基于光谱先验与可见性融合的水下图像增强方法及其在生物医学影像中的应用价值

《Engineering Applications of Artificial Intelligence》：Spectrum prior-based and visibility fusion method for underwater image enhancement

本文提出融合物理与非物理模型的SPV方法，通过光谱先验去雾（spectral prior dehazing）、CIELAB色彩校正和模糊C均值聚类（fuzzy c-means clustering）技术，有效解决水下图像存在的色偏、低对比度和弱可见性问题，在低光照环境下显著提升图像质量，为海洋生物监测与医学水下影像分析提供新方案。

　　

^Highlight

● 我们提出一种融合两种增强图像像素强度与全局梯度的创新方法，实现物理模型与非物理模型的优势互补。该模块解决了单一方法存在的细节还原不足、低光照条件下稳定性差，以及过度增强和参数敏感性问题。

● 针对水下图像模糊和低对比度问题，我们基于光谱信息先验提出物理模型增强方法。该方法能精准估算复杂水域中的水下透射率与环境光，恢复图像清晰度与对比度，同时保持自然的高质量视觉效果。

● 针对水下图像因吸收散射导致的低可见度问题（尤其在极低光照条件下），我们提出基于模糊C均值聚类的可见性增强模块。该模块通过估算并增强像素对不同簇的模糊隶属度，在保留色彩亮度信息的同时显著提升复杂水下环境的可见性与自然度。

● 我们在四个基准数据集上使用五种无参考评价指标对SPV算法进行验证，同时测试了算法在水下边缘检测、SIFT特征点匹配和几何变换估计等实际应用中的潜力，进一步证实了SPV算法在水下实践中的有效性。

^Conclusion

本文提出的水下图像增强方法在多项关键指标上取得显著提升，尤其在Test-U45和Color-Check7数据集上表现突出。相较于次优方法，本方法在Test-U45数据集上UCIQE提升10.63%、VAR提升16.10%；在Color-Check7数据集上UCIQE提升10.15%、VAR提升12.50%。结果表明我们的方法在色彩保真度、对比度增强和细节还原方面显著优于现有先进方法。