frequency details. (a) Tetrolet transform; (b) improved Tetrolet transform
4.2 高频分量线特征提取
Tetrolet的多尺度和多方向分解可以得到图像的高频和低频系数。其中,高频系数通常表征图像的边缘、轮廓以及噪声等信息,能够体现图像的细节;低频系数表示图像大部分灰度平滑区域,包含图像的大部分能量,通常代表图像的背景信息。
为了得到清晰的边缘轮廓等线性细节特征,同时滤除噪声,采用非线性的双边滤波器对高频分量进行滤波和线特征提取。双边滤波器综合考虑了像素间的距离因素和像素间的灰度差异,在滤波的同时能够很好地保存边缘轮廓特征。其可定义为
式中
(17)式中
式中
图 6. 双边滤波器在图像边缘附近的作用效果。(a)包含噪声的图像区域; (b)值域滤波; (c)双边滤波; (d)空间域滤波; (e)空间域与值域滤波组合
Fig. 6. Effects on image edge of bilateral filtering. (a) Image region with noises; (b) value domain filtering; (c) bilateral filtering; (d) spatial domain filtering; e) filtering combination of spatial domain and value domain
经过Tetrolet分解得到的低频分量包含图像的大部分能量和部分噪声。被噪声干扰后,不能单纯通过亮度值的差异准确估计像素之间相似性。为了解决该问题,采用非局部均匀算法,该算法借助整个图像空间像素的亮度值修正当前像素的亮度值,能够去除低频分量的噪声,增强低频分量的视觉效果。
2005年Buades等[19]提出了非局部均值去噪算法,其核心思想是充分利用图像中像素周围灰度分布的相似性贡献权值,然后进行滤波。
经过Tetrolet分解后得到的低频分量为
式中
式中0≤
对于受噪声污染,分辨率较低的水下图像,此方法能够充分利用图像的冗余信息进行滤波,获得更好的去噪效果。
4.3 Tetrolet逆变换
通过Tetrolet逆变换,将处理后的高频和低频分量进行重构,得到处理后的亮度通道图像
图 7. Tetrolet处理前后图像。(a) 原始图像; (b) Tetrolet处理后图像
Fig. 7. Images before and after Tetrolet processing. (a) Original images; (b) after Tetrolet processing
5 lαβ颜色通道的色彩校正
光在水下传输时,由于绿光的波长最短,所以它在水中传输的距离最长,导致水下图像多呈绿色或蓝色。为解决色偏问题,采用空间均值方法对颜色进行校正。
首先,计算图像
式中
校正后的图像
6 颜色空间反向映射
将各分量从
至此,进行色彩传递处理后可以得到清晰化处理后的图像。
7 实验结果与分析
7.1 主观评价结果分析
为了验证本文方法的有效性,采用8组图像进行实验,对比本文算法、文献[ 20]中的Retinex方法和文献[ 21]中的三通道水下图像清晰化算法的效果。
图 8. 实验结果对比。(a) 原始图像; (b) Retinex方法; (c) 三通道方法; (d) 本文方法
Fig. 8. Comparison of experiment results. (a) Original images; (b) Retinex method; (c) three-channel method; (d) proposed method
7.2 客观评价结果分析
目前,客观评价水下图像的清晰化处理尚无统一的标准。本文从对比度、平均梯度、色偏和峰值信噪比4个方面进行比较。
图像的对比度表征图像的细节清晰程度,对比度越大表示图像的细节越清晰,而标准差
式中
平均梯度
式中
图像色偏
式中
原图像
峰值信噪比(PSNR)由图像信号峰值与均方误差决定,表征图像重建质量的好坏。PSNR定义为
式中max(
表 1. Image1采用3种处理方法的量化比较
Table 1. Quantitative results comparison of three methods in Image1
|
表 2. Image2采用3种处理方法的量化比较
Table 2. Quantitative results comparison of three methods in Image2
|
表 3. Image3采用3种处理方法的量化比较
Table 3. Quantitative results comparison of three methods in Image3
|
表 4. Image4采用3种处理方法的量化比较
Table 4. Quantitative results comparison of three methods in Image4
|
表 5. Image5采用3种处理方法的量化比较
Table 5. Quantitative results comparison of three methods in Image5
|
表 6. Image6采用3种处理方法的量化比较
Table 6. Quantitative results comparison of three methods in Image6
|
表 7. Image7采用3种处理方法的量化比较
Table 7. Quantitative results comparison of three methods in Image7
|
表 8. Image8采用3种处理方法的量化比较
Table 8. Quantitative results comparison of three methods in Image8
|
分析水下图像清晰化后的图像可知,本文方法在提高图像的对比度,丰富图像边缘方面具有显著的优势,同时对蓝绿色偏的校正也有较好的效果,处理后的图像鲜艳,视觉效果好。
8 结论
针对彩色水下图像特点,在对水下图像传感器捕获的图像进行初步复原的基础上,对图像进行
[1] 王孙. 中国深海空间站“十三五”起锚远航[N]. 中国船舶报, 2016-03-16(008).
王孙. 中国深海空间站“十三五”起锚远航[N]. 中国船舶报, 2016-03-16(008).
[2] . 曹文忠. 工信部, [J]. 未来十年海洋工程装备发展方向敲定 港口经济, 2015(12): 15.
. 曹文忠. 工信部, [J]. 未来十年海洋工程装备发展方向敲定 港口经济, 2015(12): 15.
CaoWenzhong. Ministry of industry and information technology of the People's Republic of China: development direction of marine engineering equipment in the next ten years[J]. Port Economy, 2015( 12): 15.
CaoWenzhong. Ministry of industry and information technology of the People's Republic of China: development direction of marine engineering equipment in the next ten years[J]. Port Economy, 2015( 12): 15.
[3] 王子韬. 基于暗原色方法的水下图像增强[D]. 青岛: 中国海洋大学, 2014.
王子韬. 基于暗原色方法的水下图像增强[D]. 青岛: 中国海洋大学, 2014.
WangZitao. Underwater dark channel prior method of underwater image enhance[D]. Qingdao: Ocean University of China, 2014.
WangZitao. Underwater dark channel prior method of underwater image enhance[D]. Qingdao: Ocean University of China, 2014.
[5] BorkarS, Bonde SV. Underwater image restoration using single color channel prior[C]. International Conference on Signal and Information Processing (IConSIP), 2016: 1- 4.
BorkarS, Bonde SV. Underwater image restoration using single color channel prior[C]. International Conference on Signal and Information Processing (IConSIP), 2016: 1- 4.
[7] 杨爱萍, 郑佳, 王建, 等. 基于颜色失真去除与暗通道先验的水下图像复原[J]. 电子与信息学报, 2015, 37(11): 2541-2547.
杨爱萍, 郑佳, 王建, 等. 基于颜色失真去除与暗通道先验的水下图像复原[J]. 电子与信息学报, 2015, 37(11): 2541-2547.
Yang Aiping, Zheng Jia, Wang Jian, et al. Underwater image restoration based on color cast removal and dark channel prior[J]. Journal of Electronics & Information Technology, 2015, 37(11): 2541-2547.
[8] 曹美, 盛惠兴, 李庆武, 等. 基于暗原色先验模型的水下彩色图像增强算法[J]. 量子电子学报, 2016, 33(2): 140-147.
曹美, 盛惠兴, 李庆武, 等. 基于暗原色先验模型的水下彩色图像增强算法[J]. 量子电子学报, 2016, 33(2): 140-147.
[9] 陆慧敏, 胡学龙, 李玉洁, 等. 基于引导图像滤波器的水下图像清晰化算法[J]. 扬州大学学报(自然科学版), 2015, 18(3): 60-63.
陆慧敏, 胡学龙, 李玉洁, 等. 基于引导图像滤波器的水下图像清晰化算法[J]. 扬州大学学报(自然科学版), 2015, 18(3): 60-63.
Lu Huimin, Hu Xuelong, Li Yujie, et al. Enhancing algorithm based on underwater optical imaging model and guided image filter[J]. Journal of Yangzhou University (Natural Science Edition), 2015, 18(3): 60-63.
[10] 王马华, 赵正敏, 王士湖, 等. 基于改进湍流模型和偏振成像技术的水下退化图像复原方法[J]. 农业工程学报, 2013, 29(S1): 203-209.
王马华, 赵正敏, 王士湖, 等. 基于改进湍流模型和偏振成像技术的水下退化图像复原方法[J]. 农业工程学报, 2013, 29(S1): 203-209.
Wang Mahua, Zhao Zhengmin, Wang Shihu, et al. Restoring method for underwater degraded images based on improved turbulence model and polarization imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(S1): 203-209.
[11] 李一兵, 付强, 张静. 水下模糊图像参数估计复原方法[J]. 吉林大学学报(工学版), 2013, 43(4): 1133-1138.
李一兵, 付强, 张静. 水下模糊图像参数估计复原方法[J]. 吉林大学学报(工学版), 2013, 43(4): 1133-1138.
Li Yibing, Fu Qiang, Zhang Jing. Underwater blurred image restoration based on parameter estimation[J]. Journal of Jilin University (Engineering and Technology Edition), 2013, 43(4): 1133-1138.
[15] Reinhard E, Adhikhmin M, Gooch B, et al. Color transfer between images[J]. IEEE Computer Graphics and Applications, 2001, 21(5): 34-41.
Reinhard E, Adhikhmin M, Gooch B, et al. Color transfer between images[J]. IEEE Computer Graphics and Applications, 2001, 21(5): 34-41.
[16] 邢雅琼, 王晓丹, 刘健, 等. 基于NSST域的红外和彩色可见光图像融合[J]. 系统工程理论与实践, 2016, 36(2): 536-544.
邢雅琼, 王晓丹, 刘健, 等. 基于NSST域的红外和彩色可见光图像融合[J]. 系统工程理论与实践, 2016, 36(2): 536-544.
Xing Yaqiong, Wang Xiaodan, Liu Jian, et al. Fusion technique for multi-focus image based on analysis of grey relation in NSST domain[J]. Systems Engineering-Theory & Practice, 2016, 36(2): 536-544.
[17] 张子迎, 周明全, 税午阳, 等. 基于K均值聚类和区域匹配的颜色迁移技术[J]. 系统仿真学报, 2015, 27(10): 2359-2364.
张子迎, 周明全, 税午阳, 等. 基于K均值聚类和区域匹配的颜色迁移技术[J]. 系统仿真学报, 2015, 27(10): 2359-2364.
Zhang Ziying, Zhou Mingquan, Shui Wuyang, et al. Color transfer based on K-means clustering algorithm and region matching[J]. Journal of System Simulation, 2015, 27(10): 2359-2364.
[19] BuadesA, CollB, Morel JM. A non-local algorithm for image de-noising[C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2005, 2: 60- 65.
BuadesA, CollB, Morel JM. A non-local algorithm for image de-noising[C]. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR), 2005, 2: 60- 65.
[20] Fu XY, Zhuang PX, HuangY, et al. A retinex-based enhancing approach for single underwater image[C]. IEEE International Conference on Image Processing (ICIP), 2014: 4572- 4576.
Fu XY, Zhuang PX, HuangY, et al. A retinex-based enhancing approach for single underwater image[C]. IEEE International Conference on Image Processing (ICIP), 2014: 4572- 4576.
[21] Nicholas CB, AnushM, Eustice RM. Initial results in underwater single image dehazing[C]. IEEE Oceanic Engineering Society, 2010: 1- 8.
Nicholas CB, AnushM, Eustice RM. Initial results in underwater single image dehazing[C]. IEEE Oceanic Engineering Society, 2010: 1- 8.
[22] 温海滨, 毕笃彦, 马时平, 等. 消除阶梯效应与增强细节的变分Retinex红外图像增强算法[J]. 光学学报, 2016, 36(9): 0911005.
温海滨, 毕笃彦, 马时平, 等. 消除阶梯效应与增强细节的变分Retinex红外图像增强算法[J]. 光学学报, 2016, 36(9): 0911005.
[23] LiF, Wu JY, Wang YK, et al. A color cast detection algorithm of robust performance[C]. IEEE International Conference on Advanced Computational Intelligence (ICACI), 2012: 662- 664.
LiF, Wu JY, Wang YK, et al. A color cast detection algorithm of robust performance[C]. IEEE International Conference on Advanced Computational Intelligence (ICACI), 2012: 662- 664.
Article Outline
沈瑜, 党建武, 王阳萍, 王博伟. 基于Tetrolet变换的彩色水下图像清晰化算法[J]. 光学学报, 2017, 37(9): 0910002. Yu Shen, Jianwu Dang, Yangping Wang, Bowei Wang. A Color Underwater Image Clearness Algorithm Based on Tetrolet Transform[J]. Acta Optica Sinica, 2017, 37(9): 0910002.