基于改進(jìn)的MSRCR-CLAHE融合的水下圖像增強(qiáng)算法

馬敏慧，王紅茹,2，王 佳,2

〈圖像處理與仿真〉

基于改進(jìn)的MSRCR-CLAHE融合的水下圖像增強(qiáng)算法

馬敏慧1，王紅茹1,2，王 佳1,2

（1. 江蘇科技大學(xué) 機(jī)械工程學(xué)院，江蘇 鎮(zhèn)江 212003；2. 江蘇科技大學(xué) 江蘇省船海機(jī)械先進(jìn)制造及工藝重點(diǎn)實驗室，江蘇 鎮(zhèn)江 212003）

針對海洋復(fù)雜成像環(huán)境導(dǎo)致的水下圖像出現(xiàn)顏色衰退、對比度低等問題，提出一種改進(jìn)的帶色彩恢復(fù)的多尺度視網(wǎng)膜（Multi-Scale Retinex with Color Restore，MSRCR）與限制對比度自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）多尺度融合的水下圖像增強(qiáng)算法。首先，采用帶有導(dǎo)向濾波的MSRCR算法解決水下圖像顏色衰退的問題；其次，采用帶有Gamma校正的CLAHE算法以提高水下圖像的對比度；最后，對經(jīng)過改進(jìn)的MSRCR和CLAHE處理后的圖像進(jìn)行多尺度融合以獲得細(xì)節(jié)增強(qiáng)后的水下圖像。實驗結(jié)果表明，和其他算法相比，文中算法的峰值信噪比（Peak Signal to Noise Ratio，PSNR）平均提高了9.3914、結(jié)構(gòu)相似性（Structural Similarity Index Measure，SSIM）平均提高了0.3013、水下圖像評價指標(biāo)（Underwater Image Quality Evaluation，UIQE）平均提高了4.7047，能實現(xiàn)水下圖像的有效增強(qiáng)。

水下圖像增強(qiáng)；CLAHE增強(qiáng)；帶顏色恢復(fù)的多尺度Retinex；導(dǎo)向濾波；Gamma校正；多尺度融合

0 引言

地球上海洋面積廣闊且具有豐富的資源，如今隨著經(jīng)濟(jì)的發(fā)展，每個國家對資源的需求不斷增長，然而相比海洋資源，陸地上的資源隨著人類大量開采而不斷減少，因此，擴(kuò)大對海洋資源的開發(fā)利用是未來人類發(fā)展的方向。不同于陸地環(huán)境，海洋環(huán)境存在著許多復(fù)雜的問題，在海洋環(huán)境下成像問題是最基礎(chǔ)的問題同時也是最大的問題，這直接影響著是否能夠探索到海洋資源。通常直接獲取的水下圖像會出現(xiàn)嚴(yán)重的噪聲干擾、顏色衰退、圖像信息的丟失等問題，這直接造成無法提取到有用的信息，無法進(jìn)行后續(xù)工作的開展，因此進(jìn)行水下圖像增強(qiáng)具有重要的意義。

水下圖像增強(qiáng)一直是當(dāng)前很多專家學(xué)者研究的方向。2018年，Mishra等[1]對CLAHE進(jìn)行了改進(jìn)并應(yīng)用于水下圖像增強(qiáng)，這種方法在很大程度上將水下圖像的對比度得到提高，但是經(jīng)過這種方法處理過的水下圖像會出現(xiàn)部分細(xì)節(jié)模糊的現(xiàn)象。2019年，Sun等人[2]提出了一種暗通道先驗結(jié)合MSRCR水下圖像增強(qiáng)算法，該算法有效地解決了低照度水下圖像顏色衰退的問題，但是增強(qiáng)后的圖像會出現(xiàn)霧化的問題。2020年，Wang等人[3]提出了一種低照度多尺度Retinex水下圖像增強(qiáng)算法。該方法可以有效避免圖像在輸出時產(chǎn)生光影，并且可以解決水下圖像不清晰、對比度較差等問題。但是，實驗結(jié)果表明水下圖像在圖像顏色衰退部分還是有待改進(jìn)。同年，Dhanya等人[4]提出L-CLAHE增強(qiáng)濾波圖像算法，該算法由L-CLAHE、增強(qiáng)和濾波三個模塊組成。L-CLAHE模塊的輸出經(jīng)過Gamma校正、直方圖均衡化和雙邊濾波等強(qiáng)化和濾波階段處理，結(jié)果表明，輸出圖像對比度得到改善，但是圖像局部邊緣細(xì)節(jié)視覺效果差。2021年，朱佳琦等人[5]提出一種紅通道先驗與CLAHE融合的水下增強(qiáng)算法，該算法首先利用紅通道先驗理論計算出預(yù)估透射率，然后在CLAHE算法增強(qiáng)圖像前加入Gamma校正，實驗結(jié)果表明，圖像整體對比度得到改善，但是圖像局部對比度差距較小時增強(qiáng)效果較差。范新南等人[6]提出一種MSRCR與多尺度融合的水下圖像增強(qiáng)算法，該算法首先將圖像進(jìn)行色偏校正并轉(zhuǎn)換到Lab顏色空間對亮度分量進(jìn)行增強(qiáng)，然后對MSRCR色彩校正圖像和Lab空間亮度分量進(jìn)行多尺度分解并融合，增強(qiáng)后的水下圖像色彩豐富，但是圖像對比度沒有得到有效改善。張薇等人[7]提出基于白平衡和相對全變分的低照度水下圖像增強(qiáng)，算法采用灰度世界先驗校正水下圖像顏色，依據(jù)引導(dǎo)濾波的保邊平滑性構(gòu)造新的相對全變分約束來估計照度圖，水下圖像的顏色得到了校正，但是圖像霧化嚴(yán)重對比度低，同時部分水下圖像顏色容易校正過度。

針對圖像顏色衰退和圖像結(jié)構(gòu)復(fù)雜會導(dǎo)致局部區(qū)域過度增強(qiáng)色彩不真實和對比度低邊緣細(xì)節(jié)模糊的問題，本文針對水下圖像顏色衰退的問題提出用融合導(dǎo)向濾波的MSRCR算法，針對水下圖像對比度低的問題提出融合Gamma校正的CLAHE算法，同時針對水下圖像邊緣細(xì)節(jié)模糊采用多尺度融合來增強(qiáng)圖像中的邊緣細(xì)節(jié)信息。最后通過對比實驗，以驗證本文所提出方法的有效性。

1 算法原理

1.1 改進(jìn)的MSRCR

多尺度Retinex（MSR）[8]在水下圖像增強(qiáng)中通常會出現(xiàn)圖像顏色衰退嚴(yán)重，噪聲沒有得到抑制，引起增強(qiáng)后的圖像整體視覺效果不佳。Jobson等[9]提出的帶色彩恢復(fù)因子的MSR算法（MSRCR）可以有效地解決圖像顏色失真的問題，MSRCR的計算公式如下：

式中：(,)為輸入圖像；C(,)表示圖像第個通道的顏色恢復(fù)參數(shù)，用來調(diào)節(jié)不同顏色通道之間的比例關(guān)系；表示尺度數(shù)目，通常為3；為第個尺度的加權(quán)系數(shù)；G(,)為高斯濾波函數(shù)。

高斯濾波通常易產(chǎn)生圖像被過度光滑，導(dǎo)致圖像缺乏邊緣細(xì)節(jié)。針對此問題，本文在MSRCR中采用導(dǎo)向濾波[10]代替高斯低通濾波，以有效解決水下圖像顏色失真的問題和MSRCR算法增強(qiáng)水下圖像時易造成邊緣細(xì)節(jié)丟失的問題。

導(dǎo)向濾波的基本原理為對于輸出圖像和導(dǎo)向圖在濾波窗口存在局部線性關(guān)系，其公式如下：

式中：p為輸入圖像；I為導(dǎo)向圖；q為輸出圖像；n為噪聲；a,b為局部線性函數(shù)系數(shù)；為濾波窗口。

對于在確定的窗口中，a,b將會是唯一的常量系數(shù)，這就保證了在局部區(qū)域里，如果導(dǎo)向圖I有一個邊緣的時候，輸出圖像q也保持邊緣不變。因此只要求得了系數(shù)a,b也就得到了輸出圖像q。為使得輸入圖像和輸出圖像的差別特別小，而且還可以保持局部線性模型，利用帶正則項的嶺回歸計算濾波窗口內(nèi)的損失函數(shù)(a,b)，計算過程如下：

使用線性相關(guān)參數(shù)(a,b)，濾波輸出圖像就可以通過q＝aI＋b線性模型得到。針對不同的窗口大小我們就會得到不同的導(dǎo)向濾波輸出圖像q值。

本文在MSRCR算法中用導(dǎo)向濾波函數(shù)代替高斯低通濾波函數(shù)，具體計算如下：

式中：MSRCR*(,)表示改進(jìn)的MSRCR算法輸出圖像；(,)為導(dǎo)向濾波函數(shù)。

圖1(a)為水下拍攝的原圖，圖像整體呈現(xiàn)出顏色失真的狀態(tài)；圖1(b)為經(jīng)過MSR處理后的圖像，圖像對比度有所提高，但是顏色矯正不佳，出現(xiàn)了色偏；圖1(c)為經(jīng)過MSRCR處理后的圖像，圖像對比度明顯提高，但是圖像局部細(xì)節(jié)較為模糊；圖1(d)為改進(jìn)的MSRCR處理后的圖像相較于圖1(c)圖像邊緣細(xì)節(jié)清晰。

圖2(a)為經(jīng)過MSRCR處理后選取局部區(qū)域放大后的圖像，圖2(b)為經(jīng)過改進(jìn)MSRCR處理后選取局部區(qū)域放大后的圖像。對比可得，圖2(b)的邊緣細(xì)節(jié)更加清晰，改進(jìn)后的MSRCR算法解決了MSRCR算法增強(qiáng)圖像帶來的部分邊緣細(xì)節(jié)模糊的問題。

1.2 改進(jìn)的CLAHE

常用的對比度增強(qiáng)算法[11-13]有HE（Histogram Equalization）、AHE（Adaptive Histogram Equalization）、CLAHE。HE算法主要是用來對圖像的整體對比度進(jìn)行增強(qiáng)，適用于圖像的背景和前景接近的情況下。但是該方法在對較暗的區(qū)域均衡處理后由于亮度被拉得太高而出現(xiàn)噪點(diǎn)，并最終弱化了圖像細(xì)節(jié)。AHE算法是在HE算法的基礎(chǔ)上，將圖像劃分為幾塊分別處理，這樣有利于處理圖像數(shù)據(jù)的局部細(xì)節(jié)。但是該算法的復(fù)雜度較高，降低了圖像的處理效率，同時圖像塊與塊之間的過渡處理欠佳。CLAHE算法是在AHE算法的基礎(chǔ)上進(jìn)行改進(jìn)，通過加入閾值對圖像噪聲進(jìn)行抑制，同時通過使用線性插值的方法對圖像區(qū)域塊連接處進(jìn)行優(yōu)化，使圖像整體變得平滑。但是CLAHE算法只提高了圖像的對比度，然而并沒有對圖像的邊緣細(xì)節(jié)信息進(jìn)行增強(qiáng)。

圖1 不同MSR的處理結(jié)果

圖2 局部細(xì)節(jié)圖

綜上，本文在CLAHE算法中引入Gamma校正[14]，在圖像經(jīng)過CLAHE處理前、后都加入Gamma校正，以增強(qiáng)圖像整體對比度同時提高圖像局部對比度，尤其對于相鄰區(qū)域之間相差較小時增強(qiáng)效果明顯。具體步驟如下所示：

1）對圖像進(jìn)行Gamma校正并將圖像分割成連續(xù)，非重疊的×的區(qū)域塊，每個區(qū)域塊含有的像素為，區(qū)域塊的大小與圖像對比度的增強(qiáng)有著緊密的聯(lián)系，區(qū)域塊越大圖像對比度增強(qiáng)越大，但是圖像細(xì)節(jié)信息丟失的越多。

2）獲取每個區(qū)域塊的直方圖，根據(jù)每個區(qū)域塊的直方圖分布規(guī)律計算裁剪幅值。

式中：clip是裁剪系數(shù)；N,N為在每個子塊,方向上的像素個數(shù)；為灰度級數(shù)。

3）計算出圖像區(qū)域塊的分布直方圖并設(shè)置閾值，將高于閾值的直方圖部分進(jìn)行切除，同時將該部分平均分布在直方圖的下方，如圖3所示。

4）在重新分配后的直方圖上，對每個區(qū)域塊進(jìn)行直方圖均衡化，同時對區(qū)域塊的位置進(jìn)行像素重構(gòu)。

5）對圖像進(jìn)行Gamma校正。如式(7)所示，當(dāng)＜1時，如果圖像區(qū)域塊輸入灰度值低，那么圖像區(qū)域塊輸出灰度值變化將變大，圖像對比度將會增強(qiáng)；如果圖像區(qū)域塊輸入灰度值高，那么圖像區(qū)域塊輸出灰度值變化將變小，圖像對比度將會降低。當(dāng)＞1時，如果圖像區(qū)域塊輸入灰度值低，那么圖像區(qū)域塊輸出灰度值變化將變小，圖像對比度將會降低；如果圖像區(qū)域塊輸入灰度值高，那么圖像區(qū)域塊輸出灰度值變化將變大，圖像對比度將會增強(qiáng)。

圖3 CLAHE算法直方圖變換過程

＝(＋)(7)

式中：和為常量；為Gamma校正參數(shù)，該參數(shù)決定校正效果；為輸入灰度級；為輸出灰度級。

圖4是對圖1(d)所示的水下圖像運(yùn)用不同對比度增強(qiáng)算法得到結(jié)果。

圖4 不同直方圖均衡算法的處理結(jié)果

由圖4可以看出，圖4(a)是HE算法處理后的圖像，易看出圖像對比度增強(qiáng)過度，許多不重要的背景噪聲同時也被增強(qiáng)，圖像部分細(xì)節(jié)沒有得到增強(qiáng)反而變得模糊不清；圖4(b)是AHE算法處理后的圖像，易看出圖像塊與塊之間沒有做過渡處理并且出現(xiàn)圖像背景噪聲被過度增強(qiáng)；圖4(c)是CLAHE算法處理后的圖像，易看出圖像整體對比度得到了改善，背景噪聲沒有出現(xiàn)增強(qiáng)過度，但是圖像局部對比度增強(qiáng)不足，部分細(xì)節(jié)不清晰；圖4(d)是改進(jìn)的CLAHE算法處理后的圖像，該算法有效地增強(qiáng)了圖像整體對比度的同時也增強(qiáng)了圖像局部對比度。

1.3 圖像多尺度融合

圖像融合通常的做法就是對不同圖像賦予不同的值，然后通過疊加得到最終的結(jié)果圖，但是這種做法往往會出現(xiàn)圖像細(xì)節(jié)不清晰，圖像出現(xiàn)重影暈環(huán)。為了解決這個問題，本文采用多尺度圖像金字塔來融合圖像，多尺度圖像融合指的是圖像在不同尺度下進(jìn)行融合，通常情況下在單一尺度很難獲取圖像特征然而在另外一種尺度下就很容易獲取，為了極大可能地保留圖像結(jié)構(gòu)特征，采用多尺度圖像融合是一種較好的方式之一。

1.3.1 圖像權(quán)重的計算

單一的圖像權(quán)重[15]不能完整地反映圖像各個基本特征。因此，要想完整地反映圖像各個基本特征需要融合多個圖像權(quán)重，本文選取了拉普拉斯對比度權(quán)重、亮度權(quán)重、飽和度權(quán)重、顯著性權(quán)重。

拉普拉斯對比度權(quán)重可以清楚地顯示出圖像的邊緣特征信息，通過使用拉普拉斯濾波器可以得到圖像的全局對比度，這樣可以保證圖像的邊緣和紋理具有較高的值。亮度權(quán)重負(fù)責(zé)為具有良好可見性的像素分配高值，該權(quán)重圖是通過觀察輸入的R、G、B三通道與亮度通道L（給定位置的像素強(qiáng)度的平均值）之間的偏差來計算；顯著性權(quán)重為了突出顯示水下圖像具有更高顯著性的區(qū)域，可以通過輸入的平均值減去其高斯平滑后得到結(jié)果。飽和度權(quán)重用于調(diào)整圖像中的飽和區(qū)域，以獲得飽和度均勻的融合圖像。歸一化權(quán)重是對上述權(quán)重進(jìn)行歸一化處理。

圖5分別是顏色校正圖像，顏色校正圖像的拉普拉斯對比度、亮度、飽和度、顯著性權(quán)重圖以及歸一化權(quán)重圖。圖6分別是對比度增強(qiáng)圖像，對比度增強(qiáng)圖像的拉普拉斯對比度、亮度、飽和度、顯著性權(quán)重圖以及歸一化權(quán)重圖。

圖5 顏色增強(qiáng)圖像的權(quán)重圖

圖6 對比度增強(qiáng)圖像的權(quán)重圖

1.3.2 多尺度圖像金字塔融合

圖像金字塔技術(shù)是以不同角度展示圖像細(xì)節(jié)的一種方式，高斯圖像金字塔和拉普拉斯圖像金字塔是最常見的圖像金字塔技術(shù)，通常會結(jié)合這兩種技術(shù)綜合使用。對顏色校正圖像和對比度增強(qiáng)圖像的歸一化權(quán)重圖進(jìn)行高斯金字塔分解，得到不同尺度的權(quán)重圖；對顏色校正圖像和對比度增強(qiáng)圖像采用拉普拉斯金字塔分解，得到不同尺度的圖像，最后將不同尺度的圖像進(jìn)行重建，得到最終的增強(qiáng)圖。

高斯圖像金字塔可以保持圖像的結(jié)構(gòu)紋理信息，首先會對圖像進(jìn)行高斯濾波并且進(jìn)行連續(xù)下采樣，從而得到多種分辨率的圖像。

式中：表示圖像金字塔不同的層數(shù)；R,C表示第層輸入圖像的行和列；(,)表示高斯核函數(shù)。

拉普拉斯金字塔是用來重新構(gòu)造出一幅圖像，通過高斯金字塔得到的不同分辨率的圖像，然后將每一層與上一層進(jìn)行作差，同時進(jìn)行上采樣并且做高斯卷積，最終會得到不同的差值圖像，通常稱這些差值圖像為拉普拉斯圖像金字塔。

式中：K為原始輸入圖像；L為拉普拉斯金字塔分解圖像；Up, Down分別為向上采樣，向下采樣。

多尺度金字塔融合計算公式為：

2 算法流程

本文針對水下圖像顏色衰退嚴(yán)重、對比度低及細(xì)節(jié)特征模糊等問題，提出一種改進(jìn)的MSRCR與CLAHE多尺度融合的圖像增強(qiáng)算法。圖7為多尺度圖像融合的原理圖及最終效果圖，其中圖7(a)為水下圖像經(jīng)過顏色校正和對比度校正后的高斯金字塔圖像和拉普拉斯圖像，圖7(b)為水下圖像經(jīng)過顏色校正和對比度校正多尺度融合后的圖像。為圖8為本文算法流程圖，該算法首先將采集到的水下圖像運(yùn)用帶導(dǎo)向濾波的MSRCR算法進(jìn)行顏色校正；同時將顏色校正后的圖像運(yùn)用帶有Gamma校正的CLAHE算法增強(qiáng)圖像對比度；最后對經(jīng)過顏色校正和對比度增強(qiáng)的水下圖像進(jìn)行多尺度圖像融合得到最終水下增強(qiáng)圖像。

3 實驗結(jié)果與分析

實驗的硬件系統(tǒng)為CPUi7-10875H，16GB DDR4；軟件仿真環(huán)境是Matlab2016a，Win10操作系統(tǒng)。為了求證本文算法的可行性，將本文算法和文獻(xiàn)[3]、文獻(xiàn)[7]、文獻(xiàn)[13]、文獻(xiàn)[16]的算法進(jìn)行對比，同時從主觀和客觀方面進(jìn)行對比分析。

圖7 圖像多尺度融合

圖8 本文算法流程

3.1 主觀評價

本文實驗選擇10種不同水下環(huán)境下的圖像進(jìn)行對比仿真實驗，處理結(jié)果如圖9所示。

從圖9中可以看出，文獻(xiàn)[3]算法整體上對圖像細(xì)節(jié)清晰度和對比度有一定的提升，但是沒有解決水下圖像顏色衰退的問題；文獻(xiàn)[7]算法增強(qiáng)后的水下圖像顏色校正明顯，但是對于偏藍(lán)色的水下場景并沒有很好的校正，并且圖像對比度低，圖像細(xì)節(jié)模糊；文獻(xiàn)[13]算法基本解決了水下圖像顏色衰退的問題，圖像細(xì)節(jié)和對比度同時也得到了提升，但是對于偏藍(lán)色的水下場景顏色校正效果差（如Picture 10）；文獻(xiàn)[16]算法整體上圖像對比度提升明顯，圖像細(xì)節(jié)較為清晰，但是顏色校正效果稍顯不足（如Picture 2，Picture 4，Picture 8）；本文算法整體上解決了不同水下環(huán)境的顏色衰退問題，對比度大幅度的提高，圖像局部細(xì)節(jié)清晰明顯，符合自然光照下的圖像。

3.2 客觀評價

本文采用3種性能指標(biāo)來評估水下圖像質(zhì)量，即PSNR、SSIM和UIQE[17-18]。PSNR是基于對應(yīng)像素點(diǎn)間的誤差計算，主要計算最大值信號與背景噪聲之間的比值，其數(shù)值越大則表示失真越小，其計算公式為：

式中：MSE表示圖像的均方誤差；、表示圖像的寬，高；表示圖像像素的比特數(shù)。

SSIM是衡量兩幅圖像相似度的指標(biāo)，其計算公式為：

式中：1、1表示輸入圖像的均值，標(biāo)準(zhǔn)差；1、2表示增強(qiáng)后圖像的均值，標(biāo)準(zhǔn)差；1,2表示輸入圖像和增強(qiáng)后圖像的協(xié)方差；1、2為常數(shù)。SSIM數(shù)值越大表示輸入原圖的結(jié)構(gòu)損失越小。

UIQE是專門用來評價水下圖像質(zhì)量的指標(biāo)，通常對評價顏色保真度、對比度、清晰度3個分量根據(jù)水下環(huán)境微調(diào)不同的權(quán)重參數(shù)，3個權(quán)重參數(shù)的確定需要通過多元的線性回歸計算，最后線性相加不同的分量得出最終指標(biāo)。

式中：1、2、3是不同分量的權(quán)重；表示顏色保真度的測量指標(biāo)；表示對比度測量指標(biāo)；表示清晰度的測量指標(biāo)。

上述實驗的客觀評價數(shù)據(jù)如表1～表3。

從表1中可以看出本文算法的PSNR基本上高于其他文獻(xiàn)算法的值，除了Picture 3的PSNR數(shù)值略低于CLAHE算法，然而PSNR的數(shù)值并不能完全代表圖像的質(zhì)量，所以要結(jié)合圖像的主觀比較結(jié)果，從圖中可以清晰看出Picture 3的顏色校正過度，紅色分量過多出現(xiàn)顏色偏差，因此結(jié)合主觀視覺來看，PSNR指標(biāo)還是最好的。從表2中可以看出，本文算法的SSIM數(shù)值和其他算法相比是最優(yōu)的，說明本文算法保留了更多的圖像的原始信息。從表3中，本文算法的UIQE數(shù)值遠(yuǎn)遠(yuǎn)大于其他算法數(shù)值，其中，UIQE的權(quán)重系數(shù)1＝0.0351，2＝0.3128，3＝3.5792，UIQE數(shù)值越大表明圖像的顏色保真度、清晰度、對比度越佳。

圖9 10種不同圖像增強(qiáng)算法處理結(jié)果

表1 不同算法PSNR性能比較

表2 不同算法SSIM性能比較

表3 不同算法UIQE性能比較

主觀上，從圖8中不同圖像增強(qiáng)后的結(jié)果可以看出，本文算法可以有效地解決不同環(huán)境下的水下圖像共同存在的問題，呈現(xiàn)出優(yōu)良的視覺效果；客觀上，從表1～3中可以看出本文算法的不同指標(biāo)數(shù)值幾乎是最優(yōu)的。因此，本文算法可以從不同方向有效的增強(qiáng)水下圖像。

4 結(jié)束語

本文研究了水下圖像增強(qiáng)幾種具有代表性的算法。針對水下圖像存在圖像顏色衰退嚴(yán)重，對比度低，細(xì)節(jié)特征模糊等問題，提出了一種具有導(dǎo)向濾波的MSRCR算法，該算法解決了水下圖像顏色衰退的問 題同時又保留了圖像邊緣細(xì)節(jié)；提出了一種具有Gamma校正的CLAHE算法，該算法有效地增強(qiáng)了水下圖像整體對比度的同時也增強(qiáng)了圖像局部對比度；最后結(jié)合多尺度圖像融合，將兩種算法增強(qiáng)后的圖像逐層提取融合，保留了大量的圖像特征信息，最終增強(qiáng)后的水下圖像有效地解決了圖像顏色衰退嚴(yán)重，對比度低，細(xì)節(jié)特征模糊的問題。對比實驗結(jié)果顯示，本文算法在主客觀方面優(yōu)于其他幾種經(jīng)典的水下圖像增強(qiáng)算法。

[1] Mishra A, Gupta M, Sharma P. Enhancement of underwater images using improved CLAHE[C]//2018(ICACAT), 2018: 1-6.

[2] Sun J. Underwater Image Enhancement Algorithm Based on MSRCR[J]., 2019, 49(9): 783-787.

[3] WANG F, ZHANG B, ZHANG C, et al. Low-light image joint enhancement optimization algorithm based on frame accumulation and multi-scale Retinex[J]., 2020, 113(4): 102398.

[4] Dhanya P R, Anilkumar S, AA Balakrishnan, et al. L-CLAHE intensification filter (L-CIF) algorithm for underwater image enhancement and color restoration[C]// 2019(SYMPOL). IEEE, 2020: 117-128.

[5] 朱佳琦, 周麗麗, 閆晶晶, 等. 結(jié)合改進(jìn)紅通道先驗與冪律校正CLAHE的水下圖像復(fù)原方法[J]. 紅外技術(shù), 2021, 43(7): 696-701.

ZHU J Q, ZHOU L L, YAN J J, et al. Underwater image restoration method combining improved red channel prior and power law correction CLAHE [J]., 2021, 43(7): 696-701.

[6] 范新南, 鹿亮，史朋飛, 等. 結(jié)合MSRCR與多尺度融合的水下圖像增強(qiáng)算法[J]. 國外電子測量技術(shù), 2021, 40(2): 6-10.

FAN X L, LU L, SHI P F, et al. Underwater image enhancement algorithm by MSRCR and multi-scale fusion[J]., 2021, 40(2): 6-10.

[7] 張薇, 郭繼昌. 基于白平衡和相對全變分的低照度水下圖像增強(qiáng)[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(12): 213-220.

ZHANG W, GUO J C. Low illumination underwater image enhancement based on white balance and relative total variation[J]., 2020, 57(12): 213-220.

[8] TENG L, XUE F. Remote sensing image enhancement via edge-preserving multiscale retinex[J]., 2019, 11(2):1-10.

[9] Rahman Z, Jobson D J, Woodell G. Retinex processing for automatic image enhancement[J]., 2004, 13(1): 100-110.

[10] HE K, SUN J. Guided image filtering[C]//, 2013, 35(6): 1397-1409.

[11] Kaur H, Rani J. MRI brain image enhancement using histogram equalization techniques[C]//2016(WiSPNET), 2016: 770-773.

[12] 呂侃徽, 張大興. 基于自適應(yīng)直方圖均衡化耦合拉普拉斯變換的紅外圖像增強(qiáng)算法[J]. 光學(xué)技術(shù), 2021, 47(6): 747-753.

LYU K H, ZHANG D X.Infrared image enhancement algorithm based on adaptive histogram equalization coupled with Laplace transform[J]., 2021, 47(6): 747-753.

[13] 王曉俊, 李莉莉. 基于CLAHE-DCP融合的水下圖像增強(qiáng)[J].中國水運(yùn)（下半月）, 2021, 21(8): 60-62.

WANG X J, LI L L.Underwater image enhancement based on CLAHE-DCP fusion[J].(the second half of the month), 2021, 21(8): 60-62.

[14] 王梓丞, 尹勇. 基于色彩平衡及校正的水下圖像增強(qiáng)算法[J]. 艦船科學(xué)技術(shù), 2021, 43(21): 154-159.

WANG Z C, YI Y. Underwater image enhancement algorithm based on color balance and correction[J]., 2021, 43(21): 154-159.

[15] MA Jinxiang, FAN Xinnan, ZHU Jianjun ,et al. Multi-scale retinex with color restoration image enhancement based on Gaussian filtering and guided filtering[J]., 2017, 31: 16-19.

[16] 楊亞絨, 李恒,趙磊等. 改進(jìn)的同態(tài)濾波與多尺度融合的水下圖像增強(qiáng)[J/OL]. 機(jī)械科學(xué)與技術(shù), 2021, 12(5): 1-9.

YANG Y R, Li H, ZHAO L, et al. Improved homomorphic filtering and multi-scale fusion underwater image enhancement [J/OL]., 2021, 12(5): 1-9.

[17] Horé A, Ziou D. Image quality metrics: PSNR vs. SSIM[C]// 20th, ICPR, 2010, 4(3): 28-29.

[18] YANG Miao, Arcot Sowmya. An underwater color image quality evaluation metric[J]., 2015, 24(12): 24-29.

An Underwater Image Enhancement Algorithm Based on Improved MSRCR-CLAHE Fusion

MA Minhui1，WANG Hongru1,2，WANG Jia1,2

(1. School of Mechanical Engineering, Jiangsu University of Science and Technology, Zhenjiang 212003, China; 2. Key Laboratory of Advanced Manufacture and Process for Marine Mechanical Equipment Research Institute, Jiangsu University of Science and Technology, Zhenjiang 212003, China)

To address the problems of color fading and low contrast in underwater images caused by the complex imaging environment in the ocean, improved Multi-Scale Retinex with Color Restore (MSRCR) and Contrast Limited Adaptive Histogram Equalization (CLAHE) multi-scale fusion algorithms for underwater image enhancement are proposed. First, the MSRCR algorithm with guided filtering was used to solve the problem of underwater image color fading. Second, the CLAHE algorithm with Gamma correction was used to improve the contrast of underwater images. Finally, the improved MSRCR and CLAHE images were fused at multi-scale to obtain an underwater image with enhanced detail. The experimental results show that, compared with other algorithms, the Peak Signal-To-Noise Ratio (PSNR) of the proposed algorithm is improved by 9.3914 on average, and the Structural Similarity Index Measure (SSIM) and Underwater Image Quality Evaluation (UIQE) increased by 0.3013 and 4.7047 on average, respectively, which can realize the effective enhancement of underwater images.

underwater image enhancement, CLAHE enhancement, MSRCR, guided filtering, Gamma correction, multi-scale fusion

TP391

A

1001-8891(2023)01-0023-10

2022-02-20；

2022-04-06.

馬敏慧（1997-），男，碩士研究生，主要研究方向為機(jī)器視覺與圖像處理。E-mail：1723164582@qq.com。

王紅茹（1979-），女，工學(xué)博士，副教授，碩士生導(dǎo)師，研究方向為智能機(jī)器人技術(shù)。E-mail：wanghr@126.com。

國家重點(diǎn)研發(fā)計劃資助項目（2018YFC0309100）。