基于亮度感知变分色彩校正与局部-全局联合对比度恢复的水下图像增强方法

针对水下图像存在的低对比度、细节模糊及色彩偏差等问题，研究人员提出LALG方法，通过亮度感知变分框架（Luminance-Aware Variational Framework）实现色彩校正与光照协同优化，并结合局部均值方差特性与全局对比度自适应补偿策略。实验表明，该方法在PCQI和rˉ指标上分别提升1.70%和28.14%，模糊度降低11.33%，为水下目标检测与资源勘探提供技术支撑。

　　

---

论文解读

海洋探索与水下机器人等领域依赖高质量图像，但水下环境的光散射和吸收效应导致图像普遍存在色彩失真、对比度下降及细节模糊。现有方法如基于物理模型（Physical Model）的UDCP（Underwater DCP）或深度学习（Deep Learning）网络虽有一定效果，但易忽略局部水体衰减差异及亮度与色彩偏差的关联性，导致校正不彻底或过增强。为此，安徽高校与河南科研团队在《Optics and Lasers in Engineering》发表研究，提出LALG方法，通过亮度感知变分色彩校正与局部-全局对比度恢复联合策略，显著提升图像质量。

关键技术方法

1. 亮度感知变分框架：设计自适应亮度增益因子（Luminance-Aware Factor），结合增广拉格朗日乘子法（Augmented Lagrange Multiplier）优化色彩校正；
2. 局部对比度增强：基于均值方差特性（Mean-Variance）自适应调整局部对比度；
3. 全局补偿机制：通过对数变换感知全局对比度衰减差异。实验使用三个水下图像基准数据集验证性能。

研究结果

1. 亮度感知变分色彩校正
通过分析水下场景照度，构建包含亮度因子的变分目标函数，实现色彩校正与光照同步优化。相比传统方法，避免了暗区残留问题。

2. 局部-全局对比度恢复
局部模块利用均值方差差异自适应增强细节，全局模块补偿整体对比度强度。结果显示，该方法在纹理增强与色彩自然度上优于现有技术。

3. 实验验证
定量指标显示，PCQI（图像质量感知指标）和$\bar{r}$分别提升1.70%和28.14%，模糊度（Blur）降低11.33%。应用测试表明，其可提升图像分割与关键点检测精度，适用于沙尘或雾状水下场景。

结论与意义
LALG首次将亮度感知与局部-全局对比度联合优化引入水下图像增强，解决了复杂衰减环境下的色彩与光照失衡问题。其创新性在于：

• 通过变分框架统一色彩与亮度优化，避免人工先验局限性；
• 局部-全局策略兼顾细节与整体观感，为水下探测提供高保真图像。未来可扩展至动态视频增强与多模态传感器融合领域。