改进的自适应双向伽马校正与多方向梯度图像分解技术用于深海图像增强

《Digital Signal Processing》：Improved Adaptive Bidirectional Gamma Correction and Multi-Directional Gradient Image Decomposition for Deep-Sea Image Enhancement

　　

Xiaowang Li|Shihui Jia|Xiaoni Chi|Gaoxi Li|Zhao Deng

武汉科技大学数学与系统科学学院，中国武汉430065

摘要

深海图像在采集过程中常常因光线吸收、散射以及人工光源的不均匀照明而质量下降，出现颜色偏移、亮度不足、对比度降低和细节模糊等问题。为解决这些问题，本文提出一种深海图像增强方法，该方法结合自适应分段伽马校正与多方向梯度图像分解技术。首先，采用带有红通道预补偿的灰度世界算法进行颜色校正，以消除红光衰减导致的蓝绿色偏色。接着，根据平均亮度区分亮图像和暗图像，并通过亮度偏差、UCIQE、UIQM和图像熵值自适应确定伽马校正参数。该策略能够抑制亮图像的过度增强，同时提升暗图像的亮度，从而得到整体增强的图像。同时，运用对比度受限的自适应直方图均衡化技术获得局部增强的图像。随后，引入水平、垂直、45°和135°方向的梯度约束，将图像分解为基础层和细节层，从而更好地保留斜向边缘和纹理信息。基础层通过多尺度加权策略融合，以平衡整体亮度和局部对比度，而细节层则基于VGG19特征进行融合，以增强纹理和边缘细节。最后，从融合后的基础层和细节层重建增强后的图像。在公共UIEB数据集上的实验表明，所提出的方法能有效减少颜色偏色和对比度下降问题，改善亮度分布，提升图像的视觉质量和定量性能。

引言

随着陆地资源日益稀缺，深海资源的勘探开发已成为全球关注的焦点。获取高质量的水下图像是开发海洋资源的基础。然而，深海环境极为复杂，水深增加会导致光强急剧下降，而水及悬浮颗粒对光线的吸收和散射会严重降低成像质量。因此，采集到的图像通常存在亮度低、对比度不足、颜色失真和细节模糊等问题。所以，开发能够有效提升水下图像清晰度、恢复其真实颜色和精细细节的图像增强方法，已成为海洋科学研究、资源勘探和环境监测领域的重要技术挑战。

目前，全球研究人员已对水下图像增强开展了大量研究，并取得了显著进展。现有的水下图像增强算法大致可分为三类：基于物理模型的方法[1]、[2]，基于非物理模型的方法[3]、[4]，以及基于深度学习的方法[5]、[6]。基于物理模型的方法通常是根据水下成像模型开发的，通过估算背景光、透射率或深度信息来恢复清晰图像。这些方法具有较好的物理可解释性，但其增强效果很大程度上取决于模型假设和参数估算的准确性。在复杂的深海场景中，这类方法容易出现颜色校正不足、局部过曝以及细节恢复不稳定的问题。基于非物理模型的方法并不构建明确的水下成像退化模型，而是直接通过图像处理技术提升图像的亮度、对比度、颜色和细节表现。这些方法计算简单，易于实现，但由于缺乏对水下光学退化过程的物理约束，可能会产生不自然的颜色恢复效果、过高的局部对比度，或导致亮区和暗区的增强效果不平衡。近年来，基于深度学习的方法由于具备强大的特征提取和非线性映射能力，在水下图像增强方面取得了优异成果。不过，它们的性能往往依赖于大规模训练数据和高质量的参考图像。由于真实的深海场景难以获得理想的参考图像，基于深度学习的方法在跨不同场景的泛化能力、模型复杂性以及计算成本方面仍存在不足。

综上所述，尽管现有方法在深海图像增强方面已取得一定进展，但它们仍存在各自的局限性。首先，基于物理模型的方法虽然具有较好的理论可解释性，但在复杂的深海场景中容易受到参数估算误差的影响。其次，基于非物理模型的方法虽然计算简单，但缺乏对颜色恢复和局部亮度调整的明确约束。再次，基于深度学习的方法虽然具有强大的增强能力，但严重依赖训练数据，其在真实深海场景中的泛化稳定性仍有待进一步提升。因此，如何整合颜色校正、自适应亮度调整、结构保留以及多尺度融合技术，以提高深海图像增强的稳定性和自然度，仍是需要解决的重要问题。

与仅依赖颜色校正或伽马变换的方法不同，所提出的方法并非简单地叠加多个增强模块，而是针对深海图像常见的退化问题进行专门设计，包括颜色衰减、光照不均、斜向纹理丢失以及融合稳定性不足等问题。该方法采用自适应双向分段伽马校正，以应对不同亮度区域不同的增强需求。同时引入多方向梯度约束，弥补传统水平和垂直梯度在表示斜向结构方面的不足。此外，还通过多尺度基础层融合和基于VGG19特征的细节层融合，进一步提升增强结果的结构一致性和细节清晰度。因此，本研究的创新之处在于针对深海图像退化特性设计的模块组合以及自适应参数调整机制，而非仅仅替换单一的增强算子。本文的主要贡献如下：

(1) 提出了一种自适应双向分段伽马校正方法。该方法根据输入图像的亮度统计特性区分亮图像和暗图像，并采用不同的伽马调整策略，从而有效解决深海图像亮度不足、局部过暗以及过度增强等问题，提升图像亮度分布的合理性。

(2) 提出了一种多方向梯度约束的图像分解模型。在传统水平和垂直梯度约束的基础上，增加了45°和135°方向的梯度约束，从而提升模型表示斜向边缘和纹理结构的能力。与完全可调控的梯度建模相比，该设计能够在保持较低计算复杂度的同时，补充重要的斜向结构信息。

(3) 提出了一种结合多尺度基础层融合和基于VGG19特征的细节层融合的增强策略。该策略充分利用了基础层中的亮度和结构信息，以及细节层中的深度感知特征，从而在颜色自然度、细节清晰度和整体视觉一致性方面提升增强结果的稳定性。

章节节选

相关工作

基于物理模型的方法通常是根据水下成像的退化机制开发的，通过估算背景光、透射率、场景深度或光衰减系数来恢复清晰图像。典型的方法包括基于暗通道先验[7]、雾线先验[8]以及光衰减模型[9]的方法。例如，Liang等人提出了一种水下图像恢复框架，该框架结合了分层搜索策略与多先验评分机制

方法流程

所提出的深海图像增强方法主要包括五个阶段，即颜色校正、图像增强、图像分解、分层融合以及图像重建。首先，对原始图像应用带有红通道预补偿的灰度世界算法进行颜色校正，以消除红通道衰减以及由光谱衰减引起的整体蓝绿色偏色。随后，考虑到图像的非均匀亮度分布

多方向梯度分解与图像融合

全局增强的图像主要提升了深海图像的整体亮度和对比度，同时提供了相对稳定的基础结构信息，而局部增强的图像则更有利于突出边缘、纹理和局部细节。为了充分发挥两者的互补作用，本文将全局增强图像和局部增强图像分别分解为基础层和细节层，然后分别进行融合。在图像分解阶段，

实验结果与分析

为验证所提出方法的有效性，本研究对公共UIEB数据集中的图像进行了增强处理。并将所提出的方法与五种不同的图像增强算法进行比较，这五种算法分别为CDF-UIE[26]、MLLE[27]、ULAP[28]、UW-CycleGAN[29]和UWCNN[30]。从视觉质量和定量评估指标两个方面对增强效果进行了对比分析。

结论

本文提出了一种基于改进的自适应伽马校正和多方向梯度分解的深海图像增强方法。该方法整合了红通道预补偿的灰度世界颜色校正、自适应分段伽马校正、多方向梯度约束的图像分解、基础层的多尺度加权融合以及基于VGG19的细节特征融合技术。在UIEB数据集上进行的实验表明，所提出的方法能够

CRediT作者贡献声明

Xiaowang Li：概念构思、方法设计、软件实现、验证、形式分析、研究调查、数据整理、初稿撰写、可视化处理。Shihui Jia：指导监督、项目管理、概念构思、方法设计、审稿与编辑。Xiaoni Chi：研究调查、数据整理、验证、审稿与编辑。Gaoxi Li：资源协调、验证、形式分析、审稿与编辑。Zhao Deng：资源协调、验证、形式分析、审稿与编辑

利益冲突声明

作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。