基于自适应小波变换的水下图像去噪

Shiwam S. Thakare¹， Amit M. Sahu²

印度SGBAU计算机科学与工程系PG学者
印度SGBAU计算机科学与工程系助理教授

摘要

图像去噪是通过改善图像特征来提高图像质量的过程。图像去噪通常用于摄影或出版领域，其中图像以某种方式退化，但在使用前需要改进。本文介绍了水下图像的各种去噪技术。水下图像与来自更清晰环境的图像相比有不同程度的失真，因此有必要对水下图像进行处理。在水下特殊环境的影响下，由于对比度低、能见度差、吸收自然光、光照不均匀、颜色变化和模糊效果等原因，会产生大量的噪声，因此目标识别成为典型的任务。由于这些原因，不同的滤波与校正技术被用于处理和增强这些水下图像。

关键字

PSNR, MSE，水下，去噪，小波变换，自适应阈值等

我的介绍。

为了处理水下图像处理，首先考虑光在水介质中传播的所有基本物理。介质的物理特性会导致在空气中拍摄的正常图像中不存在的退化效果。水下图像的本质特征是能见度差，因为光在水中传播时呈指数衰减，导致场景对比度差和朦胧。在清澈的水中，光的衰减使可见距离限制在20米左右，在混浊的水中则限制在5米以内。光衰减过程是由吸收(去除光能)和散射(改变光路方向)引起的。

光在水中的吸收和散射过程影响着水下成像系统的整体性能。前向散射(光线在从物体到相机的过程中随机偏离)通常会导致图像特征的模糊。另一方面，后向散射(光线在实际到达场景中的物体之前被水反射到相机的部分)通常限制了图像的对比度，产生了一个特征面纱，将自己叠加在图像上并隐藏了场景。吸收和散射效应不仅是由于水本身，而且还由于其他成分，如溶解的有机物或可观察到的小漂浮颗粒。被称为“海洋雪”的漂浮颗粒(种类和浓度变化很大)的存在增加了吸收和散射效应。

可见范围可以通过人工照明增加，但这些光源不仅遭受前面所述的困难(散射和吸收)，而且往往以不均匀的方式照亮场景，在图像中心产生一个亮点，周围的照明较差。最后，当我们走得越深，光的量就越少，颜色就会随着波长的不同而一个接一个地下降。由于蓝色的波长最短，所以它在水中传播的时间最长，这使得水下图像基本上以蓝色为主。感兴趣的图像可能遭受以下一个或多个问题:有限的范围能见度，低对比度，不均匀的照明，模糊，明亮的伪影，颜色减弱(蓝色外观)和噪音。

因此，将标准计算机视觉技术应用于水下成像首先需要解决这些附加问题。图像处理可以从两个不同的角度来处理:作为一种图像恢复技术或作为一种图像增强方法:图像恢复旨在使用退化和原始图像形成的模型恢复退化的图像;这本质上是一个逆问题。这些方法是严格的，但它们需要许多模型参数(如表征水浊度的衰减和扩散系数)，这些参数在表中几乎不知道，而且可能非常可变。所需的另一个重要参数是场景中给定对象的深度估计。图像增强使用定性的主观标准来产生视觉上更愉悦的图像，并且不依赖于图像形成的任何物理模型。

2相关工作

本节介绍了水下图像处理技术的相关文献。

针对水下图像去噪问题，提出了一种基于自适应小波的自适应阈值选择与阈值函数自适应输出相结合的方法。考虑到水下图像信噪比低、对比度不平衡、图像质量差，在小波阈值去噪前，首先需要进行一定的预处理。然后，采用自适应阈值选择与阈值函数自适应输出相结合的自适应小波对图像进行去噪。仿真结果表明，该方法不仅能有效地去除噪声，提高图像输出峰值信噪比(PSNR)，而且具有良好的视觉质量，体现了小波去噪[1]的优越性。

一种新的矢量水下图像质量度量，被称为集成功率谱的CQ。与现有的客观水下图像质量度量不同，所提出的度量包括基于对数对比度功率谱斜率的鉴别器C和基于补丁的度量Q，前者用于在处理大量不同环境的图像时区分海洋栖息地，后者用于预测水下图像的客观质量。实验结果表明，与其他方法相比，所提出的CQ度量能够识别清晰度相近的水下图像，与增强结果的相关性更好，同时满足实时性要求[2]。

光散射是由于光线入射到物体上，在到达相机之前，水中的粒子多次反射和偏转造成的。这反过来又降低了所捕获图像的可见性和对比度。颜色变化对应于不同波长的光在水中传播时遇到的不同程度的衰减，使周围的水下环境以蓝色为主色调。现有的水下处理技术无法同时处理水下图像所遭受的光散射和颜色变化畸变，以及可能存在的人工照明，一种新的系统方法是通过去雾算法增强水下图像，补偿沿传播路径的衰减差异，并考虑可能存在的人工光源的影响[3]。

在过去的几十年里，由于水介质的物理特性导致图像的可视性较差，提高水下图像的质量受到了相当大的关注。本文提出了一种新的混合对比度限制自适应直方图均衡化(CLAHE)颜色模型，专门用于水下图像增强。该方法对RGB和HSV颜色模型进行CLAHE运算，并采用欧氏范数将两种结果结合在一起。实验结果表明，该方法通过增强对比度，显著提高了水下图像的视觉质量，并降低了噪声和伪影[5]。

3问题陈述

现有系统对水下图像进行处理，可以增强图像的颜色和亮度，但不能有效地去除噪声。许多重要的特征从图像中被削弱，这使得物体识别成为一项艰巨的任务。

目的是利用去噪技术来改善水下图像，对水下图像进行处理是必要的，因为与来自更清晰环境的图像相比，水下图像的质量会导致一些严重的问题。通过使用不同的滤波技术来处理这些水下图像的方法有很多，这些方法也可用于处理和增强水下图像，

本文提出的系统是解决上述问题的一个创举。本系统的设计灵感来源于对小波变换技术的文献综述。该系统采用滤波技术对水下图像进行预处理，使图像看起来更加突出，预处理后应用自适应小波变换。从而实现更准确的去噪输出。该系统能够解决以下定义的全部或部分目标:

•去除噪音，

•提高PSNR，

•减少时间和人工工作量

•改善视觉效果，改善暗区，整体对比度显著。

四、拟议工作

为了达到更好的去噪效果，在小波阈值去噪前需要进行一定的预处理。预处理包括两个步骤，第一步是利用同态滤波技术消除光照不均匀和平衡对比度。该步骤可以实现减少光照变化、锐化边缘细节、保留细节和消除图像噪声的目的。滤波函数H(u,v)可选如下:

其中rH和rL是系数的最大值和最小值，δω是控制截止频率的因素。第二步是对图像进行高斯低通滤波平滑。它通过删除同态滤波放大的图像小特征来平滑纹理和减少伪影。低通滤波是图像平滑的本质，它使信号的低频部分进入，并处理信号的高频部分。由于图像边缘处于高频部位，因此往往会对图像的细节平滑运行造成一定的破坏。高斯低通滤波方法可以避免上述缺陷。使用高斯低通滤波的表示如下

这里D(u,v)是经过傅里叶变换后到原点的距离。

A)图像数据分类

图像表示为一个二维系数数组，每个系数表示该点的亮度水平。从更高的角度看，没有人不能区分系数是重要的还是次要的。

大多数自然图像都有平滑的颜色变化，在平滑的变化之间，精细的细节被表现为锐利的边缘。从技术上讲，平滑的颜色变化可以称为低频变化，剧烈的颜色变化可以称为高频变化。

低频分量(平滑变化)构成了图像的基础，高频分量(提供细节的边缘)在其上添加，以细化图像，从而给出详细的图像。因此，流畅的变化比细节更重要。

分离图像的平滑变化和细节有很多方法。其中一种方法是使用离散小波变换(DWT)对图像进行分解。

B)图像的逆DWT

就像前向变换用于将图像数据分成不同的重要级别一样，反向变换用于将不同级别的数据重新组合成重建的图像。这里还使用了一对高通和低通滤波器。这个过滤器对称为合成过滤器对。过滤过程正好相反——它从最顶层开始，先按列应用过滤器，然后按行应用过滤器，然后继续到下一层，直到达到第一级。

C)自适应小波阈值

在小波去噪过程中，最重要的步骤是选择合适的阈值和有效的阈值函数，这直接影响到小波去噪算法的性能。小波阈值去噪的关键是小波系数与阈值之间的关系。阈值的选择决定了小波重构的系数。因此，选择自适应小波阈值有助于达到更好的去噪效果。

D)使用小波变换的去噪算法包括三个步骤:

i.计算噪声信号的小波变换，

2根据自适应阈值对噪声小波系数进行修正，

3用修改后的系数计算逆变换。

E)小波域优势:

为什么我们更喜欢小波域去噪，因为它有很多优点，比如:

i.基于小波的去噪提供了多分辨率的层次特征。因此，图像可以在不同的分辨率上去噪，并可以从低分辨率到高分辨率进行顺序处理。

2与普通信号处理相比，具有较高的鲁棒性。

五、仿真结果

为了验证算法的有效性，在水母图像上进行了仿真实验，并使用MATLAB作为仿真实验工具。第一步，采用同态滤波对非均匀光照进行校正，增强图像对比度。第二步采用高斯低通滤波对均匀区域的图像进行平滑，保留图像特征，增强图像细节。

上图是在Jellyfish图像上计算PSNR/MSE值的柱状图

VI。应用程序

•分析和研究图像的特征和性质。

增强和保存水下图像，用于研究水下生物。

•去除噪声，使物体识别任务简单，用于考古调查。

•在做研究工作时，让图像看起来更突出。

7结论

在水下场景中获得远距离或短距离物体的可视性的困难对图像处理社区提出了挑战。即使有许多图像处理方法可用，但它们主要限于普通图像，很少有专门用于水下图像的方法。因此，该系统融合了现有的图像恢复和图像增强方法。该算法不仅能去除噪声，提高PSNR，还能获得较好的视觉效果。

参考文献

雷飞，王莹莹，“基于自适应小波变换的水下图像去噪方法研究”，IEEE学生技术研讨会论文集，2014。
杨淼和Sowmya，“水下视频的新图像质量评估度量”，信号处理通讯，IEEE学生技术研讨会，2014。
Neelesh Gupta, Pooja Sahu和Neetu Sharma，“水下图像增强技术研究”，IJCA, 2014。
Amit Sahu和Shiwam Thakare教授，“各种水下图像增强技术的比较分析”，IJCSMC, 2014。
尤索夫，W.N.J.H.W.，Awalludin和E.A.，Bachok，“混合对比度限制自适应直方图均衡化水下图像增强，计算机应用技术，2013。
Pulung Nurtantio, Andono,I Ketut Eddy, Purnam和Mohamad Hariadi，“使用自适应滤波增强基于sift的图像匹配的水下图像增强”，应用信息技术杂志，2013。
Amine Mahiddine, Julien Seinturier, Jean-Marc Boi, Pierre Drap和Djamal Merad，“水下图像预处理技术对SIFT和SURF描述子重复性的性能分析”，WSCG通信学报，2012。
蒋俊勇，陈殷庆，“基于波长补偿和去雾的水下图像增强”，《IEEE图像处理学报》，2012。
Ancuti, C.， Ancuti, C.O.， Haber, T.和Bekaert“通过融合增强水下图像和视频”计算机视觉和模式识别(CVPR)， 2012。
bt. Shamsuddin, N.， bt. Wan Ahmad, W.F.， Baharudin, B.B.， Kushairi, M.， Rajuddin, M.和bt. Mohd，“水下图像增强技术的显著性水平”，计算机与信息科学，2012。