基于双组分复合特征驱动的小波融合技术用于水下光学图像增强

《Optics & Laser Technology》：Underwater optical image enhancement via dual-component composite-feature driven wavelet fusion

　　摘要：复杂多变的水下感测环境往往会降低水下光学图像的成像质量，这大大削弱了模型执行数据处理任务的能力。为解决这一问题，我们提出了一种基于双组分复合特征驱动的小波融合水下光学图像增强机制（DCWF）。首先，在预处理阶段，DCWF引入了一种基于加权颜色差异的深度引导型水下光学图像去雾方法。该方法能够根据场景像素和光照变化自适应地估计透射图，有效抑制雾气干扰，显著提升场景可见度。其次，在去雾后阶段，DCWF构建了一个双分支协同颜色增强框架：一个分支通过精确的分位数平衡生成具有生动视觉效果的成分，另一个分支则应用级联颜色补偿方案来生成颜色稳定的基准成分。最后，DCWF采用复合特征自适应加权范式融合，动态优化小波系数以高效融合这两个成分，从而得到对比度和细节显著提升的重建图像。在四个水下光学图像数据集上的实验表明，所提方法的稳健性和通用性较强，主观视觉质量和定量评估指标均显示出其优异的性能，证明了其在解决水下光学成像关键问题方面的有效性，有助于光学技术的应用。

引言：近年来，随着水下光学感测技术及轻量化成像设备的快速发展，获取的水下图像和视频数量不断增加。这些视觉数据在水下环境的探索、开发与利用中起着至关重要的作用[1][2][3][4]。然而，由于水下环境的复杂性与多变性，再加上水体的固有散射和雾气效应，捕获到的水下图像质量不可避免地会下降，通常表现为颜色偏色、细节模糊以及对比度降低[5][6][7][8]。为解决这些退化问题，近期研究从多个角度改进了水下图像增强方法，包括颜色通道建模、真实浑浊场景构建以及空间-频率特征交互，为复杂水下环境中的图像质量恢复提供了新的思路[9]。

现有的水下图像增强方法主要针对由雾气引起的退化、颜色失真和细节丢失等问题。其中，图像去雾[10][11][12]、颜色校正[13][14][15]以及图像融合[16][17][18]属于三大主流类别。图像去雾方法主要致力于减轻水下光散射造成的雾气和模糊现象，通过利用物理先验或水下成像模型，试图恢复场景的可见度，在提升图像清晰度方面通常表现较好。然而，图像去雾方法的效果往往受到复杂光照条件、水体特性变化以及参数估计不准确等因素的限制。颜色校正方法则通过颜色通道补偿或颜色空间变换来弥补波长依赖的光衰减，从而提升图像颜色的自然度。不过，这些方法在解决由散射和噪声引起的结构退化及纹理丢失问题方面效果较差。图像融合方法则通过整合多种增强结果、多尺度特征或多域信息来提升整体视觉质量。尽管具有这些优势，但在复杂水下环境中，图像融合方法仍可能存在局部过度增强、颜色偏移以及细节恢复不一致的问题。

为使水下图像能够更准确、更有效地传递其所包含的重要特征信息，我们不仅需要有效减少水下干扰带来的负面影响，还需准确保留并突出目标区域的详细信息。因此，我们提出了一种名为DCWF的方法，并将其应用于水下图像增强任务。与现有方法中常用的级联增强流程不同，DCWF并非简单依赖不同增强模块的顺序叠加，而是针对水下图像的散射雾气、颜色偏差和细节弱化等退化特征，专门设计了各阶段的信号构建机制与协同关系。DCWF的整体架构分为三个阶段：首先，DCWF利用加权颜色差异引导的深度估计来约束去雾过程，旨在自适应获取透射图，减弱水体散射造成的雾气干扰，从而恢复水下场景的可见度；其次，在颜色增强阶段，DCWF构建了一个协同双分支框架，通过分位数平衡获得色彩生动的感知成分，再结合LUT颜色重建和对比度调整，生成颜色分布稳定的基准成分，从而兼顾图像的饱和度与颜色自然度；最后，DCWF通过复合特征自适应权重在小波域进行系数融合，促进感知成分的局部细节表达与基准成分的全局颜色描述之间的相互协调，从而显著提升图像的对比度、细节清晰度及整体视觉质量。同时，图1展示了DCWF对各种退化水下图像的增强效果。所提方法的主要贡献可总结如下：(1)为解决传统水下去雾算法在复杂场景中存在的分散估计不稳定的问题，DCWF构建了一种基于加权颜色差异驱动的深度引导型去雾机制。该机制通过多通道及背景光加权颜色差异表征水下散射程度，结合局部亮度特征与深度先验约束共同求解透射图，并借助局部最大值滤波来稳定散射强度估计。该机制在有效抑制水下雾气干扰的同时，也兼顾了场景可见度的提升以及图像细节信息的保留。(2)为解决单分支颜色校正方法易出现色彩紊乱和失真的问题，DCWF设计了一个双分支协同颜色增强框架。一方面，该框架采用分位数平衡策略对去雾后的图像进行颜色调整，生成具有生动视觉效果的感知成分分支；另一方面，基于该感知成分，框架进一步串联LUT颜色重建和对比度调整模块，输出颜色稳定性好的基准成分。双分支的协同作用能够平衡图像细节表现力与全局色彩一致性。(3)考虑到现有图像融合方法难以同时实现全局色彩恢复与局部结构信息的保持，DCWF引入了一种复合特征自适应加权范式。该范式通过分析双分支成分在颜色分布和多尺度对比度方面的差异，生成自适应权重图，并将这些权重图应用于小波域，动态调节分层小波系数，从而实现色彩自然度、结构完整性与图像视觉质量的多维度协同优化。

相关工作：水下图像的质量退化是水体散射与吸收、光照不均、成像噪声等多种因素共同作用的结果。根据水下图像的核心退化机制以及不同方法的增强处理思路，现有的水下图像增强方法可分为图像去雾、颜色校正和图像融合三类。图像去雾方法主要针对由雾气和模糊引起的退化问题。

动机：与空气中的光传播相比，水中的光传播更容易受到吸收和散射的影响，这两者都会直接降低图像质量。从底层退化机制的角度来看，水下光学图像的劣化主要表现为两种形式：一是由散射引起的雾气，会降低对比度；二是波长依赖的光吸收，会导致颜色偏移和丢失。为解决由散射引起的雾气问题……

实验：在本节中，我们选取了四个水下光学图像数据集作为验证平台，对DCWF与十种代表性的水下光学图像增强方法进行了对比实验。此外，我们从定性和定量两个方面对各种方法进行评估，以确保分析的全面性。我们还加入了物体检测任务来测试增强图像的实际应用能力，通过消融实验验证我们的设计，并对相关参数进行了优化……

结论：我们提出了一种名为DCWF的方法，用于提升水下光学图像的感知质量。首先，在预处理阶段，DCWF引入了一种以加权颜色差异为核心的深度引导型去雾机制。该机制通过根据图像像素与环境光之间的差异自适应估计透射率，既能减轻由散射雾气引起的图像退化，又能提升整体清晰度与目标可见度。在此基础上，DCWF采用了双分支颜色增强策略……

致谢：本研究得到了广西科技计划项目GKFN2600640554的支持，部分资金来自中国国家自然科学基金项目5217110332，还有部分来自中国江苏省自然科学基础研究计划项目BK20220452。

作者贡献声明：彭飞比：撰写——审阅与编辑、撰写——初稿、指导、项目管理、资金筹集。江佳成：撰写——初稿、可视化、验证、软件、方法论。丁毅：验证、软件、研究。沈新怡：数据整理。杨静：资源提供。杜雪：资金筹集。若奥·安德烈·恩东巴西·迪亚库萨拉：撰写——审阅与编辑。蒙塞夫·加布乌吉：撰写——审阅与编辑、指导。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢：本研究得到了广西科技计划项目GKFN2600640554的支持，部分资金来自中国国家自然科学基金项目5217110332，还有部分来自中国江苏省自然科学基础研究计划项目BK20220452。