Machine Translated by Google
IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016
Manusia-Visual-Sistem-Terinspirasi Bawah Air
Ukuran Kualitas Gambar
Karen Panetta, Rekan, IEEE, Chen Gao, Anggota Pelajar, IEEE, dan Sos Agaian, Anggota Senior, IEEE
Abstrak—Gambar bawah air mengalami efek buram, kontras rendah,
dan warna abu-abu karena efek penyerapan dan hamburan di bawah
air. Banyak algoritma peningkatan gambar untuk meningkatkan
kualitas visual gambar bawah air telah dikembangkan. Sayangnya,
tidak ada ukuran objektif yang diterima dengan baik yang dapat
mengevaluasi kualitas gambar bawah air yang serupa dengan persepsi
manusia. Algoritme pemrosesan citra bawah air yang dominan
menggunakan evaluasi subyektif, yang memakan waktu dan bias, atau
ukuran kualitas citra generik, yang gagal mempertimbangkan properti
citra bawah air. Untuk mengatasi masalah ini, ukuran kualitas gambar
bawah air nonreferensi baru (UIQM) disajikan dalam makalah ini. UIQM
terdiri dari tiga ukuran atribut gambar bawah air: ukuran warna gambar
bawah air (UICM), ukuran ketajaman gambar bawah air (UISM), dan
ukuran kontras gambar bawah air (UIConM). Setiap atribut dipilih
untuk mengevaluasi satu aspek dari degradasi citra bawah air, dan
setiap ukuran atribut yang disajikan terinspirasi oleh sifat sistem
visual manusia (HVS). Hasil eksperimen menunjukkan bahwa langkah-
langkah tersebut secara efektif mengevaluasi kualitas gambar bawah
air sesuai dengan persepsi manusia. Langkah-langkah ini juga
digunakan pada gambar reruntuhan AirAsia 8501 untuk menunjukkan
pentingnya aplikasi praktis.
Ketentuan Indeks —Pencarian reruntuhan AirAsia 8501, pengukuran
warna, pengukuran kontras, keamanan pelabuhan, pengukuran
ketajaman, evaluasi kualitas gambar di bawah air.
I. PENDAHULUAN
KUALITASteknikgambar
kelautanbawah air memainkan
dan penelitian ilmiah,peran
sepertipenting
mon dalam
mempelajari kehidupan laut, mengakses lingkungan geologis, dan
penyelamatan laut [1]. Namun, efek penyerapan dan hamburan air
membatasi visibilitas objek bawah air. Akibatnya, gambar yang
ditangkap oleh kamera bawah air biasanya mengalami kontras
rendah, iluminasi tidak seragam, buram, artefak cerah, warna
berkurang, noise, dan distorsi lainnya [2].
Banyak algoritma telah diusulkan untuk memulihkan warna dan
meningkatkan kontras untuk gambar bawah air yang diamati [3]–
[7]. Di sebagian besar metode ini, inspeksi visual digunakan untuk eval masing pencahayaan dan perubahan aktivitas di daerah lokal [16]–
Naskah diterima 28 April 2015; direvisi 26 Juli 2015; diterima 08 Agustus 2015.
Tanggal publikasi 26 Oktober 2015; tanggal versi saat ini 12 Juli 2016.
Rekan Editor: NR Chapman.
K. Panetta dan C. Gao bersama Departemen Teknik Elektro dan Komputer,
Universitas Tufts, Medford, MA 02155 USA (email: Karen@ece.tufts.edu;
Chen.Gao@tufts.edu).
S. Agaian bekerja di Departemen Teknik Elektro, Universitas Texas di San
Antonio, San Antonio, TX 78249 USA (email: Sos.Agaian@utsa.edu).
Pengenal Objek Digital 10.1109/JOE.2015.2469915
0364-9059 © 2015 IEEE. Penggunaan pribadi diperbolehkan, tetapi republikasi/redistribusi memerlukan izin IEEE.
Lihat http://www.ieee.org/publications_standards/publications/rights/index.html untuk informasi lebih lanjut.
Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
541
uating kinerja algoritma pengolahan citra '. Namun, evaluasi
subyektif bias, dan mahal sehubungan dengan waktu dan sumber
daya. Lebih penting lagi, evaluasi subyektif tidak dapat
diotomatisasi. Oleh karena itu, penting untuk memiliki ukuran
evaluasi objektif yang dapat diandalkan. Secara umum, metode
evaluasi objektif dapat diklasifikasikan menjadi dua kategori:
pengukuran non referensi dan pengukuran referensi penuh,
tergantung pada apakah gambar dengan "warna sebenarnya" dan
"kontras ideal" tersedia [8]. Dalam skenario pemrosesan gambar
bawah air, gambar ideal seperti itu biasanya tidak tersedia. Oleh
karena itu, ukuran kualitas gambar non referensi diinginkan.
Tantangan ini semakin diperparah dengan kebutuhan untuk
mengembangkan ukuran kualitas gambar bawah air yang
menangkap objektivitas dan persepsi sistem visual manusia (HVS).
Beberapa ukuran kualitas gambar generik, seperti analisis kurva
karakteristik operasi penerima (ROC) [6], analisis histogram [9],
[10], ukuran kontras Michelson [11], ukuran warna-warni Hasler
[12], dan warna gambar ukuran kualitas (CIQI) [13] telah
dikembangkan. Namun, pengukuran objektif ini tidak dirancang
khusus untuk citra bawah air. Mereka gagal mempertimbangkan
efek penyerapan dan hamburan air yang kuat dan mereka tidak
mampu memberikan evaluasi komprehensif untuk gambar bawah
air.
Baru-baru ini, kami telah menunjukkan bahwa kualitas
keseluruhan gambar dapat diperoleh secara efektif dengan
kombinasi ukuran atribut gambar. Wajar untuk menyelidiki
bagaimana menyesuaikan ukuran atribut gambar untuk digunakan
dalam mengevaluasi kualitas gambar bawah air secara keseluruhan.
Untuk citra bawah air, tingkat penyerapan yang berbeda untuk
cahaya dengan panjang gelombang yang berbeda menyebabkan
pengecoran warna, efek hamburan maju umumnya menyebabkan
kaburnya fitur citra, dan efek hamburan mundur umumnya
membatasi kontras citra [2]. Oleh karena itu, atribut warna,
ketajaman, dan kontras, yang sebagian besar terdegradasi karena
sifat media air, dipilih sebagai atribut dalam mengevaluasi kualitas
citra bawah air secara keseluruhan. Selain itu, sudah menjadi fakta
umum bahwa HVS sensitif terhadap struktur gambar [14] dan
perubahan warna [15]. Itu juga merasakan kontras dengan masing-
[18]. Investigasi bagaimana menyesuaikan karakteristik HVS untuk
setiap ukuran atribut gambar bawah air juga harus diperhatikan.
Makalah ini menyajikan ukuran objektif baru untuk gambar bawah
air, yaitu ukuran kualitas gambar bawah air (UIQM).
UIQM berbeda dari pengukuran referensi berbasis HVS yang
umum digunakan, seperti mean square error (MSE) dan peak signal-
to-noise ratio (PSNR), yang biasanya menghitung perbedaan
gambar antara referensi dan gambar terdistorsi, atau rata-rata.
yakin seperti ukuran kesamaan struktural (SSIM) [14] dan gra
Machine Translated by Google

542 IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016

ukuran kesamaan struktural yang berbeda (GSSIM) [19] yang mencoba untuk
mengukur perbedaan perseptual. UIQM tidak memerlukan gambar referensi
dan menggunakan model HVS yang berhubungan baik dengan kualitas
gambar bawah air yang dirasakan. Sisa dari makalah ini disusun sebagai
berikut. Bagian II menyajikan secara singkat karakteristik HVS. Ukuran
kualitas yang digunakan dalam algoritme pemrosesan citra bawah air yang
ada juga ditinjau kembali di bagian ini. Bagian III menampilkan desain detail
warna baru, ketajaman, ukuran kontras, serta ukuran kualitas keseluruhan
untuk gambar bawah air. Bagian IV menunjukkan hasil eksperimen dari
langkah-langkah yang disajikan untuk mengevaluasi atribut dan kualitas citra
bawah air. Gambar rongsokan bawah laut yang diperoleh selama pencarian
kotak hitam AirAsia 8501 digunakan untuk menunjukkan aplikasi praktis dari
langkah-langkah penyelamatan laut. Akhirnya, kesimpulan dibahas dalam
Bagian V.

Gambar 1. Kurva Buchsbaum: kontras yang dirasakan dibagi menjadi empat

wilayah: wilayah gelap, wilayah Devries-Rose, wilayah Weber, dan wilayah saturasi
menurut intensitas latar belakang .
II. LATAR BELAKANG

Tujuan dari langkah-langkah objektif baru adalah untuk mencapai korelasi

tergantung tingkat pencahayaan latar belakang. Dengan demikian, ukuran
yang tinggi dengan persepsi manusia tentang kualitas gambar. Untuk
kontras gambar bawah air kami dirumuskan sebagai fungsi dari perubahan
mencapai hal ini, disajikan langkah-langkah atribut gambar bawah air yang
kontras relatif. Ketajaman tepi dapat dilihat sebagai kontras terhadap piksel
terinspirasi oleh HVS. Pada bagian ini, beberapa fenomena HVS penting
tepi, sehingga ukuran perubahan relatif juga diadopsi dalam evaluasi
yang relevan dalam mengembangkan pengukuran kualitas gambar bawah air
ketajaman.
diulas. Metode evaluasi objektif lain yang ada saat ini juga diulas di bagian ini.
Pemrosesan citra logaritmik berparameter (PLIP) menyediakan
representasi nonlinier dan operasi pemrosesan yang konsisten dengan

A. Ciri-ciri Sistem Penglihatan Manusia
Kami memilih warna, ketajaman, dan kontras gambar bawah air sebagai
atribut dasar untuk pengukuran. Atribut ini dipilih tidak hanya karena
kerentanannya terhadap perubahan karena sifat fisik media air, seperti di
mana penyerapan menyebabkan desaturasi warna dan pengecoran warna,
hamburan menyebabkan keburaman dan penurunan kontras, tetapi juga
karena HVS sensitif terhadap perubahan dalam warna, struktur tepi, dan
kontras relatif [14]. Artinya, perubahan atribut gambar ini menghasilkan
tampilan visual yang sama sekali berbeda menurut mata manusia.
Saat menghitung chrominance suatu gambar, tugas pertama adalah
menentukan ruang warna mana yang akan digunakan. Teramati bahwa rona
tertentu tidak pernah dianggap terjadi bersamaan seperti hijau kemerahan
atau biru kekuningan. Menurut teori warna lawan Hering, tiga besaran visual
berlawanan dan berpasangan: kuning–biru, merah–hijau, dan putih–hitam.
Dua anggota dari masing-masing berlawanan
pasangan adalah , hal
lawan,
dari proses dalam
fisiologishal
kualitas
dansifat
sensorik
dalam
yang saling eksklusif [20]. Saat mengukur properti warna-warni dari
citra bawah air, dua komponen warna yang berlawanan dan yang terkait
dengan krominansi citra harus digunakan.
, abu tertimbang (GSA) dari tepi yang terdeteksi [28] untuk mengukur tingkat
HVS juga dikenal sensitif terhadap relatif, daripada perubahan absolut
dalam kontras [21]–[25]. Sejauh mana HVS sensitif terhadap kontras relatif
bervariasi dengan pencahayaan latar belakang. Gambar 1 menunjukkan
kurva Buchsbaum di mana sensitivitas kontras dibagi menjadi empat wilayah
sesuai dengan intensitas latar belakang [17]. Dalam wilayah yang berbeda,
kemiringan sensitivitas kontras yang berbeda diperoleh.
Oleh karena itu, perbedaan pencahayaan relatif yang terlihat adalah
banyak properti HVS [26], seperti inversi rentang kecerahan, Hukum Weber,
istika karakter saturasi, dan notasi psikofisik yang bergantung pada konteks
[27]. Operasi PLIP juga diperhitungkan dalam perumusan ukuran kontras
bawah air.
B. Ukuran Objektif yang Digunakan dalam Algoritma Pemrosesan Citra
Bawah Air yang Ada
Saat ini, evaluasi objektif untuk citra bawah air masih menjadi tantangan.
Sebagian besar hasil algoritme pemrosesan citra bawah air telah dievaluasi
kualitas visualnya yang menyenangkan dengan menggunakan pengamat
manusia. Beberapa algoritme menggunakan metode evaluasi kualitas gambar
umum seperti PSNR, MSE, dan kontras Michelson untuk mengukur kinerja
peningkatan.
Namun, pengukuran kualitas ini tidak dirancang khusus untuk citra bawah air
dan penerapan pengukuran kualitas ini untuk citra bawah air tidak memadai.
Analisis statistik digunakan oleh Trucco dan Olmos-Antillon [6]. Untuk
mendapatkan nilai statistik seperti true positive, false positive, dan tingkat
kesalahan yang sama, prosedur pelabelan citra ground truth secara manual
dilibatkan. Prosedur ini memakan waktu dan tidak dapat diotomatisasi. Hou
dan Weidemann mengusulkan ukuran objektif berdasarkan sudut skala abu-
kekaburan pada gambar bawah air. Dalam metode mereka, gradien tepi
digunakan untuk mengukur ketajaman.
Analisis histogram adalah jenis pendekatan lain yang digunakan untuk
mengevaluasi kualitas gambar bawah air. Diakui bahwa histogram dari
gambar yang menarik secara visual membentang dalam rentang yang luas
[29]. Namun, metode perbandingan histogram seperti itu hanya menghasilkan
ukuran analitik, bukan kuantitatif. Ke

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google

PANETTA dkk.: TINDAKAN KUALITAS CITRA BAWAH AIR YANG DIINSPIRASI MANUSIA-VISUAL-SISTEM 543

mengatasi keterbatasan ini, beberapa metode mengasumsikan bahwa

distribusi histogram besarnya gradien adalah eksponensial kecuali
untuk puncak kecil pada gradien rendah sesuai dengan latar belakang
homogen [30]. Akibatnya, kedekatan histogram yang dihasilkan dengan
distribusi eksponensial digunakan untuk menunjukkan peningkatan
kontras [9], [10]. Keterbatasan utama dari langkah-langkah ini adalah
bahwa beberapa karakteristik penting, seperti kepenuhan warna dan
corak warna, hanya diperhitungkan secara tidak langsung.

AKU AKU AKU. PENGEMBANGAN CITRA BAWAH AIR YANG BARU

UIQM UKURAN KUALITAS
Pengukuran kualitas gambar bawah air baru UIQM terdiri dari tiga
ukuran atribut, yaitu ukuran warna gambar bawah air (UICM), ukuran
ketajaman gambar bawah air (UISM), dan ukuran kontras gambar
bawah air (UIConM). Rincian langkah-langkah baru disajikan di bagian
ini.
Gambar 2. (a) Citra bawah air dengan gelembung udara [33]. (b) Citra bawah air dengan
pemandangan alam [29]. Dalam (a), piksel 20% paling terang dikeluarkan dari
perhitungan nilai rata-rata karena gelembung tidak terkait dengan pemandangan
sebenarnya. Dalam (b), semua piksel dipertimbangkan dalam perhitungan alat alfa-
trimmed metrik asym karena ini adalah gambar pemandangan bawah air alami yang
bebas noise.

A. Ukuran Warna Gambar Bawah Air (UICM)

Banyak gambar bawah air mengalami masalah pengecoran warna

yang parah. Dengan bertambahnya kedalaman air, warna menipiskan
satu per satu tergantung pada panjang gelombangnya [2]. Warna merah
menghilang terlebih dahulu karena memiliki panjang gelombang terpendek.
Akibatnya, gambar bawah air biasanya menunjukkan penampilan
kebiruan atau kehijauan. Selain itu, kondisi pencahayaan yang terbatas
juga menyebabkan desaturasi warna yang parah pada gambar bawah
air. Algoritma peningkatan citra bawah air yang baik harus menghasilkan
rendisi warna yang baik.
Penelitian tentang keberwarnaan pemandangan alam menunjukkan
bahwa keberwarnaan dapat direpresentasikan secara efektif dengan
fungsi nilai statistik citra [12], [31]. Secara praktis, pengguna memiliki
fleksibilitas untuk memilih ruang warna mana dan urutan nilai statistik
mana yang akan digunakan, serta desain fungsi fusi dan koefisien
pembobotan. Seperti disebutkan sebelumnya, HVS menangkap warna
pada bidang warna lawan. Oleh karena itu, dua komponen warna
berlawanan yang terkait dengan chrominance RG dan YB digunakan di
UICM, seperti yang ditunjukkan pada
(1)
(2)
Gambar 3. (a) Gambar asli bawah air. (b) Gambar bawah air yang dikoreksi warna.
Gambar milik [34]. Terlihat bahwa gambar asli menunjukkan rona hijau yang kuat,
sedangkan gambar yang dikoreksi warna memulihkan warna yang lebih hidup. UICM
memberikan nilai ukuran yang lebih besar untuk gambar yang dikoreksi warna.
Rata-rata terpangkas alfa asimetris berlaku untuk dif dan perubahan.
jenis gambar bawah air yang berbeda ketika parameter
Umumnya, untuk gambar bawah air dengan bub yang banyak
bles atau sinar cahaya, seperti gambar pada Gambar. 2 (a), yang
lebih besar harus digunakan untuk menghilangkan efek daerah terang,
yang tidak terkait dengan pemandangan alam bawah air, serta beberapa
piksel berisik frekuensi tinggi , seperti kebisingan garam dan merica.
Untuk gambar pemandangan alam bebas noise, seperti gambar pada
Gambar 2(b), harus digunakan. Padadalam
situasi(2)
ini,dan
semua
rata-rata
pikselyang
dihitung
dipangkas alfa sama dengan nilai rata-rata biasa dari gambar. Demikian
pula, bagian dan dipangkas saat menghitung nilai statistik tingkat tinggi
di (4). Untuk hasil yang ditunjukkan dalam makalah ini,

Gambar bawah air biasanya mengalami noise yang berat. Oleh digunakan.
karena itu, alih-alih menggunakan nilai statistik biasa, nilai statistik Nilai rata-rata statistik orde pertama mewakili chrominance
asym metric alpha-trimmed [32] digunakan untuk mengukur warna intensitas. Nilai rata-rata yang mendekati nol dalam komponen
gambar bawah air dalam tulisan ini. warna lawan menyiratkan keseimbangan putih yang lebih baik.
Untuk gambar dengan ukuran by , jumlah total piksel dan semua Artinya, tidak ada warna yang dominan. Terlihat dari Tabel I bahwa
, piksel gambar diurutkan sedemikian rupa sehingga . gambar bawah air mentah pada Gambar 3(a) menunjukkan warna hijau
Biarkan (bilangan bulat terdekat lebih
dari atau besar
sama yang kuat dan nilai rata-rata pada bidang warna yang menyiratkan
banyak nada
dengan ) dan (bilangan bulat terdekat lebih
menjadi
kecil dari
jumlah
ataunilai
sama piksel
dengan ) hijau, sementara pada
direduksi menjadi
Gambar. gambar
3 (b). yang
Terlihat dikoreksi
bahwa gambarwarna
terkecil dan terbesar yang akan dipangkas atau dibuang
yang
dari
diurutkan
urutan . yang disempurnakan pada Gambar 3(b) memiliki warna yang
lebih seimbang.
Metrik asym alpha-trimmed mean [32] ditentukan oleh

Varians statistik orde kedua di dalam

Intensitas (3) (4)

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google

544 IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016

TABEL I
NILAI STATISTIK UNTUK GAMBAR PADA Gbr. 3

menunjukkan aktivitas piksel dalam setiap komponen warna.

Secara intuitif, varian yang lebih besar sesuai dengan rentang dinamis
yang lebih tinggi. Oleh karena itu, perbedaan warna lebih dapat
dibedakan. Tabel I merangkum variasi komponen warnadan untuk gambar
asli Gambar 4. (a) Gambar asli bawah air. (b) Citra bawah air yang rusak. Usia saya
berkat [36]. Terlihat bahwa gambar asli mengalami efek cincin buram yang parah,
pada Gambar. 3(a) dan gambar yang diubah warna pada Gambar. 3(b). sedangkan gambar yang terurai memiliki tepian yang lebih tajam. UISM memberikan
Diamati bahwa gambar yang disempurnakan pada Gambar. 3 (b) nilai pengukuran yang lebih besar untuk gambar yang terurai.

memiliki warna yang lebih jelas, yang sesuai dengan nilai varians yang
lebih besar.
Metrik warna keseluruhan yang digunakan untuk mengukur warna
gambar di bawah air ditunjukkan dalam

UICM

(5)

Koefisien kombinasi linier diperoleh dengan regresi linier. Terlihat

bahwa koefisien suku rata-rata bertanda negatif dan koefisien varian
bertanda positif, yang memperkuat analisis makna matematis kedua Gambar 5. (a) Gambar asli bawah air. (b) Gambar bawah air dengan kontras. Gambar
suku tersebut. milik [34]. Terlihat bahwa gambar asli pada (a) memiliki kontras yang rendah,
sedangkan kontrasnya sangat ditingkatkan pada (b). UIConM memberikan nilai ukuran
Tabel I menunjukkan sensitivitas UICM untuk citra bawah air pada
yang lebih besar untuk gambar yang ditingkatkan kontrasnya.
Gambar 3. Gambar 3(a) mengalami masalah pengecoran warna hijau yang
parah. Algoritma peningkatan berbasis fusi di [34] secara efektif
komponen
menghilangkan pengecoran latar belakang seperti yang ditunjukkan pada Gambar. 3 (b). digabungkan secara linear dengan koefisien dan , dimana
UICM menetapkan nilai pengukuran warna yang lebih besar untuk , digunakan sesuai
gambar yang disempurnakan. Hasilnya menunjukkan bahwa dengan dengan respon visual relatif dari saluran merah, hijau, dan biru [30].
nilai statistik citra, UICM berhasil mengukur keberwarnaan sebagai
penghargaan untuk citra bawah air. Algoritma descatterring pada [36] bertujuan untuk menghilangkan
efek hamburan air. Terlihat dari Gambar 4 bahwa gambar bawah air yang
B. Ukuran Ketajaman Gambar Bawah Air (UISM) terurai pada Gambar 4(b) mencapai ketajaman yang lebih baik daripada
Ketajaman adalah atribut yang terkait dengan pelestarian detail dan gambar bawah air asli pada Gambar 4(a). Oleh karena itu, gambar yang
tepian halus. Untuk gambar yang diambil di bawah air, keburaman terurai pada Gambar 4(b) memiliki nilai UISM yang lebih besar.
parah terjadi karena hamburan ke depan [2]. Efek blur ini menyebabkan
C. Ukuran Kontras Gambar Bawah Air (UIConM)
penurunan ketajaman gambar.
Untuk mengukur ketajaman pada tepi, detektor tepi Sobel diterapkan Kontras telah terbukti sesuai dengan kinerja visual bawah air seperti
terlebih dahulu pada setiap komponen warna RGB. Peta tepi yang ketajaman stereoskopik [37]. Untuk citra bawah air, penurunan kontras
dihasilkan kemudian dikalikan dengan citra asli untuk mendapatkan biasanya disebabkan oleh backward scattering [2]. Dalam tulisan ini,
peta tepi grayscale. Dengan melakukan ini, hanya piksel di bagian tepi kontras diukur dengan menerapkan ukuran logAMEE [26] pada citra
dari gambar bawah air asli yang dipertahankan. Diketahui bahwa ukuran intensitas seperti yang ditunjukkan pada
enhancement measure estimation (EME) cocok untuk citra dengan latar
belakang yang seragam dan menunjukkan pola non periodik [35].
UIConM logAMEE (Intensitas) (8)
Dengan demikian, ukuran EME digunakan untuk mengukur ketajaman
tepi. UISM diformulasikan seperti yang ditunjukkan pada
LogAMEE di

UISM logAMEE
Tepi skala abu-abu EME (6)

(9)
EME (7)

di mana sebuah gambar dibagi menjadi blok-blok, dan , , dan

di mana gambar dibagi menjadi beberapa blok, menunjukkan rasio merupakan operasi PLIP [26], memperkenalkan operasi seperti entropi
kontras relatif dalam setiap blok, dan EME ke ukuran peningkatan tradisional Agaian oleh en gropy (AMEE), yang
mengukur setiap warna RGB diformulasikan sebagai rata-rata Michaelson

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google
PANETTA dkk.: TINDAKAN KUALITAS CITRA BAWAH AIR YANG DIINSPIRASI MANUSIA-VISUAL-SISTEM
Gambar 6. (a) Gambar asli. Gambar yang disempurnakan warna menggunakan (b) WP; (c) KW; (d) GWWP; dan (e) ACE dengan tingkat keabuan asli dipertahankan. (f) ACE tanpa
tingkat keabuan asli dipertahankan. Gambar milik [39].
TABEL II
NILAI UKURAN WARNA UNTUK GAMBAR PADA Gbr. 6
TABEL III
NILAI UKURAN KEAJAIBAN UNTUK GAMBAR PADA Gbr. 7
kontras dalam gambar daerah lokal. Operasi PLIP, yang
menyediakan representasi nonlinier yang konsisten dengan persepsi
visual manusia [26], juga digunakan dalam formulasi logAMEE.
Praktisnya, kondisi pencahayaan di bawah air biasanya buruk.
Dalam kasus seperti itu, logAMEE lebih disukai karena alasan
bahwa operasi log dan PLIP [26] lebih menekankan pada area
dengan pencahayaan rendah [35].
Gambar 5 menunjukkan contoh penerapan algoritma peningkatan
kontras [34] pada citra bawah air pada Gambar 5(a). Terlihat bahwa
visibilitas meningkat pesat pada Gambar 5(b). UIConM juga
memberikan nilai yang lebih besar untuk gambar yang disempurnakan. yang lebih besar sesuai dengan gambar yang lebih baik
Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
545
D. Ukuran Kualitas Gambar Bawah Air (UIQM)
Telah dibuktikan bahwa gambar bawah air dapat dimodelkan
sebagai superposisi linier dari komponen yang diserap dan tersebar
[38]. Selain itu, diketahui bahwa efek absorpsi dan hamburan
menyebabkan penurunan warna, ketajaman, dan kontras.
Oleh karena itu, masuk akal untuk menggunakan model superposisi linier
untuk menghasilkan ukuran kualitas gambar bawah air secara keseluruhan
juga. Ukuran kualitas gambar bawah air secara keseluruhan kemudian
diberikan oleh
UIQM UICM UISM UIConM (10)
di mana ukuran warna, ketajaman, dan kontras digabungkan secara
linier bersama. Perlu dicatat bahwa UIQM pada (10) memiliki tiga
, Misalnya,
parameter , dan . Pemilihan parameter ini bergantung
untuk aplikasi
pada koreksi
aplikasi.
warna gambar di bawah air, lebih banyak bobot harus diterapkan
pada UICM, sedangkan untuk meningkatkan visibilitas gambar di
bawah air, istilah kontras UIConM dan istilah ketajaman UISM lebih
signifikan. Jika dua dari parameter adalah nol, ukuran kualitas UIQM
kembali ke gambar bawah air pada ukuran upeti. Untuk aplikasi
umum, koefisien kombinasi diperoleh dengan menggunakan regresi
linier berganda (MLR).
Kumpulan data pelatihan yang ditampilkan dalam makalah ini berisi 30
gambar bawah air yang dipilih secara acak yang diambil dengan
perangkat varian dan di bawah kedalaman varian air. Untuk hasil yang
,
ditunjukkan dalam makalah ini, koefisien generik ditetapkan dan ,
digunakan. Keseluruhan model signifikan dengan nilai
- sebesar 0,0339. Langkah-langkah tersebut dapat digunakan untuk
mengevaluasi kinerja algoritma peningkatan citra. Umumnya, nilai UIQM
Machine Translated by Google

546 IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016

Gambar 7. (a) Gambar asli. Hasil peningkatan dari (b) DRC_CES; (c) MCE; (d) MCE_DRC; (e) SF_CES; dan (f) TW_CES. Gambar asli diperoleh dari
database SUN [44].

Gbr. 8. Diperbesar tampilan wilayah yang diminati untuk gambar dari Gbr. 7. (a) Gambar asli. Hasil peningkatan dari (b) DRC_CES; (c) MCE; (d) MCE_DRC;
(e) SF_CES; dan (f) TW_CES.

kualitas, dan peningkatan 10% dalam hal nilai ukuran UIQM TABEL IV
NILAI UKURAN KONTRAS UNTUK GAMBAR PADA Gbr. 9
menghasilkan peningkatan yang dapat dibedakan secara visual.

IV. HASIL EKSPERIMENTAL

Pengukuran kualitas gambar bawah air UIQM dapat digunakan

untuk mengevaluasi kualitas gambar bawah air secara keseluruhan
dengan cara yang sama seperti pengamat manusia. Setiap ukuran
atribut juga dapat digunakan sebagai ukuran mandiri untuk tugas
pemrosesan gambar bawah air tertentu. Pada bagian ini, bawah air
yang disajikan pada pengukuran upeti dan pengukuran kualitas TABEL V
digunakan untuk membandingkan kinerja algoritme pemrosesan PERBANDINGAN KINERJA UKURAN KUALITAS UNTUK GAMBAR BAWAH AIR. UIQM
MEMILIKI KORELASI PEARSON, SPEARMAN, DAN KENDALL YANG LEBIH BESAR
gambar, serta untuk membantu dalam pemilihan parameter operasi UNTUK GAMBAR DIBAWAH INI YANG DIPEROLEH DARI DATABASE
yang optimal. Perbandingan dengan ukuran atribut gambar yang ada MATAHARI
dan ukuran kualitas keseluruhan juga diperlihatkan.
Gambar 6(a) menunjukkan citra bawah air dengan spesies ikan
yang berbeda (citra asli dan citra olahan Chambah et al. [39]). Gambar
asli memiliki jangkauan dinamis warna yang buruk dan warna cyan-
green yang kuat. Gambar 6(b)–(f) menunjukkan gambar yang
disempurnakan dari algoritma yang berbeda. Itu

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google

PANETTA dkk.: TINDAKAN KUALITAS CITRA BAWAH AIR YANG DIINSPIRASI MANUSIA-VISUAL-SISTEM 547

Gambar 9. (a) Gambar asli. Hasil peningkatan dari (b) DRC_CES; (c) DRC_CES_BLK; (d) MCE_DRC; (e) SF_CES; dan (f) TW_CES. Gambar asli diperoleh dari
database SUN [44].

Gambar 10. Empat belas gambar yang digunakan untuk menguji kinerja ukuran kualitas.

UICM, ukuran warna Hasler [12], dan nilai ukuran warna CIQI [13]
tercantum dalam Tabel II. Membandingkan gambar-gambar ini,
terlihat bahwa metode tambalan putih (WP) [39]
[Ara. 6(b)] tidak banyak mengubah gambar aslinya, karena gambar
aslinya terlalu jenuh. Dengan demikian, UICM untuk kedua gambar
ini serupa [0,9657 untuk Gambar 6(a) dan 0,9709 untuk Gambar
6(b)]. Metode dunia abu-abu (GW) [39] [Gbr. 6(c)] menghasilkan
gambar dengan keseimbangan warna secara keseluruhan, tetapi
gambar yang diperoleh menunjukkan sedikit rona kemerahan.
Terlihat bahwa UICM meningkat hampir 1,5 kali lipat. Metode hibrid Kemudian, algoritma peningkatan kontras diterapkan termasuk
tambalan putih dunia abu-abu (GWWP) [39] [Gbr. 6(d)] memiliki
performa yang mirip dengan GW karena WP memiliki sedikit efek
pada gambar. Dengan demikian, nilai UICM untuk Gambar. 6 (c)
dan (d) sebanding. Metode pemerataan warna otomatis (ACE)
dengan tingkat keabuan asli dipertahankan [Gbr. 6(e)] mencapai
rentang dinamis yang lebih baik, tetapi masih mengalami beberapa
pengecoran warna latar belakang. Hasil terbaik diperoleh dengan
metode ACE tanpa fitur "keep original grey" [Gbr. 6(f)]. Dengan
menggunakan algoritme ini, cetakan warna dihilangkan dan gambar yang
UICM sesuai dengan analisis di [39] dan menunjukkan bahwa
metode ACE tanpa fitur "keep original grey" memiliki kinerja yang
optimal. Ukuran warna-warni Hasler untuk gambar alam secara
umum [12] dan warna-warni CIQI
ukuran [13] digunakan untuk tujuan perbandingan. Sebaliknya,
kedua metode ini memilih "metode ACE dengan abu-abu asli yang
diawetkan" [Gbr. 6(e)] sebagai gambar optimal tanpa
mempertimbangkan warna hijau.
Kami kemudian membandingkan kinerja ukuran ketajaman dan
ukuran kontras. Dua contoh ditunjukkan pada Gambar. 7 dan 9.
Gambar pada Gambar. 7(a) dan 9(a) mengalami efek buram.
Intensitas gambar pertama kali disesuaikan menggunakan fungsi
Naka-Rushton yang dimodifikasi [40].
peningkatan kontras multi (MCE) [41]; peningkatan multikontras
dengan kompresi rentang dinamis (MCEDRC) [42]; dan peningkatan
kontras dengan penskalaan (CES) menggunakan fungsi dua kali
lipat (TW_CES), fungsi-S (SF_CES), dan kompresi rentang dinamis
(DRC_CES) [41], [43]. Perhatikan bahwa gambar asli yang diperoleh
dari database Scene Understanding (SUN) [44] adalah gambar
terkompresi JPEG. Beberapa algoritme peningkatan gambar juga
meningkatkan artefak blok. Untuk mengecualikan efek blok JPEG,
ukuran
wilayah
dihasilkan lokal yang
beragam digunakan
secara dalam (7) dan (9) dipilih
kromatis.
sebagai 8 8 saat menghitung UISM dan UIConM.
Tabel III menunjukkan perbandingan ketajaman UISM dengan
CIQI. Terlihat bahwa hasil MCE pada Gambar 7(c) adalah

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google

548 IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016

Gambar 11. (a) Pesawat AirAsia. (b) Gambar dari reruntuhan ekor pesawat AirAsia 8501 yang ditemukan di bawah air. (c) – (f) Hasil peningkatan warna menggunakan 3DAWQF
dengan parameter masing-masing sama dengan 12, 20, 28, dan 36.

TABEL VI
ATRIBUT DAN UKURAN KUALITAS UNTUK GAMBAR PADA Gbr. 13.
HASIL OPTIMAL YANG SESUAI DENGAN MASING- MASING
UKURAN DISOROT DENGAN BOLD, DAN HASIL TERBURUK
DISOROT DENGAN ITALIC DAN UNDERSCORE

paling tajam dalam hal tepian semua ikan dan karang lebih khas.
Sejalan dengan itu, UISM secara akurat memilih hasil MCE sebagai
hasil dengan ketajaman optimal. Meskipun hasil TW_CES pada
Gambar 7(f) juga memiliki tampilan visual yang tajam pada bagian
gelap gambar, namun oversaturated pada bagian terang gambar.
Oleh karena itu, beberapa detail tidak terlihat seperti garis-garis tengah kubus warna dalam algoritme. Terlihat bahwa UICM mencapai nilai terbesar
pada ikan. Daerah yang menarik dalam persegi panjang merah
ditunjukkan pada Gambar. 8. Demikian pula, contoh ilustratif
menggunakan UIConM, ukuran kontras CIQI, peningkatan rata-
rata akar kubus (CRME) [40], dan ukuran peningkatan mirip
turunan kedua (SDME) [45] untuk mengevaluasi kualitas kontras
gambar bawah air ditunjukkan pada Gambar. 9, dan nilai
pengukuran ditunjukkan pada Tabel IV. Hasil percobaan
menunjukkan bahwa tindakan yang disajikan memiliki korelasi
yang kuat dengan persepsi subyektif.
Empat belas gambar dipilih secara acak dari database SUN
[44] dan digunakan untuk menguji korelasi ukuran kualitas gambar
dengan evaluasi subjektif. 14 gambar ini, ditampilkan
Gambar 12. Nilai UICM untuk berbagai parameter dalam desain filter 3DAWQF.
Dalam 3DAWQF, digunakan untuk mengontrol pengaruh piksel tetangga ke piksel
yang sesuai dengan gambar yang, disempurnakan
Gambar 11(c). dengan kualitas warna terbaik pada
pada Gambar 10, termasuk karang, penyelam, ikan, batu, es,
reruntuhan, dan pemandangan bawah air lainnya yang ditangkap
dari berbagai kedalaman laut. Sembilan hasil peningkatan untuk
setiap citra dihasilkan [43] dan digunakan untuk membandingkan
korelasi antara nilai pengukuran objektif dan skor pendapat rata-
rata (MOS) yang dikumpulkan dari sepuluh pakar bidang
pemrosesan citra. Tiga korelasi digunakan: korelasi momen produk
linier Pearson (PRCC), yang mengukur seberapa jauh setiap nilai
ukuran menyimpang dari MOS [46]; Korelasi urutan peringkat Spearman (SR

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google

PANETTA dkk.: TINDAKAN KUALITAS CITRA BAWAH AIR YANG DIINSPIRASI MANUSIA-VISUAL-SISTEM 549

Gambar 13. Menggunakan ukuran atribut gambar bawah air yang disajikan dan ukuran kualitas bawah air untuk memilih metode fusi optimal yang digunakan dalam algoritme
peningkatan gambar 3DAWQF. ( a ) Gambar yang dikoreksi dengan intensitas dan ditingkatkan kontras. (b) Gambar yang disempurnakan warna. (c) Fusi piramida saring-
kurangi-musnahkan. (d) Kontras fusi piramida. (e) Fusi piramida gradien. (f) Fusi piramida Laplacian. (g) Perbedaan morfologi fusi piramida. ( h ) fusi PLIP. (i) Rasio fusi piramida.

membandingkan peringkat kualitas gambar; dan Kendall's tau corre lation jumlah total variabel. Koefisien korelasi rata-rata untuk 14 gambar ini
(KRCC), yang biasanya disarankan untuk mengukur peringkat data tidak ditabulasikan pada Tabel V. Terlihat bahwa UIQM memiliki nilai SRCC, PRCC,
normal [47]. Ketiga indeks tersebut didefinisikan sebagai dan KRCC terbesar dibandingkan dengan CIQI [13], CRME [40], dan JPQM
[48].
Pearson
Secara praktis, langkah-langkah tersebut juga penting dalam desain
algoritma pemrosesan citra bawah air, yang dapat digunakan dalam memantau
(11)
kehidupan laut, mengakses informasi lingkungan geologis dan biologis, serta
inspeksi keamanan pelabuhan. Visibilitas rendah dan pengecoran warna yang
pendekar tombak kuat membawa kesulitan untuk pencarian dan inspeksi bawah air. Oleh karena
itu, algoritme kontras gambar dan peningkatan warna biasanya digunakan
untuk meningkatkan penglihatan kendaraan atau robot bawah air. Dalam
contoh berikut, filter kuadrat berbobot alfa tiga dimensi (3DAWQF) [40]
(12) digunakan untuk meningkatkan kontras dan warna, dan pengukuran digunakan
Kendall untuk membantu pemilihan parameter operasi optimal yang digunakan dalam

(pasangan konkordan) (pasangan sumbang) 3DAWQF .

(13)
Salah satu contoh penerapan praktis atribut citra bawah air dan pengukuran
dimana dan mewakili dua variabel, dan adalah nilai rata-rata dari dan , kualitas adalah untuk membantu pencarian bawah air. Gambar 11(b)
mewakili peringkat, dan mewakili menunjukkan satu gambar yang ditangkap oleh operasi jarak jauh

Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
Machine Translated by Google
550
kendaraan bawah air saat pengambilan kotak hitam dari bencana AirAsia 8501.
Terlihat warna sebenarnya dari ekor pesawat [Gbr. 11(a)] tidak dapat dikenali dari
gambar bawah air yang ditangkap karena gambar menunjukkan pengecoran biru
yang kuat. Dalam algoritme 3DAWQF, filter highpass diterapkan di seluruh bidang
warna RGB untuk memulihkan warna. Pada filter highpass yang digunakan dalam
3DAWQF, sebuah parameter digunakan untuk mengontrol pengaruh piksel tetangga
ke piksel tengah kubus warna [40]. Gambar 11(c)–(f) menunjukkan
warna dengan
hasil
parameter
peningkatan
varian .
Terlihat bahwa lebih banyak informasi warna
. memperkenalkan
dipulihkan dengan nilai yang lebih kecil. Nilai yang lebih besar dari beberapa
juga artefak.
Nilai UICM untuk parameter mulai dari 12 hingga 40 (Gbr. 12) mengkonfirmasi
pengamatan visual bahwa semakin kecil sesuai dengan kualitas warna yang lebih
baik.
Oleh karena itu, parameter sama dengan 12 digunakan dalam desain 3DAWQF.
Demikian pula, UIConM dapat digunakan untuk membantu pemilihan parameter
operasi optimal yang digunakan dalam peningkatan kontras 3DAWQF. Setelah
gambar dengan peningkatan kontras yang optimal [Gbr. 13(a)] dan gambar yang
disempurnakan warna [Gbr. 13 (b)] diperoleh, kedua gambar ini digabungkan
bersama untuk menghasilkan hasil akhir.
Beberapa metode fusi dapat digunakan [49], dan hasil fusi dari piramida filter-
kurangi-penurunan, piramida kontras, piramida gradien, piramida Laplacian,
piramida perbedaan morfologi, penambahan PLIP [26], dan rasio piramida
ditunjukkan pada Gambar. 13 (e) – (i). Nilai ukuran untuk gambar-gambar yang
menyatu ini ditabulasikan pada Tabel IV. Dari ukuran ini, terlihat bahwa fusi piramid
rasio [Gbr. 13(i)] memiliki warna paling jelas, sedangkan fusi PLIP [Gbr. 13(h)]
memiliki warna paling tidak jelas. Fusi piramida kontras [Gbr. 13(d)] memiliki kontras
terbaik, sedangkan perbedaan morfologi fusi piramida [Gbr. 13(g)] memiliki kontras
terburuk. Kualitas keseluruhan dari fusi piramida kontras [Gbr. 13(d)] adalah yang
terbaik. Langkah-langkah ini sesuai dengan persepsi manusia. Perlu dicatat bahwa
untuk aplikasi pencarian bangkai pesawat, model pesawat yang serupa memiliki
warna lukisan yang serupa. Oleh karena itu, warna lukisan asli digunakan di bagian
ini untuk memvalidasi kinerja UICM. Dalam banyak aplikasi lain seperti inspeksi
geologi dan biologi bawah air, gambar referensi tersebut tidak tersedia. Langkah-
langkah nonreferensi yang disajikan dalam makalah ini mampu melayani aplikasi ini
juga.
V. KESIMPULAN
Dalam makalah ini, ukuran kualitas gambar bawah air non-referensi baru UIQM
disajikan. UIQM terdiri dari ukuran tanpa warna (UICM), ukuran ketajaman (UISM),
dan ukuran kontras (UIConM). Setiap ukuran atribut dapat digunakan secara
terpisah untuk tugas pemrosesan gambar bawah air tertentu. Beberapa properti
HVS, seperti luminance dan kontras masking, properti persepsi warna, dan
sensitivitas kontras relatif, tergabung dalam formulasi pengukuran. Oleh karena itu,
membandingkan dengan ukuran kualitas lain yang digunakan dalam algoritme
pemrosesan gambar bawah air yang ada, UIQM memiliki hubungan yang lebih kuat
dengan persepsi visual manusia, dan secara efektif mengukur kualitas gambar
bawah air dengan cara yang lengkap dan komprehensif. Langkah-langkah tersebut
diterapkan untuk mengevaluasi gambar reruntuhan AirAsia 8501. Hasilnya
menunjukkan bahwa atribut mengukur UICM, UISM, dan UIConM, serta
Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
IEEE JOURNAL OF OCEANIC ENGINEERING, VOL. 41, TIDAK. 3, JULI 2016
ukuran kualitas gambar bawah air UIQM dapat menjadi alat yang efektif untuk
membantu dalam memilih parameter operasi optimal yang digunakan dalam
algoritme peningkatan bawah air serta untuk menentukan peringkat kinerja algoritme.
PENGAKUAN
Para penulis ingin mengucapkan terima kasih kepada O. Erat untuk membantu
menjalankan eksperimen pada gambar bawah air dan memberikan saran saran
yang berharga.
REFERENSI
[1] JY Chiang dan Y.-C. Chen, “Peningkatan gambar bawah air dengan kompensasi
panjang gelombang dan penghilangan debu,” IEEE Trans. Proses Gambar.,
vol. 21, tidak. 4, hlm. 1756–1769, April 2012.
[2] S. Raimondo dan C. Silvia, “Pemrosesan gambar bawah air: Seni pemulihan
dan metode peningkatan gambar,” EURASIP J.
Lanjut Proses Sinyal., vol. 2010, 2010, DOI: 10.1155/2010/746052.
[3] W. Hou, DJ Gray, AD Weidemann, GR Fournier, dan J. Forand, “Pemulihan
gambar bawah air otomatis dan pengambilan properti optik terkait,” dalam
Proc. IEEE Int. Geosci. Remote Sens. Symp., 2007, hlm. 1889–1892.
[4] Z. Liu, Y. Yu, K. Zhang, dan H. Huang, “Transmisi gambar bawah air dan
restorasi gambar buram,” Opt. Eng., vol. 40, hlm. 1125–1131, 2001.
[5] J. Åhlén, D. Sundgren, dan E. Bengtsson, “Penerapan data hiperspektral bawah
air untuk tujuan koreksi warna,” Pengenalan Pola.
Gambar Anal., vol. 17, hlm. 170–173, 2007.
[6] E. Trucco dan AT Olmos-Antillon, “Self-tuning underwater image recovery,”
IEEE J. Ocean. Eng., vol. 31, tidak. 2, hlm. 511–519, April 2006.
[7] B. Ouyang et al., "Visualisasi dan peningkatan gambar untuk sistem pemindaian
garis laser bawah air multistatik menggunakan rendering berbasis gambar,"
IEEE J. Ocean. Eng., vol. 38, tidak. 3, hlm. 566–580, Juli 2013.
[8] C. Gao, K. Panetta, dan S. Agaian, “Pengambilan dan analisis citra warna
menggunakan pengukuran warna citra,” Proc. SPIE—Sens. Technol. Appl., vol.
9497, 2015, DOI: 10.1117/12.2180605.
[9] S. Bazeille, I. Quidu, L. Jaulin, dan J.-P. Malkasse, “Pemrosesan awal gambar
bawah air otomatis,” dalam Proc. Karakterisasi Du Milieu Marin, 2006.
[10] A. Arnold-Bos, J.-P. Malkasse, dan G. Kervern, "Menuju model bebas denoising
gambar optik bawah air," di Proc. IEEE OCEANS Conf., 2005, hlm. 527–532.
[11] YY Schechner dan N. Karpel, "Pemulihan visibilitas dan struktur bawah air
dengan analisis polarisasi," IEEE J. Ocean. Eng., vol. 30, tidak. 3, hlm. 570–
587, Juli 2005.
[12] D. Hasler dan SE Susstrunk, “Measuring colouringness in natural images,”
Proc. SPIE—Int. Soc. Memilih. Eng., vol. 5007, hlm. 87–95, 2003.
[13] Y.-Y. Fu, "Ukuran dan pengambilan kualitas gambar berwarna," Ph.D. disertasi,
Dept. Comput. Sci., New Jersey Inst. Technol., Hoboken, NJ, AS, 2006.
[14] Z. Wang, AC Bovik, HR Sheikh, dan EP Simoncelli, "Penilaian kualitas gambar:
Dari visibilitas kesalahan hingga kesamaan struktural," IEEE Trans. Proses
Gambar., vol. 13, tidak. 4, hlm. 600–612, April 2004.
[15] M. Sarifuddin dan R. Missaoui, “Sebuah ruang warna persepsi baru yang
seragam dengan ukuran kesamaan warna terkait untuk pengambilan gambar
dan video berbasis konten,” dalam Proc. ACM SIGIR Bengkel Multimedia Inf.
Retrieval, 2005, hlm. 1–8.
[16] SG Mallat, "Sebuah teori untuk dekomposisi sinyal multiresolusi: Representasi
wavelet," IEEE Trans. Pola Anal. Mesin Intell., vol. 11, tidak. 7, hlm. 674–693,
Juli 1989.
[17] G. Buchsbaum, "Sebuah penurunan analitik visual nonlinier," IEEE Trans.
Bioma. Eng., vol. BME-27, no. 5, hlm. 237–242, Mei 1980.
[18] GE Legge dan JM Foley, “Contrast masking in human vision,” J.
Memilih. Soc. Amer., vol. 70, hlm. 1458–1471, 1980.
[19] S. Nercessian, SS Agaian, dan KA Panetta, "Ukuran kesamaan gambar
menggunakan karakteristik sistem visual manusia yang disempurnakan," Proc.
SPIE—Int. Soc. Memilih. Eng., vol. 8063, 2011, DOI: 10.1117/12.883301.
[20] LM Hurvich dan D. Jameson, “Sebuah teori proses lawan dari penglihatan
warna,” Psychol. Pdt., vol. 64, hal. 384, 1957.
[21] KA Panetta, EJ Wharton, dan SS Agaian, "Peningkatan gambar berbasis sistem
visual manusia dan ukuran kontras logaritmik," IEEE Trans. Sistem. Man
Cybern. B, Cybern., vol. 38, tidak. 1, hlm. 174–188, Februari 2008.
Machine Translated by Google
PANETTA dkk.: TINDAKAN KUALITAS CITRA BAWAH AIR YANG DIINSPIRASI MANUSIA-VISUAL-SISTEM
[22] E. Wharton, S. Agaian, dan K. Panetta, "Ukuran logaritmik peningkatan citra," dalam
Proc. Simptom Keamanan Pertahanan, 2006, hlm.
62500P–62500P-12.
[23] SS Agaian, K. Panetta, dan AM Grigoryan, “Ukuran baru peningkatan citra,” dalam
Proc. IASTED Int. Konf. Proses Sinyal.
Komun., 2000, hlm. 19–22.
[24] SS Agaian, B. Silver, dan KA Panetta, “Transformasikan koefisien algoritme
peningkatan citra berbasis togramnya menggunakan entropi kontras,”
Trans IEEE. Proses Gambar., vol. 16, tidak. 3, hlm. 741–758, Maret 2007.
[25] SS Agaian, "Morfologi visual," Proc. SPIE—Int. Soc. Memilih. Eng., vol. 3646, hlm.
139–150, 1999.
[26] K. Panetta, S. Agaian, Y. Zhou, dan EJ Wharton, “Kerangka aritmik log parameter
untuk peningkatan gambar,” IEEE Trans. Sistem. Man Cybern. B, Cybern., vol. 41,
tidak. 2, hlm. 460–473, April 2011.
[27] G. Deng, L. Cahill, dan G. Tobin, "Studi tentang model pemrosesan gambar logaritmik
dan penerapannya pada peningkatan gambar," IEEE Trans. Proses Gambar., vol.
4, tidak. 4, hlm. 506–512, April 1994.
[28] W. Hou dan AD Weidemann, “Menilai kualitas gambar bawah air secara objektif untuk
tujuan restorasi otomatis,” dalam Proc.
Simfoni Keamanan Pertahanan, 2007, hlm. 65750Q–65750Q-7.
[29] K. Iqbal, RA Salam, M. Osman, and AZ Talib, “Peningkatan citra bawah air
menggunakan model warna terintegrasi,” IAENG Int. J.
Komputer. Sains, vol. 32, hlm. 239–244, 2007.
[30] , WK Pratt,
York, NY,Ed.,
AS:Pemrosesan
Wiley, 1991,Citra Digital. New
ch. 2.
[31] C. Gao, K. Panetta, dan S. Agaian, “Tidak ada ukuran kualitas gambar berwarna
referensi,” dalam Proc. IEEE Int. Konf. Cybern., 2013, hlm. 243–248.
[32] J. Bednar dan TL Watt, “Alat yang dipangkas alfa dan hubungannya dengan filter
median,” IEEE Trans. Akustik. Proses Sinyal Pidato., vol.
ASSP-32, no. 1, hlm. 145–153, Februari 1984.
[33] Resor Eagle Point, “Scuba diving—Bubble mechanics,” 5 Sep. 2014 [Online].
Tersedia: http://eaglepointresort.com.ph/scuba-diving bubble-mechanics/ [34] C.
Ancuti, CO Ancuti, T. Haber, dan P. Bekaert, “Enhancing under water images and
videos by fusion,” dalam Proses Konferensi IEEE Komputer. Vis.
Pengenalan Pola., 2012, hlm. 81–88.
[35] K. Panetta, A. Samani, dan S. Agaian, “Memilih ukuran peningkatan domain spasial
yang optimal untuk gambar mammogram,” J. Biomed.
Gambar., 2014, ID Artikel 937849.
[36] T. Treibitz dan YY Schechner, “Penguraian polarisasi aktif,”
Trans IEEE. Pola Anal. Mesin Intell., vol. 31, tidak. 3, hlm. 385–399, Maret 2009.
[37] S. Luria dan JAS Kinney, “Penglihatan bawah air,” Amer. Asosiasi Lanjut
Sains, vol. 167, hlm. 1454–1461, 1970.
[38] L. Mertens dan F. Replogle, Jr., "Penggunaan penyebaran titik dan fungsi penyebaran
sinar untuk analisis sistem pencitraan dalam air," J. Opt. Soc. Amer., vol. 67, hlm.
1105–1117, 1977.
[39] M. Chambah, D. Semani, A. Renouf, P. Courtellemont, dan A. Rizzi, “Keteguhan
warna bawah air: Peningkatan pengenalan ikan hidup otomatis,” Proc. SPIE—Int.
Soc. Memilih. Eng., hlm. 157–168, 2003, DOI: 10.1117/12.524540.
[40] C. Gao, K. Panetta, dan S. Agaian, "Peningkatan kontras warna gambar berdasarkan
filter kuadrat berbobot alfa tiga dimensi," Proc.
SPIE—Int. Soc. Memilih. Eng., vol. 8755, 2013, DOI:10.1117/12.2015619.
[41] J. Tang, E. Peli, dan S. Acton, "Peningkatan gambar menggunakan ukuran kontras
dalam domain terkompresi," Proses Sinyal IEEE. Lett., vol. 10, tidak. 10, hlm. 289–
292, Oktober 2003.
[42] S. Lee, "Peningkatan gambar berbasis konten yang efisien dalam domain terkompresi
menggunakan teori retinex," IEEE Trans. Sistem Sirkuit. Video Technol., vol. 17,
tidak. 2, hlm. 199–213, Februari 2007.
[43] J. Mukherjee dan SK Mitra, “Peningkatan gambar berwarna dengan menskalakan
koefisien DCT,” IEEE Trans. Proses Gambar., vol. 17, tidak. 10, hal.
1783–1794, Oktober 2008.
[44] J. Xiao, J. Hays, K. Ehinger, A. Oliva, dan A. Torralba, “Database Sun: Pengenalan
Adegan Berskala Besar dari Biara ke Kebun Binatang,” dalam Proc. Konferensi IEEE
Komputer. Vis. Pengenalan Pola., 2010, hlm. 3485–3492.
[45] K. Panetta, Y. Zhou, S. Agaian, dan H. Jia, “Nonlinear unsharp masking for
mammogram enhancement,” IEEE Trans. Inf. Technol.
Biomed., vol. 15, tidak. 6, hlm. 918–928, November 2011.
[46] I. Lawrence dan K. Lin, "Koefisien korelasi konkordansi untuk mengevaluasi
reproduktifitas," Biometrics, vol. 45, hlm. 255–268, 1989.
[47] JB Carroll, “Sifat data, atau cara memilih koefisien korelasi,” Psikometrika, vol. 26,
hlm. 347–372, 1961.
[48] Z. Wang, HR Sheikh, dan AC Bovik, “Penilaian kualitas perseptual tanpa referensi
dari gambar terkompresi JPEG,” dalam Proc. IEEE Int.
Konf. Proses Gambar., 2002, vol. 1, hlm. 477–480.
Penggunaan berlisensi resmi terbatas pada: UNIVERSITAS GADJAH MADA. Diunduh pada 31 Januari 2023 pukul 07:01:01 UTC dari IEEE Xplore. Pembatasan berlaku.
551
[49] Kotak Alat Fusi [Online]. Tersedia: http://www.metapix.de/fu
sion.htm
Karen Panetta (S'84–M'85–SM'95–F'08) menerima gelar BS
dalam bidang teknik komputer dari Boston University, Boston,
MA, USA dan MS dan Ph.D. gelar sarjana teknik elektro dari
Northeastern University, Boston, MA, USA, pada tahun 1994.
Dia saat ini adalah Associate Dean of Graduate Engineering
Education dan Profesor di Departemen Teknik Elektro dan
Komputer, Tufts University, Medford, MA, USA, dan Direktur
Laboratorium Penelitian Simulasi. Penelitiannya berfokus pada
pengembangan algoritme yang efisien untuk simulasi,
pemodelan, pemrosesan sinyal, dan gambar untuk aplikasi
biomedis dan keamanan.
Panetta adalah Pemimpin Redaksi majalah IEEE WOMEN IN ENGINEERING . Dia adalah
Wakil Presiden Komunikasi dan Pameran Publik IEEE-USA. Dia juga menjabat sebagai Ketua
IEEE Boston Section 2011, yang memiliki lebih dari 8800 anggota. Selama 2007–2009, dia
menjabat sebagai Direktur IEEE Women in Engineering di seluruh dunia, mengawasi
organisasi atau organisasi profesional terbesar di dunia yang mendukung wanita di bidang
teknik dan sains. Dia juga penerima IEEE Ethical Practices Award 2012 dan Harriet B. Rigas
Award untuk Outstanding Educator. Pada tahun 2011, ia dianugerahi Penghargaan Presiden
untuk Pendidikan Teknik dan Sains dan Mentoring oleh Presiden AS Barack Obama.
Chen Gao (S'10) menerima gelar BS dalam bidang teknik
elektro dari Beijing Normal University, Beijing, China, pada
tahun 2008 dan gelar MS dalam bidang teknik elektro dan
komputer dari Polytechnic In stitute of New York University,
Brooklyn, NY, USA , pada tahun 2010. Saat ini, dia bekerja
menuju Ph.D. gelar dalam pemrosesan gambar di Tufts
University, Med Ford, MA, USA.
Minat penelitiannya meliputi peningkatan kontras gambar,
peningkatan warna, deteksi tepi, dan penilaian kualitas gambar.
Miss Gao adalah anggota mahasiswi Women in Engineering (WIE) dan International
Society for Optics and Photonics (SPIE).
Sos Agaian (M'98–SM'00) menerima gelar MS (summa cum
laude) di bidang matematika dan saya chanics dari Universitas
Yerevan, Yerevan, Armenia, Ph.D. gelar di bidang matematika
dan fisika dari Steklov Institute of Mathematics, Russian
Academy of Sciences, Moscow, Rusia, dan gelar Doctor of
Engineering Sciences dari Institute of the Control System,
Russian Academy of Sciences, Moscow, Rusia, pada tahun
1988.
Dia adalah Profesor Peter T. Flawn Teknik Listrik dan
Komputer di Universitas Texas San Antonio, San Antonio, TX,
AS, dan Profesor di Pusat Ilmu Kesehatan Universitas Texas, San Antonio, TX, AS. Dia telah
menulis lebih dari 550 makalah ilmiah dan tujuh buku, serta memegang 18 hak paten. Minat
penelitiannya adalah pemrosesan multimedia, sistem pencitraan, keamanan informasi,
kecerdasan buatan, visi komputer, sensor pencitraan 3-D, pemrosesan sinyal dan informasi
di bidang keuangan dan ekonomi, serta informatika biomedis dan kesehatan.
Dr. Agaian adalah Rekan dari International Society for Photo-Optical Instrumentations
Engineers, Society for Imaging Science and Technology (IS&T), dan Science Serving Society
(AAAS). Dia juga menjabat sebagai anggota asing dari Akademi Nasional Armenia. Dia adalah
penerima MAEStro Educator of the Year, disponsori oleh Society of Mexican American
Engineers and Sci enists. Teknologi yang dia temukan telah diadopsi di berbagai disiplin ilmu,
termasuk Pemerintah AS, dan dikomersialkan oleh industri. Dia adalah Anggota Dewan
Editorial Journal of Pattern Recognition and Image Analysis dan Associate Editor untuk
beberapa jurnal, termasuk Journal of Electronic Imaging (SPIE, IS&T) dan IEEE SYSTEM
JOURNAL.