Machine Translated by Google

Platform Online untuk Bawah Air

Evaluasi Kualitas Gambar

Chau Yi Li, Riccardo Mazzon, Andrea Cavallaro

Pusat Penginderaan Cerdas, Queen Mary University of London

{chau.li, r.mazzon, a.cavallaro}@qmul.ac.uk

Abstrak. Dengan miniaturisasi kamera bawah air, volume gambar bawah air
yang tersedia telah jauh meningkat. Namun, gambar bawah air terdegradasi
oleh penyerapan dan hamburan cahaya di dalam air. Ada metode
pemrosesan gambar yang bertujuan untuk mengkompensasi degradasi ini,
tetapi tidak ada ukuran evaluasi kualitas standar atau kumpulan data
pengujian untuk perbandingan empiris yang sistematis. Untuk alasan ini,
kami mengusulkan PUIQE, sebuah platform online untuk evaluasi kualitas
gambar bawah air, yang terinspirasi oleh bidang visi komputer lain yang
kemajuannya telah dipercepat oleh platform evaluasi. PUIQE mendukung
perbandingan metode melalui kumpulan data standar dan ukuran evaluasi
objektif: skor kualitas untuk gambar yang diunggah di platform secara
otomatis dihitung dan dipublikasikan di papan peringkat, yang memungkinkan
pemeringkatan metode. Kami berharap PUIQE akan mendorong dan
memfasilitasi pengembangan algoritme pemrosesan citra bawah air untuk
meningkatkan citra bawah air.

Kata kunci: Pemrosesan citra bawah air, platform evaluasi, kumpulan data
benchmark, peningkatan citra bawah air.

1. Perkenalan

Analisis citra bawah air semakin menarik perhatian [1] dan mendukung aplikasi seperti
eksplorasi bawah air, pemantauan habitat, dan identifikasi spesies [2]. Namun, tampilan
pemandangan bawah air terdegradasi oleh hamburan, yang mengaburkan gambar yang
dihasilkan, dan oleh penyerapan yang bergantung pada panjang gelombang, yang
mengurangi energi cahaya yang mencapai kamera.
Pemrosesan gambar dapat digunakan untuk meningkatkan kualitas gambar bawah
air melalui metode restorasi atau peningkatan. Metode restorasi mengkompensasi
distorsi gambar menggunakan informasi sebelumnya, seperti Dark Channel [3,4] atau
Red Channel [5] sebelumnya. Metode-metode ini dapat mengasumsikan cahaya latar
yang seragam [3,4,5,6] atau non-seragam [7] yang lebih realistis. Metode peningkatan
menghapus cor warna [8,9,10] menggunakan misalnya white balancing global [8,9].
Gambar 1 menunjukkan citra bawah air yang diproses dengan tiga metode berbeda:
masalah penting adalah bagaimana menilai citra yang diproses secara objektif karena
saat ini tidak ada set data pembanding atau ukuran evaluasi kualitas citra standar.
Padahal, sementara evaluasi beberapa tugas visi komputer didukung oleh
Machine Translated by Google

2 CY Li dkk.

(sebuah) (b) (c) (d)

Gambar 1 Hasil pengolahan citra pada sampel citra bawah air. (a) Gambar asli; (b) peningkatan
dengan white balancing global [9]; (c) peningkatan oleh [10]; (d) restorasi oleh [7]. Perhatikan distorsi
warna pada (b) dan area overexposed (misalnya ikan) pada (c).

platform pembandingan online, seperti platform Middlebury untuk aliran optik [11] dan Tantangan
Multiple Object Tracking (MOT) untuk pelacakan multi-target [12], belum ada platform untuk evaluasi
pemrosesan gambar bawah air.
Dalam makalah ini, kami menyajikan Platform online untuk Evaluasi Kualitas Gambar Bawah Air
(PUIQE) yang mendukung pengembangan algoritme pemrosesan gambar bawah air dengan
mendistribusikan gambar uji yang umum digunakan dan dengan menghitung skor kualitas gambar
bawah air. Kontribusi utamanya adalah membuat protokol umum untuk membandingkan hasil
pemrosesan: peneliti menjalankan algoritme mereka pada kumpulan data yang diunduh dari platform
dan kemudian mengirimkan hasilnya, yang skor evaluasinya kemudian dipublikasikan di papan
peringkat. PUIQE memastikan perbandingan yang adil dengan membatasi pengiriman untuk memuat
kumpulan data lengkap dengan resolusi dan format gambar yang benar. Selain itu, tidak seperti
platform Middle bury dan MOT yang memberlakukan evaluasi otomatis pada kumpulan data lengkap,
PUIQE juga memungkinkan pengguna menggunakan platform untuk pengembangan pribadi dengan
menguji gambar tunggal dalam sesi terbatas (lihat Gambar 2). PUIQE tersedia di http://
puiqe.eecs.qmul.ac.uk/.

2 Langkah-langkah evaluasi

Sebagian besar hasil pemrosesan citra bawah air dinilai secara subyektif dengan inspeksi visual
[5,10] atau dengan menggunakan pengukuran kualitas citra tanpa referensi [6,8]. Referensi buatan
dapat dibuat dengan mengambil gambar stereo dengan kamera ganda untuk mendapatkan jarak
pemandangan ke kamera yang sebenarnya [9] atau dengan menggunakan bagan warna sebagai referensi [9].
Namun, informasi tambahan ini tidak tersedia di luar pengaturan yang dikontrol.
Versi PUIQE saat ini mencakup dua ukuran kualitas untuk gambar bawah air, yaitu Underwater
Color Image Quality Evaluation (UCIQE) [13] dan Human-Visual-System-Inspired Underwater Image
Quality Measures (UIQM ) [14].
Langkah-langkah ini mengukur degradasi warna akibat penyerapan cahaya dalam air dan efek kabur
akibat hamburan. UCIQE dan UIQM menggabungkan ukuran warna dan ketajaman secara linear,
dengan koefisien yang diperoleh dari data evaluasi subyektif. UCIQE mengevaluasi kualitas gambar
hanya berdasarkan
Machine Translated by Google

Platform Online untuk Evaluasi Kualitas Gambar Bawah Air 3

Gambar 2: Contoh sesi privat di PUIQE. Gambar individual dievaluasi dengan UCIQE dan
UIQM (Bagian 2).

distorsi warna yang disebabkan oleh redaman cahaya, sedangkan UIQM dimodelkan pada
sistem penglihatan manusia dan juga mempertimbangkan hilangnya kontras.
Biarkan Ip = [Lp, ap, bp] menjadi nilai piksel p dalam ruang CIELab, dan Lp, ap , dan bp masing-masing menjadi
nilai intensitas dalam saluran L, a, dan b. UCIQE merupakan kombinasi linier dengan bobot yang diperoleh dari
evaluasi subjektif terhadap 12 subjek pada 44 gambar [13]:

UCIQE = 0,4680 × ÿc + 0,2745 × konl + 0,2576 × µs, (1)

di mana conl adalah kontras pencahayaan, yaitu perbedaan antara 1% teratas dan 1%
terbawah dari nilai dalam {Lp|p = 1...N}, di mana N adalah jumlah piksel dalam gambar ; ÿc
adalah standar deviasi kroma:
N
1
ÿc = C 2 ÿµ 2
(2)
p c,
Np =1

dengan kroma, Cp, didefinisikan sebagai [15]:

2 + b2 ;
CP = a p p
(3)

dan µs adalah rata-rata saturasi:

N
1
µs = Sp, (4)
Np =1

dengan saturasi, Sp, didefinisikan sebagai [15]:

Cp
Sp = . (5)
LP
Machine Translated by Google

4 CY Li dkk.

(sebuah) (b) (c)

Gambar 3: Contoh gambar untuk mengilustrasikan perilaku tindakan evaluasi yang saat ini
diterapkan di PUIQE: (a) asli; (b) kabur dengan filter Gaussian (ÿ = 2.0); (c) gamma dikoreksi (ÿ
= 2.2).

Tabel 1: Efek pengaburan dan pengurangan intensitas warna pada pengukuran UCIQE
(Persamaan 1) dan UIQM (Persamaan 6), dan komponennya. Nilai numerik dan tren. Kunci
(perbandingan terhadap gambar asli): ÿ: nilai menurun; ÿ: nilai meningkat; -: mengukur tidak
berubah (hingga digit desimal keempat).
Gambar UCIQE ÿc µs UIQM UISM konlUIConM UICM Gambar 3(a) .6392 .2049 .2218 .2129
.3712ÿ
.6855 .2073 .1069 Gambar 3(b) .6327 ÿ .2048 ÿ .2153 ÿ .2126 ÿ ÿ .65.79 . 2069 ÿ .0399
.4111 ÿ Gambar 3(c) .6326 ÿ .2072 ÿ .1830 ÿ .2424 ÿ .6617 ÿ .1831 ÿ .1452 ÿ .3334 ÿ

UIQM menggabungkan warna linier, UICM, ketajaman, UISM, dan kontras, UIConM :

UIQM = 0,0282 × UICM + 0,2953 × UISM + 3,3753 × UIConM, (6)

dengan bobot yang diperoleh dari penilaian subjektif terhadap 10 subjek pada 14 citra.
UICM, yang mengukur degradasi yang disebabkan oleh penyerapan cahaya, ditentukan oleh
statistik perbedaan antara bidang merah-hijau dan kuning-biru. UISM dan UIConM
memperhitungkan degradasi karena hamburan: UISM bergantung pada kekuatan tepi Sobel
yang dihitung pada setiap saluran warna secara independen; sedangkan UIConM diperoleh
dengan menggunakan operasi logAMEE [16], yang dianggap konsisten dengan persepsi visual
manusia dalam kondisi kurang cahaya.

Pada Gambar. 3, kami meniru efek hamburan dan penyerapan dengan secara artifisial
mendistorsi gambar bawah air masing-masing dengan Gaussian blur dan koreksi gamma. Nilai
UCIQE dan UIQM yang sesuai ditunjukkan pada Tabel 1.
Untuk gambar buram Gaussian, UISM dihitung dengan UIQM menurun, seperti yang
diharapkan; untuk gambar yang dikoreksi gamma, nilai colourfulness ÿc dari UCIQE dan UICM
dari UIQM menurun, seperti yang diharapkan.
Machine Translated by Google

Platform Online untuk Evaluasi Kualitas Gambar Bawah Air 5

(sebuah)

(b)

Gambar 4: Kumpulan data yang saat ini tersedia di PUIQE: (a) ReefnFish; (b)Bali.

3 Dataset

Karena tidak ada kumpulan data gambar untuk pemrosesan gambar bawah air yang tersedia
saat ini, peneliti menggunakan gambar yang berbeda untuk pengujian, dan bahkan ketika gambar
dari pemandangan yang sama digunakan, mereka mungkin memiliki resolusi yang berbeda.
Misalnya, tidak ada tumpang tindih antara citra uji yang digunakan oleh Berman et al. [9] dan
Galdran dkk. [5], sedangkan Chiang dan Chen [10] menggunakan gambar dengan resolusi lebih
rendah dari video asli [17]. Oleh karena itu perbandingan yang valid pada umumnya tidak
dimungkinkan dari hasil yang dipublikasikan.
Untuk memungkinkan akses mudah ke gambar yang sering digunakan sebagai langkah
pertama menuju pembuatan dataset pengujian standar, kami mengumpulkan dua set gambar
yang digunakan dalam berbagai publikasi, yaitu ReefnFish dan Bali (Gbr. 4). Dataset ReefnFish
terdiri dari 6 gambar yang mencakup objek buatan manusia dan alam, seperti bangkai kapal,
ikan dan karang, serta pemandangan dalam kondisi pencahayaan rendah. Gambar-gambar ini
digunakan dalam [5,6,8]. Dataset Bali terdiri dari 4 gambar yang digunakan dalam [6,10] dan
diambil dari video dengan adegan dengan perubahan cahaya latar, penyelam scuba, dan
kedalaman adegan yang bervariasi. Perhatikan bahwa sementara gambar-gambar ini digunakan
dalam beberapa publikasi [5,8,10], tidak ada jaminan bahwa mereka memiliki resolusi dan format
gambar yang sama saat digunakan dalam percobaan. Misalnya, menggunakan gambar yang
sama tetapi disimpan dengan distorsi kompresi JPEG yang berbeda [18] tidak memungkinkan
perbandingan algoritma yang adil.
Dengan berbagi kumpulan data secara online, peneliti dapat dengan mudah mengaksesnya
bersama dengan prosedur standar untuk perbandingan. Konsistensi pengujian akan dipastikan
dengan membatasi entri ke papan peringkat hanya untuk algoritme yang diuji pada kumpulan
data lengkap, dan pada gambar dengan resolusi dan format yang sama seperti aslinya.

4 Papan peringkat

Tabel evaluasi memfasilitasi perbandingan metode, dan identifikasi kekuatan dan keterbatasannya.
PUIQE mencantumkan di papan peringkat detail dari
Machine Translated by Google

6 CY Li dkk.

metode sedang diuji dan skor kinerja mereka, seperti yang dibahas dalam Sec. 2. Untuk
dimasukkan ke papan peringkat, metode harus memproses semua gambar di dataset
ReefnFish atau Bali. Hasil pengiriman dapat dikaitkan dengan penulis dan publikasi terkait
atau tetap anonim sesuai keinginan penulis.
Sistem online memeriksa apakah format gambar sama dengan kumpulan data asli dan
sebaliknya menolak pengiriman.
Gambar yang diproses dari kumpulan data, dan ukuran UCIQE dan UIQM beserta
istilah kontribusinya (lihat Persamaan. 1 dan Persamaan. 6), disajikan dalam bentuk tabel
yang merangkum hasil. Pengguna dapat memilih untuk melihat tabel ringkas tempat detail
metode disembunyikan, dan mengurutkan metode berdasarkan ukuran atau komponen
kontribusinya.
Hasil evaluasi dapat ditampilkan sebagai rata-rata dari semua gambar yang diproses
dalam kumpulan data atau sebagai skor individu untuk setiap gambar. Selain itu, gambar
asli dan olahan ditampilkan untuk memungkinkan perbandingan visual.
Sebagai contoh, kami mengunggah hasil dari dua metode yang dipublikasikan [9,19]
yang dihasilkan dari implementasinya dan salah satu dari karya kami sebelumnya [7].
Pengajuan mous anonim juga disertakan. Gambar 5(a) melaporkan snapshot dari papan
pemimpin ini dan Gambar. 5(b) evaluasi gambar individu, keduanya dari dataset Reefn
Fish.

5. Kesimpulan

Kami menghadirkan PUIQE, platform online pertama untuk evaluasi kualitas gambar
bawah air. PUIQE mendukung pengembangan algoritme pemrosesan citra bawah air
dengan memfasilitasi perbandingannya, dengan hasil yang disajikan dalam bentuk papan
peringkat. PUIQE memungkinkan akses mudah ke gambar yang sering digunakan dalam
publikasi dan memberikan evaluasi yang mudah digunakan dengan ukuran kinerja yang
ada. Kami berharap platform yang diusulkan akan mendorong pengembangan algoritme
baru dan konvergensi menuju prosedur standar untuk evaluasi kualitas gambar bawah air.

Referensi

1. Horgan, J. and Daniel T.: Aplikasi Computer Vision dalam Navigasi Kendaraan Bawah Air
Tanpa Awak. Kendaraan Bawah Air. (2012).
2. Strachan, N.: Pengenalan jenis ikan berdasarkan warna dan bentuk. Komputasi Gambar dan
Visi, vol. 11, hlm. 2-10 (1993).
3. Emberton, S., Chittka, L., Cavallaro, A.: Estimasi cadar berbasis peringkat hirarkis untuk
dehazing bawah air. Konferensi Visi Mesin Inggris (2015).
4. Emberton, S., Chittka, L., Cavallaro, A.: Dehazing gambar dan video bawah air dengan
segmentasi wilayah kabut murni. Visi Komputer dan Pemahaman Gambar, Vol. 168, hlm.
145-156 (2018)
5. Galdran, A., Pardo, D., Picn, A., Alvarez-Gila, A.: Pemulihan citra bawah air saluran merah
otomatis. Jurnal Komunikasi Visual dan Representasi Gambar. vol. 26, hlm. 132-145 (2015).
Machine Translated by Google

Platform Online untuk Evaluasi Kualitas Gambar Bawah Air 7

(sebuah)

(b)

Gambar 5: (a) Cuplikan papan peringkat untuk kumpulan data ReefnFish. Tiga
metode dikaitkan dengan penulis dan publikasi mereka [7,9,19]. (b) Cuplikan
papan peringkat untuk gambar di kumpulan data ReefnFish.

6. Peng, Y., Cosman, P.: Restorasi citra bawah air berdasarkan keburaman citra dan penyerapan
cahaya. Transaksi IEEE pada Pemrosesan Gambar. Vol. 26, hlm. 1579-1594 (2017).

7. Li, CY, Cavallaro, A.: Estimasi cahaya latar belakang untuk restorasi citra bawah air yang
bergantung pada kedalaman. Konferensi Internasional IEEE tentang Pemrosesan Gambar (2018).
8. Ancuti, C., Ancuti, C., De Vleeschouwer, C., Bekaert, P.: Keseimbangan warna dan fusi untuk
peningkatan gambar bawah air. Transaksi IEEE pada Pemrosesan Gambar. vol. 27, hlm.
379-393 (2018).
9. Berman, D., Treibitz, T., Avidan, S.: Menyelam ke garis kabut: Pemulihan warna gambar bawah
air. Konferensi Visi Mesin Inggris. (2017)
10. Chiang, J., Chen, Y.: Peningkatan citra bawah air dengan kompensasi panjang gelombang
dan penghilangan dahak. Transaksi IEEE pada Pemrosesan Gambar. vol. 21, hlm. 1756-1769
(2012).
Machine Translated by Google

8 CY Li dkk.

11. Halaman Visi Komputer Middlebury, http://vision.middlebury.edu/flow/. Terakhir diakses Juni

2018.
12. Tolok Ukur Pelacakan Banyak Objek, https://motchallenge.net/. Terakhir diakses
Juni 2018.
13. Yang, M., Sowmya, A.: Metrik evaluasi kualitas gambar warna bawah air. IEEE
Transaksi pada Pemrosesan Gambar. vol. 24, hlm. 6062-6071 (2015).
14. Panetta, K., Gao, C., Agaian, S.: Pengukuran kualitas gambar bawah air yang diilhami sistem
visual manusia. Jurnal Teknik Kelautan IEEE, vol. 41, hlm. 541-551 (2016).
15. Hasler, D., Suesstrunk, S.: Mengukur keberwarnaan dalam gambar alami. SPIE. hal.
87-95 (2003).
16. Panetta, K., Agaian, S., Zhou, Y., Wharton, E.: Kerangka Kerja Logaritmik Parameterisasi
untuk Peningkatan Gambar. IEEE Transactions on Systems, Man, and Cybernet ics, Part B
(Cybernetics) 41 (2011).
17. Saluran Youtube BubbleVision, https://www.youtube.com/user/bubblevision.
Terakhir diakses Juni 2018.
18. Bins, J., Draper, B., Bohm, W., Najjar, W.: Presisi vs. kesalahan dalam kompresi JPEG
sion. SPIE. hlm.3817 (1999)
19. He, K., Sun, J., Tang, X.: Penghapusan kabut gambar tunggal menggunakan saluran gelap
sebelumnya. Transaksi IEEE pada Analisis Pola dan Kecerdasan Mesin, vol. 33, hlm.
2341-2353 (2011).