为了解决船舶航行过程中水下图像质量退化的问题，开展了基于偏振成像的图像对比度提高技术和图像增强算法的研究。该技术中提出了基于偏振信息将不同角度的融合图像分解为多尺度的金字塔图像序列，通过高斯卷积和Laplacian Pyramid算法进行图像融合，结合权重融合系数算法实现对偏振图像的细节特征增强处理；并与小波变换图像融合算法进行对比，可以得出该算法明显改善了水下图像的SNR值和SSIM值。实验表明，该水下偏振系统在衰减系数为2.1的海水环境中，水下成像距离达到6 m，能清晰识别水中物体及其特征识别，且系统运行稳定。
中文引用格式： 李蕾，郭天太，潘孙强，等. 基于Laplacian算法的水下偏振图像复原[J].电子技术应用，2019，45(9)：85-88.
英文引用格式： Li Lei，Guo Tiantai，Pan Sunqiang，et al. Underwater polarization image restoration based on Laplacian algorithm[J]. Application of Electronic Technique，2019，45(9)：85-88.
随着新一代信息技术的快速发展和与先进制造技术的不断融合，以智能制造检测为代表的新一轮产业转型已在全球范围内出现。我国水下勘探的探索方向主要有水下主动照明成像、激光扫描成像和距离选通成像。其中水下激光扫描成像系统由于水体对准直光束的扩散和硬件设备的不完善限制了图像的成像分辨率。而光学偏振成像技术由于其相比于传统的水下主动照明成像系统具有能够获取多维的偏振信息的特点，可以利用目标物对偏振光的不同退偏振能力来区分目标与背景[1]，而且偏振系统相较于其他系统研究成本低，因而广泛应用于复杂环境下目标探测和图像质量增强等技术研究中。偏振成像是基于传统光强图像成像技术的基础上，通过获取受到偏振光学器件调制后的光强图像，从而获取光束的偏振特性图像。在成像过程中，偏振光入射到不同物体的表面产生相互作用，将会对光束的偏振特性进行不同的调制，从而产生不同的偏振态的光束[2]。长春理工大学提出了将同步扫描技术与偏振技术相结合的实验方案，并在实验中提高了水下成像距离和清晰度，但系统的稳定性还需要进一步优化[3]。综合利用场景光的偏振信息和光谱信息提高光电成像系统的探测识别能力，是国内外研究的热点[4]。以HUANG B[5]、DUBREUIL M[6]的研究为代表，利用散射光的偏振特性分离场景中目标信息光和背景散射光，可获取清晰的目标图像。激光水下偏振成像特征融合算法主要有图像边缘融合方法[7]、纹理信息滤波算法[8]、Fraunhofer圆孔衍射方法等[9]。在KRISHNAN D和FERGUS R[10]等人提出的基于超拉普拉斯先验的图像去模糊算法的基础上,秦绪佳[11]等人提出了一种改进的基于超拉普拉斯约束的单幅图像去模糊算法,提高了去模糊算法效率。在现有的研究基础上，本文将不同角度的图像分解为多尺度的金字塔图像序列，结合高斯卷积和权重融合系数，得到一系列的差值融合图像，增强了图像细节的融合，并且通过调节激光器的发射频率来改善偏振成像系统中的照射激光光源环境。本系统通过实验证明，在衰减系数为2.1的海水环境中，水下成像距离达到6 m，能清晰识别水中物体及其特征。SNR值和SSIM值分别用作成像对比度和分辨率的评估标准，客观地评估成像性能。
1 偏振成像系统原理
偏振成像技术检测技术是利用不同物体的表面偏振度不同而进行目标识别[12]。水下成像系统中采用偏振系统是根据目标表面的反射光与水下粒子散射光之间的退偏度不同，偏振器有效滤除水体杂光散射，增强了目标物体的反射光能力，在一定程度上有效地减少了后向散射光，提高图片的信噪比。水下激光偏振系统光路图如图1所示。
发射光的Stokes矢量Sout和入射光的Stokes矢量Sin之间有如下关系，
根据测量目标表面任意点处的反射光波偏振度，根据对所有点的依次运算，以获得目标表面中所有点的偏振度。获得数字矩阵D后，再通过数值图像化处理将D矩阵转换到图像灰度值空间中，数字矩阵以图像的形式显示，构成偏振度图像。实验照明光源采用长春新产业的532 nm YAG激光器LPS-532-S-100 mJ，输出的激光波长为1 060 nm，经倍频后为532 nm的绿光。考虑到水对不同波长的光的吸收特性，选取MD Vision CCD作为接收器，其光谱范围为430~656 nm，单个像元为10.8 μm，满足检测系统精度条件。偏振光学系统中的光学器件选择武汉优光的扩束器、衰减器、偏振器、λ/4波片和窄带滤波器。其实物装置图如图2所示。
从目标反射回来的光波作为待测入射光，偏振片可以通过透光轴方向旋转，不同偏振角度下的成像清晰度不同，图3分别记录偏振片透光轴在3个不同角度时目标的图像。图4为3个角度的特征融合原始图像。
由于光线被水体介质吸收，图像中目标物的边缘模糊，有待进一步对图像的增强处理来增加图像的细节显示。对于单幅水下图像，首先进行降噪增强处理，再对图像进行3种权重分布图的计算得到融合系数权重图，最后将融合系数权重图与偏振图像进行Laplacian融合得到增强的结果图。流程如图5所示。
3.1 图像预处理
首先，对图像进行直方图均衡预处理以增强图像显示效果。直方图均衡化又称直方图平坦化，即对原图像的质量分布图通过非线性拉伸转为均匀分布的形式，重新分配图像象元值,使一定灰度范围内象元值的数量大致相等，从而增强整体图像的对比度，改善水下图像中各种亮度的比例大部分是不均匀分布的情况。
3.2 权重图
最终在图像上的关键细节呈现是非常重要的，如边缘细节、显著性区域的清晰度和局部区域的对比度。要在图像融合阶段突出这些特征信息，必须对这些局部像素的值进行权重分布，这样最终融合图像可以在这些细节可以得到体现。局部对比系数表征了每一个像素与周边像素之间的对比关系，其目标是突出图像中边缘等细节信息，其公式表达如下：
其中，I是源图像，IC是源图像经过低通滤波后的图像。低通滤波图像是通过对源图像I与卷积核H进行卷积获取。
图像的主要信息仅集中在几个关键区域，人们通常关注图像轮廓最大或轮廓方向突然变化的区域。这些信息可用显著图来体现。与增强的全局对比度不同，显着图可以突出显示原始图像的边缘；进一步增加其局部区域的轮廓相应的权重值，增强图像对比度。曝光权重图表征像素的曝光特性，利用曝光值的估计来评估像素的合理灰度值，其公式如下：
其中，I(x，y)为源图像，σ可以选取固定值0.25。对于灰度值差异大的像素，将获取更大的权重值。图6的3分图分别是输入图像的曝光权重图、局部对比度权重图和显著性区域权重图。分别将3幅权重图进行加权融合得到融合系数权重分布图，如图7所示。
3.3 Laplacian金字塔融合
单幅水下彩色图像经过降噪增强处理后，得到了均衡化的图像I。同时通过3种权重系数的设计，图像分别各计算得到3幅权重图WLC、WS、WE。将图像对应的权重图分别进行归一化，然后对3个权重图进行加权融合，得到新的系数
：
将偏振图像结合图7的融合系数权重分布图进行Laplacian金字塔融合，即：
其中，Gl表示高斯金字塔分解，Ll表示Laplacian金字塔分级。得到结果如图8所示。为了对图8图像增强算法的结果图片进行客观评价，将小波变换的融合方法与本实验算法进行对比，小波变换算法实质上是将图像信息分解为不同空间维度上，然后对不同空间的信息进行线性处理，增强图像效果[13]。若将小波变换方法简单地用于图像增强，在图像增强的同时也放大了噪声。用“软阈值”的小波图像增强方法可以在增强的同时有效地抑制噪声[14]，然而有时会产生振铃现象。小波变换的处理效果图如图9所示。
对图像进行SNR(Signal to NoiseRatio)值和SSIM(Structural Similarity)值的评估。SNR评估的方法是将一幅图像分割成若干个局部区域，计算局部区域的方差值，然后选取最大值与最小值的比较进行SNR的计算。SSIM评估图像的结构相似性，并且是用于测量原始图像与偏振图像和两个图像之间的相似性的指示符。表1为分别采用本文算法和小波变换图像融合算法对偏振图像的增强测试结果的数值评估表。从表1中的数据可以看出，两种算法都不仅在主观视觉上可以明显看出图像增强的效果，在客观数据上也较好地改善了SNR和SSIM两个评价值，获得了较好的图像增强效果，由于本文采用不同偏振角度下的偏振图像特征融合，并在此基础上进行权重系数图像融合，这使图像细节对比度得到了比较大的提升，可以提取出更多的特征信息，用来进行水下图像的内容分析。本文主要是采用水下偏振光学成像技术获取图像，对水下的几个图像质量提升方向进行了研究。在实验中,对发现的问题和不足提出了可行的改善方案,如在实验中添加滤波片以改善实验室中存在的非绿光波段杂散光干扰,对于目前不能解决的问题,提出了后续解决方案,为后续研究提供了解决问题的思路。
参考文献
[1] 王维.偏振光谱成像目标识别系统[J].电子技术应用，2016，42(12)：73-75.
[2] 张玉梅.全Stokes偏振成像技术的研究[D].南京：南京理工大学，2015.
[3] 袁婷.激光水下成像系统研究[D].长春：长春理工大学，2013.
[4] ARNOLD-BOS A，MALKASSE J P，KERVERN G.Towards a model-free denoising of underwater optical images[C].Oceans，2005.
[5] HUANG B，LIU T，HU H，et al.Underwater image recovery considering polarization effects of objects[J].Optics Express，2016，24(9)：9826-9838.
[6] DUBREUIL M，DELROT P，LEONARD I，et al.Exploring underwater target detection by imaging polarimetry and correlation techniques[J].Applied Optics，2013，52(5)：997-1005.
[7] 温佳，马彩文，水鹏朗.改进自适应LBG矢量量化算法在干涉高光谱图像压缩中的应用[J].光谱学与光谱分析，2011，31(4)：1033-1037.
[8] 张晓玲，张培强，沈兰荪.基于信息量失真测度的VQ及在高光谱图像无损压缩中的应[J].遥感学报，2004，8(5)：414-418.
[9] 刘仰川.基于预测与JPEG2000的高光谱图像无损压缩方法研究[J].激光与红外，2012，42(4)：452-457.
[10] KRISHNAN D，FERGUS R.Fast image deconvolution using hyper-Laplacian priors[C].International Conference on Neural Information Processing Systems，2009.
[11] 秦绪佳，柯玲玲，范颖琳，等.改进的超拉普拉斯约束的单幅图像去模糊算法[J].小型微型计算机系统，2018，39(5)：235-240.
[12] 安雨飞，林军，山其君，等.一种基于偏振原理和FPGA的调光系统设计[J].电子技术应用，2011，37(1)：71-73.
[13] 赵满庆.基于小波变换的图像处理技术[J].电子技术与软件工程，2018，132(10)：73.
[14] 方勇，戚飞虎.基于软阈值的小波图像增强方法[J].计算机工程与应用，2002(23)：16-19.
作者信息:
李 蕾1，2，郭天太1，潘孙强2，陈 欢2，赵 军1，孔 明1
(1.中国计量大学，浙江 杭州310000；2.浙江省计量科学研究院，浙江 杭州310000)
