(44-4) 23 * << * >> * Русский * English * Содержание * Все выпуски

Моделирование дробового шума цветных подводных изображений
Д.А. Шепелев 1,2, В.П. Божкова 1, Е.И. Ершов 1, Д.П. Николаев 1,3

1 Институт проблем передачи информации имени А.А. Харкевича РАН,
127051, Россия, г. Москва, Большой Каретный переулок, д. 19, стр. 1,
2 Московский физико-технический институт,
141701, Россия, г. Долгопрудный, Институтский переулок, д. 9,
3 ООО «Смарт Энджинс Сервис»,
117312, Россия, г. Москва, проспект 60-летия Октября, д. 9

 PDF, 5109 kB

DOI: 10.18287/2412-6179-CO-754

Страницы: 671-679.

Аннотация:
В работе рассматриваются методы имитации цветных подводных изображений на основе натуральных надводных. Имитация подводных изображений широко используется для разработки и тестирования методов улучшения подводных изображений. Большая группа существующих методов использует одну и ту же детерминированную модель преобразования изображения, игнорирующую наличие на изображениях шума. В работе демонстрируется, что это существенно сказывается на общем качестве имитации подводных изображений. Теоретически и численным моделированием показывается, что точность отношения сигнал/шум подводных изображений, имитированных с использованием детерминированного преобразования, падает с увеличением расстояния до объекта съемки. Для решения этой проблемы в работе предлагается новая модель преобразования изображения, которая учитывает наличие шума на изображении и при этом совместима со всеми методами моделирования из рассматриваемой группы. В работе приводятся результаты моделирования с использованием существующей и предложенной моделей, показывающие, что на больших расстояниях новые результаты лучше согласуются с реальными данными.

Ключевые слова:
подводная фотография, имитационное моделирование подводных изображений, имитационное моделирование шума, цветовые искажения, улучшение подводных изображений, аугментация цветных изображений, синтез тестовых данных.

Благодарности
Исследование выполнено за счет гранта Российского научного фонда (проект № 20-61-47089).

Цитирование:
Шепелев, Д.А. Моделирование дробового шума цветных подводных изображений / Д.А. Шепелев, В.П. Божкова, Е.И. Ершов, Д.П. Николаев // Компьютерная оптика. – 2020. – Т. 44, № 4. – С. 671-679. – DOI: 10.18287/2412-6179-CO-754.

Citation:
Shepelev DA, Bozhkova VP, Ershov EI, Nikolaev DP. Simulating shot noise of color underwater images. Computer Optics 2020; 44(4): 671-679. DOI: 10.18287/2412-6179-CO-754.

Литература:
  1. Akkaynak, D. Sea-thru: A method for removing water from underwater images / D. Akkaynak, T. Treibitz // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2019. – P. 1682-1691.
  2. Anwar, S. Underwater scene prior inspired deep underwater image and video enhancement / S. Anwar, C. Li, F. Porikli // Pattern Recognition. – 2020. – Vol. 98. – 107038.
  3. Li, J. WaterGAN: Unsupervised generative network to enable real-time color correction of monocular underwater images / J. Li, K.A. Skinner, R.M. Eustice, M. Johnson-Roberson // IEEE Robotics and Automation Letters. – 2017. – Vol. 3, Issue 1. – P. 387-394.
  4. Foresti, G.L. Visual inspection of sea bottom structures by an autonomous underwater vehicle / G.L. Foresti // IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics). – 2001. – Vol. 31, Issue 5. – P. 691-705.
  5. Lavest, J.-M. Multi-view reconstruction combining underwater and air sensors / J.-M. Lavest, F. Guichard, C. Rousseau // Proceedings of the International Conference on Image Processing. – 2002. – Vol. 3. – P. 813-816.
  6. Kahanov, Y. Analysis of hull remains of the Dor D vessel, Tantura lagoon, Israel / Y. Kahanov, J.G. Royal // The International Journal of Nautical Archaeology. – 2001. – Vol. 30, Issue 2. – P. 257-265.
  7. Mangeruga, M. Evaluation of underwater image enhancement algorithms under different environmental conditions / M. Mangeruga, M. Cozza, F. Bruno // Journal of Marine Science and Engineering. – 2018. – Vol. 6, Issue 1. – 10.
  8. Skarlatos, D. Project iMARECULTURE: advanced VR, immersive serious games and augmented reality as tools to raise awareness and access to European underwater cultural heritage / D. Skarlatos, P. Agrafiotis, T. Balogh, F. Bruno, F. Castro, B.D. Petriaggi, S. Demesticha, A. Doulamis, P. Drap, A. Georgopoulos // Euro-Mediterranean Conference. – 2016. – P. 805-813.
  9. Bryson, M. True color correction of autonomous underwater vehicle imagery / M. Bryson, M. Johnson-Roberson, O. Pizarro, S.B. Williams // Journal of Field Robotics. – 2016. – Vol. 33, Issue 6. – P. 853-874.
  10. IEC 60529:1989. Degrees of protection provided by enclosures (IP Codes). – 2.2 edition. – Geneva: International Electrotechnical Commission, 2013.
  11. Gracheva, M.A. Subjective assessment of the quality of static and video images from mobile phones / M.A. Gracheva, V.P. Bozhkova, A.A. Kazakova, I.P. Nikolaev, G.I. Rozhkova // Twelfth International Conference on Machine Vision (ICMV 2019). – 2020. – Vol. 11433. – P. 737-745.
  12. Berman, D. Diving into haze-lines: Color restoration of underwater images / D. Berman, T. Treibitz, S. Avidan // Proceedings of the British Machine Vision Conference (BMVC). – 2017. – Vol. 1, Issue 2. – P. 1-12.
  13. Li, C. An underwater image enhancement benchmark dataset and beyond / C. Li, C. Guo, W. Ren, R. Cong, J. Hou, S. Kwong, D. Tao // IEEE Transactions on Image Processing. – 2020. – Vol. 29. – P. 4376-4389.
  14. Duarte, A. A dataset to evaluate underwater image restoration methods / A. Duarte, F. Codevilla, J.O. Gaya, S.S.C. Botelho // OCEANS 2016 – Shanghai. – 2016. – P. 1-6.
  15. Arlazarov, V.V. MIDV-500: A dataset for identity document analysis and recognition on mobile devices in video stream / V.V. Arlazarov, K.B. Bulatov, T.S. Chernov, V.L. Arlazarov // Computer Optics. – 2019. – Vol. 43(5). – P. 818-824. – DOI: 10.18287/2412-6179-2019-43-5-818-824.
  16. Smagina, A. Multiple light source dataset for colour research / A. Smagina, E. Ershov, A. Grigoryev // Twelfth International Conference on Machine Vision (ICMV 2019). – 2020. – Vol. 11433. – P. 635-642.
  17. Boffety, M. Color image simulation for underwater optics / M. Boffety, F. Galland, A.-G. Allais // Applied Optics. – 2012. – Vol. 51, Issue 23. – P. 5633-5642.
  18. Chang, H. Single underwater image restoration based on depth estimation and transmission compensation / H. Chang, C. Cheng, C. Sung // IEEE Journal of Oceanic Engineering. – 2019. – Vol. 44, Issue 4. – P. 1130-1149.
  19. Hu, Y. Underwater image restoration based on convolutional neural network / Y. Hu, K. Wang, X. Zhao, H. Wang, Y. Li // Proceedings of the 10th Asian Conference on Machine Learning. – 2018. – Vol. 95. – P. 296-311.
  20. Li, C.-Y. Underwater image enhancement by dehazing with minimum information loss and histogram distribution prior / C.-Y. Li, J.-C. Guo, R.-M. Cong, Y.-W. Pang, B. Wang // IEEE Transactions on Image Processing. – 2016. – Vol. 25, Issue 12. – P. 5664-5677.
  21. Schechner, Y.Y. Clear underwater vision / Y.Y. Schechner, N. Karpel // Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2004). – 2004. – Vol. 1. – P. 536-543.
  22. Schechner, Y.Y. Recovery of underwater visibility and structure by polarization analysis / Y.Y. Schechner, N. Karpel // IEEE Journal of Oceanic Engineering. – 2005. – Vol. 30, Issue 3. – P. 570-587.
  23. Zhao, X. Deriving inherent optical properties from background color and underwater image enhancement / X. Zhao, T. Jin, S. Qu // Ocean Engineering. – 2015. – Vol. 94. – P. 163-172.
  24. Peng, Y.-T. Underwater image restoration based on image blurriness and light absorption / Y.-T. Peng, P.C. Cosman // IEEE Transactions on Image Processing. – 2017. – Vol. 26, Issue 4 – P. 1579-1594.
  25. Николаев, Д.П. Синтез обучающей выборки в задаче распознавания текста в трехмерном пространстве / Д.П. Николаев, Д.В. Полевой, Н.А. Тарасова // Информационные технологии и вычислительные системы. – 2014. – № 3. – С. 82-88.
  26. Емельянов, С.О. Методы аугментации обучающих выборок в задачах классификации изображений / С.О. Емельянов, А.А. Иванова, Е.А. Швец, Д.П. Николаев // Сенсорные системы. – 2018. – Т. 32, № 3. – С. 236-245.
  27. Chernyshova, Y.S. Generation method of synthetic training data for mobile OCR system / Y.S. Chernyshova, A.V. Gayer, A.V. Sheshkus // Proceedings of SPIE. – 2018. – Vol. 10696. – 106962G.
  28. Butler, D.J. A naturalistic open source movie for optical flow evaluation / D.J. Butler, J. Wulff, G.B. Stanley, M.J. Black // European Conference on Computer Vision (ECCV). – 2012. – Part IV. – P. 611-625.
  29. Bielova, O. A digital image processing pipeline for modelling of realistic noise in synthetic images / O. Bielova, R. Hänsch, A. Ley, O. Hellwich // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). – 2019. – P. 2905-2914.
  30. Anwar, S. Diving deeper into underwater image enhancement: A survey [Electronical Resource] / S. Anwar, C. Li. – arXiv preprint arXiv:1907.07863. – 2019. – URL: https://arxiv.org/abs/1907.07863 (request date 10.07.2019).
  31. Jahne, B. Digital image processing / B. Jahne. – Berlin: Springer-Verlag, 2005. – 607 p.
  32. Шепелев, Д.А. О проблеме моделирования подводных изображений на основе надводных / Д.А. Шепелев, В.П. Божкова, Е.И. Ершов, Д.П. Николаев // Сборник трудов ИТНТ-2020. – 2020. – (принято, в печати).
  33. Sarafraz, A. Performance assessment in solving the correspondence problem in underwater stereo imagery / A. Sarafraz, S. Negahdaripour, Y.Y. Schechner // OCEANS 2010 MTS/IEEE Seattle. – 2010. – P. 1-7.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20