基于色偏校正与多级纹理叠加的自优化阈值动态增强(CTDE)技术在水下图像处理中的应用研究

本文提出了一种基于色偏校正(ACCC)与多级纹理叠加(MLTO)的自优化阈值动态增强(CTDE)方法，通过设计色偏因子(DAF)实现水下图像分类补偿，结合半解耦分解模型分离光照/反射层，采用局部伽马校正和梯度差权重矩阵实现纹理增强，最终通过统计特性驱动的动态阈值优化显著提升图像质量。

　　

亮点
本研究通过创新性四步法解决水下图像失真问题：

1. 自适应色偏校正(ACCC)：在CIELAB色彩空间设计色偏因子(DAF)，通过非线性补偿策略精准修复蓝/绿色偏
2. 光照-反射层解耦：采用半解耦分解模型获得无噪声的照明层与反射层
3. 多尺度纹理融合：提出多级纹理叠加(MLTO)方法，利用梯度差权重矩阵跨尺度增强细节
4. 智能动态优化：基于图像统计特性自适应的通道截断阈值(SDE)实现对比度优化

方法
针对水下光学特性（吸收/散射效应），本方案突破传统方法的局限性：

• 照明层处理：设计局部伽马曲线，在提升暗区同时抑制亮区过曝
• 反射层增强：通过Laplacian金字塔实现多级纹理融合，保留^1-5μm尺度特征
• 动态阈值机制：建立HSV与RGB双空间的联合优化函数，自动适应不同浊度条件

实验
在UCCS/UIQS/UIEB三大数据集验证显示：

• 色度还原误差降低38.7%（vs物理模型方法）
• 结构相似性(SSIM)提升至0.91±0.04
• 在_30m深度模拟场景中，边缘保持指数(EPI)达行业最优

结论
本方法在保持图像自然度的前提下，同步解决颜色失真、局部能见度低、细节模糊和全局对比度差四大核心问题，为水下机器人视觉系统提供可靠解决方案。