Disporre di immagini subacquee di alta qualità è essenziale in molti settori della ricerca scientifica come anche in moltissime altre attività che si svolgono sott'acqua. Spesso le immagini riprese al di sotto della sua superficie si caratterizzano per una scarsa qualità, basso contrasto, sfocatura diffusa, oscurità e perdita dei colori della fauna, della flora, degli oggetti e dei paesaggi sommersi. Le cause vanno tutte ricondotte nell’ambito della fisica della propagazione, e dell'assorbimento e dispersione della luce nell’acqua. Per questi motivi, una delle sfide più avvincenti legate al lavoro subacqueo - sicuramente una questione cruciale e che può fare la differenza in archeologia subacquea - è quella di migliorare la qualità delle immagini sino a renderla del tutto simile a quella delle immagini riprese sulla terraferma in condizioni atmosferiche normali.
Un’esigenza, quella delle immagini di alta qualità, che va crescendo di pari passo con la disponibilità dei dati ottenuti tramite l'utilizzo di veicoli subacquei telecomandati (ROV) di fascia alta, di veicoli subacquei autonomi (AUV) e di robot/droni subacquei autonomi, tutti dotati di sensori ottici di ultima generazione per l'acquisizione di immagini. A riguardo segnaliamo il numero speciale (editor Fabio Bruno dell’Università della Calabria) dedicato all’Underwater imaging del Journal of Marine Science and Engineering e quello in preparazione su Advanced Technologies for Maritime and Underwater Archaeology (editors Fabio Bruno, Antonio Lagudi, Michela Ricca,Javier Prieto, Mauro Francesco La Russa, George Papatheodorou, Nikola Mišković), nonché altri recenti contributi sulla stessa rivista open sulla piattaforma Mdpi, come quello che utilizza un algoritmo basato sulla Multi-Scale Retinex (MSR) proposto recentemente da un gruppo di studiosi dell’Università di Nanchino (Kai Hu, Yanwen Zhang Feiyu Lu, Zhiliang Deng e Yunping Liu).
Complessivamente un potenziale di ricerche che promette di rivoluzionare la fotografia subacquea nei prossimi anni. Al momento i metodi di ottimizzazione e di restauro delle immagini subacquee possono essere classificati in cinque categorie principali basate rispettivamente su: l’ottica classica, il modello di formazione, la rimozione della foschia per migliorare la chiarezza, la stima dell’illuminazione, e infine l’apprendimento approfondito (deep learning), un approccio di apprendimento automatico (machine learning) che simula approssimativamente le reti di neuroni della corteccia celebrale umana. Nell’ambito del deep learning l’approccio basato sulla rete neurale convoluzionale sta ricevendo in particolare molta attenzione grazie alle promettenti performance ottenute. In questo ambito è dello scorso anno l’annuncio dell’algoritmo denominato Sea-Thru, messo a punto dall'Università di Haifa, in collaborazione con l'ingegnere e oceanografo Derya Akkaynak. Sea-Thru è in pratica un automatismo che è stato allenato a riconoscere - grazie al confronto con una scheda di colori posta nello scenario ripreso - il modo in cui i colori vengono diffusi nell’acqua ed è in grado di rimuovere le distorsioni presenti, in particolare la retrodiffusione, in modo da restituirne l’accuratezza con colori corretti ed eliminando la tipica ricorrente foschia delle immagini subacquee. Attenzione, non si tratta di una semplice correzione del contrasto o dei colori come potrebbe essere fatta con Photoshop.
A supporto di questi studi sta arrivando un lavoro di alcuni ricercatori del Department of Engineering Science and Ocean Engineering, della National Taiwan University (Herng-Hua Chang ,Po-Fang Chen, Jun-Kai Guo e Chia-Chi Sung), pubblicato a settembre 2020 su EURASIP Journal on Image and Video Processing 41 (2020). L'obiettivo di quest’ultimo contributo è stato quello di sviluppare una procedura più robusta ed efficace per il ripristino delle immagini subacquee che fosse in grado di risolvere contemporaneamente i problemi di diminuzione del colore, scarso contrasto e percezione sfumata. Ispirato dal successo delle tecniche di rimozione della foschia nelle immagini atmosferiche, l'approccio proposto si articola in quattro fasi principali: correzione del colore, miglioramento del contrasto locale, riduzione della foschia e miglioramento del contrasto globale. Partendo dall'osservazione delle proprietà di propagazione specifiche della luce nell'acqua, è stato introdotto uno schema di misurazione della carenza di rosso per elaborare in modo appropriato le immagini attraverso due diversi possibili flussi di lavoro. Per acquisire un migliore contrasto sono state sviluppate diverse tecniche di miglioramento del contrasto locale nel campo dell'elaborazione e dell'analisi delle immagini. Tra questi metodi, l'equalizzazione adattiva dell'istogramma che calcola diversi istogrammi, ognuno corrispondente a una distinta sezione dell'immagine, e li usa per distribuire i valori di luminosità. Questo migliora il contrasto locale e aggiunge maggior dettaglio.
Per conseguire efficacemente la diminuzione della foschia sono state introdotte tecniche contemporanee sviluppate in cinque fasi principali (Dark channel map, Transmission map, Delicate transmission, Guided filtering transmission, e infine Scene radiance recovery). Per ottenere un migliore bilanciamento del colore gli studiosi hanno scelto di utilizzare una trasformazione lineare dell'istogramma su ogni singolo canale di colore RGB. Per conseguire il miglioramento del contrasto globale è stato utilizzato infine un metodo di allungamento dell'istogramma riorganizzando così i valori dei pixel per riempire l'intera gamma di luminosità e ottenere un contrasto maggiore. Quindi l'immagine ripristinata è stata ritrasformata nello spazio colore RGB per la visualizzazione. L'intero sistema è stato implementato e programmato in MATLAB 2015 (The MathWorks Inc. Natick, MA, USA).
Tutti gli esperimenti sono stati eseguiti su un pc con Hardware: CPU Intel® Core (TM) i7 a 2,40 GHz con 8 GB di RAM con Windows a 64 bit 10. Per valutare la perfomance di questo nuovo algoritmo di restauro dell’immagine è stata utilizzato un ampio ventaglio di immagini subacquee riprese in vari scenari. L’ algoritmo di ripristino dell'immagine subacquea è stato confrontato nel paper con altri metodi emersi nella letteratura scientifica più recente (underwater dark channel prior (UDCP), integrated color model (ICM), fast visibility restoration (FVR), dark channel prior (DCP), enhancement with Rayleigh distribution (ERD) e image blurriness and light absorption (IBLA). Per le analisi quantitative, è stata utilizzata la metrica di valutazione della qualità dell'immagine a colori subacquea (UCIQE). I risultati attestano che l’algoritmo proposto supera ogni confronto in termini sia qualitativi che quantitativi.
Fonti: (Redazionali)