基于自适应标准差重建与动态Sigmoid映射的水下图像增强方法SDGE及其在海洋资源勘探中的应用

本综述系统阐述了水下图像增强技术SDGE（Standard Deviation reconstruction, Dynamic sigmoid mapping and Gradient-aware Enhancement），通过自适应高斯核标准差重建消除色彩失真，结合动态Sigmoid函数模拟人眼色彩感知非线性映射（UIQM/UCIQE量化指标提升显著），最后通过梯度感知对比度增强优化细节。该方法在UCCS和UIQS数据集上定量指标超越现有方法（如熵值提升1.28%，UCIQE提高3.75%），为海洋资源探测（如目标识别、生物监测）提供关键技术支撑。

　　

亮点贡献

• 我们提出一种自适应高斯分解方法，综合考量每幅图像的多种衰减特性（如对比度、亮度等），重建高斯核标准差（Standard Deviation），实现低频色彩蒙罩与高频结构纹理信息的有效分离。相较于基于固定高斯核的分解方法，本方法能动态调整当前图像的高斯核，以适应水下场景的多样性与复杂性。

• 我们提出一种自然色彩映射方法，充分利用高频分量各通道的当前信息设计动态Sigmoid函数，模拟人眼色彩感知的非线性响应并校正色彩失真。与现有方法相比，本方法无需借助额外参考图像，能更好避免因参考图像信息不足导致的过校正或欠校正问题。

• 我们提出一种梯度感知对比度增强方法，基于退化图像的梯度信息设计细节放大系数以强化细节表现。同时，采用自适应直方图均衡化（Histogram Equalization）优化结构层，生成更清晰自然的增强结果。相较于其他方法，我们的对比度与细节增强在不同层级分别实现，具有更高调控灵活性，能有效避免直接操作整图导致的参数误差交叉影响。

结论

本文提出一种高效稳健的水下图像增强方法SDGE，其核心包含三个模块：基于标准差重建的高斯分解、基于动态Sigmoid映射的自然色调调整，以及基于梯度感知的对比度增强。首模块融合水下图像的多重退化特性构建高斯核标准差，彻底去除失真色彩蒙罩并保留关键结构与纹理。