一种基于EME与Mask的水下图像匀光算法的制作方法

本发明属于水下图像处理技术领域，涉及一种基于eme与mask的水下图像匀光算法。

背景技术：

随着社会经济的发展，人类对于海洋资源的探测与开发的需求在逐步上升。对于水下目标物的识别、分类、分割以及目标识别等任务也有了更高的需求。输入图像的质量严重影响水下任务的准确率，所以获取高质量的水下图像数据对于提升水下任务的准确率非常重要。由于水下图像成像条件复杂，水体中悬浮颗粒对光线的吸收及散射作用以及不同波长的光在水下的衰减程度不同，水下图像通常存在细节模糊、对比度低、颜色失真、光照不均匀等问题。为了改善水下图像质量、提升水下任务的准确率，我们需要对原始的水下图像进行相应的处理。匀光算法能够有效的改善水下光学图像光照不均匀的问题，有重要的实际应用价值。目前，现存的匀光算法有mask匀光算法、retinex匀光算法、wallis匀光算法等。其中，mask匀光算法由于模型简单，结果视觉效果好而受到广泛应用。但传统的mask匀光算法存在着一些缺陷，即无法自适应的调整滤波器参数。通过高斯低通滤波器获取背景图像是mask匀光算法中的重要一步，高斯低通滤波器参数的选择尤为重要。但传统的mask匀光算法需要人工选择高斯低通滤波器的参数，这个过程有较强的主观性，会对图像的匀光结果造成一定的影响。

技术实现要素：

本发明的目的在于提供一种基于eme与mask的水下图像匀光算法，本发明的有益效果是可以用于光照不均匀的水下图像的匀光处理，提升水下图像的视觉效果。依据eme值与滤波系数的正比关系，将eme值作为mask匀光算法中高斯低通滤波器的滤波系数，避免了人工选择参数的主观因素，又引入了图像分块的方法以及加权平均的思想，避免了计算eme过程的偶然性，具有自适应性和准确性的特点。

本发明所采用的技术方案是按照以下步骤进行：

(1)对原始图像f(x,y)进行分块处理：将水下原始rgb图像分别分割为x×x大小相等的图像块，其中x为分割步长，进行步长分别为l、m、n的三次图像块分割，将分割后的三类图像再分别进行后续计算；

(2)对不同步长分割后的图像分别计算其eme值：eme值全称为图像增强测度(measureofimageenhancement)，其描述了图像灰度的平均动态范围，其定义为：

其中，imax为图像块最大灰度值，imin为图像块的最小灰度值，k1、k2为指定步长将原图像分为块k1×k2，c为任意常数以防止分母为0。计算得出三种不同步长的分割方式的eme值，分别为eme1、eme2、eme3；

(3)将不同步长分割后的图像的eme值进行加权平均：加权平均计算的引入能够减小eme值得误差。首先分别计算出以三种步长分割方式的eme值的权重：

再计算出以不同步长分割后的图像eme值的加权平均数：

eme＝eme1×w1+eme2×w2+eme3×w3

上式结果即为最终得到的eme值；

(4)加权平均后的eme值作为高斯低通滤波器的截止频率，将原始图像f(x,y)进行滤波以得到背景图像g(x,y)：eme值体现了图像灰度差变化情况，其与滤波系数成正比关系。对不均匀光照的水下图像进行数学建模如下：

f(x,y)＝i(x,y)+g(x,y)

其中i(x,y)为亮度分布均匀的理想图像，g(x,y)为反映噪声的背景图像。将原始水下rgb图像f(x,y)经过傅里叶变换后，输入到截止频率为eme值的高斯低通滤波器进行滤波，以得到背景图像g(x,y)；

(5)原始图像f(x,y)与背景图像g(x,y)进行相减运算：

i(x,y)＝f(x,y)-g(x,y)+imean

其中imean为代表像素值的偏移量，以调节图像的灰度值分布在0-255之间，且使结果与原始图像整体亮度一致，一般取imean为原始图像各通道灰度值平均值的均值，即为：

其中ir、ig、ib分别为r、g、b三个通道的灰度平均值；

(6)将图像i(x,y)进行拉伸处理，进一步改善输出图像的效果：经过相减运算的图像灰度值会在动态范围内缩小，使得图像反差变小。将图像的灰度值两端进行拉伸：

其中，β为拉伸系数，取值范围为(-127，127)，处理后z(x,y)的值如果小于0，则z(x,y)的值为0；如果大于255，则z(x,y)的值为255。z(x,y)为eme-mask匀光算法得到的最终结果；

进一步，步骤(1)采用三种不同步长的图像分割方式，且步长为l、m、n，其中l、m、n之间存在约束关系m≥2l,n≥2m。

进一步，步骤(2)在匀光算法中引入eme值，并且针对三种分割方式分别计算其eme值。

进一步，步骤(3)引入加权平均的思想，将三种分割方式所得到的三个eme值进行加权平均的计算，分别算出三种分割方式eme值的权重再计算出这三种分割方式eme值的加权平均数eme＝eme1×w1+eme2×w2+eme3×w3，将此结果作为最终的eme值，避免偶然性，减小了eme值的误差。

进一步，步骤(5)将加权平均后的eme值作为传统mask匀光算法中高斯低通滤波器的截止频率。

附图说明

图1是传统mask匀光算法流程示意图；

图2是本发明图像分割方法示意图；

图3是本发明图像分割误差说明示意图；

图4是本发明eme-mask匀光算法流程示意图；

图5是实例中针对水下光照不均匀图像的eme-mask匀光算法的实施结果图；

图6是本发明与传统算法处理之后psnr值的对比结果图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

图1为传统mask匀光算法流程示意图；本发明实施例如下：

第一步：本发明实施例采用bumblebeexb3立体摄像头进行图像数据采集，该摄像头出厂时已针对镜头扭曲变形和摄像头失准问题进行校准，从而确保所有摄像头校准的一致性，再将该摄像头水密封舱，适用于采集水下高质量图像。将目标物放在暗室的消声水池内，采用水密封舱的摄像头，通过提供外部光源来采集光照不均匀的水下原始rgb图像。本实施例截取摄像头拍摄图像中光照最不均匀的一张为f(x,y)，其分辨率为1280×960；

第二步：将水下原始rgb彩色图像f(x,y)分割步长分别为l、m、n的像素块，其中m≥2l,n≥2m，本实施例取l＝8、m＝16、m＝32；

第三步：根据agaian基于韦伯定理提出的图像增强测度，即eme值，对三种不同步长分割后的图像分别计算其eme值：

其中imax为图像块最大灰度值，imin为图像块的最小灰度值，k1、k2为指定步长将原图像分为块k1×k2，c为任意常数防止分母为0。计算得出三种分割方式的eme值分别为eme1＝0.0015、eme2＝0.0025、eme3＝0.0040；

第四步：为了避免偶然性，减小误差，引入加权平均的思想。首先分别计算出三种分割方式eme值的权重：

再根据加权平均的公式计算出这三种分割方式eme值的加权平均数：

eme＝eme1×w1+eme2×w2+eme3×w3＝0.0031；

第五步：将原始图像f(x,y)经过傅里叶变换，变换到频域：

b(x,y)＝f{f(x,y)}

高斯低通滤波器的传递函数为：

其中，u是距离傅里叶变换原点的距离，v是高斯曲线的膨胀程度，eme值则为高斯低通滤波器的截止频率。由于高斯低通滤波器的传递函数经过傅里叶变换是其本身，则将图像输入到截止频率为eme值的高斯低通滤波器进行滤波：

l(x,y)＝b(x,y)*h(u,v)

再将l(x,y)进行傅里叶逆变换，变回到空间域：

g(x,y)＝f^-1{l(x,y)}

滤除高频部分后得到的低频部分即为背景图像g(x,y)；

第六步：将原始图像与反映噪声的背景图像作相减运算即可得到亮度分布均匀的理想图像i(x,y)：

i(x,y)＝f(x,y)-g(x,y)+imean

即可得到亮度分布均匀的理想图像i(x,y)，其中imean为代表偏移量，调节图像的灰度值分布在0-255之间。为了使结果与原始图像亮度一致，取imean为原始图像灰度值的均值：

其中ir、ig、ib分别为r、g、b三个通道的灰度平均值；

第七步：为了使经过相减运算的灰度值缩小的图像变回原始平均灰度值，将图像的灰度值两端进行拉伸：

其中β为拉伸系数，取值范围为(-127，127)，处理后z(x,y)的值如果小于0，则z(x,y)的值为0；如果大于255，则z(x,y)的值为255。z(x,y)为eme-mask匀光算法得到的最终结果；

第八步：比较基于eme与mask的水下图像匀光算法匀光算法与传统mask匀光算法的psnr值。psnr值为峰值信噪比，是一种评价图像处理前后质量好坏的参数，它的计算公式为：

其中mse为均方误差，是一种常见的损失函数。

psnr值越大，则其图像经过处理后的失真越小，图像质量越高。计算基于eme与mask的水下图像匀光算法的psnr值：

计算传统mask匀光算法的psnr值：

通过实验对比，经过基于eme与mask的水下图像匀光算法匀光算法的水下rgb图像的psnr值达到19.2265，经过传统mask匀光算法的水下图像psnr值为16.6251，两者差值2.6014。证明了基于eme与mask的水下图像匀光算法对于提升图像质量的效果，对比了基于eme与mask的水下图像匀光算法匀光算法的性能相较于传统匀光算法更佳。

图2是本发明图像切割方法示意图；图3是本发明图像分割误差说明示意图；图4是本发明eme-mask匀光算法流程示意图；图5是实例中针对水下光照不均匀图像的eme-mask匀光算法的实施结果图；图5(a)为原图像，图5(b)为传统算法匀光后图像，图5(c)为eme-mask算法匀光后图像。图6是本发明与传统算法处理之后psnr值的对比结果图。

本发明的优点还在于：

(1)本发明具有较强的自适应性，对于不同的水下图像无需手动选择高斯滤波器的参数，通过引入eme值以及图像切割、加权平均的思想，得到了效果良好、误差较小的高斯滤波器参数，相较于传统算法更加智能。

(2)本发明具有较强的适用性，不仅可以用于水下图像的匀光，通过实验表明也适用于遥感图像的匀光且效果良好。

以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。