Двухэтапный алгоритм восстановления подводных изображений для морских геологоразведочных работ

Введение. Исследованы вопросы восстановления подводных изображений, подверженных искажениям в виде отклонения цветности и контрастности, наличия дымки и других, возникающим в связи с взаимодействием оптического излучения с водной средой. Восстановление подводных изображений является нетривиальной задачей в связи с большой вариативностью параметров водной среды и условий съемки.
Метод. Предлагаемый метод, в отличие от других алгоритмов восстановления подводных изображений, базирующихся на модели формирования изображения, основан не на упрощенной оценке затухания оптического излучения в воде в виде экспоненциального закона Бера–Ламберта, а на более точном физическом подходе, заключающемся в численном моделировании распространения оптических лучей в воде с использованием метода МонтеКарло, учитывающем основные параметры водной среды и камеры. Результаты моделирования применяются для обработки изображения в пространственной области путем редактирования гистограмм каждого канала изображения в цветовом пространстве RGB.
Основные результаты. Для тестирования разработанного алгоритма были выбраны 6 реальных подводных изображений, полученных при различных условиях освещения (естественное и искусственное) и различных параметрах водной среды (чистая океанская и мутная прибрежная вода). С целью качественного и количественного анализов полученных результатов использованы следующие аналогичные методы обработки подводных изображений: Fusion, UDCP IATP, Retinex, HE и UWB VCSE. Для количественной оценки полученных результатов использованы показатели Underwater Colour Image Quality Evaluation Metric (UCIQE) и Underwater Image Quality Measure (UIQM). Результаты качественной оценки демонстрируют высокую эффективность предлагаемого метода: вне зависимости от изображения применение метода обеспечивает улучшение визуального восприятия и не приводит к чрезмерному усилению контрастности, искажению цветности, потере детализации, появлению артефактов и пр. Количественная оценка результатов обработки подводных изображений демонстрирует сопоставимые и превосходящие результаты при сравнении с аналогичными методами. Для параметра UCIQE разработанный метод обеспечил улучшение от 9 % до 51 % относительно значения параметра для исходного изображения, при этом аналогичные методы продемонстрировали результаты от минус 10 % до 82 %. Для параметра UIQM разработанный метод обеспечил улучшение от 24 % до 99 % относительно значения параметра для исходного изображения, при этом аналогичные методы продемонстрировали результаты от минус 10 % до 123 %. В отличие от аналогов разработанный метод не продемонстрировал наихудшего значения параметров UCIQE и UIQM ни для одного обработанного изображения, что свидетельствует о стабильности метода вне зависимости от параметров водной среды и условий съемки. Благодаря разделению разработанного метода на предварительный и основной этапы обеспечивается высокая скорость обработки изображений: 0,073 с для изображения с разрешением 400 × 300 пикселов и от 8,02 с до 8,23 с для изображения с разрешением 5184 × 3456 пикселов. Аналогичные методы продемонстрировали значения от 0,19 с до 10,81 с для изображения с разрешением 400×300 пикселов и от 7,65 с до 937,83 с для изображения с разрешением 5184 × 3456 пикселов.
Обсуждение. Внедрение предлагаемого метода в геологоразведочные работы повысит их эффективность и достоверность, позволит получить более точные данные для дальнейшей разработки месторождений твердых полезных ископаемых. Подобная методика, встроенная в систему машинного зрения подводных аппаратов, позволит существенно расширить их функциональные возможности за счет обеспечения возможности автоматизации операций, повышения эффективности систем распознавания.

1. Zhou J., Pang L., Zhang D., Zhang W. Underwater image enhancement method via multi-interval subhistogram perspective equalization // IEEE Journal of Oceanic Engineering. 2023. V. 48. N 2. P. 474–488. https://doi.org/10.1109/joe.2022.3223733f

2. Zhang W., Liu W., Li L. Underwater single-image restoration with transmission estimation using color constancy // Journal of Marine Science and Engineering. 2022. V. 10. N 3. P. 430. https://doi.org/10.3390/jmse10030430

3. Анисимов И.М., Римский-Корсаков Н.А., Тронза С.Н. Развитие глубоководных технологий визуальных наблюдений рельефа дна и подводных объектов // Международный журнал прикладных и фундаментальных исследований. 2019. № 10. С. 149–153. https://doi.org/10.17513/mjpfi.12883

4. Zhou J., Zhang D., Zhang W. The Classical and state-of-the-art approaches for underwater image defogging: a comprehensive survey // Frontiers of Information Technology & Electronic Engineering. 2020. V. 21. N 12. P. 1745–1769. https://doi.org/10.1631/FITEE.2000190

5. Zhang W., Dong L., Pan X., Zou P., Qin L., Xu W. A Survey of restoration and enhancement for underwater images // IEEE Access. 2019. V. 7. P. 182259–182279. https://doi.org/10.1109/ACCESS.2019.2959560

6. He K., Sun J., Tang X. Single image haze removal using dark channel prior // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2011. V. 33. N 12. P. 2341–2353. https://doi.org/10.1109/TPAMI.2010.168

7. Chang H.H., Chen P.F., Guo J.K., Sung C.C. A self-adaptive single underwater image restoration algorithm for improving graphic quality // Eurasip Journal on Image and Video Processing. 2020. V. 2020. N 1. P. 41. https://doi.org/10.1186/s13640-020-00528-0

8. Zhang T., Li Q., Li Y., Liu X. Underwater Optical Image Restoration Method for Natural/Artificial Light // Journal of Marine Science and Engineering. 2023. V. 11. N 3. P. 470. https://doi.org/10.3390/jmse11030470

9. Iqbal K., Odetayo M., James A. Enhancing the low quality images using unsupervised colour correction method // Proc. of the IEEE International Conference on Systems, Man and Cybernetics. 2010. P. 1703–1709. https://doi.org/10.1109/icsmc.2010.5642311

10. Pandey V., Padmakumar A., Padmakumar A., Rasal T., Khandelwal H. Underwater image enhancement and restoration using AI & ML // International Journal of Research Publication and Reviews. 2023. V. 4. N 4. P. 3372–3377.

11. Joel Fathimson, J, Bibis S., Aswanth R., Gayatri S. Underwater image restoration using UICCS Method in Matlab // International Journal of New Technology and Research (IJNTR). 2018. V. 4. N 2. P. 1–6.

12. Li C., Guo C., Ren W., Cong R., Hou J., Kwong S., Tao D. An underwater image enhancement benchmark dataset and beyond // IEEE Transactions on Image Processing. 2020. V. 29. P. 4376–4389. https://doi.org/10.1109/TIP.2019.2955241

13. Peng Y-T., Cosman P.C. Underwater image restoration based on image blurriness and light absorption // IEEE Transactions on Image Processing. 2017. V. 26. N 4. P. 1579–1594. https://doi.org/10.1109/TIP.2017.2663846

14. Xu Y., Wang H., Cooper G.D., Rong S., Sun W. Learning-based dark and blurred underwater image restoration // Complexity. 2020. V. 2020. P. 6549410. https://doi.org/10.1155/2020/6549410

15. Schechner Y.Y., Karpel N. Recovery of underwater visibility and structure by polarization analysis // IEEE Journal of Oceanic Engineering. 2005. V. 30. N 3. P. 570–587. https://doi.org/10.1109/JOE.2005.850871

16. Akkaynak D., Treibitz T. A revised underwater image formation model // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018. P. 6723–6732. https://doi.org/10.1109/CVPR.2018.00703

17. Pei S.C., Chen C.Y. Underwater images enhancement by revised underwater images formation model // IEEE Access. 2022. V. 10. P. 108817–108831. https://doi.org/10.1109/ACCESS.2022.3213340

18. Mobley C.D., Gentili B., Gordon H.R., Jin Z., Kattawar G.W., Morel A., Reinersman P., Stamnes K., Stavn R.H. Comparison of numerical models for computing underwater light fields // Applied Optics. 1993. V. 32. N 36. P. 7484–7504. https://doi.org/10.1364/AO.32.007484

19. Semernik I.V., Demyanenko A.V., Samonova C.V., Bender O.V., Tarasenko A. Modelling of an underwater wireless optical communication channel // Proc. of the Radiation and Scattering of Electromagnetic Waves (RSEMW). 2023. P. 468–471. https://doi.org/10.1109/rsemw58451.2023.10202133

20. Ramley I., Alzayed H.M., Al-Hadeethi Y., Chen M., Barasheed A.Z. An overview of underwater optical wireless communication channel simulations with a focus on the Monte Carlo method // Mathematics. 2024. V. 12. N 24. P. 3904. https://doi.org/10.3390/math12243904

21. Yang M., Sowmya A. An underwater color image quality evaluation metric // IEEE Transactions on Image Processing. 2015. V. 24. N 12. P. 6062–6071. https://doi.org/10.1109/TIP.2015.2491020

22. Panetta K., Gao C., Agaian S. Human-visual-system-inspired underwater image quality measures // IEEE Journal of Oceanic Engineering. 2016. V. 41. N 3. P. 541–551. https://doi.org/10.1109/JOE.2015.2469915

23. Wang S.Q., Ma K.D., Yeganeh H., Wang Z., Lin W. A patch-structure representation method for quality assessment of contrast changed images // IEEE Signal Processing Letters. 2015. V. 22. N 12. P. 2387–2390. https://doi.org/10.1109/LSP.2015.2487369

24. Семерник И.В. Модель водной среды для точного моделирования распространения оптического излучения // Кузнечноштамповочное производство. Обработка материалов давлением. 2024. № 7. С. 61–66.

25. Семерник И.В. Моделирование распространения оптического излучения для восстановления изображений в рамках морских геологоразведочных работ // Международный научно-исследовательский журнал. 2024. № 8 (146). С. 16. https://doi.org/10.60797/IRJ.2024.146.24

26. Peng L., Zhu C., Bian L. U-Shape transformer for underwater image enhancement // IEEE Transactions on Image Processing. 2023. V. 32. P. 3066–3079. https://doi.org/10.1109/TIP.2023.3276332

27. Ancuti C., Ancuti C.O., Haber T., Bekaert P. Enhancing underwater images and videos by fusion // Proc. of the IEEE Conference on Computer Vision and Pattern Recognition. 2012. P. 81–88. https://doi.org/10.1109/cvpr.2012.6247661

28. Zhang M., Peng J. Underwater image restoration based on a new underwater image formation Model // IEEE Access. 2018. V. 6. P. 58634–58644. https://doi.org/10.1109/ACCESS.2018.2875344

29. Fu X., Zhuang P., Huang Y., Liao Y., Zhang X.-P., Ding X. A Retinexbased enhancing approach for single underwater image // Proc. of the IEEE International Conference on Image Processing (ICIP). 2014. P. 4572–4576. https://doi.org/10.1109/icip.2014.7025927

30. Fu X., Fan Z., Ling M., Huang Y., Ding X. Two-step approach for single underwater image enhancement // Proc. of the International Symposium on Intelligent Signal Processing and Communication Systems (ISPACS). 2017. P. 789–794. https://doi.org/10.1109/ispacs.2017.8266583

31. Li X., Hou G., Tan L., Liu W. A hybrid framework for underwater image enhancement // IEEE Access. 2020. V. 8. P. 197448–197462. https://doi.org/10.1109/10.1109/ACCESS.2020.3034275