Перспективы применения методов восстановления подводных изображений для обеспечения морских геологоразведочных работ

Автор: Семерник И.В., Тарасенко А.А., Самонова К.В.

Журнал: Компьютерная оптика @computer-optics

Рубрика: Обработка изображений, распознавание образов

Статья в выпуске: 3 т.49, 2025 года.

Бесплатный доступ

В настоящей работе приведен обзор современных методов восстановления и улучшения качества подводных изображений, а также анализ преимуществ и недостатков методов применительно к результатам съемки, полученным в ходе морских глубоководных геологоразведочных работ. В связи с тем, что основными критериями выбора метода обработки является именно точность и достоверность восстановления подводных изображений, а не быстродействие и улучшение восприятия кадра, наиболее целесообразным является выбор методов, основанных на традиционном подходе и использовании априорной информации, полученной от аппаратных датчиков комплекса, об условиях съемки и взаимном положении камеры и объекта съемки.

Еще

Восстановление подводных изображений, улучшение подводных изображений, морские геологоразведочные работы, морские глубоководные комплексы, методы обработки подводных изображений

Короткий адрес: https://sciup.org/140310484

IDR: 140310484   |   DOI: 10.18287/2412-6179-CO-1520

Текст научной статьи Перспективы применения методов восстановления подводных изображений для обеспечения морских геологоразведочных работ

Проведение морских геологоразведочных работ по исследованию месторождений железомарганцевых конкреций (ЖМК), кобальтмарганцевых корок (КМК) и глубоководных полиметаллических сульфидов (ГПС) в районах Мирового океана с глубиной до 6000 м осуществляется с помощью специализированного оборудования, осуществляющего гидроакустическую, фото- и видеосъемку морского дна. Все три вида полезных ископаемых (ЖМК, КМК и ГПС) являются комплексными рудными образованиями, содержащими стратегически важные металлы в кондиционных или очень высоких содержаниях (по наземным меркам) и крупных ресурсных объемах.

Резко различается геологическая обстановка нахождения трех указанных типов полезных ископаемых: ЖМК связаны с абиссальными равнинами с основной глубиной залегания 4000–6000 м, корки – с подводными горами (основная глубина залегания – от 800 до 2500 м), а полиметаллические сульфиды – со срединно-океаническими хребтами и зонами островных дуг (основная глубина залегания – 500–3500 м).

Результаты съемки морского дна представляют собой массив данных большого объема, который в дальнейшем обрабатывается вручную или автоматизированными системами для формирования сведений о ру-доносности исследуемого месторождения, плотности залегания и размерах конкреций для последующей оценки объемов полезных ископаемых, целесообразности разработки того или иного района морского дна и определения возможного метода их добычи.

При этом качество съемки оказывает определяющее влияние на эффективность анализа и достоверность выводов. Качество подводной фото- и видеосъемки, в свою очередь, определяется многими факторами, включая особенности освещения, расстояние до объекта съемки, мутность воды и пр., которые приводят к ухудшению контрастности, четкости, яркости фотографий, искажению цвета, появлению дымки. Зачастую получаемые фото- и видеоматериалы имеют характеристики, недостаточные для автоматизированного анализа, что приводит к необходимости ручной обработки, увеличивает длительность и стоимость аналитических работ, снижает их эффективность и достоверность. При этом проведение повторной съемки сопряжено со значительными затратами, так как требует использования специализированного геологоразведочного судна и оборудования.

В связи с вышеизложенным разработка методики восстановления подводных изображений с применением современных цифровых интеллектуальных технологий, обеспечивающей минимизацию искажений, вносимых водой и взвешенными в воде частицами, повышение контрастности изображения и восстановление реальных цветов объектов, и ее внедрение в практику геологоразведочных работ повысит их эффективность и достоверность, позволит получить бо- лее точные данные для дальнейшей разработки месторождений твердых полезных ископаемых в различных районах Мирового океана.

Кроме того, подобная методика, встроенная в интеллектуальную систему машинного зрения подводных аппаратов, позволит существенно расширить функциональные возможности автономных и телеуправляемых подводных аппаратов за счет обеспечения возможности автоматизации ряда выполняемых операций и повышения эффективности систем распознавания и пр.

1.    Обзор существующих методов восстановления подводных изображений

Традиционно методики обработки подводных изображений [1] подразделяются на два основных класса: методы восстановления и методы улучшения качества подводных изображений [2].

Классификация методов восстановления и улучшения подводных изображений приведена на рис. 1.

Методы восстановления подводных изображений основаны на физических моделях распространения оптического излучения в воде. Указанные физические модели имеют большое количество входных параметров (коэффициенты поглощения, рассеяния, степень мутности воды и пр.). При этом для применения физических моделей указанные входные параметры должны быть известны (определены в процессе съемки) либо они могу быть оценены путем использования различных математических моделей. Методы восстановления изображения строят физическую модель, учитывающую механизмы физического ухудшения изображения и основные физические принципы распространения света в воде. Далее осуществляется определение основных параметров физической модели с использованием предварительных знаний, полученных от датчиков или иных аппаратных средств или рассчитанных с применением программных алгоритмов. После чего, наконец, осуществляется восстановление изображения. Следует отметить, что физические модели, заложенные в алгоритмы восстановления изображений, могу иметь различную точность, что оказывает непосредственное влияние на получаемые результаты.

2.    Методы восстановления подводных изображений на основе аппаратных средств

Методы восстановления подводных изображений на основе аппаратных средств основываются на применении различного оборудования, которое может использоваться непосредственно для коррекции изображения либо для определения условий съемки и использования этих сведений для последующей обработки изображений. Среди подобных аппаратных средств следует отметить следующие: лазерные источники света, лазерные масштабирующие указатели, лазерные дальномеры, альтиметры, поляризаторы, стереоскопические камеры, специальные эталонные объекты (по размерам и цвету), располагаемые непосредственно возле объекта съемки, телеуправляемые подводные аппараты, буксируемые подводные аппараты и пр. [3].

Поляризационная обработка применяется для минимизации оптического излучения, рассеянного присутствующими в воде органическими и неорганическими частицами, посторонними объектами и пр. Реализация подобных методов осуществляется путем применения поляризованных источников света в совокупности с поляризационными фильтрами, установленными на объектив камеры [4].

Лазерные источники света также применяются для устранения рассеянного излучения путем использования синхронизированной камеры, затвор которой открывается и закрывается в заданные моменты времени, соответствующие дальности до объекта съемки [1].

Лазерные масштабирующие указатели позволяют определить расстояние до объекта съемки, а также взаимную ориентацию камеры и объекта. Указанная информация может применяться для ручной или автоматизированной обработки подводных изображений [5].

Применение стереоскопических камер и специальных эталонных объектов также позволяет получать информацию об удаленности до объекта съемки и взаимной ориентации камеры и объекта для последующей обработки изображения [1].

Такой подход имитирует зрительную систему человека. В процессе съемки используются обычные камеры, которые осуществляют съемку с различными углами зрения. При этом взаимное расположение камер известно. Достоинство данного метода состоит в том, что он позволяет получать информацию о дальности до каждого объекта, попавшего в кадр.

Недостатком данного метода можно назвать двукратное увеличение объема информации, подлежащей хранению и обработке.

Лазерные дальномеры [5] и альтиметры, используемые в составе оборудования на телеуправляемых и буксируемых подводных аппаратах, позволяют также получить ценную информацию о дальности до объекта съемки либо могут использоваться непосредственно для управления процессом съемки (запуска съемки при достижении установленного оператором отстояния подводного аппарата от дна или иных параметров). Их различие состоит в физических принципах, заложенных в их основу. Если дальномер излучает и принимает оптический сигнал, то альтиметр – акустический сигнал. При этом точность и эффективность данного оборудования не всегда однозначна и зависит от параметров морского дна, так как может иметь место слабое отражение оптического сигнала и, как следствие, нестабильная работа лазерного дальномера либо большое количество неплотных донных отложений может привести к неоднозначности показаний альтиметра.

Методы обработки подводных изображений

Методы улучшения подводных изображений

Методы восстановления подводных изображений

Методы на основе синтеза восстановления и улучшения подводных изображений

Методы обработки в пространственной области

Аппаратные методы

Ручная корректировка гистограммы изображения

-> Методы на основе поляризации

Методы на основе одиночной цветовой модели

Методы на основе стереоскопических изображений

Методы на основе нескольких цветовых моделей

Методы на основе съемки с селекцией по дальности

Методы обработки в частотной области

Программные методы

Методы на основе постоянства цвета

Методы на основе модели оптического формирования изображений

Методы корректировки контрастности изображения

Методы на основе априорной информации

Методы на основе глубокого обучения

Метод темнового канала

Метод подводного темнового канала

Метод максимальной интенсивности

Другие методы на основе априорной информации

Методы на основе глубокого обучения

Методы на основе сверточных нейронных сетей

Методы на основе генеративных нейронных сетей

Методы на основе синтеза аппаратных и программных средств

Рис. 1. Классификация методов восстановления и улучшения изображений

Телеуправляемые и буксируемые подводные аппараты являются носителями всего необходимого для проведения съемки оборудования, а также указанного выше оборудования, обеспечивающего оценку и определение дополнительной информации, применяемой в дальнейшем для обработки изображения [5]. Кроме того, технические средства подводных аппаратов позволяют вывести аппарат на необходимую дистанцию до объекта съемки, применение нескольких аппаратов может позволить разнести камеру и источник освещения, что обеспечивает существенное снижение фоновой засветки от рассеянного света.

Методы на основе съемки с селекцией по дальности [6, 7] основаны на применении камеры с быстрым затвором, блока управления и синхронизации, а также импульсного лазерного источника света. Взаимная синхронизация затвора камеры и импульсного источника света позволяет запечатлеть в кадре только свет, отраженный от объекта съемки, и исключить свет, отраженный или рассеянный посторонними объектами, расположенными на ином удалении от камеры. Затвор камеры при этом открывается только на короткий промежуток времени, соответствующий длительности импульса источника света.

3.    Методы восстановления изображений на основе программных средств

Программные методы восстановления подводных изображений основаны на подходе, целью которого является формирование модели сцены и среды и определение входящих параметров данной модели программными способами на основе информации, содержащейся в изображении. При этом эффективность и результативность методов восстановления определяется главным образом заложенной в основу метода физической модели среды и распространения света под водой [1 –3].

В основе методов оптического формирования изображения заложена соответствующая модель, путем определения параметров которой возможно обратить процесс формирования сигнала вспять и получить естественные и четкие изображения объекта съемки.

Так, в работе [8] представлен метод восстановления подводных изображений, основанный на модели рассеяния света. Модель рассеяния и спектр мощности используются для определения исходных параметров фильтра, и параметры оптимизируются с учетом индекса оценки. При этом дополнительно учитываются условия освещенности объекта съемки (естественный или искусственный свет). Недостатком данного метода является итерационный подход, так как он предполагает пошаговое изменение параметра преобразования с оценкой и анализом получившегося результата.

Методы на основе априорной информации [9] опираются в процессе восстановления изображений на сведения, которые удается извлечь из самого изображения программным способом. Среди подобных методов следует отметить метод темнового канала (DCP), метод подводного темнового канала (UDCP), метод максимальной интенсивности (MIP), метод красного канала (RCP) и другие.

Метод темнового канала (DCP) [10, 11] позволяет в первую очередь устранить дымку на подводных изображениях и основан на наблюдении (допущении), что подводные изображения хорошего качества имеют некоторое количество пикселей с очень малой интенсивностью как минимум в канале одного цвета.

В силу того, что при распространении в воде красный свет претерпевает существенно большее ослабление по сравнению с синим и зеленым светом, при анализе подводных изображений красный канал будет всегда доминировать над синим и зеленым при определении темнового канала. Данный факт может приводить к неверной оценке параметров модели и, как следствие, некорректному восстановлению цветности. Для устранения указанного факта был предложен метод подводного темнового канала (UDCP) [12, 13], который при определении темнового канала учитывает только зеленый и красный каналы. Метод темнового канала и метод подводного темнового ка- нала демонстрируют очень близкие результаты с точки зрения количественных характеристик эффективности восстановления изображений, однако последний обладает большей устойчивостью в случаях высокой степени искажений цвета.

В работе [14] представлены результаты применения метода подводного темнового канала, демонстрирующие эффективность данного подхода при обработке изображений с различной степенью и видом искажений. Проведенный сравнительный анализ гистограмм подводных изображений и изображений естественных сцен демонстрирует низкую интенсивность красного канала из-за высокого затухания при распространении в воде.

Метод максимальной интенсивности (MIP) [15] предназначен в первую очередь для устранения дымки на изображениях, возникающей из-за рассеяния света, в основе которого заложена оценка разности между интенсивностью красного канала и максимумами интенсивностей синего и зеленого каналов изображения. Оценка разностей интенсивностей позволяет определить глубину сцены (дальность до объекта). Так как при оценке разностей интенсивностей каналов расчет осуществляется по массиву пикселей, попадающих в заранее определенную область (на переднем плане изображения), то ключевую важность принимает правильность выбора анализируемой области изображения.

Благодаря ускоренному темпу развития технологий, связанных с искусственным интеллектом, в последнее время все больше предлагается методов восстановления подводных изображений, основанных на технологиях глубокого обучения на основе заранее отобранного или синтезированного массива входных изображений. Подобные методы, несомненно, обладают большей степенью автоматизации после создания и обучения сети, но их точность и эффективность определяются алгоритмами, заложенными в основу сети, а также набором данных, используемых для тренировки (обучения) нейросети.

В работе [16] представлен метод восстановления подводных изображений на основе циклической генеративно-состязательной нейронной сети (CycleGAN). Особенностью предлагаемого метода является применение непарных изображений для тренировки сети в отличие от методов, основанных на применении свёрточных нейронных сетей.

Предпринимаются также попытки объединения преимуществ традиционных подходов восстановления подводных изображений и методов, основанных на глубоком обучении. Так, в [17] авторами предпринята попытка интеграции методов прямого и обратного дискретного вейвлет-преобразования в структуру CNN нейронной сети для лучшего извлечения параметров изображения для последующего восстановления изображения с использованием модели формирования изображения. При этом для восстановления цвета применяется традиционный подход, основанный на гипотезе серого мира, которая строится на предположении, что до внесения искажений в изображение все каналы имеют примерно одинаковую среднюю интенсивность.

4.    Методы улучшения качества подводных изображений

В отличие от методов восстановления, методы улучшения качества подводных изображений [3] основываются на качественных критериях оценки и не имеют цели осуществить точное восстановление реального вида объекта съемки. Указанные методы могут быть направлены на улучшение цветности или контраста изображения. Методы улучшения качества изображений являются более простыми и быстродействующими по сравнению с методами восстановления за счет отсутствия необходимости использования сложных физических моделей.

Методы улучшения подводных изображений направлены на улучшение основных параметров изображения, таких как цветность, контрастность и наличие дымки, и не зависят от особенностей формирования подводных изображений и физических принципов распространения оптического излучения в воде [18].

В основу методов обработки в пространственной области заложено использование гистограмм интенсивности изображения, так как расширение динамического диапазона гистограммы позволяет улучшить видимость объектов съемки, повысить контрастность и детализацию подводного изображения.

Методы, основанные на одиночной цветовой модели [19], используют в качестве входных данных только само обрабатываемое изображение и не требуют каких-либо знаний об условиях проведения съемки и дальности до объекта. Копия обрабатываемого изображения подвергается цветокоррекции, адаптивному выравниванию гистограммы и настройке баланса белого для последующего взвешенного объединения с исходным изображением с целью повышения резкости и контрастности изображения.

Особенностью подобных методов является осуществление обработки изображения в единственном цветовом пространстве без осуществления конвертации.

Методы на основе нескольких цветовых моделей [20] наоборот основываются на преимуществах нескольких цветовых моделей, например CIELab, интегрированной цветовой модели (ICM). Представленные результаты демонстрируют повышение эффективности данных методов по сравнению с методами обработки на основе единственной модели.

Методы обработки в частотной области [21] основаны на применении различного рода фильтрации, вейвлет-преобразований и пр. для усиления высокочастотной составляющей (соответствующей краевым областям (границам объектов) на изображении) и ослабления низкочастотной составляющей (соответ- ствующей плоским мало изменяющимся областям изображения).

Методы, основанные на постоянстве цвета [22], предпринимают попытку приблизить способности машинного зрения к человеческому. Подобные методы осуществляют цветокоррекцию изображений и далее анализ освещенности и коэффициента отражения объекта съемки на базе Retinex с целью преодоления проблем, вызванных недостаточной освещенностью и искажением цвета.

В работе [22] с целью ускорения обработки изображения для определения карты передачи применен метод постоянства цвета одиночного изображения, заключающийся в следующих этапах: оценка фоновой освещенности, оценка освещенности, оценка карты передачи на основании постоянства цвета и цветовая коррекция. Данный подход позволил сократить время обработки изображения более чем в три раза по сравнению с MIP и более чем в четыре раза по сравнению с UDCP.

Методы, построенные на корректировке контрастности, основаны на нормализации гистограммы (алгоритм CLAHE и его вариации), которая осуществляет анализ локальной гистограммы участка обрабатываемого изображения, ограничивает максимальное значение пика интенсивности и перераспределяет обрезанные пиксели равномерно по всем уровням. Дополнительно применяется метод темнового канала для оценки областей размытия и их исправления [23, 24]. Алгоритм CLAHE подходит для улучшения локального контраста в каждой анализируемой области изображения и улучшения четкости краев объектов.

В работе [25] представлен оригинальный алгоритм восстановления подводных изображений, основанный на коррекции цвета и уменьшении дымки с применением метода темнового канала, локальном усилении контрастности изображения с применением CLAHE алгоритма и глобальном увеличении контраста путем растягивания гистограммы изображения. Качественные и количественные оценки предлагаемого метода демонстрируют его высокую эффективность. Недостатком данного метода является применение для оценки коэффициента передачи наиболее простой экспоненциальной модели затухания оптического излучения. Более точные модели, например модель Аккайнака–Дрейфитца [26], основываются на более сложном описании распространения света в воде в виде суммы двух экспоненциальных слагаемых, отражающих поведение прямого света и рассеянного, а также учитывающего коэффициенты, соответствующие параметрам водной среды. Модель Аккайнака– Дрейфитца можно назвать уточненной моделью формирования изображения (IFM).

Отдельно можно выделить методы, основанные на алгоритмах слияния [27, 28], заключающихся в формировании нескольких промежуточных изображений с различными настройками яркости, контрастности, цветности и пр. Основным вопросом при данном подходе является подбор весовых коэффициентов для взвешенного суммирования промежуточных изображений с целью получения итогового обработанного подводного изображения.

Методы на основе глубокого обучения [29, 30], несомненно, обладают большим количеством преимуществ, среди которых стоит отметить возможность комплексного улучшения изображений по нескольким параметрам, возможность настройки сети для получения улучшенных изображений с необходимыми оптическими и художественными эффектами. Эти методы широко используются для улучшения размытых изображений, обнаружения целей по заданной маске или описанию и сегментации изображений. При этом данные методы также не лишены недостатков, среди которых следует отметить их сложность, требовательность к вычислительным ресурсам, необходимость достаточно сложного обучения с применением предварительно подготовленной базы данных и пр.

В работе [31] предложен метод на основе обучаемой сети скрытой согласованности LCL-Net, который в отличие от традиционных подходов к улучшению подводных изображений, основанных на глубоком обучении, обнаруживает скрытую согласованность между заданными шаблонами и входным необработанным изображением, чтобы выбрать подходящий шаблон для передачи цвета. Данный подход не является физически точным, но позволяет существенно сократить время обработки изображений, достичь экономии ресурсов (памяти GPU) и обеспечить возможность обработки изображений высокого разрешения.

Предпринимаются также попытки объединения преимуществ, свойственных стандартным методам и подходам на основе глубокого обучения [32, 33]. Так, в [32] авторами реализован метод улучшения качества подводных изображений на основе слияния, состоящего из модуля восстановления цветового баланса на основе алгоритма цветового баланса в пространстве CIELab, устранения дымки и выравнивания яркости на основе алгоритма адаптивного выравнивания гистограммы, реализованный на базе сверточной нейронной сети, что позволило добиться высокой производительности в совокупности с эффективностью.

Обзор существующих методов восстановления и улучшения качества подводных изображений с описанием ключевых достоинств и недостатков приведен в табл. 1.

Наиболее точные результаты в части восстановления цветности, устранения дымки и прочих искажений дают методы, основанные на использовании точных сведений о дальности (RGBD), например, в [34] для определения дальности применяется специальная таблица известной формы, размеров и цвета, располагаемая возле объекта съемки. Также сведения о дальности до объекта могут быть получены путем использования стереокамер, лазерных дальномеров, альтиметров и иного аппаратного обеспечения.

Программные методы, основанные на использовании априорной информации [1 –3], позволяют оценить дальность до объектов съемки, основываясь на оптических свойствах среды в случае отсутствия достоверной информации. Достоинство данных методов заключается в том, что они позволяют получить сведения о дальности не только до основного объекта съемки, но также и до фоновых объектов в кадре.

Табл. 1. Обзор существующих методов восстановления и улучшения качества подводных изображений

Ссылка

Год публикации

Тип метода

Метод: а) описание метода; б) особенности метода; в) достоинства метода; г) недостатки метода; д) вычислительная платформа

1

2

3

4

Методы восстановления изображений

[8]

2023

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе модели рассеяния.

  • б)    В методе учтено изменение условий освещенности (естественное / искусственное).

  • в)    Относительно высокая скорость обработки изображения.

  • г)    Предлагаемый подход является итерационным с пошаговым изменением параметра преобразования с оценкой и анализом получившегося результата. При этом в зависимости от количества шагов общее время преобразования может быть существенно больше.

  • д)    Intel Pentium M, 2 GHz, 512 MB RAM.

[35]

2022

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе IFM с оптимизацией карты глубины и оценкой фоновой освещенности.

  • б)    Учитывается разность интенсивности красного и сине-зеленого каналов.

  • в)    Устраняет проблему завышения фоновой освещенности в сценах с белыми объектами или яркими пикселями в ближнем поле.

  • г)    Сложность реализации метода.

1

2

3

4

[36]

2018

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе IFM.

  • б)    Метод основан на оценке размытости изображения и поглощения света.

  • в)    Более точная оценка глубины сцены.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

[37]

2023

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе анализа интенсивности канала и адаптивных темных пикселей.

  • б)    Оценка карты глубины осуществляется с использованием предварительной оценки интенсивности канала (CIP), а устранение обратного рассеяния – с помощью адаптивных темных пикселей (ADP).

  • в)    Метод эффективен при работе с неравномерно освещенными изображениями и разнообразной средой.

  • г)    В основе модели формирования изображения лежит экспоненциальный закон затухания оптического излучения при распространении в воде.

Длительное время обработки.

  • д)    Intel Xeon Silver 4215R CPU 3.20 GHz, NVIDIA Tesla V100 PCIE 32GB GPU.

[38]

2021

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе модели формирования изображения (IFM).

  • б)    Для оценки карты передачи используется как прямой, так и рассеянный свет. С целью определения рассеянного фонового освещения анализируемое изображение разделяется на четыре квадранта, в пределах которых определяются средние значения интенсивности пикселей.

Для уменьшения шума применяется дискретное вейвлет-преобразование. в) Эффективное повышение четкости и контрастности изображения, восстановление цвета даже для мутного изображения с сильным искажением цвета. г) Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

[39]

2021

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе модели формирования изображения (IFM).

  • б)    В основе метода заложена уточненная модель формирования изображения, представляющая собой сумму двух экспоненциальных составляющих.

  • в)    Применение уточненной модели формирования изображения обеспечивает повышение точности по сравнению с использованием упрощенной модели. Повышение контрастности и четкости подводных изображений.

  • г)    В отдельных случаях наблюдается остаточный сдвиг цветов изображения в сине-зеленую область спектра.

[40]

2022

Метод на основе оптической модели формирования изображений

  • а)    Метод на основе модели формирования изображения (IFM).

  • б)    В основе метода заложена уточненная модель формирования изображения, представляющая собой сумму двух экспоненциальных составляющих.

  • в)    Применение уточненной модели формирования изображения обеспечивает повышение точности по сравнению с использованием упрощенной модели. Повышение контрастности и четкости подводных изображений.

  • г)    В отдельных случаях наблюдается остаточный сдвиг цветов изображения в сине-зеленую область спектра.

[41]

2022

Метод на основе оптической модели формирования изображений с элементами методов на основе априорной информации, а также методов улучшения на основе постоянства цвета и обработки в пространственной области

  • а)    Метод основан на применении предлагаемой модели формирования изображений, определении глубины сцены с использованием предположения о постоянстве цвета, определения фоновой освещенности на основе темнового канала, а также улучшения восприятия путем растягивания гистограмм изображений.

  • б)    В основе расчетов карты пропускания заложена оценка фоновой освещенности и флуктуации цвета.

Проведен анализ изменений гистограмм для различных искажений изображений.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

1

2

3

4

[42]

2021

Метод на основе оптической модели формирования изображений с элементами методов на основе априорной информации

  • а)    Метод на основе IFM и сведений об ослаблении света под водой (underwater light attenuation prior (MOLAP).

  • б)    Метод основан на модели формирования изображения и применяет контролируемую модель линейной регрессии для определения глубины сцены, фоновой освещенности и карты пропускания.

Информация об ослаблении света определяется как изменение между значением высокой интенсивности зеленого и синего цветов, а значение интенсивности красного цвета на пиксель сильно коррелирует с разницей в глубине сцены.

  • в)    Высокая контрастность восстановленных изображений.

Высокие качественные и количественные показатели эффективности восстановления изображений.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

[34]

2019

Метод на основе априорной информации с элементами методов на основе оптической модели формирования изображений и технологии RGBD

  • а)    Метод на основе DCP, IFM, RGBD.

  • б)    Метод Sea-through оценивает обратное рассеяние, используя данные темнового канала и информацию об их известной дальности. Затем исполь-зуетcя оценка пространственно изменяющегося источника освещения для получения коэффициента ослабления, зависящего от дальности.

  • в)    Точное восстановление сцены изображения и цветности.

Применение уточненной модели затухания оптического излучения для определения коэффициента передачи.

  • г)    Для восстановления изображения в кадр помещается объект с известными цветом и формой.

На основе данной информации оценивается дальность до объекта съемки и искажения цветов изображения.

[43]

2020

Метод на основе априорной информации с элементами методов на основе оптической модели формирования изображений и технологии RGBD

  • а)    Метод основан на оптической модели формирования изображения с использованием информации о дальности до объекта съемки.

  • б)    Для обеспечения обработки изображений используется объект с известными размерами и цветом (таблица).

  • в)    Восстановление естественных цветов объектов.

В основу заложена уточненная модель формирования изображения.

  • г)    Для восстановления изображения в кадр помещается объект с известными цветом и формой.

На основе данной информации оценивается дальность до объекта съемки и искажения цветов изображения.

[14]

2016

Метод на основе априорной информации

  • а) Метод на основе UDCP.

  • в) Устойчивость метода при низком уровне яркости красного канала по сравнению с DCP.

[44]

2021

Метод на основе априорной информации

  • a)    Метод на основе предположения о сером мире (Gray World assumption prior).

  • б)    Для восстановления изображений используется статистика для различных типов водной среды.

  • в)    Учтены особенности различных типов водной среды.

  • г)    Недостаточная контрастность и повышенная размытость результирующих изображений.

[45]

2021

Метод на основе априорной информации

  • а)    Метод на основе RDCP.

  • б)    Применение RDCP обеспечивает получение более стабильного результата при определении карты пропускания по сравнению с DCP.

Отдельный канал алгоритма осуществляет определение фоновой освещенности на изображении, значение которой в дальнейшем применяется при восстановлении изображения.

  • в)    Более точное определение карты пропускания вне зависимости от особенностей входного изображения.

  • г)    Недостаточное восстановление цветов изображения по сравнению с ана-

1

2

3

4

логичными методами. На выходных изображениях наблюдается остаточный сдвиг цветов в сине-зеленую область спектра.

Недостаточная контрастность обработанного изображения.

[46]

2022

Метод на основе априорной информации

  • а)    Метод на основе априорной информации с применением подходов MIP и GDCP.

  • б)    Применение различных подходов обеспечивает повышение точности определения карты пропускания по сравнению с применением одного алгоритма.

  • в)    Более точное и стабильное определение карты пропускания на основе двух подходов MIP и GDCP по сравнению с DCP, несмотря на особенности входных изображений.

  • г)    Более сложная реализация метода обработки.

Наличие остаточной дымки на обработанных изображениях в зависимости от особенностей входного изображения.

Наличие сдвига цветов подводных объектов в красную область спектра для отдельных изображений.

[25]

2020

Метод на основе априорной информации с элементами методов улучшения на основе обработки в пространственной области и корректировки контрастности

  • а)    Метод на основе DCP, CLAHE и растягивания гистограммы.

  • б)    Предварительная оценка дефицита красного цвета на изображении и соответствующая корректировка алгоритма обработки.

Обработка ведется в цветовом пространстве CIELab, а затем преобразовывается в RGB.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

  • д)    Intel Core i7 CPU, 2.40 GHz, 8 GB RAM.

[47]

2020

Метод на основе априорной информации с элементами методов на основе оптической модели формирования изображений

  • а)    Гибридный метод: DCP и основанный на оптических свойствах среды и оптической модели.

  • б)    Особенность метода заключается в применении одновременно двух подходов к оценке дальности до объекта съемки и определения карты пропускания. Первый основан на приоритете темнового канала, второй основан на оптической модели и свойствах среды.

Далее данные объединяются для получения более точной оценки параметров модели.

  • в)    Повышение точности определения дальности до объекта и карты пропускания за счет применения двух методов расчета и усреднения результатов.

  • г)    В основе модели формирования изображения лежит экспоненциальный закон затухания оптического излучения при распространении в воде.

В составе уравнений метода присутствует масштабирующий коэффициент, значение которого не может быть рассчитано автоматически.

Его определение может быть выполнено путем последовательного перебора значений и сравнения количественных показателей качества изображения, что потребует больших вычислительных затрат.

  • д)    Intel Core i5 CPU 2.50GHz, 8 GB RAM.

[48]

2018

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений

  • а)    Метод на основе глубокого обучения, тип сети – CNN.

  • б)    Сеть состоит из подсети оценки пропускания и подсети оценки освещенности.

  • в)    Улучшенная цветокоррекция.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

[49]

2022

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений

  • а)    Метод на основе глубокого обучения, тип сети – GAN.

  • б)    Нейронная сеть используется для оценки дальности до объектов съемки с применением различных целевых функций.

  • в)    Применяется составная функция для оценки коэффициентов затухания.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

Обучение проводится с помощью сгенерированных парных изображений.

1

2

3

4

[50]

2021

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений

  • а)    Метод на основе глубокого обучения, тип сети – GAN.

  • б)    Метод основан на сопоставительном обучении и применении генеративных состязательных сетей для максимизации взаимной информации между входным и выходным восстановленным изображением.

  • в)    Обучение проводится как на наборе парных, так и на наборе непарных изображений.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

Относительно невысокая контрастность обработанного изображения. Наличие остаточных изображений дымки и смещения в сторону синезеленых цветов.

[51]

2023

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений

  • а)    Гибридный подход на основе физических методов и нейронной сети GAN.

  • б)    Нейронная сеть включает две подсети: восстанавливающую сеть и сеть деградации.

Для эффективной цветокоррекции и повышения качества подсеть дегенерации построена на теории дегенерации Jaffe-McGlamery.

Нейронная сеть при этом используется для моделирования процесса дегенерации.

Кроме того, при моделировании накладываются физические ограничения на глубину сцены и коэффициенты дегенерации для оценки обратного рассеяния, чтобы избежать некорректных результатов во время обучения гибридной физико-нейронной модели.

  • в)    Применение физических моделей для формирования процесса дегенерации подводного изображения, а нейронной сети – для моделирования процесса дегенерации.

Более точная реконструкция сцены изображения для определения дальности до объектов съемки.

Повышение контрастности изображения.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

Сложность реализации метода.

  • д)    GeForce GTX 1080ti GPU.

[52]

2023

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений и методов на основе априорной информации

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с использованием подходов на основе IFM и DCP.

  • б)    Реализован адаптивный модуль управления передачей.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

Обучение проводится с помощью сгенерированных парных изображений.

[53]

2022

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений и методов на основе априорной информации

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с использованием подходов на основе IFM и DCP.

  • б)    Прогнозирует карту пропускания на основе входных изображений, содержит две подсети: первая подсеть прогнозирования карты пропускания и вторая подсеть улучшения изображения, управляемая первой подсетью.

  • в)    Высокие качественные и количественные показатели эффективности метода.

Повышенная по сравнению с аналогами четкость выходного изображения. г) Обучение проводится с помощью сгенерированных парных изображений.

д) NVIDIA 3090 Ti GPU.

1

2

3

4

[54]

2023

Метод на основе глубокого обучения с применением алгоритмов оптического формирования изображений и методов на основе априорной информации

  • а)    Метод глубокого обучения с применением сверточной нейронной сети (CNN) с использованием подхода на основе DCP, включает модуль динамической коррекции цвета.

  • б)    Сеть типа кодер – декодер.

  • в)    Высокие качественные и количественные показатели эффективности метода. Объединяет преимущества нескольких подходов.

Высокая четкость выходных изображений.

  • г)    Сложность реализации метода.

Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

Обучение проводится с помощью сгенерированных парных изображений.

[55]

2020

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Метод эффективно способен обрабатывать изображения низкой яркости. в) Метод направлен на повышение яркости и четкости подводных изображений.

г) Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

[56]

2021

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Обучение проводится с использованием одиночных изображений, так как блок внесения искажений заложен в самой сети.

  • в)    Отсутствие необходимости использования парных изображений для тренировки сети.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

Не устраняется полностью сдвиг изображения в область зеленых цветов для изображений с сильным искажением цвета.

  • д)    i5-6400 CPU, 32 GB RAM, Titan X GPU.

[57]

2020

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Обучение проводится с использованием одиночных изображений, так как блок внесения искажений заложен в самой сети.

  • в)    Отсутствие необходимости использования парных изображений для тренировки сети.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

Не устраняется полностью сдвиг изображения в область зеленых цветов для изображений с сильным искажением цвета.

Методы улучшения изображений

[58]

2023

Метод на основе обработки в пространственной области

  • а)    Метод на основе нормализации гистограммы.

  • б)    Метод основан на многоинтервальной подстройке субгистограмм.

  • в)    Улучшает контрастность изображения.

  • г)    Может создавать красное затенение для некоторых типов подводных изображений. Не учитывает глубину сцены.

[59]

2023

Метод на основе обработки в пространственной области

  • а)    Метод на основе нормализации гистограммы.

  • в)    Метод включает растягивание гистограммы, повышение контрастности и балансировку цвета.

  • г)    Осуществляется оценка субъективно лучшего изображения.

[60]

2018

Метод на основе обработки в пространственной области

  • а)    Метод на основе изменения цветности, контраста и резкости.

  • б)    Пошаговое изменение настроек цветности, контраста и резкости для улучшения изображения.

  • в)    Простота реализации.

  • г)    Итерационный метод с контролем параметров (оценкой количественных показателей изображения) после каждого шага.

1

2

3

4

[61]

2017

Метод на основе

в пространственной области

  • а)    Метод на основе пиксельных вычислений.

  • б)    Метод включает цветокоррекцию, основанную на кусочно-линейном преобразовании, и улучшение контрастности.

  • в)    Относительно высокая скорость обработки изображений. Возможность обработки изображений высокого разрешения.

  • г)    Эффективность метода зависит от типа искажений подводного изображения.

  • д)    4GB RAM.

[27]

2020

Метод на основе обработки в пространственной области

  • а)    Метод на основе баланса белого, слияния недоэкспонированных изображений, гамма-коррекции.

  • б)    Метод состоит из двух этапов: улучшенный подход к балансировке белого и искусственная стратегия многократного слияния недоэкспонированных изображений.

Для формирования набора недоэкспонированных изображений применяется гамма-коррекция исходного изображения.

Для определения выходного изображения сравнивается несколько вариантов обработанного изображения с разными параметрами настройки.

В качестве критерия сравнения используются численные показатели качества изображения.

  • в)    Высокие качественные и количественные показатели эффективности метода. Повышение контрастности и детализации изображения относительно исходного изображения.

[20]

2020

Метод на основе обработки в пространственной области

  • а)    Метод основан на теории хроматической адаптации.

  • б)    Обработка изображения осуществляется в цветовых пространствах XYZ и UCS с последующим преобразованием в sRGB.

Для восстановления цвета применяется модель стандартного источника освещения D65.

  • в)    Простота реализации метода.

Восстановление реалистичных цветов подводных объектов.

  • г)    Метод направлен исключительно на улучшение цвета, но не способствует устранению других искажений подводных изображений: недостаточная яркость и контраст изображений, а также наличие дымки.

[62]

2023

Метод на основе обработки в пространственной области

  • а)    Метод основан на коррекции цвета и обработки изображения в пространственной области (коррекции гистограммы).

  • б)    Метод включает следующие основные этапы: коррекция цвета с помощью выравнивания гистограммы, разложение канала V изображения на низкочастотные и высокочастотные составляющие с помощью направленного фильтра, усиление низкочастотной компоненты, объединение двух вариантов низкочастотной составляющей для повышения контрастности изображения и применение разработанной функции улучшения детализации изображения.

  • в)    Комплексный подход к коррекции цвета, улучшению детализации и контрастности изображения.

Высокие количественные показатели эффективности метода.

  • г)    Недостаточное улучшение контрастности изображения для случая обработки изображений с сильным искажением цвета и повышенной мутностью в сравнении с аналогичными методами.

  • д)    Intel i7 118000H, 2.3 GHz, 16 GB RAM.

[21]

2022

Метод на основе обработки в пространственной и частотной обла

стях

  • а)    Метод включает в себя алгоритм улучшения изображений путем обработки в пространственной области (растягивание гистограммы) и путем обработки в частотной области с применением вейвлет-преобразований.

  • б)    Метод включает в себя два независимых алгоритма обработки в частотной и временной областях с последующим объединением результатов в равных долях с одинаковыми весовыми коэффициентами.

  • в)    Применение двух независимых алгоритмов позволяет повысить надежность обработки вне зависимости от особенностей входного изображения. Повышение контрастности и четкости изображения.

  • г)    Сложность реализации метода.

1

2

3

4

[22]

2022

Метод на основе теории постоянства цвета

  • а)    Метод на основе постоянства цвета.

  • б)    Для оценки карты передачи применен подход постоянства цвета одиночного изображения.

  • в)    Относительно высокая скорость обработки изображения.

  • г)    Применение экспоненциальной модели затухания оптического излучения для определения коэффициента передачи.

  • д)    Intel Core i5-3210M CPU 2.50 GHz, 4.00 GB RAM.

[63]

2023

Метод на основе теории постоянства цвета

  • а)    Метод основан на уточненной модели карты пропускания Retinex и адаптивной коррекции цвета.

  • б)    Применяется предложенный авторами подход к оценке карты пропускания, исключающий необходимость оценки рассеянной (фоновой) освещенности. в) Более простая реализация алгоритма оценки карты пропускания.

Используется оценка рассеянного света в локальных областях, что позволяет улучшить восстановление деталей изображения.

Высокие качественные и количественные показатели эффективности метода.

г) Использование упрощенного алгоритма баланса белого в отдельных случаях может привести к получению неудовлетворительных результатов при сбое указанного внутреннего алгоритма.

[64]

2023

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения, обучаемая частично контролируемая система типа учитель-ученик, построенная с использованием подсистем AIM-NET.

  • б)    Сеть состоит из двух сетей одинаковой структуры, называемых учитель и ученик.

Две сети отличаются главным образом тем, каким образом обновляются их веса.

Сеть учителя может агрегировать ранее изученные весовые коэффициенты сразу после каждого этапа обучения.

Весовой коэффициент сети ученика обновляется в соответствии с градиентным спуском.

  • в)    Использование самообучаемой стратегии.

Применение двух подсетей с различным алгоритмом изменения параметров и выбором наиболее оптимального результата.

  • г)    Недостаточная контрастность восстановленного изображения. Наблюдается остаточная дымка на обработанных изображениях.

  • д)    NVIDIA RTX 3090 GPU.

[16]

2022

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN), CycleGAN.

  • б)    Применение одиночных, а не парных изображений для тренировки нейросети.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Недостаточная контрастность восстановленного изображения.

[31]

2022

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN), LCL-Net.

  • б)    Возможность обработки изображений с высоким разрешением в связи с низкой требовательностью к объему памяти GPU.

  • в)    Высокая скорость обработки изображения.

  • г)    В процессе обработки изображения метод опирается не на физические модели, а на заданные шаблоны передачи цвета для выбора наиболее подходящего.

  • д)    Intel i7-8700 CPU, Nvidia GTX2080Ti GPU.

[65]

2023

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Предложена новая структура сети оценки передачи по каналам (CTEN).

  • в)    Относительно высокое быстродействие.

  • г)    Необходимость применения парных изображений для тренировки сети.

  • д)    NVIDIA RTX 3090.

1          2                 3

4

[66]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Обработка цвета осуществляется в двух цветовых пространствах: RGB и HSV.

  • в)    Относительно высокая скорость обработки изображений. Высокие качественные и количественные показатели эффективности метода.

  • г)    Обучение проводится с помощью сгенерированных парных изображений.

  • д)    NVIDIA Tesla V100 GPU 32 GB RAM, AMD Epyc 32-core CPU.

[67]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Основная обработка проводится с использованием изображения уменьшенного разрешения в 256×256 пискелей. Далее полученные сведения о параметрах модели применяюся к изображению исходного размера.

  • в)    Относительно высокая скорость обработки изображений. Возможность обработки изображений высокого разрешения.

  • г)    Обучение проводится с помощью сгенерированных парных изображений.

[68]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Функционирование сети осуществляется за счет адаптивного селективного встроенного контролируемого функционального модуля.

  • в)    Относительно высокая скорость обработки изображений.

  • г)    Сложность реализации метода.

  • д)    NVIDIA Tesla V100 GPU, Intel Xeon Silver 4114 CPU, 32GB RAM.

[69]    2015     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Предложено уравнение синтеза окружающего освещения для более точного учета условий съемки.

  • в)    Предложенный алгоритм позволяет более точно имитировать реальные подводные сцены с учетом особенностей освещенности.

  • г)    Сложность реализации метода.

Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

Обучение проводится с помощью сгенерированных парных изображений.

  • д)    2 х NVIDIA Titan V GPUs.

[70]    2022     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Применение дополнительного преобразователя повышает эффективность обработки.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • д)    NVIDIA RTX 3090 GPU.

[71]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN), облегченная параллельная нейронная сеть.

  • б)    Сеть использует четыре этапа параллельного улучшения.

  • в)    Относительно высокая скорость обработки изображений.

Повышенная по сравнению с аналогами четкость выходного изображения. Высокие качественные и количественные показатели эффективности метода.

  • г)    Обучение проводится с помощью сгенерированных парных изображений.

  • д)    NVIDIA RTX A100GPU (40GB).

1          2                 3

4

[72]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Многоуровневая иерархическая структура, состоящая из генератора и дискриминатора.

  • в)    Высокие качественные и количественные показатели эффективности метода. Повышенный уровень детализации изображений по сравнению с другими методами.

  • г)    Требует большого объема обучающих данных, что ограничивает способность к обобщению в различных подводных средах или сценариях.

Метод не обладает временной согласованностью видеопоследовательностей, что ограничивает его применимость к обработке изображений.

  • д)    Intel Xeon 4215 CPU 3.20 GHz, 32 GB RAM, Tesla V100 GPU.

[73]    2022     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Включает два параллельных пути оценки цветности и оценки текстур изображения. Далее обработку осуществляет нейронная сеть U-Net.

  • в)    Высокие качественные и количественные показатели эффективности метода.

Объединяет преимущества нескольких подходов.

  • г)    Сложность реализации метода.

Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

Обучение проводится с помощью сгенерированных парных изображений.

Относительно длительное время обработки изображений.

  • д)    NVIDIA RTX A5000 GPU.

[74]    2020     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Входное изображение подвергается предварительной обработке в трех каналах: изменение баланса белого, выравнивание гистограммы и гамма-коррекция.

Полученные промежуточные изображения анализируются, формулируются наиболее важные особенности входных данных, которые в дальнейшем определяют параметры слияния промежуточных изображений в итоговый результат.

  • в)    Высокие качественные и количественные показатели эффективности метода. Применение комплексного подхода, позволяющего использовать преимущества пространственных методов обработки изображений.

  • г)    Обучение проводится с помощью сгенерированных парных изображений. Искажения, внесенные эффектом рассеяния, устраняются не полностью. д) Nvidia 1080Ti GPU.

[75]    2020     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    В составе сети применена функция оценки обработанного изображения на основе его содержания, цвета, текстур и стилистики.

  • в)    Для обучения метода могут применяться как наборы парных изображений, так и одиночные изображения.

При этом обучение проводится на основе функции оценки и набора параметров численного анализа качества изображения.

  • г)    Относительно высокая длительность обработки изображения. Искажения устраняются только для объектов, расположенных ближе к камере. Для удаленных объектов и объектов на фоне качество улучшения существенно ниже.

Для изображений, имеющих в кадре объекты на существенно различных дистанциях, качество улучшения различно.

Для обработки изображений большего чем 256×256 пикселей разрешения, необходимо расширение сети.

  • д)    Intel Core-i5 3.6GHz CPU.

1          2                 3

4

[76]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Двухфазная нейронная сеть.

Первая часть сети направлена на улучшение реализма входного изображения путем снижения различий в цветовом пространстве CIElab между входным изображением и синтетическим набором данных, введенных при обучении.

Вторая осуществляет процедуру улучшения качества на основе данных, полученных при обучении.

  • в)    Высокие качественные и количественные показатели эффективности метода.

Повышение субъективного восприятия изображения благодаря подсети повышения реалистичности.

  • г)    Обработка сконцентрирована в первую очередь на улучшении субъективного восприятия изображения.

Обучение проводится с помощью сгенерированных парных изображений.

  • д)    Intel i5-10500 CPU, 16.0GB RAM, NVIDIA GeForce RTX 2080 Super.

[77]    2024     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением гибридной нейронной сети, объединяющей сверточную нейронную сеть (CNN) и генеративную состязательную сеть (GAN).

  • б)    Нейронная сеть включает два генератора.

Первый генератор осуществляет моделирование возможного улучшения качества входного изображения, используя CNN модель на основе U-Net и данных, полученных при обучении.

Второй генератор осуществляет оценку коэффициентов рассеяния и прохождения.

Данные от первого и второго генератора далее используются для восстановления изображения.

  • в)    Комплексный подход с использованием более разветвленной сети с частичным использованием физического подхода к восстановлению изображения.

Применение при обучении базы данных парных изображений, основанных не на сгенерированных изображениях, а на реальных подводных изображениях и их дубликатах на воздухе.

  • г)    Сложность реализации.

Для входных изображений с существенным сдвигом в синюю область спектра наблюдаются искажения цветности выходного изображения сети.

Неполное устранение дымки и недостаточная контрастность выходных изображений относительно аналогичных методов.

[78]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Представлена новая структура нейронной сети UW-AAE. Основанная на применении сети Color-AAE, предварительно обученной модели CNN-AE и дискриминатора.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Обучение нейронной сети осуществляется с использованием парного набора реальных изображений и их сгенерированных аналогов с внесенными искажениями, свойственными подводным изображениям.

Недостаточная контрастность обработанных изображений при восстановлении изображений с повышенной мутностью.

  • д)    Intel(R) Core i5-7300HQ CPU, 2.50 GHz и a GTX 1080 Ti GPU.

1          2                 3

4

[79]    2024     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Подход заключается в том, что несколько сетей-учителей одновременно инструктируют обучаемые сети, что позволяет им улучшать цвет и детализацию ухудшенных изображений с разных точек зрения, после чего осуществляется слияние изображений для повышения эффективности.

  • в)    Высокие качественные и количественные показатели эффективности метода.

Введена функция оптимизации для достижения баланса между вычислительными затратами и качеством восстановления изображения.

Применение нескольких подсетей для анализа эффективности подходов к восстановлению изображения с различных сторон с последующим слиянием результатов.

  • г)    Обучение проводится с помощью сгенерированных парных изображений.

Недостаточное улучшение контрастности изображения для случая обработки изображений с сильным искажением цвета и повышенной мутностью в сравнении с аналогичными методами.

  • д)    NVIDIA GeForce GTX 3060 GPUs (12G).

[80]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети типа составная магистральная сеть (CBNet).

  • б)    Структура сети включает в себя несколько однотипных потоков (магистралей), осуществляющих обработку изображения.

Результирующее изображение получается путем осуществления свертки изображений, полученных от различных потоков.

  • в)    Увеличенное быстродействие по сравнению со сверточными нейронными сетями.

  • г)    Обучение проводится с помощью сгенерированных парных изображений.

  • д)    Nvidia GTX 3080 GPU.

[81]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Особенность метода заключается в том, что структура сети является иерархической для выделения необходимой информации из нужного уровня изображения, что позволяет увеличить быстродействие метода обработки более, чем на 11 процентов.

  • в)    Применение иерархической структуры позволяет ускорить быстродействие метода обработки.

Высокие качественные и количественные показатели восстановления.

  • г)    Обучение и проверка проводится с помощью сгенерированных изображений.

  • д)    NVIDIA GeForce RTX 2060.

[82]    2023     Метод на основе

глубокого обучения

  • а)    Метод на основе глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Метод включает два модуля – повышения резкости и восстановления цвета.

  • в)    Высокие качественные и количественные показатели восстановления подводных изображений.

Значительное повышение детализации подводных восстановленных изображений даже для изображений с сильной дымкой.

Для тестирования модуля восстановления цвета применен набор изображений, полученных без использования синтетических техник.

  • г)    Высокие требования к вычислительным ресурсам.

  • д)    Dell Precision 7920R сервер (2 х Intel Xeon Silver 4110 CPU, 2 х GeForce GTX 1080 Ti, 128 GBs RAM).

1

2

3

4

[83]

2024

Метод на основе глубокого обучения

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Особенность метода заключается в модульной структуре сети.

Первый модуль обеспечивает извлечение параметров изображения из входного изображения.

Второй модуль оценивает карту прохождения и фоновую освещенность для дальнейшего улучшения изображения путем применения упрощенной функции формирования изображения.

  • в)    Модульная структура обеспечивает разделение задач и упрощает понимание и функционирование сети.

Применение упрощенной функции формирования изображения обеспечивает частичный учет физических параметров модели для повышения точности. г) Обучение и проверка проводятся с помощью сгенерированных изображений. Структура рассчитана на обработку изображений с разрешением 256×256 пикселей.

Для обработки изображений с большим разрешением требуется существенная перестройка структуры сети и задействование значительных вычислительных ресурсов.

  • д)    NVIDIA TITAN Xp GPU.

[84]

2023

Метод на основе глубокого обучения с элементами методов обработки в частотной

и пространственной областях

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN).

  • б)    Для создания парных наборов данных для улучшения качества подводных изображений предложена UHD-CycleGAN.

  • в)    Высокие качественные и количественные показатели эффективности метода. г) Относительно сложная структура сети. Обучение проводится с помощью сгенерированных парных изображений.

[85]

2022

Метод на основе глубокого обучения с элементами методов обработки в пространственной области

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с применением алгоритмов, использующих растяжение гистограммы.

  • б)    Для обучения нейронной сети используется набор из одиночных изображений.

Алгоритм подготовки парного изображения встроен непосредственно в сам метод обработки изображений.

  • в)    Высокие качественные и количественные показатели эффективности метода. г) Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

Обучение проводится с помощью сгенерированных парных изображений (парное изображение формируется непосредственно самой сетью).

  • д)    i5-6400 CPU, 32 GB RAM, Titan X GPU.

[86]

2022

Метод на основе глубокого обучения с элементами методов обработки в пространственной области

  • а)    Метод на основе глубокого обучения, тип сети – CNN, дополнительно применены CLAHE и гамма-коррекция.

  • б)    Метод представляет собой комбинацию метода, основанного на глубоком обучении, а также пространственных методов.

  • в)    Высокие качественные и количественные показатели эффективности метода.

  • г)    Сложность реализации метода.

  • д)    AMD Ryzen 53600, 16GB RAM, NVIDIA Geforce GTX 1650 GPU.

[32]

2022

Метод на основе глубокого обучения с элементами методов обработки в пространственной области

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с использованием дополнительных алгоритмов обработки изображений в пространственной области.

  • б)    Метод посредством сверточной нейронной сети реализует алгоритм слияния и состоит из модуля восстановления цвета на основе алгоритма цветового баланса в пространстве CIELab, устранения дымки и выравнивания яркости на основе алгоритма адаптивного выравнивания гистограммы.

  • в)    Комбинация традиционных алгоритмов улучшения качества подводных изображений с современными технологиями глубокого обучения.

1

2

3

4

Улучшение детализации изображения.

  • г)    Обучение проводится с помощью сгенерированных парных изображений. В отдельных случаях наблюдается некорректное восстановление цвета (чрезмерное усиление цветности).

  • д)    Intel Core i5-8500, NVIDIA GeForce RTX 3080.

[87]

2022

Метод на основе глубокого обучения с применением алгоритмов обработки

в пространственной области

  • а)    Комбинированный метод, включающий обработку в пространственной области и технологии глубокого обучения с применением генеративной состязательной сети (GAN).

  • б)    Комбинированный метод, состоящий из нескольких модулей.

Модуль улучшения контрастности основан на адаптивной обработке гистограммы.

Модуль улучшения четкости построен на основе сверточной нейронной сети. Модуль цветового баланса построен на основе генеративной состязательной нейронной сети.

  • в)    Комбинированный метод, включающий как технологии глубокого обучения, так и традиционные технологии, основанные на обработке изображений в пространственной области.

  • г)    Для определения коэффициентов передачи применяется экспоненциальный закон затухания оптического сигнала в воде.

  • д)    Inter i5-4590 CPU 3.30 GHz, 16 GB RAM, Nvidia Geforce GTX 2070 (8 G).

[88]

2024

Метод на основе глубокого обучения с применением алгоритмов обработки

в пространственной и частотной областях

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с использованием дополнительных алгоритмов обработки изображений в пространственной области.

  • б)    Предлагаемая сеть содержит три параллельных канала, в каждом из которых обработка изображения осуществляется в различных цветовых пространствах: RGB, HSV и Lab.

Результаты обработки изображений в каждом из каналов далее объединяются для получения выходного изображения.

  • в)    Метод объединяет преимущества обработки изображений в каждом из используемых цветовых пространств.

Применение весовых коэффициентов для объединения результатов обработки изображения в каждом из параллельных каналов обеспечивает гибкость настройки метода.

  • г)    Производительность метода при улучшении детализации является неоптимальной, что подтверждается авторами.

Оценка карты передачи не является точной для различных сценариев и особенностей входных изображений.

Недостаточная контрастность обработанных изображений.

  • д)    Intel Xeon E5-2680 CPU, 32GB RAM, Titan Xp GPU 12GB.

Комбинированные методы

[61]

2022

Метод основан на алгоритмах восстановления изображений с применением оптической модели формирования изображений и априорной информации, а также алгоритмах улучшения изображений с применением подходов на базе теории постоянства цвета и обработки в пространственной области

  • а)    Метод объединяет несколько подходов восстановления (DCP, IFM) и улучшения (Retinex, растягивание гистограммы) изображений.

  • б)    Алгоритм осуществляет независимую обработку изображений с различными подходами (DCP, IFM, Retinex, растягивание гистограммы) для восстановления цветов объектов, улучшения контрастности, устранения дымки и пр. Выходное изображение получается путем объединения результатов обработки в различных каналах.

  • в)    Метод объединяет преимущества различных алгоритмов восстановления и улучшения изображений.

Высокая контрастность и яркость цветов выходного изображения.

Улучшение детализации изображения. Повышение вероятности определения контуров объектов стандартными методами распознавания и анализа изображений.

  • г)    Сложность реализации метода.

  • д)    CPU: Intel i7-6700HQ 2.60GHz; GPU: NVIDIA RTX 2070 8GB.

1

2

3

4

[90]

2019

Метод основан на алгоритме восстановления изображений с применением априорной информации и алгоритме улучшения изображений, базирующемся на теории постоянства цвета

  • а)    Метод объединяет подход восстановления подводных изображений на основе априорной информации (модифицированный метод темнового канала (Modified DCP)) и подходе улучшения подводных изображений на основе постоянства цвета (автоматизированный многоуровневый Retinex с восстановлением цвета – MSRCR).

  • б)    Изображение подвергается обработке двумя независимыми алгоритмами и далее объединяется в выходное изображение с применением матрицы весовых коэффициентов.

  • в)    Высокие качественные и количественные показатели эффективности метода. Улучшение детализации изображения. Повышение вероятности определения контуров объектов стандартными методами распознавания и анализа изображений.

  • г)    Выбор весовых коэффициентов осуществляется вручную. Изменение весовых коэффициентов в одну или другую сторону существенно влияет на выходное изображение как в части цветности, так и в части контрастности.

[91]

2024

Метод основан на технологии глубокого обучения с применением алгоритма восстановления изображения на основе априорной информации, а также алгоритма улучшения изображений, базирующегося на теории постоянства цвета

  • а)    Метод на основе глубокого обучения с применением сверточной нейронной сети (CNN) с использованием алгоритма восстановления изображений на основе априорной информации (DCP) и алгоритма улучшения изображений на основе теории постоянства цвета (многоуровневый Retinex).

  • б)    Обработка изображений осуществляется последовательно с использованием отдельных модулей (Color Correction Net, Multi Scale Retinex Net, Encoder-Decoder Network).

  • в)    Высокие качественные и количественные показатели эффективности метода. Повышение вероятности определения контуров объектов стандартными методами распознавания и анализа изображений.

  • г)    Сложность реализации метода.

Недостаточная контрастность и четкость выходного изображения по сравнению с аналогичными методами. Наличие дымки.

  • д)    GeForce RTX 3080 GPU.

Комбинация указанных аппаратных и программных методов позволит получить достоверные сведения о дальности до основного объекта съемки и оценку расстояния до фоновых объектов в кадре.

Точность и достоверность подобных методов основана на применяемой модели формирования изображения и заложенного в ее основу закона распространения оптического излучения в водной среде. Наиболее распространенным подходом является применение экспоненциального закона затухания оптического сигнала при распространении в водной среде (закон Бера–Ламберта) [1, 2, 26, 29].

Применение закона Бера–Ламберта является наиболее простым методом моделирования распространения света в водной среде [92], но наименее точным методом, так как в этом случае невозможно учесть явления многолучевого распространения, многократного рассеяния, дисперсии оптического сигнала и прочих физических особенностей распространения оптического излучения в воде.

Среди более точных методов моделирования распространения оптического излучения в воде следует отметить метод численного решения уравнения переноса излучения с применением метода Монте–Карло [93, 94]. Метод Монте–Карло является вероятност- ным методом, основанным на трассировке распространения фотонов. Преимуществами данного метода является простота программной реализации, высокая точность решения и большая гибкость настройки исходных данных. Недостатком метода Монте–Карло можно назвать наличие случайных статистических ошибок и большие вычислительные затраты [94]. Метод Монте–Карло подтвердил свою надежность и точность в различных теоретических исследованиях различных авторов, а также при сравнении результатов моделирования с полученными экспериментальными данными [94].

Предпринимаются попытки повышения точности определения коэффициентов затухания за счет использования более точных моделей вместо экспоненциального закона [34], однако в связи с относительной сложностью реализации подобные подходы не нашли широкого распространения, несмотря на более высокую точность восстановления подводных изображений. При этом данный подход может быть применим как к статичным изображениям, полученным в результате фотосъемки, так и к видео путем покадровой обработки [95]. Теоретически доступна также обработка видео в режиме реального времени при достижении необходимого быстродействия метода и применения высокопроизводительного аппаратного обеспечения.

Предпринимаются также попытки объединить преимущества различных методов обработки подводных изображений. В [89] авторы предлагают алгоритм, объединяющий как методы восстановления (DCP и IFM), так и методы улучшения (метод на основе Retinex и растягивание гистограммы) подводных изображений. Такой подход позволяет достичь высоких результатов как с субъективной, так и с объективной (количественные методы анализа результатов обработки изображений) стороны. Недостатком подобного подхода можно считать сложность реализации и настройки метода, в том числе в части определения весовых коэффициентов при объединении результатов обработки изображений с помощью различных подходов, а также реалистичные, но не точные цвета подводных объектов на восстановленном изображении.

Методы, основанные на применении нейронных сетей и глубокого обучения, обладают неоспоримыми преимуществами, среди которых следует отметить простоту их применения после завершения процедуры обучения, относительно высокое быстродействие и возможность повышения качества подводного изображения и улучшения субъективного восприятия объекта съемки [96, 97].

На рис. 2 приведены результаты анализа скорости обработки подводных изображений в совокупности с данными о размере обрабатываемых изображений, что позволяет оценить производительность и текущие функциональные возможности методов в части возможности их применения в режиме реального времени, а также их использования для обработки изображений высокого разрешения. Сведения взяты из источников, указанных в списке литературы к настоящей статье. Для наиболее производительных методов приведены ссылки на источники данных.

Из рис. 2 видно, что методы, основанные на применении нейронных сетей и глубоком обучении, демонстрируют в целом более высокую производительность по сравнению с традиционными методами обработки изображений. Однако существенная часть методов с применением нейронных сетей ограничена в части возможности обработки только изображений небольшого разрешения (256×256 пикселей) [98, 99]. При этом модернизация сети для обработки изображений большего размера требует применения существенных временных и вычислительных ресурсов [75].

Длительность обработки, сек

Рис. 2. Сопоставление производительности методов восстановления (красными «•» обозначены результаты для методов на основе модели оптического формирования изображений, красными «и» - для методов на основе априорной информации, красными « » - для методов на основе глубокого обучения) и улучшения (синими « ▲ » обозначены результаты для методов на основе обработки в пространственной области, синими «▼ » - для методов на основе обработки в частотной области, синими «♦» - для методов на основе постоянства цвета, синими « * » - для методов на основе глубокого обучения, синими « * » - для методов на основе корректировки контрастности, зелеными «*» - для комбинированных методов) подводных изображений

Г621Г71Т741 1741

Основным существенным недостатком нейронных сетей, кроме сложности процедур их реализации и обучения, является проведение их обучения на парных наборах изображений, включающих изображение высокого качества и его синтезированную копию, подвергнутую тем или иным алгоритмам ухудшения качества (добавление дымки, сдвиг цвета в зеленую или синюю область спектра и пр.). При этом зачастую методы, основанные на обучении нейронной сети с использованием подобных наборов изображений, демонстрируют гораздо худшие результаты при обработке реальных подводных изображений. Так, в работах [55, 100] продемонстрирована важность использования реалистичных наборов подводных изображения для тренировки нейронной сети.

Результативность методов восстановления и улучшения подводных изображений сильно отличается в случае их применения для обработки не синтезированных, а реальных изображений [101]. При этом в работе [102] показано, что, несмотря на субъективное улучшение качества и восприятия обработанного изображения, методы улучшения качества подводных изображений могут снижать эффективность обнаружения объектов, особенно в сложных случаях, вследствие увеличения помех, искажения цветности изображения или возникновения цветовых артефактов на обработанном изображении, размытия краев изображения и контуров объектов, чрезмерного повышения контрастности и прочих факторов.

Вопрос влияния алгоритмов восстановления и улучшения изображений на эффективность алгоритмов распознавания образов активно исследуется учеными [103, 104, 105, 106, 107]. Предпринимаются попытки интегрирования методов, основанных на глубоком обучении в алгоритмы распознавания подводных объектов [108, 109]. Так, в [38] на примере 75 тестовых изображений показано, что применение предложенного авторами метода восстановления подводных изображений, основанного на модели формирования изображения и дискретном вейвлет-преобразовании для уменьшения шума, существенно улучшает детализацию и повышает количество определяемых стандартными алгоритмами распознавания контуров объектов. Результаты подтверждены количественными и качественными оценками.

  • 5.    Применение методов восстановления и улучшения качества подводных изображений для решения задач в рамках морских геологоразведочных работ

Из анализа описанных выше методов обработки видно, что в настоящее время разработано большое количество различных подходов к решению проблемы восстановления или улучшения подводных изображений. Данные методы могут быть использованы в том числе и для обработки изображений, полученных в ходе морских геологоразведочных работ. С целью определения целесообразности (в том числе в части их эффективности и баланса между требованиями к вычислительным ресурсам и длительностью обработки) применения тех или иных методов обработки изображений необходимо оценить оснащенность оборудования, используемого для осуществления подводной съемки, описать особенности выполнения глубоководной съемки, а также оценить основные искажения, свойственные глубоководным снимкам. Это позволит сформировать основные требования, предъявляемые к методам обработки изображений, полученных в ходе морских геологоразведочных работ.

В связи с тем, что глубина залегания КМК, ЖКМ и ГПС находится в диапазоне от 500 до 6000 метров, выполнение морских геологоразведочных работ возможно только путем применения специализированных морских глубоководных комплексов, осуществляющих акустическую, фото- и видеосъемку морского дна. В связи с необходимостью обследования очень больших площадей морского дна наиболее целесообразным, высокопроизводительным и энергоэффективным методом является применение буксируемых глубоководных аппаратов.

В процессе морских геологоразведочных работ применяются не только методы, связанные с проведением фото- и видеосъемки, но также проводится взятие проб породы и грунта, проб воды, исследование и анализ биоразнообразия, анализ параметров грунта и пр. В связи с тем, что взятие проб является весьма трудоемкой и ресурсоемкой процедурой, оно проводится только в отдельно взятых точках обследуемой площади, в то время как фото- и видеосъемка проводится на всем протяжении работ.

При этом видеосъемка осуществляется преимущественно для оперативного контроля за движением подводного аппарата и оценки биоразнообразия исследуемой области Мирового океана. В то время как фотосъемка применяется именно для определения рудоносности исследуемого месторождения, плотности залегания и размеров конкреций для последующей оценки объемов полезных ископаемых, целесообразности разработки того или иного района морского дна и определения возможного метода их добычи. При этом фотосъемка осуществляется не непрерывно, а с интервалов порядка 10-15 секунд между кадрами. Это вызвано как особенностями применяемого оборудования (так как перезарядка импульсных источников света занимает определенное время), так и компромиссом между обеспечением достаточного количества кадров на заданной площади анализируемого участка морского дна и объемом базы данных и отчетных материалов, формируемых по результатам выполнения работ.

С целью обеспечения морских глубоководных геологоразведочных работ АО «ЮЖМОРГЕОЛОГИЯ» разработан и изготовлен буксируемый фототелевизионный комплекс «Нептун-Ц-О», оснащенный современ- ным оборудованием для проведения съемки морского дна в районах Мирового океана до 6000 м. Внешний вид комплекса «Нептун-Ц-О» показан на рис. 3.

Примеры подводных изображений, полученных в процессе морских геологоразведочных работ в зоне Кларион-Клиппертон Тихого океана, приведены на рис. 4.

Рис. 3. Внешний вид буксируемого модуля комплекса «Нептун-Ц-О»

Рис. 4. Подводные изображения, полученные в ходе морских глубоководных геологоразведочных работ в зоне Кларион-

Клиппертон Тихого океана

В 2023 году успешно проведена модернизация комплекса, в результате которой осуществлено его оснащение как современным оборудованием для осуществления фото- и видеосъемки высокого разрешения, так и вспомогательным оборудованием, обеспечивающим оценку взаимного положения камеры и объекта съемки:

  • -    гидроакустическим альтиметром для оценки отстояния буксируемого модуля комплекса от дна;

  • -    высокоточным датчиком давления, позволяющим определять глубину погружения буксируемого модуля;

  • -    а также лазерным масштабирующим устройством, обеспечивающим точную привязку геометрических размеров объекта вне зависимости от расстояния до него.

Особенности осуществления глубоководной съемки с целью осуществления морских геологоразведочных работ можно сформулировать следующим образом:

  • 1)    в момент съемки объект должен находиться под буксируемым модулем комплекса, так как фото- и видеокамеры, а также приборы заливающего и импульсного света направлены вниз;

  • 2)    в процессе буксировки в силу неоднородности рельефа и наличия качки на поверхности моря отстояние буксируемого модуля до дна (расстояние до объекта съемки) может изменяться. С целью получения качественных результатов съемки, а также обработки полученных кадров и проведения геологического анализа, оценки рудоносности и пр. расстояние до объекта в момент съемки должно быть примерно одинаковым для всех кадров. В связи с этим в процессе буксировки в автоматическом режиме постоянно отслеживается отстояние буксируемого модуля до дна (объекта съемки) и после получения команды и достижения нужного отстояния происходит съемка;

  • 3)    при проведении морских геологоразведочных работ информация с датчиков о взаимном положении камеры и объекта съемки доступна априори и сохраняется вместе с полученным кадром. При этом не требуется выделение информации о дальности до объекта съемки из самого изображения программными способами.

Из рис. 4 видно, что изображениям, полученным в ходе морских геологоразведочных работ, свойственны следующие искажения:

  • -    изменение цветности;

  • -    смещение цветов в сине-зеленую область спектра;

  • -    низкая контрастность изображения;

  • -    неоднородная освещенность кадра;

  • -    дымка;

  • -    наличие взвешенных частиц донных осадков в воде и пр.

На основе результатов многолетней фото- и видеосъемки сформирована база данных реальных подводных изображений морского дна глубоководной части Мирового океана, включая зону Кларион-Клиппертон. База данных включает более 5000 изображений и видео высокого разрешения с различными условиями освещенности, мутности воды и расстояниями до объектов.

Формирование подобных баз данных также является весьма важной прикладной задачей [110, 111], так как применение реальных подводных изображений позволяет осуществлять более точное обучение методов, основанных на технологии глубокого обучения, а также проверку и совершенствование всех методов обработки подводных изображений.

На основании вышеизложенного основные требования, предъявляемые к методам обработки подводных изображений, полученных в ходе морских геологоразведочных работ, могут быть сформулированы следующим образом:

  • -    восстановление естественных цветов подводных объектов;

  • -    обеспечение высокой контрастности;

  • -    устранение дымки на изображении;

  • -    отсутствие артефактов на изображении, вызванных некорректным функционированием алгоритма обработки;

  • -    длительность обработки не является определяющим фактором;

  • -    обработка выполняется преимущественно на этапе камеральных работ (постобработки) без необходимости реализации методов на базе мобильных или встраиваемых вычислительных систем;

  • -    информация о дальности до объекта съемки доступна априори в связи с обязательным наличием аппаратных датчиков на подводном аппарате;

  • -    в качестве входных данных выступают результаты фотосъемки (изображения), а не непрерывный поток видеоинформации.

На основании вышеизложенного можно сделать вывод, что для обработки подводных изображений, полученных в результате морских глубоководных геологоразведочных работ, наиболее целесообразным является выбор методов обработки, основанных на использовании априорной информации об условиях съемки, собранных с аппаратных датчиков. Такой подход в совокупности с использованием уточненной модели распространения оптического излучения в воде позволит обеспечить наиболее точное восстановление подводных изображений.

Расширение функциональных возможностей подводных аппаратов в части машинного зрения также является важной технической задачей, однако не все предлагаемые подходы применимы к геологоразведочным комплексам.

С целью расширения функциональных возможностей подводных аппаратов предпринимаются попытки объединения информации, получаемой от разных источников. Так, в [112] авторами предложена методика, объединяющая информацию от двух видеокамер и многолучевого эхолота. При этом многолучевой эхолот предоставляет данные о дальности до каждой точки объекта съемки, а интегрированный алгоритм восстановления обеспечивает улучшение видео с камер для последующего наложения видеоинформации и кадра развертки многолучевого эхолота для удобного восприятия оператором. Подобная система очень удобна для оперативного контроля за проводимыми работами, а также при осуществлении обзорно-поисковых работ с применением телеуправляемых подводных аппаратов, однако избыточна в плане оснащения геологоразведочных комплексов.

В [113] предпринята попытка интеграции метода улучшения подводных изображений и видео в программную оболочку подводного осмотрового аппарата. Метод основан на технологии глубокого обучения и успешно внедрен в программное обеспечение для улучшения потокового видео, поступающего от камеры аппарата. Авторам удалось добиться быстродействия метода, достаточного для обработки видео в режиме квазиреального времени в части улучшения цветов подводных объектов, но при этом низкие контрастность и детализация, а также дымка на изображении не устранены. Таким образом, подобный подход может быть применен для улучшения восприятия подводной обстановки в процессе съемки, но не в качестве основного метода для обеспечения дальнейшей автоматизированной обработки материалов геологоразведочных работ.

В целом методы восстановления подводных изображений и обработки видео в совокупности с алгоритмами распознавания образов могут существенно расширить функциональные возможности подводных аппаратов, в первую очередь автономных, как в части решения задач геологоразведочных работ, так и для обеспечения выполнения иных задач [114 – 116].

В работе [117] авторам также удалось достичь быстродействия метода обработки подводных изображений, достаточного для функционирования в режиме реального времени и использовать его для обработки данных, снимаемых автономным осмотро-вым необитаемым подводным аппаратом, но в отдельных случаях наблюдается чрезмерное усиление цветности вплоть до появления артефактов.

Применение отдельных методов улучшения качества и восстановления подводных изображений может приводить к появлению ореолов вокруг областей со значительным градиентом интенсивности [118], которые при дальнейшей обработке и автоматизированном распознавании могут восприниматься как часть объекта и стать следствием неверной оценки его размеров, что в контексте решения задач морских геологоразведочных работ, в первую очередь заключающихся в оценке запасов твердых полезных ископаемых, является недопустимым.

При этом выбор метода исключительно на основании показателей [119] количественной оценки результатов восстановления является некорректным и ненадежным, что также отмечается авторами в [120, 121]. Данный факт относится в первую очередь к методам улучшения качества подводных изображений, так как в их основу не заложены принципы и ограничения физических моделей, свойственные методам восстановления подводных изображений.

Таким образом, основное преимущество методов, основанных на глубоком обучении, в данном случае относительно неважно и на первый план выходит именно качество и достоверность восстановления подводных изображений.

Заключение

Таким образом, в настоящей работе приведены обзор и классификация современных методов восстановления и улучшения качества подводных изображений, а также анализ преимуществ и недостатков методов применительно к результатам съемки, полученным в ходе морских глубоководных геологоразведочных работ.

В связи с тем, что основными критериями выбора метода обработки является именно точность и достоверность восстановления подводных изображений, а не быстродействие и улучшение восприятия кадра, наиболее целесообразным является выбор методов, основанных на традиционном подходе и использовании априорной информации, полученной от аппаратных датчиков комплекса об условиях съемки и взаимном положении камеры и объекта.

Дальнейшее направление исследований сосредоточено на реализации алгоритма восстановления подводных изображений, полученных в ходе морских геологоразведочных работ, на основании разработанной авторами ранее уточненной численной модели распространения оптического излучения под водой.

Исследование выполнено за счет гранта Российского научного фонда №    23-79-01253,

Статья научная