基于二维三次样条小波与红通道先验的水下图像增强方法

针对水下图像所出现的对比度低、细节模糊和颜色失真等问题，本文提出二维三次样条小波与暗通道先验的水下图像增强方法。将水下图像使用红通道先验方法去除雾状模糊，然后将其归一化以进行白平衡。同时将原始水下图像使用二维三次样条小波进行加性小波分解，产生低频子图和高频子图。将高频子图系数放大以增强细节信息。最后将处理后的高频子图和白平衡后的图像相加得到增强的图像。实验结果表明，本文算法能够有效消除图像颜色失真，增强的图像呈现出高对比度和清晰的细节。与目前水下图像增强相关典型方法相比，它在对比度、颜色、边缘保留和自然度等方面有明显改进。

近年来，水下视觉技术被广泛应用于各个领域。例如在生物资源和矿物勘探领域，可以利用水下视觉技术对水下目标进行自动搜索和探测；在军事方面，利用水下视觉技术，可以对水下目标进行搜索、侦察和监视[1]。通过带有视觉技术的水下机器人进行定位拍照工作等。而水下视觉技术研究的重点就是对水下采集到的图像进行研究。由于水下介质分布不均匀，光在水下传播遇到悬浮粒子会发生散射，前向散射会造成图像细节模糊；而后向散射会造成雾状模糊，导致图像对比度下降[2]。在某些情况水下环境往往复杂难测，水质浑浊、光线不足等问题容易造成水下图像成像效果较差无法呈现准确有效的信息。

为解决以上问题，水下图像清晰化方法得到了大量研究。常见的图像增强算法可分为空间域增强和频域增强两类[3]。空间域增强方法主要有直方图均衡化、灰度变换和空域滤波等[4] [5] [6] [7]。该类方法直接对图像像素点处理，忽略了像素点之间的关系，处理后的图像一般存在细节增强有限的问题[8]。频域图像增强方法有傅里叶变换、小波变换等[9]。其中小波变换是图像处理中的常用方法[10]，本质上是将图像分为高频子带和低频子带，图像应用中，高频子带代表着细节以及噪声的信息，而低频子带部分代表背景和纹理的信息。

因此可以对感兴趣的子带进行放大， 不感兴趣的子带进行抑制[11]， 实现图像的增强处理。下面是一些几年来水下图像增强方面的一些相关工作。

使用基于波长补偿的去雾算法进行水下增强会产生暗色结果[12]。基于(XYZ, LMS)颜色空间中直方图均衡化的颜色恢复会导致伪影[13]。基于编码–解码框架的深度像素到像素网络会在图像中产生伪影[14]。降低噪声水平、暗区曝光和增强对比度会导致边缘模糊[15]。

基于样式信息、颜色和全局内容的条件生成对抗网络会导致颜色失真[16]。

通过暗通道先验进行颜色校正和去模糊会导致锐度失真[17]。

基于多尺度梯度域估计传输的增强产生不了令人满意的颜色校正效果[18]。通过白平衡和颜色补偿以及它们的权重融合是一个比较耗时的过程[19]。基于超分辨率去模糊的生成对抗网络会导致颜色失真[20]。

基于传输估计和曝光图的联合残差学习会在图像中产生伪[21]。

通过暗通道先验和反向散射光估计传输图，通过输出平均值进行评估；然而，该方法没有获得良好的细节信息[22]。对比度受限自适应直方图