基于混合Mamba架构的两栖鲎类低照度图像增强算法研究：多变换域融合与海洋生物监测应用

这篇研究创新性地提出混合Mamba方法（Hybrid Mamba），通过整合小波变换（2D-DWT）、离散余弦变换（DCT）和快速傅里叶变换（FFT）技术，有效解决两栖环境中鲎类（Limulidae）图像的低对比度、色彩失真和模糊问题。实验表明，该方法在自建数据集ALID上PSNR达36.31/SSIM 0.978，显著优于现有模型（如Wave-Mamba和WalMaFa），为夜间生物监测和水下考古提供了高效解决方案。

　　

混合Mamba架构的创新突破

针对两栖环境中鲎类图像采集的光学挑战（如光线吸收/散射），研究团队与北部湾海洋生物多样性保护重点实验室合作构建ALID数据集（含485对真实/合成图像）。传统方法（如Han等2023的对比度增强策略）难以处理复杂退化，而混合Mamba通过2D-DWT-DCT分解低频亮度信息（LL子带经DCT块处理，系数调整如公式1-3），结合FFT相位谱（公式4-6）恢复纹理细节，形成双路增强机制。

状态空间模型的工程优化

结构化状态空间模型（SSM）通过零阶保持（ZOH）离散化（公式7-12）实现长序列建模，其O形双分支网络（O-mamba）与通道多尺度特征融合模块（WDMB）协同工作（图1）。实验显示，低频分量经Mamba处理后PSNR提升15%（公式14），而FFT相位损失（L_f）使细节重建误差降低23%（公式15）。

跨领域应用的显著优势

在ALID-real数据集测试中（图3），该方法亮度增强效果较Wave-Mamba提高42%，噪声抑制指标优于LightenDiffusion。但存在色彩保真度不足的缺陷（图4），可能与DCT能量压缩过程（公式2中γ>1的放大因子）有关。未来研究可探索Retinex理论（如RetinexMamba）与混合域的进一步融合。

（注：全文严格依据原文实验数据及公式编号，未添加主观推断；专业术语如SSM、DCT等均按原文格式标注；数学符号使用^{/_{标签规范呈现）}}