TÉCNICAS PARA REDUÇÃO DE PERTURBAÇÕES EM IMAGENS SUBAQUÁTICAS DESTINADAS AO CONTROLE DE AUV’S

MARCOS V. DUCHINSKI *, TANIA M. CENTENO

* SÍLVIA S. C. BOTELHO†, JACQUES FACON

‡

*LIVIC-Laboratório de Imagens e Visão Computacional, CPGEI, Universidade Tecnológica Federal do

Paraná UTFPR - Av. Sete de Setembro, 3165 – 80.230-901

Curitiba - PR – Brasil

†Fundação Universidade Federal do Rio Grande (FURG)

Av. Itália km 8 Campus Carreiros – 96200-090

Rio Grande – RS – Brasil

‡Departamento de Informática, PPGIA –Pontificia Universidade Católica do Paraná (PUC-PR)

Av. Imaculada Conceição, 1155 – 80.215-901

Curitiba – PR – Brasil

E-mails: duchinskimv@yahoo.com.br, mezzadri@cpgei.cefetpr.br,

silviacb@furg.br, facon@ppgia.pucpr.br

Abstract The use of Autonomous Underwater Vehicle (AUV´s) Technology has required the development of more reliable control systems to ensure the successful completion of their tasks. Among the forms of control used in AUVs, systems based on computational vision use the information obtained by means of images to accomplish the positioning, location and autonomous navigation. As the images obtained in underwater environments suffer from inherent degradations to the environment, it would be useful to have a set of digital image processing techniques to attenuate the perturbations found in these images. This paper presents a set of techniques to enhance underwater images and presents a numerical evaluation of the final image quality, denominated Robustness. The evaluation confirms an improvement of visual quality of the processed images obtained.

Keywords Digital Image Processing, underwater image, filtering, Robustness.

Resumo A utilização de Veículos Submarinos Autônomos (AUVs) tem exigido o desenvolvimento sistemas de controle mais confiáveis para assegurar o sucesso na realização de suas tarefas. Dentre as formas de controle empregadas nos AUV´s, sistemas baseados em visão computacional usam as informações obtidas por meio de imagens para realizar o posicionamento, localização e navegação autônoma. Uma vez que as imagens obtidas em ambientes subaquáticos sofrem degradações inerentes ao ambiente, busca-se um conjunto de técnicas de processamento de imagens digitais que possam atenuar as perturbações encontradas nestas imagens. Este trabalho apresenta um conjunto de técnicas para realçar imagens subaquáticas, apresentando uma avaliação numérica da qualidade da imagem final, denominada critério de Robustez. O critério utilizado confirma o aumento da qualidade visual das imagens processadas.

Palavras-chave Processsamento de Imagens Digitais, imagem subaquática, filtros, critério de robustez.

1 Introdução

O crescente interesse em robôs submarinos denominados Veículos Submarinos Autônomos (AUVs) para explorações subaquáticas tem chamado a atenção da comunidade científica para a necessidade do desenvolvimento sistemas de controle mais confiáveis com o intuito de assegurar o sucesso na realização de suas tarefas (Arnold et al., 2005). Estes veículos já são utilizados de forma eficiente em diversas áreas como missões militares, monitoração ambiental, estudos oceanográficos, inspeção de estruturas, biologia marinha, arqueologia, etc.

Dentre as formas de controle empregada nos AUVs, sistemas baseados em visão computacional usam as informações obtidas por meio de imagens para realizar o posicionamento, a localização e a navegação autônoma de AUV´s (Balasuriya et al., 1997). Desta forma, é imprescindível obter imagens com qualidade tal que permitam extrair

características importantes para o controle. Entretanto, as propriedades específicas de propagação da luz na água fazem com que as imagens obtidas por câmeras subaquáticas sofram de problemas como blur intenso, baixo contraste, iluminação não uniforme, neve marinha, etc.

Os métodos de processamento de imagens digitais buscam a melhoria da informação visual para interpretação humana e o processamento de dados de cenas para a percepção automática através de máquinas (Gonzalez e Woods, 1992). Como as imagens obtidas em ambientes subaquáticos sofrem de degradações inerentes ao ambiente, busca-se um conjunto de técnicas de processamento de imagens digitais que possam corrigir os problemas encontrados nestas imagens.

O maior obstáculo para o processamento de imagens marinhas está relacionado às propriedades especiais de transmissão da luz no meio subaquático (Garcia et al., 2002). Imagens obtidas em ambientes submarinos são geralmente mais pobres que imagens obtidas em ambientes ao ar livre pelo fato da água ser

aproximadamente 800 vezes mais densa que o ar. Assim, a luz que se propaga na água interage com suas moléculas e partículas suspensas causando perda de luz, mudanças de cor, difusão, perda de contraste e outros efeitos.

Os fenômenos de absorção e espalhamento da luz causam uma atenuação no processo de formação da imagem. Em profundidades mais acentuadas há uma diminuição considerável na iluminação natural, sendo necessária uma fonte de iluminação artificial. Entretanto, a luz artificial tende a iluminar uma cena de forma direcional, formando uma imagem com centro brilhante e regiões periféricas mais escuras. Além dos problemas associados à iluminação, o processamento de imagens subaquáticas se depara ainda com outros fenômenos, como a presença de pequenas partículas suspensas na água, formando o que se denomina de “neve marinha” (Garcia et

al,2001). Atualmente existem muitos os esforços para

reduzir as perturbações em imagens subaquáticas. Iqbal et al (2007) apresenta uma técnica para realçar imagens subaquáticas por meio de transformações entre espaços de cores e estiramento de histograma (stretching). No trabalho, inicialmente, é realizado um balanceamento nos canais RG por meio de um estiramento de histograma, em seguida, as imagens resultantes são convertidas para o espaço de cores HSI e realiza-se um estiramento de histograma a partir das informações de saturação e intensidade (canais S e I), obtendo-se a imagem final. A análise da qualidade do método é demonstrada a partir da visualização dos histogramas de cada imagem processada. Arnold-Bos et al., (2005) apresentam uma associação de filtros adaptativos (filtragem anisotrópica e wavelets) com equalização de contraste, demonstrando que ambas as técnicas apresentam resultados visuais semelhantes. Em Garcia et al. (2002) avaliam-se quatro estratégias para correção de iluminação não uniforme em imagens submarinas: exploração do modelo iluminação-reflectância por ganho e offset, equalização de histograma local, filtros homomórficos e subtração do campo de iluminação por ajuste polinomial. Os melhores resultados foram obtidos utilizando o filtro homomórfico e a exploração do modelo iluminação-reflectância.

Este artigo define um conjunto de técnicas associadas para realçar imagens subaquáticas, apresentando uma avaliação numérica da qualidade da imagem final, e compara os resultados com o modelo de transformações entre espaços de cores e estiramento de histograma apresentado em Iqbal et al

(2007). Este artigo é organizado da seguinte forma: as

seções 2 e 3 apresentam, respectivamente, técnicas de filtragem de imagens digitais e uma técnica de equalização de histograma 2D para imagens coloridas. Na seção 4 é descrita uma técnica para a avaliação de imagens, a seção 5 expõe a metodologia

proposta, na seção 6 são apresentados os resultados e na seção 7 são apontadas as conclusões do trabalho.

2 Filtragem digital

Filtragem digital é um conjunto de técnicas destinadas a corrigir e realçar uma imagem. Pode-se aplicar a filtragem no domínio espacial e no domínio da freqüência. As operações no domínio espacial referem-se ao plano da imagem, caracterizando-se pela manipulação direta dos pixels da imagem enquanto que as operações no domínio da freqüência baseiam-se na modificação das transformadas de Fourier das imagens (Gonzalez e Woods, 1992). A seguir são apresentados dois métodos de filtragem, sendo um no domínio da freqüência (filtro homomórfico) e outro no domínio espacial (filtro da mediana).

2.1 Filtro Homomórfico

Pode-se expressar uma imagem em termos de seus componentes de iluminação e refletância. A componente de iluminação se caracteriza, geralmente, por variações espaciais lentas, enquanto que a componente de refletância tende a variar bruscamente. A filtragem homomórfica é uma técnica que leva em conta o modelo iluminação-refletância.

Segundo Gonzalez e Woods (1992), o modelo iluminação-refletância é definido pela equação 1,

),().,(),( yxryxiyxf =

onde f(x,y) é a imagem obtida. Operando sobre as componentes desta função é possível suprimir as baixas freqüências e a iluminação não uniforme, sendo necessário separar as componentes de iluminação e refletância. Para tal, usa-se o logaritmo da equação 1, convertendo o efeito multiplicativo em aditivo:

)),(ln()),(ln(

)),().,(ln()),(ln(),(

yxryxi

yxryxiyxfyxg

+

===

Computando-se a transformada de Fourier da função g(x,y) tem-se:

),(),(),( yxyxyx wwRwwIwwG +=

onde G(wx, wy), I(wx, wy) e R(wx, wy) são as transformadas de Fourier de g(x, y), ln(i,(x, y) e ln(r(x, y)) respectivamente. As baixas freqüências são suprimidas pela multiplicação destas componentes pela função do filtro passa – alta H(wx, wy), conforme a equação (4):

),().,(

),().,(),(

yxyx

yxyxyx

wwRwwH

wwIwwHwwS +=

com

(1)

(2)

(3)

(4)

ρωωω

+

+

=−+− )( 0

22

1

1),(

yxsyx

e

wwH

onde ω0 é a freqüência de corte, s é um fator multiplicativo e ρ um termo de offset.

A transformada inversa de Fourier da função G(wx, wy) proporciona uma imagem realçada.

2.2 Filtro da mediana

Além dos problemas inerentes ao ambiente, uma imagem pode conter perturbações oriundas de distorções geométricas causadas por lentes imperfeitas e ruídos oriundos de fontes eletrônicas e/ou sistemas mecânicos. Na prática, o modelo destas perturbações é, bastante complexo e, geralmente, precisa ser experimentalmente determinado ou estimado. As distribuições Gaussiana, uniforme ou sal-e-pimenta (“impulso”) são utilizadas para modelar ruídos característicos encontrados em imagens digitais. O filtro da mediana é baseado na teoria dos filtros de pilha (stack filters) não lineares sendo muito utilizado em processamento digital de imagens. Segundo (Hargas et al, 2003) o filtro da mediana é o mais utilizado para reduzir ruídos impulsivos (sal-e-pimenta). Algumas abordagens modificam o filtro da mediana para torná-lo mais eficiente na filtragem de outros tipos de ruídos. (Burian e Kuosmanen, 2002)(Tang e Cahill, 1991). O funcionamento do filtro da mediana tradicional baseia-se na verificação dos valores dos pixels vizinhos em comparação com o pixel a ser calculado. Essa verificação consiste em ordenar os valores vizinhos de forma crescente e escolher a mediana desta ordenação como o novo valor do pixel considerado (Gonzalez e Woods, 1992). Como existe uma grande correlação entre os canais de uma imagem RGB, exigindo uma atuação do filtro em todos os canais da imagem, optou-se por convertê-la para o espaço de cores HSV de forma a obter canais com baixa correlação e assim atuar no canal mais significativo.

3 Equalização RGB

Uma das técnicas mais simples e efetivas de melhorar o contraste de uma imagem é a equalização de histograma. A técnica de equalização de histograma para imagens em nível de cinza tenta uniformizar a distribuição de pixels em uma imagem I para todos os níveis de cinza disponíveis (Bassiou e Kotropoulos, 2006). Entretanto, em imagens coloridas o valor de

cada pixel é representado como um vetor X com os valores dos pixels de cada componente de cor. Em Bassiou e Kotropoulos (2006) é apresentada a análise de uma equalização de histograma 3D assumindo três componentes de cores e um algoritmo de equalização que leva em consideração a correlação dois a dois

entre os canais RGB de uma imagem, equalizando os canais RG, RB e GB. As ocorrências de R com G, R com B e G com B são calculadas, obtendo as respectivas probabilidades do produto das probabilidades acumuladas:

)().().( gbPrbPrgPC acacacx =

A partir das saídas, Ry, Gy e By um coeficiente Cy é calculado por:

3

)1).(1).(1(

L

BGRC

yyy

y

+++=

onde L é a quantidade de entradas de cada dimensão. O objetivo é encontrar uma saída (Ry, Gy, By) que apresente o valor mínimo entre Cx e Cy.

4 Robustness

A avaliação da qualidade de uma imagem pode fazer uso de um critério numérico, denominado Robustness (critério de robustez) apresentado em Arnold-Bos et

al. (2005). Este critério assume que, uma imagem, com contraste elevado e livre de ruídos, apresenta uma distribuição da magnitude do gradiente próxima a uma distribuição exponencial, com um valor numérico entre 0 e 1, definido pela equação 8. Um valor de R próximo a 1 indica uma imagem com alto contraste.

)))i(hln)i(h(ln1´N

1exp(R

´Ni

1i

2_

∑=

=

−−

−=

Onde:

R : Critério de robustnesss

N ´ : 2/3 N ( tipicamente N=128)

i : magnitude do gradiente,

h(i) : histograma da magnitude do gradiente

h(i): ibaih .)(ln_

+= , sendo uma regressão linear sobre ln(i).

a, b : são os coeficientes da regressão linear,

calculados para cada par )(ln_

ih , )(ln ih .

Uma vez que os ruídos aparecem em ln(i) para altos gradientes, não é necessário operar toda a faixa de gradientes. Neste experimento a faixa de magnitude variou de i = 1 a N’ = 2/3N.

5 Metodologia

Segundo (Lavest et al., 2000) o processo de formação da imagem em ambiente subaquático é afetado pelas propriedades físicas do meio, favorecendo o aparecimento de distorções. As principais perturbações típicas inerentes às imagens subaquáticas são iluminação não uniforme e perda de

(5)

(7)

(8)

contraste. Tendo isto em vista, buscou-se associar um conjunto de técnicas de processamento de imagens digitais de forma a atenuar tais problemas, conforme diagrama apresentado na Fig. 1.

Figura 1: Passos utilizados para o tratamento das imagens subaquáticas.

A metodologia empregada faz uso das seguintes

etapas: • Filtro homomórfico: usado para correção da

iluminação não uniforme. Este tipo de filtro é um conjunto de transformações que não apenas corrige a iluminação, mas também realça as altas freqüências e destaca as bordas dos objetos na imagem (Garcia et

al., 2002 A função de transferência utilizada, H(wx,wy,), descreve um filtro passa-alta de Butterworth, que busca diminuir a contribuição das baixas freqüências (iluminação) e amplificar a contribuição das médias e altas freqüências (refletância) destacando as bordas dos objetos na imagem. Utilizou-se a equação de Butterworth modificada apresentada em Adelmann (1998) definida como:

n

vuvuH

++

−=

ω

22

1

11),(

onde foram utilizados os seguintes parâmetros:

ω = 0,25 - freqüência de corte

n = 2 – ordem o do filtro de Butterworth

Estes valores foram selecionados empiricamente. Implementou-se o filtro no domínio da freqüência, conforme definido em Adelmann (1998).

• Filtro da mediana: A implementação do filtro da mediana seguiu o modelo recursivo apresentado por Tang e Cahill (1991)

),...,,,...,

,,...,(

1

1

Mnnnpn

pnMnn

xxyy

xxMedy

+−−

−−−=

onde:

M = [(2m+1) 2-1]/2 m ∈ Z

* + - offset

p = (1 < p < M) - número de pontos na janela a serem substituídos pelos valores das medianas dos passos anteriores . O valor ótimo para p é dado por:

)]1(2/[)2( ++= mmp

Ao invés de aplicar o filtro nos três canais da imagem RGB, optou-se por transformar a imagem para o modelo HSV e então aplicar a filtragem apenas na componente de intensidade, que é desacoplado das informações de cores da imagem.

• Equalização RGB: é uma das formas mais simples de realçar uma imagem. Utilizou-se uma equalização de histograma 2D, que apresentou melhor desempenho computacional em relação à equalização de histograma 3D e revelou-se um método bastante adequado para o realce de cores.

Para a avaliação da qualidade do método proposto utilizou-se o critério de Robustness (critério de robustez) apresentado em (Arnold-Bos et al., 2005).

Para testar o método proposto, foram utilizadas imagens coloridas RGB no formato BMP extraídas de diferentes vídeos subaquáticos. A resolução das imagens variou de 700x405 a 700x488 e foram processadas em um Pentium 4, 2.8 GHz com 1GB de memória RAM. Utilizou-se o software Matlab 7.0 para implementação das etapas de tratamento das imagens.

A seguir são apresentados os resultados da metodologia proposta.

6 Resultados

As imagens da Fig.2 mostram pares de imagens antes e depois da aplicação da metodologia proposta.

A tabela 1 apresenta os valores obtidos no critério de Robusteness para os pares de imagens da Fig 2.

Tabela 1- Avaliação da qualidade das imagens da Fig. 2 pelo critério de Robustness antes e após o processamento.

Pares de imagem

Antes Metodologia proposta

Stretching RGB &

HSI (a) 0,3344 0,9180 0,9061 (b) 0,7677 0,9476 0,9194 (c) 0,9175 0,9926 0,9190 (d) 0,4359 0,7379 0,5386 (e) 0,8257 0,8759 0,8593 (f) 0,8268 0.8943 0,8873 (g) 0,7518 0.9869 0,9425 (h) 0,5739 0,5987 0,5579

7 Conclusão

Neste trabalho apresentou-se uma combinação de técnicas de Processamento Digital de Imagens com o intuito de atenuar alguns problemas causados por perturbações comuns em imagens subaquáticas e melhorar sua qualidade visual.

(9)

(10)

(11)

O critério utilizado confirma um aumento da qualidade visual das imagens obtidas e apresenta melhores resultados que a abordagem de esticamento de contraste. Como trabalho futuro pretende-se aplicar um método de segmentação nas imagens obtidas, a fim de avaliar o ganho conseguido com as imagens pré-processadas diante das imagens originais e aplicá-las em simulações de controle de AUVs.

Agradecimentos

Agradecemos ao CNPq pelo apoio financeiro através do projeto CNPq n.º 477922/2006-6.

Referências Bibliográficas

Adelmann, H.G.(1998) Butterworth equations for

homomorphic filtering of images, Computers in Biology and Medicine, Vol. 28, Number 2, pp. 169-181.

Arnold-Bos, A., Malkasse, J. and Kervern, G. (2005).

A pre-processing framework for automatic

underwater images denoising. In: Proceedings of European Conference on Propagation and Systems, pp. 15-18.

Balasuriya, B., Takai, M., Lain, W., Ura, T. and Kuroda, Y.(1997). Vision based autonomous

underwater vehicle navigation: underwater

cable tracking. In: Proceedings of Oceans '97 MTS/IEEE Conference Proceeding, Vol. 2, pp. 1418-1424.

Bassiou, N. and Kotropoulos, C.,(2006). Color

Histogram Equalization using Probability

Smoothing. In: Proceedings of European Signal Processing Conference (EUSIPCO 2006). http://poseidon.csd.auth.gr/papers/PUBLISHED/CONFERENCE/pdf/Bassiou06a.pdf

Burian, A., Kuosmanen, P.(2002). Tuning the

smoothness of the recursive median filter in: IEEE Transactions on Signal Processing, Vol. 50, Issue 7, pp. 1631 - 1639

Garcia, R., Cufi , X. and Carreras , M.(2001). Estimating the motion of an underwater robot from a monocular image sequence. In: Proccedings of IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), vol. 3, pp. 1682-1687.

Garcia, R., Nicosevici , T. and Cufi , X.,(2002) . On

the way to solve lighting problems in

underwater imagin. In: Proceedings of OCEAN 02 MTS/IEEE Conference, pp.1018-1024.

Gonzalez, R. C. and Woods, R. E.,(1992). Digital

Image Processing, 2nd ed. Addison Wesley

Hargas, L., Hrianka, M., DugaA.(2003) Noise Image

Restoration by Spatial Filters In: Proceedins of 13th International Conference RADIOELEKTRONIKA, pp. 376-380

Iqbal, K., Salam, R. A., Osman, A. and Talib, A. Z.(2007). Underwater Image Enhancement

Using an Integrated Colour Model In: World Congress on Engineering 2007, IAENG International Journal of Computer Science, Vol. 34 Issue 2, pp. 239-244

Lavest, J., Rives, G. and Lapresté, J.(2000). Underwater Camera Calibration In: Proceedings of the 6th European Conference on Computer Vision, pp. 654 – 668.

Tang, H. and Cahill, L.W. (1991). Improved median filter for restoration of images corrupted with Gaussian noise. Electronics Letters, Vol. 27, Issue 12, pp. 1016-1018

(a)

(b)

(c)

(d)

(e)

(f)

(g)

(h)

Figura 2: Pares de imagens antes (esquerda) e depois do tratamento (direita)