Correction non supervisée d’images sous-marines couleur par inversion du modèle de propag

Correction non supervisée d’images sous-marines couleur par inversion du modèle de propag

Frédéric Petit Anne-Sophie Capelle-Laizé  Jean-Christophe Burie  Christine Fernandez-Maloigne 

Laboratoire XLIM-SIC, UMR CNRS 6172, Université de Poitiers,Bd Marie et Pierre Curie, F-86962 Futuroscope cedex

Laboratoire L3I, Université de La Rochelle Pôle Sciences et Technologie, Avenue Michel Crepeau F-17042 La Rochelle cedex 1

Corresponding Author Email: 
frederic.petit@univ-poitiers.fr
Page: 
493-520
|
DOI: 
https://doi.org/10.3166/TS.29.493-520
Received: 
N/A
| |
Accepted: 
N/A
| | Citation

OPEN ACCESS

Abstract: 

It is well-known that the water interacts with the light propagation: underwater images often present low contrast and luminosity. In this paper, an unsupervised enhancement method dedicated to underwater images is presented. The proposed method aims to compensate the influence of the water by inverting the light propagation model without using any information about the constitution of the medium (water). In order to reverse the light propagation model, two criteria are proposed to estimate the concentration parameters and the distance between the scene and the sensor. First, concentration parameters are estimated using a particular link between the concentration parameters and the colorimetric properties of the images. Secondly, the distance between scene and sensor is iteratively estimated. This estimation uses a criterion based on mean square error measure between two successive estimations of the corrected image. Given these parameters, the correction process is completely unsupervised. Experiments show the efficiency of the method; the contrast and the color dynamic of underwater images are improved while preserving a good color rendering.

RÉSUMÉ

Il est avéré que l’eau perturbe la propagation de la lumière. C’est pour cette raison que les images sous-marines présentent souvent un faible contraste et une faible luminosité. Cet article est consacré à la présentation d’une méthode non supervisée d’amélioration des images sous-marines. La méthode proposée a pour but de compenser l’influence de l’eau en inversant le modèle de propagation de la lumière sans aucune information a priori sur la composition du milieu, c’est-à-dire l’eau. Pour inverser le modèle de propagation de la lumière, deux critères sont proposés pour estimer d’une part les paramètres de concentration des particules présentes dans l’eau et d’autre part la distance entre la scène et le capteur (la caméra). Dans un premier temps, les paramètres de concentration sont estimés en utilisant un lien particulier entre les paramètres de concentration et les propriétés colorimétriques de l’image. Dans un second temps, la distance entre la scène et le capteur est estimée itérativement. Cette estimation utilise un critère basé sur une mesure d’erreur quadratique moyenne entre deux estimations successives de l’image corrigée. Une fois ces paramètres déterminés, la correction est complètement non supervisée. Les expérimentations montrent l’efficacité de la méthode. Le contraste et la dynamique des couleurs des images sous-marines sont améliorés tout en préservant un bon rendu visuel des couleurs.

Keywords: 

images enhancement, underwater images, color images, light propagation model, inverse problem

MOTS-CLÉS

correction colorimétrique, images sous-marines, images couleur, modèle de propagation de la lumière, problème inverse

Extended Abstract
1. Introduction
2. Propagation De La Lumière Dans L’eau
3. Méthode Supervisée D’amélioration Des Images Sous-Marines
4. Algorithme Non Supervisé D’amélioration Des Images
5. Conclusion
  References

Ahlen J. (2005). Colour correction of underwater images using spectral data. Thèse de doctorat non publiée, University of Uppsala.

Baker K., Smith R. (1982). Bio-optical classification and model of natural waters. Limnology and Oceanography, vol. 27, n° 3, p. 500-509.

Blasi P. (1996). Simulation de la diffusion de la lumiere et des gaz par techniques de Monte Carlo. Thèse de doctorat non publiée, University Bordeaux I.

Chambah M., Semani D., Renouf A., Courtellemont P., Rizzi A. (2004). Underwater color constancy: Enhancement of automatic live fish recognition. 16th Symposium on electronic imaging.

CornetteW., Shanks J. (1992). Physical reasonable analytic expression for the single scattering phase function. Applied Optics, vol. 31, n° 16, p. 3152-3160.

Gordon H. (1989). Can the lambert-beer law be applied to the diffuse attenuation coefficient of ocean water? Limnology and Oceanography, vol. 34, n° 8, p. 1389-1409.

Hulst H. V. de. (1957). Light scattering by small particles. Wiley, New York.

Luo M., Cui G., Rigg B. (2001). The development of cie 2000 coulour-difference formula: Ciede2000. Color Research and Application.

Petit F., Capelle-Laizé A.-S., Blasi P., Burie J.-C. (2008, June). Underwater images enhancement by light propagation model reversion. Conference on colour in graphics, imaging, and vision - cgiv 2008, Terrassa, Barcelona-Spain.

Rahman Z., Jobson D., Woodell G. (1996). Multi-scale retinex for color image enhancement [Issue]. Ieee international conference on images processing, vol. 3, p. 1003-1006.

Rizzi A., Gatta C.,Marini D. (2004). From retinex to ace: Issues in digital images unsurpervised color equalization. Journal of Electronic Imaging, vol. 13, n° 1.

Schechner Y., Karpel N. (2004). Clear underwater vision. Computer vision and pattern recognition, vol. 1, p. 536-543. Washington, DC.

Smith R. C., Baker K. S. (1978a). The bio-optical state of ocean waters and remote sensing. Limnology and Oceanography, vol. 23, n° 2, p. 247-259.

Smith R. C., Baker K. S. (1978b). Optical classification of natural waters. Limnology and Oceanography, vol. 23, n° 2, p. 260-267.

Torres-Mendes L., Dudek G. (2005). Colour correction of underwater for aquatic robot inspection. Energy Minimization Methods in Computer Vision and Pattern Recognition, LNCS, vol. 3757, p. 60-73.