基于改進CLAHE的水下彩色圖像增強算法*

王紅茹 李 瑞 王 佳

（1.江蘇科技大學機械工程學院 鎮(zhèn)江 212003）（2.江蘇省船海機械先進制造及工藝重點實驗室 鎮(zhèn)江 212003）

1 引言

海洋經濟的興起促使水下裝備及相關技術的研發(fā)成為各國關注的重點方向，水下視覺技術更是其中的關鍵［1］。然而，水下成像環(huán)境通常較為復雜，使得水下圖像的質量較低。水中懸浮物引起的光線散射效應以及光線在水中傳播的衰減造成水下圖像對比度低、模糊、光照不均等問題［2～3］。因此，水下圖像增強的研究成為計算機視覺領域的熱點之一。水下圖像增強方法分為物理模型法和非物理模型法。物理模型法根據水下圖像的退化過程進行建模，反演退化過程得到輸出圖像，但其建立的水下成像模型過于理想化，且模型參數具有不確定性，導致這類方法適應性不強［4］。非物理模型方法包括基于空域增強的CLAHE算法［5～6］，基于頻域增強的小波變換［7］，以及基于顏色恒常性的Retinex理論［8～10］等。小波變換在去除水下噪聲方面效果不錯，但是并不能有效提高圖像對比度和清晰度；Retinex則容易存在過度增強和欠飽和區(qū)域，且耗時較多。而CLAHE算法在提高圖像對比度的同時可以較好地抑制噪聲放大的問題，但是對于暗部細節(jié)的增強不夠明顯。

綜上，本文根據水下成像的特點，在CLAHE算法的基礎上提出一種改進的水下圖像增強算法。根據像素值的分布確定裁剪幅值，對直方圖進行裁剪與分配；對超出幅值部分進行二次分配，確定其分配的動態(tài)范圍；最后引入同態(tài)濾波，以改善光照不均。

2 算法原理

2.1 限制對比度自適應直方圖均衡

CLAHE算法在HE的基礎上對每個子塊的直方圖進行限幅，可以較好地抑制噪聲放大，算法具體步驟如下。

1）將原圖像分成n*n個大小相等且互不疊加的子塊。

2）計算每個子塊的直方圖。

3）計算裁剪幅值T。

式中，nx和ny為每個子塊在x和y方向上的像素個數，K為灰度級數，c為裁剪系數。

4）裁剪直方圖，并對像素點進行分配。根據裁剪幅值T對子塊直方圖h(x)進行裁剪，如圖1（a）所示；然后將裁剪掉的像素數平均分配到每個灰度級上，如圖1（b）所示。設超出裁剪幅值T的像素總數為S，每個灰度級平均分配到的像素個數為A，則有：

用h’(x)表示重新分配以后的直方圖，有

圖1 直方圖裁剪、分割

5）對重新分配以后的子塊直方圖進行均衡化處理。

6）插值運算。若每個子塊中的像素僅通過相應的映射函數進行變換，會使得最終的圖像呈現塊狀效應，因此利用插值運算來求解像素點的值。

圖2 插值運算

用黑色標記的四個邊角區(qū)域的像素，直接根據所在子塊的映射函數進行計算，如圖2所示。白色標記的四個邊緣區(qū)域的像素值通過相鄰兩個子塊的映射函數進行變換得到兩個映射值，再對這兩個值進行線性插值運算，如式（5）。其中，f(x ，y) 為所求點的像素值，f1，f2為該點通過相鄰兩個子塊的映射函數變換得到的映射值，為相鄰兩個子塊的中心像素坐標。

灰色標記的中心區(qū)域的像素值則通過周圍四個子塊的映射函數變換得到四個映射值，再對這四個值進行雙線性插值運算得到，如式（6）。其中，f’1，f’2，f’3，f’4為該點通過周圍四個子塊的映射函 數 變 換 得 到 的 映 射 值 ，分別為周圍四個子塊的中心像素坐標。

2.2 裁剪幅值的確定

CLAHE算法中，確定裁剪幅值的關鍵在于裁剪系數c，c的取值不同會直接影響到子塊直方圖的裁剪和重新分配。另外，如果劃分的子塊越多，那么每個子塊的像素數和灰度級數越少，統一的裁剪幅值可能大于子塊直方圖中任意灰度級的像素個數，導致該子塊直方圖并沒有被裁剪和重新分配，該子塊得不到增強。

本文根據子塊直方圖像素值的分布提出一種確定裁剪幅值的方法。根據子塊直方圖的像素分布，選取像素數目前20%的灰度級，設其對應的像素數目分別為 s1，s2，…，sl，l為前20%的灰度級數，根據式（7）計算裁剪幅值，使得每個子塊的裁剪幅值較為合適，能保證每個子塊具有一定的增強效果。

2.3 二次分配的動態(tài)范圍

子塊直方圖經過裁剪和重新分配以后（圖1（b）），整體有一定的增強，但是會有一部分灰度級的像素個數再次超過裁剪幅值T。為進一步提升增強效果，對超出部分再一次進行分配。由于直方圖中較低和較高的灰度級對應的是圖像中較暗和較亮的部分，所含的有用信息較少。因此，本文引入自適應上下限閾值，確定二次分配的動態(tài)范圍，將超出部分分配到中間灰度級上，如圖（3）所示。設子塊直方圖中前五十個灰度級分別為x1，x2，…，x50，所對應的像素個數分別為 a1，a2，…，a50，根據下式計算自適應下限閾值tl：

圖3 確定動態(tài)范圍

同理，取直方圖中后五十個灰度級與對應的像素個數，可計算出自適應上限閾值th。

設第一次分配以后超出裁剪幅值T的像素總數為S’，每個灰度級平均分配的像素個數為A’，則有：

用h’’(x)表示二次分配以后的直方圖，有：

當 x∈[0，tl)∪(th，K-1]時，

當 x∈[tl，th]時，

2.4 同態(tài)濾波

水下圖像除了對比度低以外，還存在光照不均的情況。為此，引入同態(tài)濾波［11］以改善局部過暗或過亮現象。同態(tài)濾波以照射-反射模型為基礎，對圖像的灰度范圍進行調整，將圖像g(x ，y) 表示為入射分量i(x ，y)和反射分量r(x ，y) 的乘積，表達式如下。

其中，入射分量i(x ，y)取決于光照條件，頻譜集中在低頻區(qū)域；反射分量r(x ，y)取決于成像物體表面特性，反映圖像細節(jié)信息，頻譜集中在高頻區(qū)域。具體步驟如下。

對式（14）兩邊同時取對數，得到：

對上式進行傅里葉變換，得到頻域的表達式：

對G(u ，v)乘上同態(tài)濾波函數H(u ，v )，得到：

對上式進行傅里葉逆變換，轉換到空間域：

指數變換得到同態(tài)濾波后的圖像：

3 算法流程

首先，將原圖像從RGB空間轉換到HSV空間［12］，僅對明度分量V進行限制對比度自適應直方圖均衡；將圖像劃分為大小相等的子塊，確定裁剪幅值后對每個子塊直方圖進行裁剪和分配，再根據自適應上下限閾值對直方圖進行二次分配；然后對每個子塊進行直方圖均衡化處理，并對不同區(qū)域的像素進行插值運算；最后，對灰度圖像進行同態(tài)濾波處理并與明度分量V進行加權求和，與H、S分量融合后轉回RGB空間獲得最終輸出圖像。算法流程如圖（4）所示。

圖4 算法流程圖

4 實驗與分析

本文算法的開發(fā)環(huán)境為visual studio 2015、opencv 3.2.0，實驗所用圖像均為水下專用彩色攝像頭拍攝，為了模擬真實水下環(huán)境，在水箱中加入顏料以及雜質等，拍攝時光線條件及拍攝角度各不相同且對比度都較低。為了驗證本文算法的有效性，對其以及HE算法、CLAHE算法、MSRCR算法進行實驗對比，實驗結果如圖5～圖9所示。其中，圖5（a）為白天拍攝，光照較為充足，但是水箱邊框處的條紋出現模糊，而綠色物體周圍由于前面物體的遮擋顯得較暗；圖5（b）拍攝時的光線不夠充足，圖像四周偏暗，整體較為模糊；圖5（c）的拍攝環(huán)境為晚上，因此采用水下LED燈為其照明，圖像出現了嚴重的光照不均，中心區(qū)域過亮且存在反光，而周圍區(qū)域普遍過暗，遠處的水箱邊框細節(jié)幾乎看不到。

4.1 定性分析

由圖6可以看出，HE算法對于對比度的提升不夠明顯，反而加重了圖像中局部區(qū)域的過暗及過亮的程度，丟失了更多的細節(jié)信息。圖7中，MSRCR算法一定程度上提升了圖像對比度，但是三幅圖像出現了不同程度的色彩偏差，尤其是物體邊緣，圖像失真較為嚴重。圖8（b）中，CLAHE算法提升了圖像的對比度，但是相較于圖9（b），依然存在部分偏暗區(qū)域。圖8（c）中，CLAHE算法對于整體亮度提升不夠明顯，且球體反光較為嚴重；而圖9（c）中，本文算法較好地提升了圖像亮度和對比度，可以清晰地看見水箱邊框，并且球體表面細節(jié)也更加突出。

圖5 原始圖像

圖6 HE算法處理結果

圖7 MSRCR算法處理結果

圖8 CLAHE算法處理結果

圖9 本文算法處理結果

4.2 定量分析

為了能夠對各個算法進行更精確的分析對比，選取峰值信噪比（PSNR）和結構相似性指數（SSIM）作為客觀的評價指標。PSNR是使用較為廣泛的一種評價指標，它基于對應像素點間的誤差對圖像質量進行評價，數值越大表示失真越小，計算公式如下。

式中，H，W分別為圖像的高度和寬度；X，Y分別表示待評價圖像和原圖像；n為像素的比特數，一般取8；MSE為均方誤差。

SSIM分別從亮度、對比度、結構三個方面評價圖像質量，其值越接近1則圖像失真越小，越接近0則失真越大，其計算公式如下：

其中，μX，μY分別表示圖像 X，Y 的均值；分別表示圖像X，Y的方差；σXY表示圖像 X，Y的協方差。

各算法的評價指標PSNR，SSIM分別見表1、表2。

表1 各算法PSNR值

表2 各算法SSIM值

5 結語

本文根據水下成像的特點，在限制對比度自適應直方圖均衡算法的基礎上，提出一種改進算法。該算法由像素的直方圖分布確定裁剪幅值，解決了部分子塊得不到增強的問題；對超出幅值部分的二次分配增強了圖像細節(jié)；而同態(tài)濾波的引入則改善了光照不均。實驗結果表明，本文算法在增強水下圖像對比度的同時，能夠較好地還原過暗或過亮區(qū)域的細節(jié)，且不存在圖像失真，有效地提升了水下圖像的質量。