基于自适应信息传输和加权平稳小波感知融合的水下图像增强技术

《Optics & Laser Technology》：Underwater image enhancement based on adaptive information transfer and weighted stationary wavelet perception fusion

水下图像增强方法研究：提出基于自适应信息传递与加权静止小波感知融合的ATWF方法，通过多尺度细节增强与全局对比优化，结合静止小波变换的平移不变性实现高效图像融合，实验证明在色彩校正、对比度提升、细节增强及泛化能力上优于主流方法。

　　随着海洋开发活动的不断推进，水下图像在许多领域变得至关重要，包括海洋科学研究、资源勘探以及水下机器人导航。水下图像作为获取海洋相关信息的主要来源，其质量直接影响到目标识别和场景分析的准确性。然而，水下环境独特的光学特性导致水下图像常面临诸如色彩失真、对比度低以及细节模糊等问题。这些问题严重制约了相关学科的发展，因此，开发高效的水下图像增强（UIE）技术成为海洋科学与技术领域的重要挑战。

与普通的雾气图像不同，水下光的传播不仅受到散射的影响，还因为波长依赖性而发生吸收。研究显示，红光由于波长最长，在水深低于5米时几乎完全消失，橙光在10米左右，黄色光在15米左右，因此水下图像通常呈现出绿色或蓝色的色调。散射改变了光的传播方向，导致对比度下降和图像模糊，而吸收则引发色彩失真。早在1980年，McGlumery就首次提出了水下成像模型，该模型可以表示为三个基本成分的线性组合，这一模型在图1中进行了图形说明。

McGlumery模型包括三个主要成分：前向散射成分、后向散射成分和直接成分。在水下场景中，光从目标物体传送到相机，经历直接入射、前向散射和后向散射三种方式。观察到的水下图像由经过介质衰减的真实图像信号和全局背景散射光信号组成。由于水下成像环境的复杂性和多变性，以及成像设备本身的限制，这一模型仍然存在一定的局限性。尽管如此，它仍然是当前分析水下光学成像的主要工具之一。

鉴于水下图像处理技术在实际应用中的重要性，国内外学者已开展了大量研究。同时，针对该领域存在的问题，各种理论和方法被提出，专门用于水下图像的恢复和增强。目前，可用的水下图像处理技术主要分为三类：基于恢复的方法、基于增强的方法以及基于深度学习的方法。基于恢复的方法主要依赖于建立水下成像模型，通过对图像退化过程的物理逆建模来重建原始场景。然而，水下环境中复杂的光照条件限制了此类方法的实际应用效果。基于增强的方法通过像素级操作提升图像对比度，具有操作简单、处理速度快的优势。但这些方法难以适应复杂场景中的空间变化，且未利用场景深度信息，因此无法实现局部自适应增强效果。基于深度学习的方法则利用深度神经网络直接将退化图像映射为清晰图像。然而，此类方法存在泛化能力不足的问题，当测试数据与训练数据差异较大时，模型性能会显著下降。此外，深度网络的训练高度依赖大规模标注数据，这限制了其在实时场景和跨场景部署中的应用。

尽管基于恢复和深度学习的UIE方法在特定场景中能够提升图像质量，但其效果和稳定性往往不如基于增强的方法。因此，本文聚焦于基于增强的水下图像处理方法的研究，旨在进一步突破现有方法的性能瓶颈。这些方法的核心挑战在于如何确定应改善的图像属性，以及如何将不同属性的改善结果整合到最终增强的图像中。

现有的基于增强的方法在色彩校正和融合策略方面仍然存在显著局限。在色彩校正层面，现有方法通常依赖固定通道或单一衰减模型进行校正。Ancuti等人提出了一种创新策略，利用绿色通道来补偿其他两个通道的衰减信息。该策略基于这样一个假设，即绿色通道受到的衰减最弱，忽略了水下环境的动态复杂性。Wang等人则利用“水下色彩差异”的发现，通过迭代优化水下图像，逐步接近自然图像的统计特征。这种方法有效解决了色彩偏差问题，得到了具有良好视觉效果的处理结果。然而，该策略也可能带来一些次要问题，如频繁迭代显著降低了计算效率，过度追求与自然图像的一致性可能导致偏离水下场景的真实色彩。

在融合层面，常用的融合方法包括基于金字塔的融合方法和基于小波变换的融合方法。基于金字塔的融合策略在融合过程中缺乏明确的方向指导，这阻碍了图像方向特征的有效传递和整合。而基于小波变换的融合方法由于分解工具缺乏平移不变性，可能导致融合结果不够稳定。此外，融合规则过于简单，通常使用固定的融合策略，未充分考虑不同子带之间的特征差异。这些方法的不足之处直接影响了增强效果的可靠性。

为了解决上述问题，本文提出了以下解决方案。在色彩校正过程中，我们利用绿色与红色直方图相似度高于蓝色与红色直方图相似度的特点，当蓝色通道占主导时，调整转移公式。在融合过程中，我们使用具有平移不变性的小波变换来替代传统方法的分解工具，并通过提取不同子带的特征策略构建相应的权重图。通过上述改进，为UIE提供了一条更加可靠的技术路径。

基于上述分析，本文提出了一种水下图像增强方法，称为ATWF。具体而言，ATWF方法将UIE任务划分为三个子任务：自适应色彩校正、自适应全局增强和多尺度细节增强，以及加权小波感知融合。对于第一个子任务，基于“水下色彩差异”的特点，我们提出了一种自适应信息转移策略，用于补偿衰减通道。随后，使用线性拉伸来恢复图像色彩。尽管色彩校正后的图像显著消除了色彩偏差问题，但其在噪声抑制和增强全局与细节场景信息方面仍存在不足。为了解决这些问题，本文提出了第二个子任务。我们利用自适应伽马校正算法进行全局对比度增强，同时应用多尺度SWBF进行局部增强。在传统图像融合方法的分解过程中，过度依赖下采样操作不可避免地导致信息损失，且缺乏平移不变性使得融合后的图像无法满足高精度质量要求。鉴于此，我们提出第三个子任务。通过加权小波进行感知融合，对经过色彩校正和对比度增强的图像进行分解，得到低频（LF）和高频（HF）成分，并根据其特征制定相应的融合规则。这样实现了LF和HF成分在不同尺度上的最优融合，从而获得显著提升视觉质量的水下图像。图2展示了ATWF在一些典型退化场景中的处理结果。其中，图2(a)中的图像来自UIDEF和SAUD等数据集中的真实水下图像。第一行显示原始水下图像，存在色彩失真和细节模糊等问题。第二行显示校正后的图像，具有更自然和真实的色彩，显著提升对比度，有效改善图像质量。图2(b)中的图像来自互联网，包括雾气、低光、灰尘和夜间图像。第一行显示原始图像，第二行显示校正后的图像。对于雾气图像，白色雾气效果被消除，远处的细节得以恢复，且没有色彩失真。在灰尘图像中，色彩偏差被抑制，模糊和噪声减少，细节增强。低光图像表现出暗区域亮度提升，局部对比度增强，且无过曝伪影。夜间图像恢复了纹理和色彩信息，实现了良好的自然视觉效果。上述结果表明，ATWF在各种复杂场景中具有强大的图像增强能力，显示出广阔的应用前景。

本文的主要贡献包括以下几个方面：首先，提出了一种结合最小衰减通道（MA通道）自适应信息转移和加权小波感知融合算法的UIE方法。通过全面的实验，我们证明了所提出的方法在多个方面优于现有的主流UIE算法。具体而言，它在定性视觉评估、定量测量评估、实际应用测试、运行时间计算效率以及泛化能力测试等方面均表现出色。其次，提出了一种针对MA通道的自适应信息转移策略。我们提出该策略，并结合线性拉伸实现图像色彩校正。这种方法充分考虑了水下图像色彩通道之间的复杂关系，实现了卓越的校正效果。第三，设计了一种基于全局-局部互补改进的对比度增强策略。该方法通过并行处理框架，从全局和局部两个视角提升图像质量。一方面，使用自适应伽马校正算法实现全局对比度优化；另一方面，通过多尺度SWBF实现局部细节增强。这种全局-局部互补的方法平衡了图像色彩，保留了丰富的细节，为后续的小波感知融合提供了高质量的输入。第四，提出了一种基于加权小波的视觉感知融合方法。对经过色彩校正和对比度增强的图像进行加权小波分解，得到LF和HF成分，并根据其特征制定相应的融合规则。这种方法实现了不同尺度下LF和HF成分的最优融合，从而获得显著提升视觉质量的水下图像。

本文的其余部分组织如下。在第2节，我们将回顾国内外关于UIE的相关研究。第3节专门用于描述ATWF方法。第4节将展示广泛的实验结果。最后，在第5节，我们将总结我们的工作。

在水下图像增强领域，研究者们已经探索了多种方法。基于恢复的方法通常通过建立水下成像模型，对图像退化过程进行逆向建模，从而重建原始场景。然而，这种方法在复杂和多变的水下环境中存在一定的局限性，尤其是在光照条件和成像设备参数不确定的情况下，模型的准确性受到影响。此外，基于恢复的方法通常需要大量的参数估计，这在实际应用中可能带来较高的计算成本。

基于增强的方法则通过像素级操作提升图像对比度，具有操作简单和处理速度快的优势。然而，这些方法在面对复杂场景中的空间变化时，往往难以提供有效的自适应增强效果。同时，它们未充分利用场景深度信息，导致无法实现局部自适应增强。因此，基于增强的方法在提升图像质量的同时，也存在一定的不足。

基于深度学习的方法利用深度神经网络直接将退化图像映射为清晰图像，这使得其在处理复杂场景时具有较高的灵活性。然而，深度学习方法在模型泛化能力方面存在不足，当测试数据与训练数据差异较大时，模型性能会显著下降。此外，深度网络的训练高度依赖大规模标注数据，这限制了其在实时场景和跨场景部署中的应用。因此，尽管深度学习方法在某些情况下表现出色，但其应用范围仍受到一定限制。

为了克服上述方法的局限性，本文提出了一种新的水下图像增强方法ATWF。该方法结合了自适应信息转移和加权小波感知融合技术，旨在提高水下图像的质量和视觉效果。在色彩校正过程中，我们利用绿色通道的特性，结合线性拉伸来补偿其他色彩通道的衰减。这种方法能够更准确地还原水下图像的自然色彩，同时避免过度依赖单一模型带来的局限性。

在全局对比度增强和局部细节增强方面，我们采用自适应伽马校正算法和多尺度SWBF技术。自适应伽马校正算法能够有效提升图像的整体对比度，而多尺度SWBF技术则用于增强局部细节。这两种方法结合使用，能够在保持图像色彩平衡的同时，增强细节和对比度，从而提高图像的视觉质量。

在图像融合阶段，我们使用加权小波变换对经过色彩校正和对比度增强的图像进行分解，得到LF和HF成分。随后，根据这些成分的特征制定相应的融合规则。这种方法能够实现不同尺度下LF和HF成分的最优融合，从而获得高质量的水下图像。

为了验证ATWF方法的有效性，我们在多个公开数据集上进行了实验。实验结果表明，ATWF方法能够有效纠正色彩失真，显著提升图像对比度，抑制噪声，并突出细节。在定性和定量评估方面，ATWF方法在角落检测、图像匹配和场景分割等任务中表现出色，或者与主流方法相当。此外，ATWF方法在各种复杂退化场景中表现出较强的泛化能力，能够适应不同的环境条件和光照变化。

在实际应用测试中，ATWF方法被用于处理多种退化图像，包括雾气、低光、灰尘和夜间图像。实验结果表明，该方法能够有效消除白色雾气效果，恢复远处的细节，避免色彩失真；在灰尘图像中，能够抑制色彩偏差，减少模糊和噪声，增强细节；在低光图像中，能够提升暗区域的亮度，增强局部对比度，避免过曝伪影；在夜间图像中，能够恢复纹理和色彩信息，实现良好的自然视觉效果。这些结果充分说明了ATWF方法在不同复杂场景中的强大增强能力，显示出其在实际应用中的广阔前景。

尽管ATWF方法在大多数情况下能够实现良好的增强效果，但在某些极端场景下，其增强效果仍存在一定的局限性。例如，在高度浑浊的场景中，原始图像的边缘和纹理信息不清晰，这会削弱ATWF方法的细节增强性能。此外，在某些特殊光照条件下，图像的对比度和色彩校正效果可能不如预期。因此，未来的研究可以进一步优化算法，提高其在极端场景下的增强能力。

本文提出的ATWF方法不仅在技术上有所创新，而且在实际应用中展现出良好的效果。通过自适应信息转移和加权小波感知融合技术，ATWF方法能够有效解决水下图像常见的色彩失真和细节模糊问题。此外，该方法在提升图像对比度和抑制噪声方面也表现出色，能够提供高质量的水下图像。

总的来说，ATWF方法在水下图像增强领域具有重要的应用价值。通过综合运用多种技术手段，该方法能够在不同场景下提供稳定和可靠的增强效果，从而提高水下图像的视觉质量和实用性。未来，随着水下成像技术的不断发展，ATWF方法可以进一步优化，以适应更多复杂和极端的环境条件。