基于颜色校正与改进的CLAHE多尺度融合水下图像增强

摘 要：由于水体对光线的吸收和散射作用，水下图像易出现色偏、对比度低等问题。针对上述问题，提出一种基于颜色校正与改进的限制对比度自适应直方图均衡（Ｃｏｎｔｒａｓｔ Ｌｉｍｉｔｅｄ Ａｄａｐｔｉｖｅ Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ，ＣＬＡＨＥ） 多尺度融合水下图像增强方法。提出自动对比度调整的改进版白平衡方法对图像颜色进行校正；采用结合自适应伽马校正的ＣＬＡＨＥ 提高图像的对比度、亮度、轮廓与细节；采用高斯与拉普拉斯金字塔提取图像不同特征图进行多尺度融合，从而实现水下图像的增强处理。此外，还对提出的算法与其他算法进行主客观评价与对比分析。对比实验结果表明，采用所提方法增强处理后的水下图像质量明显提升，水下图像颜色质量评价（Ｕｎｄｅｒｗａｔｅｒ Ｃｏｌｏｒ Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ｅｖａｌｕａｔｉｏｎ，ＵＣＩＱＥ）、信息熵、水下图像质量评价（Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ｍｅａｓｕｒｅ，ＵＩＱＭ） 的均值分别为０． ６３９ ０、７． ７１４ ９、０． ７１８ ３，均证明了所提方法的有效性。另外，消融实验结果也证明所提算法的合理性，能够有效解决水下图像色偏问题，均衡提高水下图像的对比度与亮度，增强图像的边缘和细节特征。

关键词：水下图像增强；多尺度融合；白平衡；自适应伽马校正；限值对比度自适应直方图均衡

中图分类号：ＴＰ３９１ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０６－１４７０－１１

０ 引言

近年来我国海洋信息技术发展迅速，水下图像是获取海洋信息的最直接、最有效的手段之一。清晰的水下图像对于海洋探索起到关键作用，能更有效地推进水下资源勘探、水下环境检测等领域的发展［１］。由于在水下传播时，水中的颗粒、浮沉等使光发生散射，水介质对光有选择性地吸收，导致水下拍摄的图像出现模糊、颜色偏差和失真等一系列降质问题［２］。低质量的水下图像直接影响了其实际应用能力，因此增强水下图像非常有必要。

针对上述问题，国内外众多学者对水下图像进行增强处理并取得了一定的成果。传统的水下图像增强法如Ｈｅ 等［３］提出的暗通道先验（Ｄａｒｋ Ｃｈａｎｎｅｌ Ｐｒｉ-ｏｒ，ＤＣＰ）算法，根据水下图像的雾化模糊与有雾图像的相似性对水下图像进行处理，该方法去雾效果较好，但是水对光有选择性地吸收，无法解决色偏问题。Ａｎｃｕｔｉ 等［４］提出了一种多尺度融合方法，该方法基于白平衡与色彩补偿，利用不同的权重图与金字塔进行多尺度融合，提高了图像全局对比度与边缘清晰度，但是色彩补偿使图像整体偏暗色调，图像的背景区域被忽略，导致图像欠缺真实度。Ｍｉｓｈｒａ 等［５］对限制对比度自适应直方图均衡（Ｃｏｎｔｒａｓｔ Ｌｉｍｉｔｅｄ ＡｄａｐｔｉｖｅＨｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ，ＣＬＡＨＥ）进行改进并应用于水下图像增强，提升了水下图像的对比度，但无法解决色偏问题。胡振宇等［６］基于颜色平衡与ＣＬＡＨＥ进行多尺度融合，图像色偏问题与对比度明显提升，但使用的ＣＬＡＨＥ 未有效增强图像细节。Ｌｉｎ等［７］提出一种颜色校正与改进版Ｒｅｔｉｎｅｘ 结合的算法，缓解图像色偏问题并改善图像细节，但其对比度提升不明显。霍光尧等［８］根据ＤＣＰ 和计算折射率自适应矫正图像的颜色，对于色偏不严重的水域图像，提高了图像的亮度，恢复了图像的颜色。Ｓｅｔｈｉ 等［９］提出了一种改进版对比度拉伸与直方图均衡（Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ，ＨＥ）的融合算法，提升了图像的轮廓细节与对比度，但其色偏改善效果不明显。Ｍａｒｑｕｅｓ 等［１０］提出了一种多尺度融合算法解决水下图像亮度低、光照不均问题，色偏问题未有效解决。Ｚｈｏｕ 等［１１］提出了多间隔子直方图均衡，通过计算图像子区域的特征漂移程度，指导图像自适应增强，处理的图像色彩程度鲜明，对比度与色偏问题均得到有效改善。

此外，近些年来随着深度学习的发展，也有不少学者提出基于深度学习的图像增强方法。Ｌｉ 等［１２］利用空气图像和水下图像生成对抗网络生成水下图像，解决水下图像色偏问题。王昊天等［１３］提出了一种循环性生成对抗网络，对水下图像颜色进行校正。徐岩等［１４］根据水下图像成像模型提出一种卷积神经网络，提高了水下图像的质量。但由于水下环境的复杂性，水下图像数据集比较缺乏，不同水质、不同深度等模型泛化能力也有待考究，这种基于深度学习的增强方法仍有待完善。

本文针对传统算法对图像多重降质处理效果差，难以做到图像的颜色、对比度、亮度和细节方面等综合型的提升，提出颜色校正与改进的ＣＬＡＨＥ 多尺度融合水下图像增强方法。该方法采用改进白平衡算法对图像颜色进行校正，采用自适应伽马校正的ＣＬＡＨＥ 解决图像对比度低、亮度低问题，增强图像边缘和细节特征；使用金字塔分解增强后的图像以及其不同权重图，并进行多尺度融合。结合主客观评价、消融实验表明，增强后的图像有更好的表现。

１ 算法原理

１． １ 基于改进版白平衡的颜色平衡

水介质对不同颜色的光线会有选择性地吸收，水对光的吸收作用会衰减光的强度。波长越长的光在水中越容易被吸收，如红光波长最长，在水中更容易被吸收，衰减最严重，阻碍光能图像的颜色形成，因此水下图像成蓝绿色调。白平衡可以有效地解决图像颜色偏差问题，通过在图像中选择参考白色点来调整图像颜色平衡，使得该点在图像中呈现出的颜色更加自然和准确。为此，本文借鉴Ｃｈｅｎ 等［１５］提出的颜色校正的思想，该文献通过对颜色通道进行灰度世界白平衡和基于直方图分布的仿射变换来解决颜色失真问题。本文在此基础上进行改进，针对其需要设定颜色通道调整因子的弊端，提出利用直方图自动对比度调整以减少参数对图像颜色调整的敏感性，从而得到改进版白平衡处理方法。具体步骤如下：

① 对ＲＧＢ 颜色通道进行白平衡增益调整，计算公式为：

式中：Ａｖｇ 为ＲＧＢ 颜色通道均值的平均值，Ｒ、Ｇ、Ｂ为ＲＧＢ 颜色通道的均值。

② 利用直方图自动对比度调整对３ 个通道分别进行调整，将图像像素值［Ｖｍｉｎ，Ｖｍａｘ ］映射到［０，２５５］，使输出图像的像素值范围充分利用整个灰度级别范围，其计算公式为：

式中：ｘ 为图像某点像素值，Ｖｍｉｎ 为图像像素值的最小值，Ｖｍａｘ 为图像像素值的最大值。

以图１（ａ）原图为例，分别利用白平衡算法、改进版白平衡算法对其进行颜色矫正，其增强处理前后的图像与图像的颜色通道如图１ 所示。

由图１ 可以看出，白平衡算法增强（图１（ｅ））处理的图像色彩程度过于鲜明，其蓝色通道（图１（ｈ））出现过度曝光现象；本文改进版白平衡处理效果（图１（ｉ））色彩程度适中，更符合人类感知视觉效果，颜色通道图的灰度分布也更加均匀。

１． ２ 自适应伽马校正的ＣＬＡＨＥ

ＣＬＡＨＥ 作为一种图像增强方法，在水下图像中用于提升对比度，以改善图像质量［１６］。由于ＣＬＡＨＥ 在提升图像对比度方面表现卓越，但其关注点似乎主要集中在增强像素值分布，而对于图像的边缘细节信息似乎并未充分考虑［１７］。马敏慧等［１８］将伽马校正与ＣＬＡＨＥ 相结合，可以使图像在增强图像亮度与对比度的同时更好地保持边缘和细节特征。普通伽马校正参数需要根据图像进行手动设定，因此本文借鉴自适应伽马校正的方法［１９］，得到自适应伽马校正的ＣＬＡＨＥ，提升图像对比度与亮度的同时保持图像边缘和细节特征，从而在视觉效果上更自然和准确。具体步骤如下：

① 将图像分割成连续、大小不等Ｍ×Ｎ 个子块，每个子块的像素数量为ｍ。

② 计算每个子块的直方图，用ｈｍ（ｋ）表示子块的直方图，ｋ 表示灰度级。

③ 计算裁剪受限值：

式中：Ｃ 表示截断系数，Ｎｘ ×Ｎｙ 表示每个子块在ｘ、ｙ上的像素个数。

④ 对每个子块使用对应的Ｔ 值对ｈｍ（ｋ）进行裁剪，将裁剪下来的像素值对直方图的灰度级进行重新分配，记为ｆｍ（ｋ），ＣＬＡＨＥ 裁剪示意如图２ 所示。

⑤ 对ｆｍ（ｋ）进行ＨＥ 处理，并采用双线性插值对子块进行像素重构。

⑥ 对图像进行自适应伽马校正，根据亮度分量Ｌ 计算伽马校正的参数，计算如下：

式中：ＩＬ 表示图像Ｉ 的亮度分量，ｖａｒ 和ｍｅａｎ 分别表示ＩＬ 的方差和平均值，Ｄ 表示常数，经实验得知设置Ｄ ＝ １５ 效果较好；ＯＬ 表示输出图像的亮度分量，γ表示伽马系数。

以图１（ｉ）为例，分别利用ＣＬＡＨＥ、自适应伽马校正和自适应伽马校正的ＣＬＡＨＥ 对其进行增强，处理效果如图３ 所示。

由图３ 可以看出，ＣＬＡＨＥ（图３（ａ））增强了图像的对比度，其直方图分布均匀；自适应伽马校正（图３（ｂ））对图像的亮度进行调整，其直方图部分灰度级别的像素数量相对较少，出现明显的亮度变化，一些区域也出现过于暗淡的情况。自适应伽马校正的ＣＬＡＨＥ 方法（图３ （ｃ）），其直方图分布均匀，有效调整了图像的亮度与对比度，相比于其他２ 种方法，视觉效果也进一步改善。

以图１（ａ）原图的细节图为例，分别利用ＣＬＡＨＥ、自适应伽马校正和自适应伽马校正的ＣＬＡＨＥ 对其进行增强，处理效果的细节如图４ 所示。

由图４ 可以看出，原图的细节（图４（ａ））存在亮度不均匀和细节不清晰等问题，ＣＬＡＨＥ（图４（ｂ））使图像的对比度得到增强；自适应伽马校正（图４（ｃ）），使图像的亮度发生变化，使一些边缘区域的对比度增加；自适应伽马校正的ＣＬＡＨＥ（图４（ｄ））结合了上述２ 种方法的优点，提高了图像的整体对比度与亮度，且细节和轮廓特征方面都得到了改善。

１． ３ 权重计算

单一权重特征所含图像的信息量有限，不能反映图像各个基本特征。本文选择拉普拉斯对比度权重、局部对比度权重、显著性权重和色彩权重以更完整的方式呈现图像的基本特征。由于不同权重所含的信息特征不同，不能进行简单的线性叠加，因此将上述不同权重进行归一化。

（１）拉普拉斯对比度权重（ＷＬ）

该权重通过计算图像的亮度通道的拉普拉斯滤波绝对值，估计图像的全局对比度，以突出显示图像的边缘和纹理等高频信息［２０］。此权重针对图像全局计算，为了使图像的细节部分更加明显，还需要结合局部对比度权重使用。ＷＬ 计算如下：

ＷＬ ＝｜ Ｆ（Ｉｋ ）｜ ， （６）

式中：Ｆ 表示拉普拉斯滤波。

（２）局部对比度权重（ＷＬＣ ）

该权重通过计算图像中的像素点与其相邻像素点平均值之间的标准差，以凸显图像的高亮和阴影部分之间的区域［２１］。ＷＬＣ 计算如下：

ＷＬＣ（ｘ，ｙ） ＝ ｜｜Ｉｋ － Ｉｋｗｈｃ｜｜， （７）

式中：ｋ 表示输入图像索引，Ｉｋ 表示该图像的亮度通道，Ｉｋｗｈｃ 表示Ｉｋ 经过邻域内低通滤波后的结果，低通滤波器的滤波核为１ ／ １６［１，４，６，４，１］；ｗｈｃ 表示截止频率，ｗｈｃ ＝ π ／ ２． ７５。

（３）显著性权重（ＷＳ）

图像的显著性与多个方面相关，如亮度、对比度和细节纹理等［２２］。ＷＳ 计算如下：

ＷＳ（ｘ，ｙ） ＝｜｜Ｉμ － Ｉｗｈｃ｜｜， （８）

式中：Ｉμ 表示输入图像的像素平均值，Ｉｗｈｃ 表示经高斯模糊的图像。

（４）色彩权重（ＷＥ ）

该权重为了衡量图像的曝光程度，ＷＥ 计算如下：

式中：ｋ 表示输入图像索引，ｋ ＝ ２；ｉ 表示权重个数，本文多尺度融合采用２ 张图像，ｉ ＝ ４。

１． ４ 多尺度融合

简单线性叠加的方式可以对不同方法增强的图像进行融合，但会导致最终图像出现伪影和光晕［２３］。本文使用多尺度融合算法对图像进一步增强，通过拉普拉斯金字塔与高斯金字塔分别对增强图及其归一化权重图进行分解，分解后进行多尺度融合。主要流程如图５ 所示，融合过程分为３ 个阶段：图像融合输入获取、权重计算与多尺度分解与融合。图像融合的输入采用改进版白平衡对图像进行颜色校正，采用自适应伽马校正的ＣＬＡＨＥ 对图像的对比度、亮度轮廓细节进行增强。获得图像融合输入后，选取输入图像的拉普拉斯对比度权重图、局部对比度权重图、显著性权重图和色彩权重图，将上述的权重图做归一化处理，得到归一化权重图。将２ 幅输入图像和归一化权重图分别采用拉普拉斯金字塔和高斯金字塔进行分解，然后在金字塔的每一层对输入图和权重图通过逐层重建的方法得到融合图像。金字塔融合计算如下：

２ 实验结果及分析

２． １ 主观评价

通过水下图像评价中标准色卡验证本文算法的颜色复原效果，与文献［３－１１］提出的算法以及本文算法分别进行增强处理并作对比分析。颜色恢复实验处理效果如图６ 所示，以松下ＴＳ１ 相机拍摄的水下图像图６（ａ）、标准色卡图６（ｌ）为例。

由图６ 可以看出，图６（ｂ）对比度提升不明显，也不能解决图像色偏问题；图６（ｃ）解决了图像的色偏问题，但是对比度和亮度效果较差；图６（ｄ）对比度有所改善，但是暂未解决色偏问题；图６（ｄ）被过度增强，颜色失真较严重；图６（ｅ）有效解决了色偏问题，图像的对比度也有效改善，但亮度偏低；图６（ｆ）与图６（ｅ）相比增强程度相对缓和，有效解决了色偏问题，提高了图像的对比度和亮度；图６（ｇ）红色失真较严重，图像质量也降低；图６（ｈ）整体亮度偏低，色偏增强效果不明显；图６（ｉ）不能解决色偏问题，对比度较高；图６（ｊ）色彩鲜明程度、清晰度较高；图６（ｋ）解决了色偏问题，本文算法的ＣＬＡＨＥ 结合自适应伽马校正，与ＣＬＡＨＥ 未结合自适应伽马校正的图６（ｅ）相比，其亮度与对比度进一步提高，清晰度也提高。

为进一步验证本文水下图像的增强效果，从郭继昌等［２４］创建的水下图像数据集中选出５ 组典型的水下降质图像进行实验。以图７（ａ）原图为例，用文献［３－１１］以及本文算法分别进行增强处理并作对比分析。具体实验结果如图７ 所示。

由图７ 可以看出，文献［３］去雾效果较好，进行颜色校正无效；文献［４］解决了图像的偏色问题，且图像整体偏暗色调，图像的对比度不佳；文献［５］算法不能解决图像色偏问题，但是提高了对比度；文献［６］可以有效解决图像色偏问题，对比度提高，背景区域也更明显，但是图像引入噪点或伪影，图像清晰度降低；文献［７ ］图像色彩程度不够丰富；文献［８］图像颜色出现严重的失真现象，视觉效果较差；文献［９］校正颜色效果不明显，图像对比度也未提高；文献［１０］图像的轮廓与细节较为突出，存在绿色失真问题；文献［１１］饱和度鲜明，图像的亮度与对比度均有不错的效果，但轮廓特征与图像的细节不够丰富；本文算法色彩饱和程度适中，能够解决图像色偏问题，且图像对比度与亮度均衡，细节清晰，图像质量较高。

２． ２ 客观评价

为了客观评价所提算法的性能，采用水下图像颜色质量评价（Ｕｎｄｅｒｗａｔｅｒ Ｃｏｌｏｒ Ｉｍａｇｅ ＱｕａｌｉｔｙＥｖａｌｕａｔｉｏｎ，ＵＣＩＱＥ）、信息熵、水下图像质量评价（Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ｍｅａｓｕｒｅ，ＵＩＱＭ）、时间及空间复杂度指标进行评测。

（１）ＵＣＩＱＥ

ＵＣＩＱＥ 由Ｙａｎｇ 等［２５］提出，以图像的色度、对比度和饱和度的线性组合综合评价水下图像的质量，ＵＣＩＱＥ 值越高代表水下图像的质量越高，其计算如下：

ＵＣＩＱＥ ＝ ｃ１ σｃ ＋ ｃ２ ｃｏｎｌ ＋ ｃ３ μｓ ， （１３）

式中：σｃ 表示色度的标准方差，ｃｏｎｌ 表示图像对比度，μｓ 表示饱和度平均值，ｃ１ 、ｃ２ 、ｃ３ 表示加权系数，ｃ１ ＝ ０． ４６８ ０、ｃ２ ＝ ０． ２７４ ５、ｃ３ ＝ ０． ２５６ ７。表１ 为图７所有图像的ＵＣＩＱＥ 结果。

表１ 数据表明，除了Ｚｈｏｕ 等［１１］等处理的序号为１、２ 的图像的ＵＣＩＱＥ 高于本文算法外，其余图像ＵＣＩＱＥ 本文算法均高于其他对比算法。图像的色度、饱和度和对比度均有不错的效果。本文方法ＵＣＩＱＥ的均值为０． ６３９ ０，相比原始图像，其ＵＣＩＱＥ 提升了约０． ２２９ ４。经本文算法处理后的图像颜色恢复自然，可以有效提高水下图像质量。

（２）信息熵

信息熵代表图像的平均信息量，信息熵数值越大，表明图像所含信息量越丰富，其计算如下：

式中：Ｌ 表示灰度级别，ｘ 表示灰度值，ｐ（ｘ）表示灰度值分布概率。表２ 为图７ 中所有图像的信息熵评价结果。

表２ 数据表明，除了胡振宇等［６］处理的序号为３、６、７ 的图像，Ｌｉｎ 等［７］、Ｚｈｏｕ 等［１１］处理的序号为３、６ 的图像的信息熵高于本文算法外，本文算法信息熵均值为７． ７１４ ９，相比于对比算法均值最高，相比原始图像提高了约１． ３６８ １。经本文算法增强处理后的图像所含信息最丰富。

（３）ＵＩＱＭ

ＵＩＱＭ 由Ｐａｎｅｔｔａ 等［２６］提出，以图像的色彩测量、清晰度测量和对比度测量的线性组合综合评价水下图像的质量，ＵＩＱＭ 值越高代表水下图像的质量越高，其计算如下：

ＵＩＱＭ ＝ ｃ１ ＵＩＣＭ ＋ ｃ２ ＵＩＳＭ ＋ ｃ３ ＵＩＣｏｎＭ， （１５）

式中：ＵＩＣＭ 表示对图像色彩测量，ＵＩＳＭ 表示对图像的清晰度测量，ＵＩＣｏｎＭ 表示图像对比度测量，ｃ１ 、ｃ１ 、ｃ３ 表示加权系数，ｃ１ ＝０． ０２８ ２，ｃ１ ＝０． ２９５ ３，ｃ３ ＝２． ５７５ ３。表３ 为图７ 中所有图像的ＵＩＱＭ 结果。

表３ 数据表明，除了Ｌｉｎ 等［７］处理的序号为２ 的图像的ＵＩＱＭ 高于本文算法外，其余图像ＵＩＱＭ 本文算法均高于其他对比算法。本文算法ＵＩＱＭ 均值为０． ７１８ ３，相比于对比算法均值最高，相比原始图像提高了约０．５５５ ８。经本文算法增强处理的图像色彩鲜明，对比度适中，清晰度也较高。

（４）时间和空间复杂度评价

对上述实验中各类算法时间和空间复杂度进行评价，以各类算法对原始图像处理时间的平均值和算法运行内存为例，比较各算法在图像处理速度方面的性能差异和资源占用方面的性能表现，实验结果如表４ 所示。

表４ 数据表明，文献［５］算法处理时间最短，占用的运行内存资源较少，但处理图像的质量不佳。除了文献［４］算法占用的运行内存最多以外，本文算法也占用了较多的运行内存。另外，本文算法处理图像的时间在各类算法中处于中上水平，能在相对较短的时间内完成图像处理任务。

２． ３ 消融实验

本文多尺度融合算法包括改进版白平衡与自适应伽马校正的ＣＬＡＨＥ 两个关键步骤。在上述水下图像数据集中选出３ 组图像进行消融实验，分别用改进版的白平衡、自适应伽马校正的ＣＬＡＨＥ 对图像进行增强，与本文算法增强处理的图像进行比较，实验消融结果如图８ 所示。

由图８ 可以看出，改进版白平衡能有效解决水下图像色偏问题，其轮廓特征、细节不明显。自适应伽马校正的ＣＬＡＨＥ 不能解决水下图像色偏问题，但能有效提高图像的对比度，轮廓特征与细节得到改善。本文多尺度融合算法能有效解决图像色偏问题，提高图像的整体对比度并与亮度，且细节和轮廓特征也得到有效保留。表５ 为图８ 中所有图像的消融实验客观指标评价结果。

表５ 数据表明，本文算法的ＵＣＩＱＥ、信息熵和ＵＩＱＭ 均优于改进版白平衡、自适应伽马校正的ＣＬＡＨＥ，证明了本文多尺度融合算法的有效性。

３ 结束语

由于水下恶劣成像环境，导致拍摄的水下图像有色偏、对比度低和细节模糊等问题，本文提出了一种基于颜色校正与改进的ＣＬＡＨＥ 多尺度融合水下图像增强方法。利用改进版白平衡方法对图像颜色校正，采用结合自适应伽马校正的ＣＬＡＨＥ 方法提升图像对比度与亮度，保留图像的细节边缘。将２ 种方法增强后的图像采用不同的权重进行多尺度分解与融合得到水下增强图像。实验结果表明，在主观评价上，本文视觉效果优于对比方法；在客观评价上，所提方法的ＵＣＩＱＥ、信息熵和ＵＩＱＭ 的平均值优于对比方法，平均值分别为０． ６３９ ０、７． ７１４ ９、０． ７１８ ３；在消融实验中，所提算法的ＵＣＩＱＥ、信息熵和ＵＩＱＭ 均优于单独使用改进版的白平衡、自适应伽马校正的ＣＬＡＨＥ。本文算法能够有效解决水下图像色偏问题，均匀提升图像的对比度与亮度，增强图像的细节与边缘特征，提高图像的清晰度。

参考文献

［１］ 卫依雪，周冬明，王长城，等． 采用多尺度密集残差网络的水下图像增强［Ｊ］． 无线电工程，２０２１，５１（９）：８７０－８７８．

［２］ 林森，刘世本，唐延东． 多输入融合对抗网络的水下图像增强［Ｊ］． 红外与激光工程，２０２０，４９（５）：２１７－２２５

［３］ ＨＥ Ｋ Ｍ，ＳＵＮ Ｊ，ＴＡＮＧ Ｘ Ｏ． Ｓｉｎｇｌｅ Ｉｍａｇｅ Ｈａｚｅ ＲｅｍｏｖａｌＵｓｉｎｇ Ｄａｒｋ Ｃｈａｎｎｅｌ Ｐｒｉｏｒ ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１１，３３ （１２）：２３４１－２３５３．

［４］ ＡＮＣＵＴＩ Ｃ Ｏ，ＡＮＣＵＴＩ Ｃ，ＤＥ ＶＬＥＥＳＣＨＯＵＷＥＲ Ｃ，ｅｔａｌ． Ｃｏｌｏｒ Ｂａｌａｎｃｅ ａｎｄ Ｆｕｓｉｏｎ ｆｏｒ Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１８，２７（１）：３７９－３９３．

［５］ ＭＩＳＨＲＡ Ａ，ＧＵＰＴＡ Ｍ，ＳＨＡＲＭＡ Ｐ． Ｅｎｈａｎｃｅｍｅｎｔ ｏｆＵｎｄｅｒｗａｔｅｒ Ｉｍａｇｅｓ Ｕｓｉｎｇ Ｉｍｐｒｏｖｅｄ ＣＬＡＨＥ［Ｃ］∥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｄ Ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ（ＣＡＣＡＴ）． Ｂｈｏｐａｌ：ＩＥＥＥ，２０１８：１－６．

［６］ 胡振宇，陈琦，朱大奇． 基于颜色平衡和多尺度融合的水下图像增强［Ｊ］． 光学精密工程，２０２２，３０ （１７ ）：２１３３－２１４６．

［７］ ＬＩＮ Ｓ Ｊ，ＬＩ Ｚ，ＺＨＥＮＧ Ｆ Ｈ，ｅｔ ａｌ． Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ Ｂａｓｅｄ ｏｎ Ａｄａｐｔｉｖｅ Ｃｏｌｏｒ Ｃｏｒｒｅｃｔｉｏｎ ａｎｄ Ｉｍｐｒｏｖｅｄ Ｒｅｔｉｎｅｘ Ａｌｇｏｒｉｔｈｍ ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２３，１１：２７６２０－２７６３０．

［８］ 霍光尧，佃松宜，武伟让，等． 基于暗通道先验和自适应颜色校正的水下图像处理［Ｊ］． 电光与控制，２０１９，２６（１１）：７０－７４．

［９］ ＳＥＴＨＩ Ｒ，ＩＮＤＵ Ｓ． Ｆｕｓｉｏｎ ｏｆ Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ ａｎｄ Ｒｅｓｔｏｒａｔｉｏｎ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ ａｎｄ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ２０２０， ３４（３）：２０５４００７．

［１０］ ＭＡＲＱＵＥＳ Ｔ Ｐ，ＡＬＢＵ Ａ Ｂ． Ｌ２ ＵＷＥ：Ａ Ｆｒａｍｅｗｏｒｋ ｆｏｒｔｈｅ Ｅｆｆｉｃｉｅｎｔ Ｅｎｈａｎｃｅｍｅｎｔ ｏｆ Ｌｏｗｌｉｇｈｔ ＵｎｄｅｒｗａｔｅｒＩｍａｇｅｓ Ｕｓｉｎｇ Ｌｏｃａｌ Ｃｏｎｔｒａｓｔ ａｎｄ Ｍｕｌｔｉｓｃａｌｅ ｆｕｓｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ Ｗｏｒｋｓｈｏｐｓ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：５３８－５３９．

［１１］ ＺＨＯＵ Ｊ Ｃ，ＰＡＮＧ Ｌ，ＺＨＡＮＧ Ｄ Ｈ，ｅｔ ａｌ． ＵｎｄｅｒｗａｔｅｒＩｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ Ｍｅｔｈｏｄ ｖｉａ Ｍｕｌｔｉｉｎｔｅｒｖａｌ Ｓｕｂ Ｈｉｓｔｏｇｒａｍ Ｐｅｒｓｐｅｃｔｉｖｅ Ｅｑｕａｌｉｚａｔｉｏｎ ［Ｊ ］． ＩＥＥＥ Ｊｏｕｒｎａｌ ｏｆＯｃｅａｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，２０２３，４８（２）：４７４－４８８．

［１２］ ＬＩ Ｃ Ｙ，ＧＵＯ Ｃ Ｌ，ＲＥＮ Ｗ Ｑ，ｅｔ ａｌ． Ａｎ Ｕｎｄｅｒｗａｔｅｒ ＩｍａｇｅＥｎｈａｎｃｅｍｅｎｔ Ｂｅｎｃｈｍａｒｋ Ｄａｔａｓｅｔ ａｎｄ Ｂｅｙｏｎｄ［Ｊ］． ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１９，２９：４３７６－４３８９．

［１３］ 王昊天，刘庆省，陈亮，等． 改进的ＣｙｃｌｅＧＡＮ 网络用于水下显微图像颜色校正［Ｊ］． 光学精密工程，２０２２，３０（１２）：１４９９－１５０８．

［１４］ 徐岩，孙美双． 基于卷积神经网络的水下图像增强方法［Ｊ ］． 吉林大学学报（工学版），２０１８，４８ （６ ）：１８９５－１９０３．

［１５］ ＣＨＥＮ Ｑ，ＺＨＡＮＧ Ｚ，ＬＩ Ｇ Ｌ． Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ Ｂａｓｅｄ ｏｎ Ｃｏｌｏｒ Ｂａｌａｎｃｅ ａｎｄ Ｍｕｌｔｉｓｃａｌｅ Ｆｕｓｉｏｎ［Ｊ］．ＩＥＥＥ Ｐｈｏｔｏｎｉｃｓ Ｊｏｕｒｎａｌ，２０２２，１４（６）：３９６３０１０ ．

［１６］ 王昕平，张森林，刘妹琴，等． 基于多尺度图像融合和ＳＩＦＴ 特征的水下图像拼接研究［Ｊ］． 计算机应用与软件，２０２１，３８（５）：２１３－２１７．

［１７］ 成宏达，骆海明，夏庆超，等． 基于改进γＣＬＡＨＥ 算法的水下机器人图像识别［Ｊ］． 浙江大学学报（工学版），２０２２，５６（８）：１６４８－１６５５．

［１８］ 马敏慧，王红茹，王佳． 基于改进的ＭＳＲＣＲＣＬＡＨＥ 融合的水下图像增强算法［Ｊ］． 红外技术，２０２３，４５（１）：２３－３２．

［１９］ 杜雪，孙秀娟，李长安，等． 基于加权融合的多空间转换水下图像增强方法［Ｊ］． 电光与控制，２０２１，２８（１１）：１０１－１０５．

［２０］ 朱祥坤，王坤，云利军，等． 基于多尺度融合技术的低光照图像增强技术研究［Ｊ］． 云南师范大学学报（自然科学版），２０２３，４３（３）：３０－３５．

［２１］ 丁洁，陆安江，彭熙舜，等． 基于颜色校正和加权融合的水下图像增强［Ｊ］． 国外电子测量技术，２０２３，４２（３）：１６７－１７４．

［２２］ ＬＩ Ｘ Ｊ，ＨＯＵ Ｇ Ｊ，ＴＡＮ Ｌ，ｅｔ ａｌ． Ａ Ｈｙｂｒｉｄ Ｆｒａｍｅｗｏｒｋ ｆｏｒＵｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｅｎｈａｎｃｅｍｅｎｔ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１９７４４８－１９７４６２．

［２３］ ＲＯＷＧＨＡＮＩＡＮ Ｖ． Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｒｅｓｔｏｒａｔｉｏｎ ｗｉｔｈＨａａｒ Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ ａｎｄ Ｅｎｓｅｍｂｌｅ ｏｆ Ｔｒｉｐｌｅ ＣｏｒｒｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍｓ Ｕｓｉｎｇ Ｂｏｏｔｓｔｒａｐ Ａｇｇｒｅｇａｔｉｏｎ ａｎｄ ＲａｎｄｏｍＦｏｒｅｓｔｓ［Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ Ｒｅｐｏｒｔｓ，２０２２，１２（１）：８９５２．

［２４］ 郭继昌，李重仪，郭春乐，等． 水下图像增强和复原方法研究进展［Ｊ］． 中国图象图形学报，２０１７，２２ （３）：２７３－２８７．

［２５］ ＹＡＮＧ Ｍ，ＳＯＷＭＹＡ Ａ． Ａｎ Ｕｎｄｅｒｗａｔｅｒ Ｃｏｌｏｒ ＩｍａｇｅＱｕａｌｉｔｙ Ｅｖａｌｕａｔｉｏｎ Ｍｅｔｒｉｃ ［Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎＩｍａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，２０１５，２４（１２）：６０６２－６０７１．

［２６］ ＰＡＮＥＴＴＡ Ｋ，ＧＡＯ Ｃ，ＡＧＡＩＡＮ Ｓ． Ｈｕｍａｎｖｉｓｕａｌｓｙｓｔｅｍｉｎｓｐｉｒｅｄ Ｕｎｄｅｒｗａｔｅｒ Ｉｍａｇｅ Ｑｕａｌｉｔｙ Ｍｅａｓｕｒｅｓ ［Ｊ］． ＩＥＥＥＪｏｕｒｎａｌ ｏｆ Ｏｃｅａｎｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６，４１（３）：５４１－５５１．

作者简介

弭永发 男，（１９９８—），硕士研究生。主要研究方向：图像处理、机器视觉。

（*通信作者）迟明善 男，（１９８５—），博士，副教授。主要研究方向：服务机器人开发、机器视觉等。

张 强 男，（１９８２—），博士，教授。主要研究方向：船舶运动与控制、机器视觉等。

刘鹏杰 男，（１９９６—），硕士研究生。主要研究方向：图像处理、机器视觉。

王天佑 男，（２００１—）。主要研究方向：图像处理。

基金项目：山东省自然科学基金面上项目（ＺＲ２０２２ＭＥ０８７）；山东交通学院２０２３ 年校级研究生科技创新项目立项（２０２３ＹＫ０９７）；山东交通学院博士科研启动基金（ＢＳ２０２４００９）