一个真实世界的水下浑浊图像增强基准测试及其应用拓展

《Knowledge-Based Systems》：A real-world underwater turbid image enhancement benchmark and beyond

针对水下浑浊图像增强难题，提出UTIEB基准库和UTGAN方法。通过构建包含1086张不同浑浊程度真实水下图像的UTIEB数据集，结合生成对抗网络与物理模型，设计双分支网络实现中间域生成和自适应补偿，有效提升图像对比度与清晰度，实验表明其性能优于现有方法。

　　在水下图像增强领域，水下图像的模糊性（turbidity）一直是研究者们关注的重点问题之一。水下图像由于水体中的悬浮颗粒和浮游植物等物质的大量存在，导致光线在传播过程中发生强烈的散射和吸收，从而造成图像的模糊和对比度下降。这种现象不仅影响了图像的视觉质量，更直接限制了水下机器人在复杂水下环境中对目标的准确识别和定位能力。因此，如何有效提升水下图像的清晰度和对比度，成为了水下图像处理（Underwater Image Processing, UIP）研究中的核心挑战。

目前，针对水下图像增强的方法主要分为两大类：非学习方法和基于深度学习的方法。非学习方法通常依赖于数学模型和统计技术，通过模拟水下成像过程，对图像中的散射和吸收效应进行建模，并利用这些模型调整图像的像素分布。这类方法在某些无参考评估指标（如UCIQE和UIQM）中表现良好，能够使图像更符合人眼的视觉感知。然而，由于水下环境的复杂性，非学习方法在处理高浓度悬浮颗粒和浮游植物造成的严重水下模糊时往往效果有限。相比之下，基于深度学习的方法近年来受到广泛关注，它们能够利用大规模数据集和手工设计的目标函数，自动学习原始图像与高质量图像之间的隐含关系，从而实现对水下图像的自适应增强。这类方法在全参考评估指标（如SSIM和PSNR）中通常表现更优，因此在后续任务如目标识别、物体跟踪和三维重建等方面具有更强的应用潜力。

尽管已有大量研究致力于提升水下图像的质量，但当前大多数方法在应对水下模糊问题时仍存在明显不足。这主要是由于两个关键因素的限制。首先，真实水下模糊图像的数据集较为匮乏。现有的合成数据集虽然在一定程度上模拟了水下环境，但它们难以准确反映实际水下场景的复杂性和多样性，因此在训练高效、可靠的水下图像处理模型时缺乏足够的支持。其次，水下模糊环境中的强散射和反射效应使得模糊去除任务比颜色校正更加困难。在这些环境中，准确估计如传输图等关键参数成为一项挑战，导致现有的水下成像模型难以有效恢复模糊水下图像的清晰度。

为了解决上述问题，本文提出了一种全新的真实水下模糊图像增强基准数据集——UTIEB（Underwater Turbid Image Enhancement Benchmark）。该数据集包含1,086张不同场景和条件下的水下图像，涵盖了广泛的水下模糊程度以及颜色偏差和对比度低等特征。UTIEB的构建旨在为水下图像处理方法提供更加贴近现实的训练和评估数据，从而推动相关技术的发展。作为首个专注于水下模糊的真实大规模数据集，UTIEB具有重要的研究价值，为研究者提供了丰富的资源来探索水下图像增强中的各种挑战。

除了UTIEB数据集的引入，本文还提出了一种基于生成对抗网络（Generative Adversarial Network, GAN）的水下模糊图像增强框架——UTGAN（Underwater Turbid Image Enhancement with GAN）。该框架的核心思想是结合物理模型与深度学习技术，以提高图像增强的效果。UTGAN采用双分支结构，包括水下模糊图估计网络（TME-Net）和补偿图估计网络（CME-Net），这两部分网络协同工作，以估计物理模型所需的关键参数图。在UTGAN中，引入了中间域图像生成策略，以缓解不同水下场景之间的域差异，同时设计了自适应补偿模块，以增强图像的清晰度和对比度。

UTGAN的设计理念是通过物理模型对水下模糊现象进行建模，并利用深度学习技术对模型参数进行优化。中间域图像生成策略旨在通过引入一个中间域，将不同水下场景的图像特征进行统一，从而减少域间差异对图像增强效果的影响。自适应补偿模块则通过动态调整图像的对比度和清晰度，以适应不同水下环境的特性。这种结合物理模型与深度学习的方法，不仅能够更准确地模拟水下图像的形成过程，还能在实际应用中表现出更强的鲁棒性和泛化能力。

为了验证UTGAN的有效性，本文在UTIEB数据集以及多个公开的水下图像数据集上进行了广泛的定量和定性实验。实验结果表明，UTGAN在提升水下模糊图像的对比度和清晰度方面表现出色，且在不同水下环境中具有良好的泛化能力。此外，通过消融实验，进一步分析了UTGAN各个组成部分对最终增强效果的影响，证明了中间域图像生成和自适应补偿模块在提升图像质量中的关键作用。

在实验部分，本文详细介绍了实验环境和实现细节，包括数据集的构建、对比方法的选择、评估指标的设定以及参数配置。通过对UTIEB数据集的定性和定量分析，展示了该数据集在水下图像增强任务中的挑战性，以及UTGAN在这些任务中的优越表现。实验结果不仅验证了UTGAN在实际应用中的有效性，还为未来的研究提供了新的方向和思路。

本文的结构如下：第二部分回顾了相关的工作，包括水下图像数据集和图像增强方法的研究进展；第三部分详细介绍了UTIEB数据集的构建及其与现有公开数据集的差异；第四部分则阐述了所提出的物理模型的实现细节以及UTGAN框架的设计；第五部分通过对比实验和消融实验，评估了所提出方法的有效性；最后，第六部分总结了本文的主要研究成果，并提出了未来研究的方向。

UTIEB数据集的构建是本文的重要贡献之一。该数据集涵盖了多种水下环境，包括不同深度、不同光照条件以及不同水体类型下的图像。通过收集和整理这些真实水下图像，UTIEB为研究者提供了一个更加全面和多样化的数据来源，有助于更准确地评估和改进水下图像增强方法。此外，UTIEB还包含了详细的标注信息，为后续的研究提供了便利。

UTGAN框架的设计同样体现了本文的创新性。该框架通过引入中间域图像生成策略，有效缓解了不同水下场景之间的域差异问题。这种策略不仅提升了图像增强的鲁棒性，还使得模型能够更好地适应不同水下环境的复杂性。同时，自适应补偿模块的设计使得UTGAN能够在保持图像自然性的同时，显著提升其清晰度和对比度。通过将物理模型与深度学习方法相结合，UTGAN在提升图像质量方面取得了良好的效果。

在实验部分，本文采用了多种评估指标，包括全参考指标和无参考指标，以全面衡量UTGAN的性能。实验结果表明，UTGAN在多个数据集上均表现出优异的增强效果，特别是在处理高浓度悬浮颗粒和浮游植物造成的严重水下模糊时，其性能优于现有的多种方法。此外，通过消融实验，进一步验证了各个模块对最终增强效果的贡献，为模型的优化提供了理论依据。

UTGAN的成功不仅体现在其技术实现上，更在于其在实际应用中的潜力。随着水下机器人在海洋勘探、环境监测和水下考古等领域的广泛应用，对高质量水下图像的需求日益增长。UTGAN的提出为解决水下模糊问题提供了一种新的思路，有望在未来的水下图像增强研究中发挥重要作用。此外，UTIEB数据集的公开也为研究者提供了宝贵的研究资源，有助于推动该领域的进一步发展。

综上所述，本文通过引入UTIEB数据集和UTGAN框架，为水下图像增强问题提供了新的解决方案。UTIEB数据集的构建填补了真实水下模糊图像数据的空白，而UTGAN框架则通过结合物理模型和深度学习技术，实现了对水下图像的高效增强。这些贡献不仅有助于提升现有水下图像处理方法的性能，也为未来的研究提供了新的方向和思路。随着技术的不断进步和数据集的不断完善，水下图像增强领域将迎来更加广阔的发展前景。