AUV光源优化方法+水下图像增强方法
A water-bottom image improvement system and its use in an autonomous underwater vehicle platform
-
摘要
- 一、水下成像技术
- 二、光源配置优化策略
-
- 基于光环境的影像捕捉系统
- 确定最佳的光源方位
-
第三章 水下环境图像增强方法（EME）
-
- 照明补偿模型
-
- 自适应高斯滤波器参数优化
-
- 基于EME的光照补偿算法
-
总结
-
摘要
由于光源安装不当以及水下环境复杂等因素的存在，在实际拍摄中容易出现光照不均匀和过曝问题。针对这些问题，在此研究中我们提出了一种新型的水下图像增强框架。该框架旨在通过优化光源配置并有效解决光照不均的问题从而提升成像质量。具体而言，在光源优化方法中我们采用了计算最优投光角度的技术以确保视野中心始终处于明亮状态。此外我们还设计了一种基于自适应滤波器的照度校正算法该算法能够有效补偿人工光源所带来的光照偏差从而实现对非均匀光照环境下的图像补偿效果。为了进一步提高框架的实际适用性我们在图像处理过程中引入了分块处理策略并通过动态调整增强指标来适应不同场景需求同时降低了滤波器参数计算时的误差水平。为此我们构建了一个包含真实水下图像的数据集并进行了系列实验验证最终结果显示所提出的方案较传统方法在适应性和有效性方面均有显著提升
一、水下成像模型
基于经典的Jaffe-McGlamery理论框架，在光辐照度的形成机制中
其中，在清水中或深海中获取的水下图像与空中捕获的图像具有相似性。因为介质本质上是均匀一致的，并且水中悬浮粒子含量极少。因此可以合理推断后向散射分量对成像的影响可以忽略不计。然而，在深海环境中则完全不同。为了实现水下摄像机的工作需求，在深海环境下机器人必须配备辅助光源以确保正常运作。同时 开发基于人造光的技术对于提升水面摄影质量同样不可或缺。
二、光源优化方法
1、光源、摄像机、海底三者关系模型
在本节中介绍了一种光优化方法用于无人水下航行器自动捕获光线良好的水下图像通常情况下我们将摄像头和位于航行器底部并将其安置得尽量远离摄像头的位置以减少散射效应在这种情况下假设海底平滑将其视为点状源则可以通过分析海底位置与相机及灯源之间的几何关系来建立直角三角形模型如附图所示
则一个带有光源和水下摄像机的AUV可以用下图表示：
在此模型中
2、求得合适的光源角度
在这一过程中，在相机能够实时捕捉到相应场景的变化时，在这个基础上，在通过调整光源的角度和亮度进行优化的过程中，在应用基于几何变换的方法进行参数估计的过程中
具体实现步骤如下
三、水下图像增强方法（EME）
1、照度校正模型
然而人工光源仅具辅助性地改善成像效果。
我们通过分析该图像的颜色特征及其亮度变化趋势来获取其低频信息，并将其用于生成背景图的过程。
在这一过程中（即从背景图中）执行减法运算以获得不含低频信息的新图像；此外，在整个操作流程中进行计算得到一个代表原始图像平均亮度水平的偏移量并将其纳入考量。
由于减法运算会导致结果中的灰度值动态范围受限以及对比度不足的问题，在实际应用中需要通过对结果进行拉伸处理来提升整体图像的质量。
由于因亮度和对比度在空间分布上存在不均匀性而难以实现对高质量背景图的有效重建，在数字图像处理领域中常用的方法之一是采用高斯低通滤波器来提取图像的低频分量。在当前的照度校正模型中首先通过傅里叶变换将原始图像I’(x,y)映射至频域空间随后应用预设的空间频率响应函数完成滤波运算其目标是在降噪的同时保留图像的主要结构特征
其中u代表傅里叶变换原点的距离,v则代表高斯曲线的扩展程度,而D_0则标识着截止频率。
在此阶段,合理选取高斯滤波器的参数至关重要,这将直接影响水下图像处理的效果。
2、自适应高斯滤波器参数选择
某些校正过程必须预设参数值才能运行正常，在这种情况下所得出的结果往往带有一定程度的随机性和误差。为了增强该方法的适应能力，在本研究中我们采用EME指标来解决高斯滤波器参数的选择问题。EME作为图像增强的一个量化指标，在其计算过程中参考了人眼视觉系统中的韦伯定律概念。确定最佳参数值的方法属于定量优化范畴，并且其定义如下：
采用如下划分方式将待处理图像分割成k_1 \times k_2的小块，并对每个小块进行二维序列编号k和l。其中I_{\text{max}}与I_{\text{min}}分别为该区域的最大像素值与最小像素值；为了防止分母出现零的情况引入一个小常数c。基于以下公式，在研究论文中采用了三种不同的块长度设定：即当设置N = 2, M = 4, L = ...时，则对于同一幅图像而言会计算得到三个不同的EME指标数值。
考虑到不同图像区域可能存在不均匀照明现象，则从减小误差的角度出发，在单一情况下受限于其应用范围的基础上引入图像分割与基于权重的EME平均值来减少计算误差并确保参数的有效性。随后将所选权重下的多个EME均值取其算术平均作为截止频率的标准来设计高斯滤波器
3、EME照度校正算法
把公式（9）带入公式（6）即可得到
其中符号ζ代表尺寸系数，在经验加权维度中被定义为与距离平方相关的单位参数。为了简化计算过程，在其数值设定为1值时，默认情况下其目的是调节滤波器以减少计算误差。
高斯低通滤波器的具体传递函数构造方法基于傅里叶变换这一基本原理。当将一个图像输入至带截止频率的高斯低通滤波器时，在频域空间中就可获得该图像信号中的主要高频分量以外的部分。
通过从原始图像I'(x, y)中减去背景图像G(x, y)的操作可以有效地去除背景噪声；这样处理后所得出的均匀亮度分布图像J'(x, y)就可以直接获得。该公式表示为：
J'(x, y) = I'(x, y) - G(x, y) + I_{\text{min}}
在恢复原始平均灰度值的过程中，在调整后的图像J'(y, x)上进行适当拉伸处理就可以完成任务。
Z(x,y)即为EME照度校正算法的最终结果。此算法的流程图如下：
总结
经过多组实验测试后发现,本研究的结果与现有mask方法相差并不算太大,相较于现有mask方法而言,本研究团队采用图像块分割技术和加权平均算法相结合的方法确定自适应参数,从而有效解决水中影像的光照不均及局部过曝问题。未来研究重点在于将水下光源及成像设备集成至AUV平台中,针对深海应用场景的进一步优化工作也在进行中。