結(jié)合細(xì)節(jié)信息的自適應(yīng)Retinex算法水下圖像增強(qiáng)

許 麗，陸桂明，邱貞光

華北水利水電大學(xué) 物理與電子學(xué)院，鄭州 450046

水下視覺探測(cè)技術(shù)作為目前水資源開發(fā)和保護(hù)的主要手段之一，在許多水利工程和其他領(lǐng)域都有廣泛應(yīng)用，如水下壩堤隱患檢測(cè)[1]、水下管道損壞檢測(cè)[2]、水底地形重繪[3]、水體中污染物監(jiān)測(cè)和測(cè)定[4]等。該技術(shù)較常用的水下聲學(xué)探測(cè)可得到更多的顏色、紋理等細(xì)節(jié)信息，獲得更高的探測(cè)精度和分辨率[5]。但水下成像與空氣成像相比，水體及懸浮物顆粒等對(duì)光的散射作用使得圖像的對(duì)比度降低；水體對(duì)光的選擇性吸收使得水下圖像出現(xiàn)偏藍(lán)或者偏綠的顏色失真[6]；另外人工光源的使用或發(fā)光生物的影響，常常出現(xiàn)圖像亮度分布不均勻的現(xiàn)象[7]。因此，增強(qiáng)水下圖像的質(zhì)量已成為擴(kuò)大水下視覺探測(cè)技術(shù)應(yīng)用的關(guān)鍵。

水下圖像增強(qiáng)算法主要有基于直方圖均衡（histogram equalization，HE）的水下圖像增強(qiáng)、基于暗通道的水下圖像增強(qiáng)和基于Retinex的水下圖像增強(qiáng)等。

（1）HE算法作為常用的圖像增強(qiáng)算法，具有原理簡(jiǎn)單、易于實(shí)現(xiàn)和實(shí)時(shí)性好的特點(diǎn)?，F(xiàn)有許多基于HE的改進(jìn)算法用于水下圖像增強(qiáng)。王永鑫等人采用Retinex理論將水下圖像分解為細(xì)節(jié)層和光照層，采用迭代直方圖均衡化算法對(duì)光照層圖像進(jìn)行對(duì)比度增強(qiáng)，利用S形狀函數(shù)對(duì)細(xì)節(jié)層圖像進(jìn)行對(duì)比度拉伸[8]。黃冬梅等人針對(duì)RGB和HSV兩種彩色模型圖像，結(jié)合水下圖像的分布特性和水下圖像退化物理模型，提出了不同顏色模型下的自適應(yīng)直方圖拉伸方法[9]。由于HE算法屬于非線性方法，容易引起彩色三分量比例變化，進(jìn)而引起顏色失真。

（2）很多學(xué)者在暗通道先驗(yàn)去霧算法的基礎(chǔ)上進(jìn)行改進(jìn)，以適用于水下降質(zhì)圖像的增強(qiáng)。謝昊伶等人通過估計(jì)背景光所需的水體光學(xué)參數(shù)（衰減系數(shù)和散射系數(shù)），利用散射系數(shù)與波長(zhǎng)的關(guān)系分別計(jì)算紅、綠、藍(lán)三個(gè)通道的傳輸函數(shù)值，通過逆求解成像模型復(fù)原水下圖像[10]。該方法一定程度上解決了自然光照條件下圖像色偏、背景散射導(dǎo)致的模糊等問題。黃松等人通過提取圖像中的水體，利用暗通道先驗(yàn)的原理，計(jì)算圖像的背景光強(qiáng)度和三個(gè)通道的透射率，實(shí)現(xiàn)對(duì)水下圖像的復(fù)原[11]。宋巍等人通過分析水下圖像的背景光和直方圖分布的關(guān)系，采用圖像強(qiáng)度和背景光關(guān)聯(lián)性的多個(gè)候選背景光加權(quán)融合方法，提高背景光估計(jì)的準(zhǔn)確性[12]。由于存在水體對(duì)光的選擇性吸收，使得基于暗通道先驗(yàn)算法估計(jì)的暗通道偏小和透射率偏大，產(chǎn)生復(fù)原結(jié)果偏暗的效果。

（3）基于顏色恒常原理的Retinex圖像增強(qiáng)方法通過去除或減弱降質(zhì)圖像中照度分量的影響，求解反映物體本質(zhì)顏色的反射分量，達(dá)到圖像增強(qiáng)的效果，在水下降質(zhì)圖像增強(qiáng)中也有廣泛的應(yīng)用。Alex等人提出了改進(jìn)的Retinex單尺度水下圖像增強(qiáng)方法，將圖像轉(zhuǎn)換為YCbCr色彩空間，分別在Y和Cr通道利用Retinex算法進(jìn)行圖像增強(qiáng)[13]。Zhang等人提出Retinex擴(kuò)展框架，利用雙邊濾波器和三邊濾波器對(duì)水下圖像的不同顏色通道進(jìn)行處理，并在不同的約束條件下處理圖像[14]。石磊等人提出了可控核函數(shù)的雙邊濾波Retinex算法的水下灰度圖像增強(qiáng)方法，引入改進(jìn)的Sigmoid函數(shù)用于估計(jì)圖像的光照強(qiáng)度，采用增益函數(shù)對(duì)照度估計(jì)圖像進(jìn)行了校正，一定程度上解決了傳統(tǒng)高斯函數(shù)存在的邊緣模糊和光暈偽影問題[15]。這些改進(jìn)方法能從細(xì)節(jié)對(duì)比度增強(qiáng)、顏色校正、去除背景等某一方面上提高水下降質(zhì)圖像增強(qiáng)效果，未能獲得較好的綜合圖像增強(qiáng)效果。

針對(duì)水下成像環(huán)境存在選擇性衰減、散射模糊、非均勻光照等降質(zhì)因素，本文通過分析包含不同細(xì)節(jié)信息的水下圖像對(duì)不同尺度Retinex算法的需求，提出了結(jié)合細(xì)節(jié)信息的自適應(yīng)多尺度Retinex水下圖像增強(qiáng)算法。結(jié)合圖像細(xì)節(jié)信息自適應(yīng)調(diào)整多尺度Retinex算子權(quán)重，有效地緩和了不同尺度卷積函數(shù)對(duì)水下圖像顏色失真和對(duì)比度提升之間的矛盾，既可以增強(qiáng)水下圖像的細(xì)節(jié)信息，也可以避免顏色失真。通過多組實(shí)驗(yàn)驗(yàn)證了該算法在去除水下圖像的藍(lán)綠背景、消除非均勻光照和圖像細(xì)節(jié)增強(qiáng)等方面有較好的效果。

1 Retinex算法

物理學(xué)家Land結(jié)合人眼視覺特性，首次提出了Retinex理論[16]；在此基礎(chǔ)上，Jobson等人提出了采用中心環(huán)繞法估計(jì)圖像的入射分量[17]，繼而出現(xiàn)了多種單尺度（single scale Retinex，SSR）、多尺度Retinex（multi-scale Retinex，MSR）等多種算法[18-19]。各類Retinex算法首先被廣泛應(yīng)用于霧狀模糊圖像增強(qiáng)中，近年Alex、Zhang等人提出改進(jìn)Retinex算法成功地應(yīng)用于水下圖像的增強(qiáng)中[13-14]。

Retinex理論認(rèn)為物體的形狀和顏色是由物體對(duì)光線的反射能力來決定的，物體的表面特征不受光照非均勻性的影響，具有一致性[16]。通過估計(jì)入射分量，從原始圖像中分離出反射分量，進(jìn)而得到物體的表面特性。視覺圖像S(x,y)可由入射分量L(x,y)和物體反射分量R(x,y)組成，它們之間可由下式表示：

其中，L(x,y)為入射分量，受到光影環(huán)境因素的影響，決定圖像S(x,y)的動(dòng)態(tài)范圍；R(x,y)為反射分量，反映物體本身的反射性質(zhì)，物體吸收和反射光線的能力與物體表面的性質(zhì)有關(guān)。

為了更好地分離入射分量和反射分量，對(duì)公式（1）進(jìn)行對(duì)數(shù)表示：

其中，s(x,y)=lg(S(x,y)),r(x,y)=lg(R(x,y)),l(x,y)=lg(L(x,y))。由于入射分量無法直接獲得，多采用一定的數(shù)學(xué)模型進(jìn)行近似估計(jì)。中心環(huán)繞法是基于位置的入射光照估計(jì)方法，包括單尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、帶顏色恢復(fù)的多尺度Retinex算法（MSRCR）等。

1.1 單尺度Retinex算法（SSR）

中心環(huán)繞原理假設(shè)環(huán)境光照分量變化緩慢，根據(jù)圖像相關(guān)性，當(dāng)前像素點(diǎn)的亮度可由其周圍環(huán)繞像素的亮度來估計(jì)。利用中心環(huán)繞算子，抑制環(huán)境光照對(duì)圖像的影響，高斯卷積函數(shù)作為常用的平滑算子被用于Retinex算法的平滑中[17]。從頻譜角度上看，環(huán)境光照分量變化緩慢，主要分布在低頻帶；反射光變化迅速，其頻譜主要分布在高頻帶。入射圖像L(x,y)為退化圖像S(x,y)與高斯函數(shù)F(x,y)卷積。根據(jù)公式（1）和（2），反射分量R(x,y)可以表示為：

其中，*表示卷積運(yùn)算，F(xiàn)(x,y)表示高斯核函數(shù)，其表達(dá)式為：

c為高斯函數(shù)的標(biāo)準(zhǔn)差，λ為歸一化因子，滿足下式：

在SSB算法中，c值越小，參與計(jì)算的像素范圍主要集中在局部區(qū)域，更能突出圖像的細(xì)節(jié)信息，但圖像的動(dòng)態(tài)范圍被壓縮，顏色失真較嚴(yán)重。c值越大，參與計(jì)算的像素范圍擴(kuò)大，顏色保真效果越自然，但是圖像局部細(xì)節(jié)不清晰，去模糊效果也隨之下降，容易在強(qiáng)邊緣位置出現(xiàn)光暈效果。

1.2 多尺度Retinex算法（MSR）

為了平衡局部對(duì)比度和色彩保真的圖像增強(qiáng)效果，兼顧大、中、小多個(gè)尺度的優(yōu)點(diǎn)，可選取多個(gè)尺度的Retinex算法來實(shí)現(xiàn)更好的圖像增強(qiáng)效果。綜合不同尺度Retinex算法的圖像增強(qiáng)效果，選擇不同尺度c值，對(duì)不同尺度Retinex算法結(jié)果進(jìn)行加權(quán)平均。

其中，k=1，2，…，K表示波段號(hào)；處理灰度圖像時(shí)，K=1；處理彩色圖像時(shí)，K=3，分別對(duì)應(yīng)R、G、B分量。R k(x,y)表示第k個(gè)波段中被增強(qiáng)的圖像；S k(x,y)表示第k個(gè)波段的原始圖像；N表示尺度的個(gè)數(shù)；wn是第n個(gè)尺度的權(quán)重，滿足：

MSR算法一般選取?。╟＜20）、中（c=20～200）、大（c＞200）三個(gè)尺度卷積核[19-20]，選擇同一組權(quán)重（一般取wn=1/3）進(jìn)行圖像增強(qiáng)。因此，對(duì)于多尺度Retinex算法來說，當(dāng)尺度確定后，每個(gè)尺度的權(quán)重wn的選擇直接影響了最終的圖像增強(qiáng)效果。

1.3 不同細(xì)節(jié)水下圖像對(duì)尺度的選擇要求

在Retinex算法中，小尺度高斯核函數(shù)參與計(jì)算的像素范圍側(cè)重于局部細(xì)節(jié)，對(duì)圖像細(xì)節(jié)增強(qiáng)效果好；大尺度高斯核函數(shù)參與計(jì)算的像素范圍加大，對(duì)圖像細(xì)節(jié)增強(qiáng)效果弱，顏色保真性好。為了驗(yàn)證卷積核尺度對(duì)圖像增強(qiáng)的影響，本文通過四組實(shí)驗(yàn)分析大、中、小三尺度Retinex算法對(duì)包含不同細(xì)節(jié)信息水下圖像的光照分量估計(jì)和圖像增強(qiáng)情況。

圖像梯度能較好地反映圖像細(xì)節(jié)變化的速率，體現(xiàn)細(xì)節(jié)信息的清晰程度。本文采用梯度作為衡量細(xì)節(jié)信息大小的參數(shù)，梯度值越大，說明圖像細(xì)節(jié)信息越豐富，細(xì)節(jié)增強(qiáng)的要求越高；梯度值越小，說明圖像細(xì)節(jié)變化小，細(xì)節(jié)增強(qiáng)的要求越低。像素點(diǎn)(i,j)的梯度G(i,j)可表示為：

其中，max（）為取最大值；gh為水平垂直梯度，gc為交叉梯度，分別體現(xiàn)圖像像素點(diǎn)(i,j)在水平垂直和交叉方向的細(xì)節(jié)變化；Ω為梯度計(jì)算范圍。

其中mean（）為取平均值。

下面對(duì)平均梯度mg分別為54.71、34.45、18.63和9.61的四組圖像，采用高斯核尺度c為10、150和270的單尺度Retinex算法進(jìn)行光照分量估計(jì)和增強(qiáng)效果對(duì)比分析。

第一組富含細(xì)節(jié)信息圖像的增強(qiáng)結(jié)果分析：如圖1所示，針對(duì)平均梯度為54.71富含細(xì)節(jié)信息的圖像（原圖為圖1（d）），比對(duì)圖1（a）～（c）可得到，使用小尺度高斯核函數(shù)，光照估計(jì)中參與計(jì)算的范圍較小，光照分量估計(jì)包括部分前景信息；隨著濾波高斯核尺度c的增加，估計(jì)出的光照分量包括前景信息的部分變少，但所包括的藍(lán)綠背景也變少。對(duì)比圖像增強(qiáng)效果（圖1（e）～（g）），在藍(lán)綠背景光、非均勻光照去除效果上，小尺度圖像增強(qiáng)效果較好；圖1（e）中紅線區(qū)域較原圖（d）、（f）和（g）的對(duì)應(yīng)區(qū)域，小尺度Retinex算法在細(xì)節(jié)增強(qiáng)上優(yōu)于中尺度和大尺度Retinex算法的增強(qiáng)效果；但由于小尺度濾波所估計(jì)出的光照分量較大，圖像增強(qiáng)效果過暗。

圖1 富含細(xì)節(jié)信息圖像（mg=54.71）的增強(qiáng)結(jié)果分析Fig.1 Analysis of image rich in details（mg=54.71）

第二組含一定細(xì)節(jié)信息圖像的增強(qiáng)結(jié)果分析：如圖2、3所示，對(duì)平均梯度為34.45和18.63兩組圖像進(jìn)行分析。小尺度高斯濾波獲得的光照分量估計(jì)較大（如圖2（a）和圖3（a）），圖像增強(qiáng)效果過暗，影響到圖像增強(qiáng)效果（如圖2（e）和圖3（e））。對(duì)于含一定細(xì)節(jié)信息的圖像，采用小尺度Retinex算法無法獲得較好的圖像增強(qiáng)效果。對(duì)比分析圖2（f）、（g）和圖3（f）、（g）可以看出，當(dāng)圖像包含一定的細(xì)節(jié)信息時(shí)，采用中尺度或大尺度Retinex算法可以獲得較好的圖像效果，但細(xì)節(jié)信息增強(qiáng)略顯不足。

圖2 包含一定細(xì)節(jié)信息圖像（mg=34.45）的增強(qiáng)結(jié)果分析Fig.2 Analysis of image containing certain details（mg=34.45）

圖3 包含一定細(xì)節(jié)信息圖像（mg=18.63）的增強(qiáng)結(jié)果分析Fig.3 Analysis of image containing certain details（mg=18.63）

第三組包含少量細(xì)節(jié)信息圖像的增強(qiáng)結(jié)果分析：如圖4所示，對(duì)平均梯度為9.61的水下模糊圖像進(jìn)行增強(qiáng)效果分析。小尺度高斯濾波獲得的光照分量估計(jì)過大，進(jìn)而引起增強(qiáng)圖像圖4（e）中出現(xiàn)了顏色失真現(xiàn)象（圖中紅線圈內(nèi)）。對(duì)于包含少量細(xì)節(jié)信息的水下圖像，中尺度和大尺度Retinex算法可以獲得較好的圖像增強(qiáng)效果。

圖4 包含少量細(xì)節(jié)信息圖像（mg=9.61）的增強(qiáng)結(jié)果分析Fig.4 Analysis of image with a few details（mg=9.61）

根據(jù)以上分析可知，針對(duì)富含細(xì)節(jié)的水下圖像（圖像梯度較大），采用小尺度Retinex算法可以在藍(lán)綠背景光、非均勻光照去除和細(xì)節(jié)增強(qiáng)上獲得較好的圖像增強(qiáng)效果；隨著細(xì)節(jié)信息的減少（圖像梯度變?。x擇較大尺寸Retinex算法可以獲得更好的圖像增強(qiáng)效果。

2 結(jié)合細(xì)節(jié)信息的自適應(yīng)多尺度Retinex算法（AMSR）

根據(jù)以上分析可知，小尺度高斯核函數(shù)參與計(jì)算的像素范圍側(cè)重于局部細(xì)節(jié)，對(duì)圖像細(xì)節(jié)增強(qiáng)效果好，大尺度高斯核函數(shù)參與計(jì)算的像素范圍加大，對(duì)圖像細(xì)節(jié)增強(qiáng)效果弱，顏色保真性好。由于不同圖像所包含的內(nèi)部信息不同，或者同一幅圖像不同區(qū)域的細(xì)節(jié)信息也不相同，對(duì)所有的圖像采用相同的權(quán)重的Retinex算法進(jìn)行圖像增強(qiáng)，無法達(dá)到最佳的圖像增強(qiáng)效果，存在顏色失真、圖像邊緣區(qū)域產(chǎn)生邊緣模糊或偽影、細(xì)節(jié)丟失等現(xiàn)象。鑒于此，本文提出結(jié)合細(xì)節(jié)選擇的自適應(yīng)多尺度Retinex算法，根據(jù)圖像細(xì)節(jié)變化情況，對(duì)每個(gè)尺度權(quán)重進(jìn)行自適應(yīng)調(diào)整，從而達(dá)到理想的水下圖像增強(qiáng)效果。采用圖像梯度作為衡量圖像細(xì)節(jié)變化的重要參數(shù)，本算法借助像素點(diǎn)梯度大小，選擇合適的尺度參數(shù)c及其權(quán)重值wn，突出不同尺寸Retinex算法對(duì)圖像的增強(qiáng)效果。

根據(jù)公式（6），本文提出自適應(yīng)多尺度Retinex算法增強(qiáng)后的對(duì)數(shù)圖像r k可以表示為：

其中，n為分段取值個(gè)數(shù)；閾值向量為T n=[min t1t2…t n-2t n-1max]；權(quán)重向量為W n=[wn1wn2wn3]；在某顏色通道上大、中、小3個(gè)尺度的對(duì)數(shù)增強(qiáng)圖像分別表示為r k大、r k中和r k小，分別表示為：

小、中、大尺度高斯核函數(shù)標(biāo)準(zhǔn)差取值分別為c＜20、c=20～200和c＞200。借助圖像各點(diǎn)梯度參數(shù)的不同，選擇對(duì)應(yīng)的權(quán)重向量，得到自適應(yīng)多尺度增強(qiáng)圖像。如圖5所示。

圖5 基于細(xì)節(jié)選擇的自適應(yīng)多尺度Retinex算法流程Fig.5 Flow of MSR algorithm based on detail selected

基于細(xì)節(jié)選擇的自適應(yīng)多尺度Retinex算法流程為：

（1）讀入圖像分量S k（k=1時(shí)，S1為灰度圖；k=3時(shí)，S k為彩色圖像，分別為紅、綠、藍(lán)三分量）；

（2）計(jì)算圖像分量中各像素在區(qū)域Ω內(nèi)的梯度G(i,j)，構(gòu)成梯度圖G；

（3）對(duì)圖像分量S k分別進(jìn)行小尺度、中尺度和大尺度高斯函數(shù)濾波，得到三尺度圖像濾波圖R小、R中和R大；

（4）對(duì)圖像S k、R小、R中和R大進(jìn)行l(wèi)og[]運(yùn)算，得到對(duì)數(shù)圖像s k、r小、r中和r大；

（5）根據(jù)梯度信息，自適應(yīng)選擇權(quán)重W n，計(jì)算出自適應(yīng)多尺度對(duì)數(shù)圖像r k；

（6）對(duì)對(duì)數(shù)圖像r k進(jìn)行指數(shù)運(yùn)算和歸一化處理，得到恢復(fù)后圖像R k；

（7）輸出灰度圖或彩色圖R。

根據(jù)公式（11）可知，本文算法關(guān)鍵參數(shù)包括閾值向量T n、權(quán)重向量W n、梯度計(jì)算范圍Ω。經(jīng)過大量實(shí)驗(yàn)分析，本文算法選擇小、中、大尺度高斯核函數(shù)標(biāo)準(zhǔn)差c取值分別為20、150和270，梯度計(jì)算范圍Ω為7×7的鄰域，七個(gè)閾值的閾值向量T7=[199 171 143 115 87 59 31]，七個(gè)閾值區(qū)間為[171 199）、[143 171）、[115 143）、[87 115）、[59 87）、[31 59）和[0 31）。權(quán)重向量選取為W1=[1 0 0]、W2=[1/2 1/2 0]、W3=[0 1 0]、W4=[0 1/2 1/2]、W5=[1/3 1/3 1/3]、W6=[0 1/2 1/2]和W7=[0 0 1]。

3 AMSR算法在水下圖像增強(qiáng)中的應(yīng)用

3.1 實(shí)驗(yàn)環(huán)境

為了驗(yàn)證AMSR算法在水下圖像增強(qiáng)的效果，本文在Intel i7-8650 1.9 GHz CPU和16 GB DDR硬件環(huán)境，Windows 10操作系統(tǒng)和Matlab 2012b軟件平臺(tái)下進(jìn)行仿真實(shí)驗(yàn)。對(duì)幾組典型水下模糊圖像采用本文算法與單尺度Retinex算法（SSR）、多尺度Retinex算法（MSR）、顏色保真Retinex算法（MSRCR）的處理結(jié)果進(jìn)行對(duì)比分析，從主觀上和客觀上對(duì)水下圖像恢復(fù)效果進(jìn)行評(píng)價(jià)。

3.2 水下圖像增強(qiáng)應(yīng)用

從去除圖像藍(lán)綠背景、霧狀模糊和非均勻光照影響，以及抑制顏色失真四個(gè)方面進(jìn)行主觀和客觀實(shí)驗(yàn)驗(yàn)證分析，其中客觀評(píng)價(jià)采用圖像均值、圖像方差、信噪比、平均梯度四參數(shù)進(jìn)行。

3.2.1 去除圖像藍(lán)綠背景

由于水下環(huán)境對(duì)可見光存在著選擇性吸收，其中紅光衰減最大，引起水下圖像出現(xiàn)藍(lán)綠偏色。這里使用四組圖像對(duì)MSR、MSRCR和本文算法在去除藍(lán)綠背景方面進(jìn)行比對(duì)分析。MSR算法可有效地去除藍(lán)綠背景，但在邊緣區(qū)域或紋理變化較大的區(qū)域可能出現(xiàn)強(qiáng)曝光效果，或紅色偏重的顏色失真。如圖6（b1）所示，圖中魚群區(qū)域出現(xiàn)了強(qiáng)曝光效果，并且整幅圖像有紅色過重的顏色失真。圖6（b2）和（b3）中石頭區(qū)域也出現(xiàn)了強(qiáng)曝光現(xiàn)象。圖6（b4）中人體和魚的邊緣處出現(xiàn)了紅色偏重的顏色失真。MSRCR算法增加了色彩保真算子，水下圖像增強(qiáng)的顏色比例分布更接近于原圖，但對(duì)藍(lán)綠背景的去除有限。如圖6（c1）、（c2）、（c3）和（c4）顯示MSRCR算法無法有效地消除水下圖像的藍(lán)綠背景。本文所提出AMSR算法根據(jù)圖像所包含的細(xì)節(jié)大小，選擇合適的尺度算子，減小因尺度過大引起的藍(lán)綠背景去除不足的現(xiàn)象，避免因尺度過小引起的顏色失真和二次曝光的情況。圖6（d1）、（d2）、（d3）、（d4）實(shí)驗(yàn)結(jié)果驗(yàn)證了AMSR算法較好地去除了藍(lán)綠背景，又抑制了紅色過重的顏色失真，避免了強(qiáng)曝光的不良影響。在定量實(shí)驗(yàn)中，對(duì)4組圖像從均值、方差、信噪比和平均梯度四個(gè)參數(shù)進(jìn)行分析，如表1。由于Retinex算法去除或抑制了背景光照分量，各類Retinex算法增強(qiáng)后圖像的均值均低于原圖均值，但在方差、信噪比和平均梯度參數(shù)中，增強(qiáng)后圖像多優(yōu)于原圖。MSR算法增強(qiáng)后圖像可能產(chǎn)生顏色失真或二次曝光效果，容易引入更多灰度值突變和噪聲，因而MSR增強(qiáng)后圖像在方差和平均梯度上數(shù)值最大。但在信噪比參數(shù)比對(duì)中，本文算法增強(qiáng)后圖像最優(yōu)。

圖6 不同Retinex算法圖像增強(qiáng)效果對(duì)比（一）Fig.6 Comparisons of enhanced images used different Retinex algorithms

表1 不同Retinex算法圖像增強(qiáng)參數(shù)對(duì)比（一）Table 1 Comparisons of some parameters in enhanced images used different Retinex algorithms

3.2.2 去除霧狀模糊，增強(qiáng)圖像細(xì)節(jié)

水下介質(zhì)的散射引起圖像霧狀模糊，霧狀模糊多具有變化緩慢的低頻性質(zhì)。Retinex算法是在變化平緩的假設(shè)條件下進(jìn)行的，適用于對(duì)低頻模糊信息的去除，但易引入大量噪聲和顏色失真。由于水下圖像多偏藍(lán)綠色，紅色分量較小，MSR算法對(duì)各個(gè)不同尺度高斯算子的處理結(jié)果采用相同的權(quán)重，帶來紅色分量背景的消除較小，易引起增強(qiáng)圖像出現(xiàn)紅色偏重的顏色失真和大量噪聲（圖7（b1）、（b2）、（b3）和（b4）），如表2數(shù)據(jù)所示MSR算法增強(qiáng)后圖像的方差和平均梯度上數(shù)值最大。MSRCR算法在顏色保真算子的調(diào)節(jié)下，在去除霧狀模糊和增強(qiáng)圖像細(xì)節(jié)的同時(shí)，有時(shí)會(huì)出現(xiàn)顏色過暗的情況（圖7（c2）），表2中圖7（a2）的MSRCR算法增強(qiáng)后圖像的均值較原圖減小了50%。本文算法結(jié)合圖像細(xì)節(jié)信息的大小，自適應(yīng)調(diào)整多尺度權(quán)重，既可保證水下圖像的細(xì)節(jié)增強(qiáng)，又抑制了紅色偏重的顏色失真。從圖7（d1）、（d2）和（d3）黃線圈注區(qū)域中可看到本文算法較好地恢復(fù)了潛水員、魚群和石頭等細(xì)節(jié)信息，去除了水下圖像中的霧狀模糊，整體圖像并未出現(xiàn)顏色失真等情況。如表2所示，本文算法增強(qiáng)圖像在均值、方差和平均梯度參數(shù)中，數(shù)值適中；在信噪比參數(shù)比對(duì)中，本文算法增強(qiáng)后圖像最優(yōu)。

圖7 不同Retinex算法圖像增強(qiáng)效果對(duì)比（二）Fig.7 Comparisons of enhanced images used different Retinex algorithms

表2 不同Retinex算法圖像增強(qiáng)參數(shù)對(duì)比（二）Table 2 Comparisons of some parameters in enhanced images used different Retinex algorithms

3.2.3 去除水下非均勻光照

由于水下背景光照弱，在圖像獲取時(shí)多采用投射光源等方式，或水下發(fā)光生物等的影響，水下圖像常出現(xiàn)非均勻光照的情況?；谥行?環(huán)繞高斯濾波的Retinex方法采用不同尺度的高斯函數(shù)，可以獲得不同的反射分量估計(jì)值。本文算法根據(jù)不同的細(xì)節(jié)信息，選擇適當(dāng)?shù)母咚篂V波函數(shù)，更好地去除非均勻光照。在第一組實(shí)驗(yàn)中，如圖8（a1）所示，淺水區(qū)圖像中背景光照的不同和水泡區(qū)域反射的影響，引起圖像在水底區(qū)有光照過強(qiáng)和人體部分出現(xiàn)高亮區(qū)域。對(duì)比MSR、MSRCR和本文算法的圖像增強(qiáng)效果，圖8（b1）中MSR算法的增強(qiáng)圖像對(duì)非均勻背景光照去除效果不佳，在人體區(qū)域出現(xiàn)了顏色失真，圖像右上角暗區(qū)域有噪聲加劇的情況；圖8（c1）中MSRCR算法的增強(qiáng)圖像加劇了圖像非均勻光照情況，高亮的區(qū)域細(xì)節(jié)有所增強(qiáng)，但暗區(qū)域更暗；圖8（d1）中本文算法的增強(qiáng)圖像較好地去除了水底和水泡區(qū)域非均勻光照的效果。第二組實(shí)驗(yàn)顯示，如圖8（b2）、（c2）和（d2）所示，MSR算法引起了嚴(yán)重的顏色失真情況，MSRCR算法未能有效地去除非均勻光照，出現(xiàn)了右上方高亮區(qū)域更亮，左下方暗區(qū)域更暗的情況；本文算法更好地消除了原圖（a）中右上角的強(qiáng)光照，較好地調(diào)亮了暗區(qū)域的細(xì)節(jié)，恢復(fù)出光纜自身的顏色。在第三組實(shí)驗(yàn)中，圖8（a3）的正上方有強(qiáng)光照區(qū)域；圖8（b3）中MSR算法消除了部分強(qiáng)光，但也出現(xiàn)了其他區(qū)域的二次曝光效果和增加噪聲的現(xiàn)象；圖8（c3）中MSRCR算法較好地保持了原圖的顏色，但未有效去除非均勻光照的影響；圖8（d3）顯示本文算法較好地去除了水下圖像的非均勻光照，未引入二次曝光和增大噪聲的情況。在定量實(shí)驗(yàn)中，對(duì)4組存在非均勻光照的圖像從均值、方差、信噪比和平均梯度四個(gè)參數(shù)進(jìn)行分析。如表3所示，由于MSR算法在去除非均勻光照方面容易引起顏色偏紅的失真和引入噪聲，在方差和平均梯度參數(shù)上數(shù)值較大。MSRCR算法在去除非均勻光照方面易出現(xiàn)高亮區(qū)域更亮、暗區(qū)域更暗的現(xiàn)象，在增強(qiáng)后圖像的均值參數(shù)上出現(xiàn)過大或過小的情況。本文算法的增強(qiáng)后圖像在各參數(shù)定量比對(duì)中，在信噪比參數(shù)比對(duì)中性能最優(yōu)。

圖8 不同Retinex算法圖像增強(qiáng)效果對(duì)比（三）Fig.8 Comparisons of enhanced images used different Retinex algorithms

表3 不同Retinex算法圖像增強(qiáng)參數(shù)對(duì)比（三）Table 3 Comparisons of some parameters in enhanced images used different Retinex algorithms

3.2.4 抑制顏色失真

由于水對(duì)可見光的選擇性衰減，水下圖像的紅色分量較小，采用相同尺度的高斯濾波估計(jì)圖像的照射分量，會(huì)引起估算的照射分量過小。采用MSR算法增強(qiáng)圖像出現(xiàn)了紅色過重的顏色失真現(xiàn)象（圖9（b1）～（b5））。如圖9（c1）～（c5）所示，MSRCR算法較好地保持了原圖的顏色，對(duì)藍(lán)綠背景去除效果不佳，易出現(xiàn)亮的區(qū)域更亮、暗的區(qū)域更暗的情況。如圖9（d1）～（d5）所示，本文提出的改進(jìn)算法在增強(qiáng)圖像細(xì)節(jié)信息的同時(shí)，較好地消除了多尺度算法的顏色失真。如表4所示，各類Retinex算法增強(qiáng)的圖像均值多低于原圖均值，但在方差、信噪比和平均梯度參數(shù)中，增強(qiáng)后圖像多優(yōu)于原圖。在信噪比參數(shù)比對(duì)中，本文提出的改進(jìn)算法增強(qiáng)后圖像最優(yōu)。

表4 不同Retinex算法圖像增強(qiáng)參數(shù)對(duì)比（四）Table 4 Comparisons of some parameters in enhanced images used different Retinex algorithms

圖9 不同Retinex算法圖像增強(qiáng)效果對(duì)比（四）Fig.9 Comparisons of image enhancement used different Retinex algorithms

通過以上四組定性和定量實(shí)驗(yàn)證明，與經(jīng)典的MSR和MSRCR算法比較，本文所提出的基于細(xì)節(jié)選擇的自適應(yīng)多尺寸Retinex算法在去除水下圖像的藍(lán)綠背景、消除水下霧狀模糊、增強(qiáng)細(xì)節(jié)信息、去除水下非均勻光照、抑制顏色失真等方面圖像增強(qiáng)效果較好，更適用于水下圖像的增強(qiáng)。

4 結(jié)論

針對(duì)多尺度Retinex算法存在的缺陷，以適應(yīng)水下圖像存在藍(lán)綠背景、霧狀模糊、非均勻光照等特點(diǎn)，本文提出了結(jié)合細(xì)節(jié)信息的自適應(yīng)多尺度Retinex算法。首先分析包含不同細(xì)節(jié)信息的水下圖像對(duì)不同尺度的濾波器尺度的需求，根據(jù)各像素的梯度值大小，實(shí)現(xiàn)Retinex算法中不同尺度權(quán)重的自適應(yīng)調(diào)節(jié)。四組主觀和客觀實(shí)驗(yàn)驗(yàn)證本文算法在去除水下圖像的藍(lán)綠背景、消除水下霧狀模糊、增強(qiáng)細(xì)節(jié)信息、去除水下非均勻光照、抑制顏色失真等方面具有較好的效果，為擴(kuò)大視覺系統(tǒng)在各種水下環(huán)境的應(yīng)用提供了技術(shù)支撐。