Меню
Публикации
2025
2024
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор
НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2025-25-3-417-427
УДК 621.396.9, 004.932.4, 550.8.05
Двухэтапный алгоритм восстановления подводных изображений для морских геологоразведочных работ
Читать статью полностью
Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Семерник И.В., Самонова К.В. Двухэтапный алгоритм восстановления подводных изображений для морских геологоразведочных работ // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25, № 3. С. 417–427. doi: 10.17586/2226-1494-2025-25-3-417-427
Аннотация
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 Монте- Карло, 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.
Ключевые слова: восстановление подводных изображений, улучшение подводных изображений, обработка подводных изображений, реальные глубоководные фотографии, восстановление цвета, метод Монте-Карло, моделирование распространения света в воде
Благодарности. Исследование выполнено за счет средств гранта Российского научного фонда № 23-79-01253, https://rscf.ru/project/23-79-01253/.
Список литературы
Благодарности. Исследование выполнено за счет средств гранта Российского научного фонда № 23-79-01253, https://rscf.ru/project/23-79-01253/.
Список литературы
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 // Кузнечно-штамповочное 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 Retinex-based 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
