一种针对水下图像的强大色彩增强技术

《Alexandria Engineering Journal》：A robust color enhancement for underwater images

　　郭俊辉|潘一松|黄清忠|潘雅玲|高胜龙
台湾国立科技大学色彩与照明技术研究生院，台湾

**摘要**
由于水下环境中的各种复杂因素，在获取清晰的水下图像时必须考虑多个问题，包括色彩偏移、低对比度、细节模糊、雾蚀、气候、环境以及人为因素等，这些因素都会显著影响水下图像的分析和研究应用。主要原因在于光在水中传播时，不同波长的能量衰减不一致所导致的色散效应和色彩偏移。不同的原始水下图像具有不同的特征，例如多样的颜色分布或光照水平。对所有水下图像应用单一的增强方法可能会导致结果不一致，有些图像得到有效增强，而有些则没有。为了解决这个问题，本研究在图像去雾后提出了一种新颖的两阶段分类机制。我们采用了四种适当的图像增强技术，并提出了一种基于分类的增强机制来处理水下图像。此外，还引入了一种基于改进的Gray-World白平衡算法的颜色校正方法，以解决水下图像的动态范围和亮度问题。定量和定性结果表明，与其他近期方法相比，我们的研究在水下图像增强基准数据集（UIEB）中表现相对较好。预计该方法可以应用于不同类型的水下工作和环境，减少水下图像中常见的严重退化问题。

**1. 引言**
水下图像已越来越多地应用于海洋生物学、考古学、水下工程、军事防御、资源勘探、水下机器人技术以及环境监测等领域。由于水下环境中的各种复杂因素，在获取清晰的水下图像时需要考虑多个问题。水下环境中的光吸收和散射是影响图像质量的主要因素，这些因素不仅影响图像的美观度，还阻碍了后续的科学分析和应用。在水下环境中捕捉清晰图像是海洋工程中的一个重大挑战。主要原因在于光在水中传播时，不同波长的能量衰减不一致所导致的色散效应和色彩偏移。因此，提高水下图像的质量已成为一个亟待解决的问题。图像增强是水下图像处理中非常重要的步骤，通过调整图像增强技术，可以显著提高图像的可见性和可解释性。然而，不同的原始水下图像具有不同的特征，例如多样的颜色分布或光照水平。对所有水下图像应用单一的增强方法可能会导致结果不一致，有些图像得到有效增强，而有些则没有。为了解决这个问题，本研究在图像去雾后提出了一种新颖的两阶段分类机制。我们采用了四种适当的图像增强技术，并提出了一种基于分类的增强机制来处理水下图像。此外，还引入了一种基于改进的Gray-World白平衡算法的颜色校正方法，以解决水下图像的动态范围和亮度问题。

**2. 相关工作**
水下图像的处理始终面临许多挑战。由于各种因素的影响，光进入水下后会被吸收和散射，导致图像亮度不均匀、颜色失真和细节模糊。这使得水下图像与人眼的视觉效果不符，从而使得后续的分析和应用变得困难。因此，水下图像处理旨在改善这些问题，使图像更接近人眼的视觉效果，并提高图像的可见性。本节将探讨水下环境的光学特性和各种图像处理技术。

**2.1. 水下环境的光学特性**
当光进入水中时，会受到许多因素的影响，发生散射和吸收，导致图像模糊和颜色失真等问题。

**2.1.1. 散射**
当光通过非均匀介质时，其传播方向会受到介质中各种颗粒的影响而改变路径，这种现象称为散射。散射会受到悬浮颗粒、浮游生物和泥浆等因素的影响。根据颗粒的大小，散射现象可以分为两种类型：Mie散射和Rayleigh散射[2]。当颗粒大小较大且与光波长相似或更大时（如悬浮颗粒和浮游生物），会发生Mie散射；当颗粒大小较小且远小于光波长时（如水分子），会发生Rayleigh散射。在水下环境中，散射会影响光线到达相机的情况，从而降低图像质量。根据Jaffe-McGlamery模型[3]，水下成像过程可以由三个部分组成，如图2(a)所示[4]：一是直接成分，即光直接从物体反射到相机；二是前向散射成分，即光经过小角度散射后从物体反射的光，导致图像特征模糊；三是后向散射成分，即光被悬浮颗粒和浮游生物散射到摄影设备上，使图像变得模糊，就像覆盖了一层纱布。

**2.1.2. 吸收**
可见光是一种电磁波谱，波长大约在380纳米到780纳米之间，其中红光的波长最长，蓝紫光的波长最短。当阳光进入水中时，不同波长的光会被不同程度地吸收。波长较长的红光和橙光首先被吸收，因此随着水深的增加，红光会迅速减弱并消失，而波长较短的蓝光和绿光可以穿透到更深的水层，如图2(b)所示[5]。为了解决这些问题，研究人员提出了各种图像处理技术来补偿水下光学特性对图像的影响，恢复图像的真实性。

**2.2. 图像恢复**
图像恢复技术的目标是消除由各种因素引起的退化或失真，从而尽可能地重建图像的原始、未受损状态。图像恢复技术包括多种方法，旨在提高图像质量，其中去噪和去雾是两种常用的基本过程，分别用于减少噪声和大气畸变。

**2.2.1. 去噪**
噪声主要来源于成像设备的不稳定性或环境干扰。在水下成像中，光在水中散射和吸收的现象进一步加剧了噪声的存在。去噪技术旨在从图像中去除噪声，以提高视觉清晰度。这些技术大致可以分为两类：空间域滤波和频率域滤波[6]。

**2.2.2. 去雾**
水下图像经常受到水中光散射的影响，导致图像呈现朦胧的外观，就像覆盖了一层薄纱。这种现象降低了图像的清晰度和可见性。为了提高图像的清晰度并改善视觉质量，提出了许多去雾技术。以下介绍几种常用的方法：
- He等人提出了Dark Channel Prior（DCP）去雾方法[7]，为后续的图像去雾研究奠定了基础；
- Chiang和Chen提出了Wavelength Compensation and Image Dehazing（WCID）算法[8]，在考虑人工光源影响的基础上估计深度图；
- Li等人提出了几种水下图像去雾和增强方法，其中针对蓝绿通道的去雾和红通道的校正方法[9]基于Dark Channel Prior，首先改进蓝绿通道，然后使用Gray World算法校正红通道；
- 另一种基于最小信息损失和直方图分布先验的去雾增强方法[10]，在去雾过程中有效减少了信息损失，同时基于直方图分布先验提高了图像的对比度和亮度。

**2.3. 图像增强**
为了克服水下环境引起的各种现象，图像增强技术被广泛应用于水下图像处理中。主要目标是减少水下环境对图像质量的负面影响，从而提高图像的清晰度和对比度。本节介绍几种常用的图像增强方法：
- Ancuti等人提出了几种水下图像增强方法，包括基于融合的水下图像和视频增强方法[11]以及基于颜色校正和融合的水下图像增强方法[12]；
- Peng等人提出了一种基于模糊度的水下图像深度估计增强方法[13]；
- Zhuang等人提出了一种基于超拉普拉斯反射率先验（HLRP）的水下图像增强方法[14]；
- Yuan等人提出了一种基于模糊度和颜色融合（TEBCF）的纹理增强模型[15]；
- Zhang等人提出了基于最小颜色损失和局部自适应对比度增强（MLLE）的水下图像增强方法[16]；
- Zhang等人提出了一种扩展的多尺度Retinex方法[17]，该方法在CIE L*a*b*颜色空间中整合了双边和三边滤波器；
- Xie等人提出了一种适用于水下环境识别和机器人导航的水下图像增强方法[18]；
- Lu等人提出了一种适用于浑浊水中的水下图像对比度增强方法[19]，该方法首先使用颜色线模型估计图像中的环境光；
- Sravya等人提出了一种使用离散余弦变换（DCT）的水下图像增强方法[20]；
- Li等人提出了一种基于介质传输引导的多颜色空间嵌入的水下图像增强方法[21]；
- Wang等人提出了一种基于卷积神经网络（CNN）的双颜色空间水下图像增强方法[22]；
- Qi等人提出了一种基于语义注意力的多尺度感知水下图像增强方法[23]。

**2.4. 图像分割**
Sethi和Indu提出了一种基于Gray World算法的局部增强方法，应用于SLIC分割[24]；Lu等人提出了一种基于逐步估计传输和超像素分割的水下图像增强方法[25]。

**3. 提出的方法**
**3.1. 架构**
在本研究中，我们开发了一种用于水下图像的颜色增强架构，如图3所示。本研究使用的输入图像来源于之前的去雾过程[1]。在此基础上，进一步专注于针对水下图像的色彩校正和增强。该架构的主要组成部分包括：去雾网络、颜色校准模块、分类器1模块、图像增强模块和分类器2模块。该架构专门用于增强水下图像的颜色，以适应水下环境中的不同光照条件和噪声。

**3.2. 去雾网络**
雾气会显著影响机器视觉，降低捕获图像的可见性，导致图像模糊、对比度低、信噪比降低和颜色失真。因此，图像去雾算法侧重于减少噪声、增强边缘、提高对比度和恢复颜色。本研究使用的输入图像来源于之前的去雾过程[1]。在此基础上，进一步专注于针对水下图像的色彩校正和增强。一种独特的网络架构，将多色空间嵌入与媒体传输引导相结合，以提高水下图像质量，如图4所示。原始水下输入图像与去雾网络[1]处理结果之间的视觉对比见图5。列(A)为输入图像，列(B)为去雾网络处理后的图像。下载：下载高分辨率图像（749KB）下载：下载全尺寸图像图4. 去雾网络架构。下载：下载高分辨率图像（275KB）下载：下载全尺寸图像图5. 原始水下输入图像与去雾网络[1]处理结果之间的视觉对比。表1显示，在所有评估指标上均取得了持续且显著的改进，从而验证了所提出去雾网络的有效性。表1. 根据UIEB-90 [26]数据集，从平均SSIM、平均FSIM、平均PSNR、熵和UIQM [27]等方面评估去雾网络处理前后的原始输入图像和输出图像。空白单元格SSIM↑FSIM↑PSNR↑熵↑UIQM↑输入0.76190.870816.10606.68362.1974去雾[1]0.93550.908519.32807.07072.70003.3. 颜色校准由于水对红光的吸收，水下图像通常呈现过蓝或过绿的现象，导致红色丢失。为了解决这种颜色失真问题，本研究提出了一种基于改进的灰世界白平衡算法的颜色校正方法，以实现更自然的图像颜色。该方法包括红色通道增强和颜色平衡调整。提取的统计特征值包括RGB通道的比例、CIE L*a*b*颜色空间中a*和b*通道的平均值以及图像中暗区域的比例。3.3.1. 红色通道增强对于颜色多样性有限的图像（如以蓝色为主的水下图像或以绿色为主的草地场景），灰世界白平衡算法的假设往往失效，导致颜色校正效果不佳。因此，本研究根据图像的色度特性，选择性地应用从灰世界白平衡算法得到的增益系数到特定颜色通道。(1)KR=μavgμR≤1.3(μR<μavg)(2)r′=kr?rkr：红色通道的增益系数；μavg：图像的平均值；μr：红色通道的平均值；r是输入图像的红色通道；r′是增强后的红色通道在某些水下图像中，红色成分的比例极低。直接应用灰世界白平衡算法时，红色通道的增益可能会过大，导致颜色再现不自然。为了解决这个问题，本研究对红色通道的增益系数kr设置了1.3的上限。如果计算出的kr超过此阈值，则自动调整为1.3。该值是通过大量实验确定的，代表了所提方法中增强效果与颜色保真度之间的最佳平衡。图6提供了kr从1.1到1.6的敏感性分析。当kr=1.3时效果最佳。下载：下载高分辨率图像（540kb）下载：下载全尺寸图像图6. kr从1.1到1.6的敏感性分析。3.3.2. 颜色平衡由于水下环境条件的变化，水下图像不仅会受到红色衰减的影响，还可能失去其他颜色通道或某个颜色通道过度突出，导致严重的颜色不平衡。为了解决这个问题，本研究实施了一种颜色平衡策略，以提高水下图像的自然度和视觉保真度。根据每张图像的具体特征，应用自适应增益调整。如果绿色或蓝色通道的表现不足，则根据相应通道的平均值是否低于图像的全局平均强度来选择性地应用增益补偿。如果通道的平均值较低，则进行增益调整；否则不进行任何调整。绿色和蓝色通道的增益系数使用以下公式计算：(3)kg=>< /><μavg)kg：绿色通道的增益系数；kb：蓝色通道的增益系数；μg：绿色通道的平均值；μb：蓝色通道的平均值此外，对于某个颜色通道的比例超过40%的图像，本研究对该特定通道应用增益抑制，以减少过度的颜色偏差。为了防止过度抑制引起的潜在颜色失真，这些通道的增益系数固定为0.9。增益调整定义如下：(5)kr=0.9r>40%(6)KG=0.9G>40%(7)KB=0.9(B>40%)3.4. 分类器1在本研究中，采用主观评估和客观指标对测试数据集中的所有图像进行分类。对于每张图像，统计分析与其相关联的不同增强方法的特征值。基于这些统计数据，开发了一个初步的自动分类机制，以确定适合每张图像的增强策略。值得注意的是，根据图像的特征，一张图像可能与一种或最多四种增强方法相关联。此分类过程中考虑的统计特征包括：RGB通道的比例、CIE L*a*b*颜色空间中a*和b*通道的平均值以及图像中暗区域的比例。以下小节详细解释了这些特征及其在分类框架中的作用。3.4.1. RGB图像三个通道的比例本研究分析了输入水下图像中红色γR、绿色γG和蓝色γB通道的比例，以了解颜色分布。(8)γR=μRμtotal(9)γG=μGμtotal(10)γB=μBμtotal(11)μtotal=μR+μG+μB3.4.2. CIE L*a*b*图像中a*和b*通道的平均值本研究还分析了CIE L*a*b*颜色空间中a* μa*和b* μb*通道的平均值，以更全面地了解图像的颜色特性。(12)μa*=1N∑i=1NLaba*(i)(13)μb*=1N∑i=1NLabb*(i)N：图像的像素数；i：第i个像素3.4.3. 图像中暗区域的比例由于光的吸收，深海水下图像经常出现曝光不足的问题。本研究分析了水下图像中暗区域的比例，以更好地理解图像亮度的分布。(14)γDark=sumDarkNN：图像的像素数；sumDark：暗区域的像素数定义暗区域需要设置一个阈值，该阈值使用以下公式计算：(15)ThresholdDark=Ymax3Ymax：亮度的最大值本研究采用了四种图像增强方法：伽马校正（GC）、直方图均衡（HE）、S曲线变换和多尺度Retinex带颜色恢复（MSRCR）。对每种增强方法进行初步分类，以收集统计特征值，这些值随后作为初步自动分类器1的基础。该机制根据这些统计值自动将图像分配到一到四种增强方法中，如表2所示。表2. 分类器1。空白单元格γRγGγBμa*μb*γDarkGC0.228～0.3530.312～0.3770.319～0.426-15.47～3.716-17.937～5.7320.131～0.820HE0.266～0.3680.338～0.3730.272～0.378-11.555～-2.386-6.694～14.6920.234～0.494S曲线0.201～0.4400.327～0.4010.160～0.460-10.916～0.943-26.721～34.1980.040～0.770MSRCR0.099～0.4370.289～0.3950.172～0.578-16.787～9.930-52.836～33.8930.059～0.915如果根据这种初步分类，一张图像只与一种增强方法匹配，则直接使用该方法处理该图像，并输出增强后的图像。3.5. 图像增强由于水中的光吸收和散射效应，水下图像通常具有低对比度、亮度不均匀和细节模糊的问题。为了应对这些退化现象并恢复水下场景的视觉真实性，采用了图像增强技术。根据分类器1的分类结果，使用上述一种到四种方法对每张图像进行增强。3.6. 分类器2然而，如果一张图像与多种增强方法匹配，则对增强后的图像进行第二次分类。分类器2将确定最合适的增强方法，并输出一个最佳增强的图像。为了评估增强图像的曝光条件，将图像分成小块，并计算每个块的平均亮度。每个块的大小设置为2×2像素。根据预定义的亮度阈值评估曝光情况：平均亮度大于220的块被归类为过曝，而平均亮度小于30的块被视为欠曝。然后计算整个图像中过曝和欠曝块的比例，作为图像曝光质量的指标。计算公式如下：(16)ratiobright=nbrightntotal(17)ratiodark=ndarkntotaln：块的数量；bright：过曝；dark：欠曝在本研究中，如果过曝或欠曝块的比例（称为比率）超过13.55%，则认为图像存在局部过曝或欠曝。这个阈值是通过大量实验经验确定的。实验图像集包括UIEB-90 [26]和UIEB-60 [26]数据集。实验结果表明，不同的图像特性需要不同的增强方法才能获得最佳效果。本研究根据主观和客观评估对数据集中的所有图像进行分类。它分析了适合不同增强方法的图像的统计特征值，并据此建立了一个初步的自动分类机制。在此过程中，一张图像可能被分配到一种到四种增强方法中。4. 实验与讨论4.1. 数据集在本研究中，使用了李等人[26]提出的水下图像增强基准（UIEB）数据集[26]。该数据集包含950张真实的水下照片图像，以及890张参考图像和60张具有挑战性的图像，涵盖了各种水下场景，包括不同的海水退化情况和广泛的图像类型。从UIEB数据集[26]中选择了149张图像。这个选择包括UIEB-90 [26]子集中的90张具有参考数据的图像和UIEB-60 [26]子集中的59张具有挑战性的图像。对这些图像进行去雾、颜色校正和增强处理。4.2. 实验设置我们使用了以下数据集进行实验和比较：UIEB-90 [26]：UIEB [26]数据集中剩余的90对图像。UIEB-60 [26]：UIEB [26]数据集中的60张更具挑战性的水下图像，这些图像没有对应的参考图像。4.2.1. 对比方法为了验证所提出方法的可行性和有效性，使用客观评估指标对几种现有的水下图像增强方法进行了对比分析。对比方法包括Ancuti等人[11]提出的基于颜色校正和融合的增强方法，Peng等人[13]引入的基于模糊度量的深度估计方法，Yuan等人[15]开发的TEBCF模型，以及Zhang等人[16]提出的MLLE方法。4.2.2. 评估指标我们将使用以下指标进行客观评估：结构相似性指数（SSIM）、特征相似性（FSIM）、峰值信噪比（PSNR）、熵（Entropy）、水下图像质量度量（UIQM）[27]和水下彩色图像质量评估（UCIQE）[27]，根据真实数据定量评估结果的视觉质量。较高的SSIM分数、FSIM分数和接近1的分数表示图像在结构上更接近参考值，较高的PSNR分数、较高的熵分数、较高的UIQM [27]分数和较高的UCIQE [27]分数。4.3. 分类器1的混淆矩阵表3. 分类器1的每类分布报告。每一列代表使用不同增强方法分类的增强图像：GC、HE、S曲线和MSRCR。下面的混淆矩阵列出了这些结果。在本研究中，使用原始图像及其去雾后的图像来检查去雾是否影响分类器1的性能。“1”的值表示符合图像增强标准，红色突出显示的“1”表示最终采用的方法。表3. 分类器1的每类分布报告。4.4. 定性评估图7展示了所提出方法与其他方法在UIEB-90 [26]数据集上的增强效果对比。列(A)、(B)、(C)和(D)分别代表使用不同增强方法（GC、HE、S曲线和MSRCR）分类的增强图像。Peng [13]的方法表现出严重的颜色偏差，未能有效校正图像的颜色。TEBCF [15]虽然校正了图像颜色，但存在显著的噪声放大和像素化问题。Ancuti [11]和MLLE [16]在图像(A)和(B)中显示出相对暗淡的颜色，在图像(C)和(D)中，Ancuti [11]产生了严重的边缘晕影伪影，而MLLE [16]仍然表现出轻微的蓝绿色偏差。总体而言，所提出的方法在不同图像上提供了最佳的视觉效果，有效校正了原始图像的颜色偏差，丰富了图像颜色，增强了对比度和亮度，并避免了任何失真伪影。下载：下载高分辨率图像（775KB）下载：下载全尺寸图像图7. 在UIEB-90 [26]数据集上各种方法的增强效果对比。它们分别是原始水下输入图像、Reference [26]、Ancuti [11]、Peng等人[13]、TEBCF [15]、MLLE [16]以及本研究的结果。图8展示了所提出方法与其他方法在UIEB-60 [26]数据集上的增强效果对比。列(A)、(B)、(C)和(D)分别代表使用不同增强方法（GC、HE、S曲线和MSRCR）分类的增强图像。与UIEB-90 [26]数据集的结果类似，Peng [13]的方法在UIEB-60数据集中仍然存在严重的颜色偏差，而TEBCF [15]方法则继续显示出图像失真。在图像(A)、(B)和(C)中可以观察到Ancuti [11]方法在边缘产生了不自然的光晕伪影，而图像(D)中的颜色表现相对暗淡。MLLE [16]方法在图像(A)和(D)中显示出不自然的紫色调。图像(C)与所提出的方法更为相似，但仔细观察后仍能发现轻微的蓝绿色偏差。此外，尽管MLLE [16]方法提高了图像(D)的整体亮度对比度，但它在边缘产生了轻微的光晕效果。所提出的方法有效地纠正了水下图像的颜色和亮度，始终提供了出色的视觉效果。

下载：下载高分辨率图像（730KB）
下载：下载全尺寸图像

图8. 在UIEB-60 [26]数据集上各种方法的视觉比较。它们分别是原始水下输入图像、Ancuti [11]、Peng等人[13]、TEBCF [15]、MLLE [16]以及本研究的结果。

4.5. 定量评估
为了验证所提出方法的可行性，使用了客观评估指标将其与几种现有的水下图像增强方法进行了比较。比较方法包括Ancuti等人[11]的方法、Peng等人[13]提出的基于模糊度的深度估计方法、J. Yuan等人[15]提出的TEBCF模型以及W. Zhang等人[16]提出的MLLE方法。

表4展示了UIEB-90 [26]数据集与参考图像之间的五个评估指标的比较。每个评估指标的最佳结果用红色突出显示，第二好的结果用粗体标出。所提出的方法在PSNR和UIQM [27]方面取得了最佳值，并且在SSIM中也排名第二。此外，所提出的方法与Ancuti [11]方法是唯一两种SSIM值超过0.8的方法，这证明了所提出方法在水下图像颜色校正和增强方面的有效性。

表4. 从平均SSIM、平均FSIM、平均PSNR、熵、UIQM [27]和UCIQE [27]的角度评估UIEB-90 [26]数据集上的各种方法。

空单元
SSIM ↑
FSIM ↑
PSNR ↑
熵 ↑
UIQM ↑
UCIQE ↑

结果
0.843
40.928
41.93
149.73
0.362
70.529
3
Ancuti [11]
0.862
30.940
817.82
587.28
5
2.498
50.616
7
Peng [13]
0.751
60.931
815.93
726.76
93
2.038
80.527
2
TEBCF [15]
0.766
70.858
117.78
817.47
852.649
70.542
4
MLLE [16]
0.796
90.903
418.855
17.430
12.236
60.585
1

我们采用了UCIQE [27]指标进行定量评估。图9展示了在没有参考图像的情况下，所提出方法与其他方法在UIEB-60 [26]数据集上的增强效果比较。如图9所示，Ancuti [11]方法产生的图像颜色失真严重，而我们的结果在之前的定量指标和主观视觉感知方面都优于它。然而，UCIQE [27]的结果并未反映这一优势。

下载：下载高分辨率图像（371KB）
下载：下载全尺寸图像

图9. UIQM和UCIQE的结果。

UCIQE [27]和UIQM [27]声称结合了人类视觉感知的方面。我们的发现进一步证实，现有的水下图像质量评估指标并不总是与人类感知判断一致。因此，人类视觉感知可能不是水下颜色校正的可靠基础。虽然这些指标可能更倾向于那些视觉上吸引人的图像，但它们未能捕捉到水下图像退化的根本物理现象，如衰减和后向散射。

此外，UCIQE [27]倾向于给颜色偏移明显、过度增强或对比度过高的图像分配更高的分数。这一观察表明无参考图像的质量指标存在固有的局限性，因为它们的定量分数可能并不总是与水下图像的实际主观视觉质量相对应。

表5展示了在没有参考图像的情况下，所提出的方法与其他方法在UIEB-60 [26]数据集上的熵和UIQM [27]评估指标的比较。每个指标的最佳结果用红色突出显示，第二好的结果用粗体标出。如表5所示，所提出方法的UIQM [27]值排名第二。尽管它没有获得最佳值，但所提出的方法与TEBCF [15]的最佳结果一起，是唯一两种UIQM [27]值高于2的方法，表明使用所提出方法增强的水下图像具有相对较好的质量，这验证了本研究的有效性。然而，所提出方法在熵指标上的表现不太令人满意。

表5. 从熵和UIQM [27]的角度评估UIEB-60 [26]数据集上的各种方法。

空单元
熵 ↑
UIQM [27] ↑

结果
6.950
92.245
5
结果
7.060
11.916
1
Peng [13]
6.354
91.663
8
TEBCF [15]
7.369
22.483
1
MLLE [16]
7.430
11.907
9

图10展示了TEBCF [15]和所提出方法的视觉结果及其对应的熵值，其中A对应于UIEB 90 [26]的图像，B对应于UIEB 60 [26]的图像。

下载：下载高分辨率图像（353KB）
下载：下载全尺寸图像

图10. TEBCF [15]和所提出方法的视觉结果及其对应的熵值，其中A对应于UIEB 90 [26]的图像，B对应于UIEB 60 [26]的图像。

在图10中，TEBCF [15]在A和B中引入了相当多的噪声，导致视觉质量明显低于所提出的方法。尽管如此，TEBCF [15]的熵值却高于所提出的方法。这表明熵指标也可能将噪声视为图像信息的一部分，从而导致误认为噪声较多的图像包含更丰富的信息。因此，其他方法中的噪声存在可能会影响熵的计算，解释了为什么所提出的方法显示出相对较低的熵分数。

5. 结论
本研究开发了一种基于分类的增强机制。首先，根据统计特征值对水下图像进行分类，并将其与一到四种增强方法匹配。应用这些增强方法后，增强后的图像会进行曝光强度分析。最终，每张图像都被赋予一个最优增强的输出。

本文的贡献在于其分类机制。该机制仅基于颜色和亮度特征。由于没有复杂的计算和训练要求，本研究展示了出色的执行性能，并且计算需求较低。未来的研究可以整合图像识别技术，根据生物或环境信息对图像进行分类，从而可能获得更精细的分类结果。此外，本研究没有应用锐化调整，导致边缘锐度略有减弱。未来的工作可以探索在不放大噪声的情况下增强边缘的锐化技术，以实现更好的增强效果。

CRediT作者贡献声明
Sheng-Long Kao：写作——审阅与编辑、监督、调查、概念化。
Ya-Ling Pan：调查、数据管理。
Ching-Chung Huang：调查、数据管理。
Yi-Tsung Pan：写作——原始草稿、可视化、验证、软件、方法论、调查、数据管理。
Kuo-Jui Hu：写作——审阅与编辑、验证、监督、资源、项目管理、方法论、概念化。