水下图像增强通过多层增强融合与透射驱动色彩复原

《Sensors》：Underwater Image Enhancement via Multiple-Enhanced-Layers Fusion and Transmission-Driven Color Restoration

　　

传感器获取的水下图像因光吸收与散射干扰而存在低对比度与细节模糊问题，实际处理应用常需良好的可见性复原。当前图像增强方法常依赖先验假设重建清晰图像，未考虑水下图像退化的内在关联，导致增强结果不尽理想。为此，研究人员提出一种基于多层增强融合与透射驱动色彩复原的水下增强方法，称为EFCR，其包含三个关键模块：基于像素的透射计算（PTC）、多层增强融合（MELF）与透射驱动色彩复原（TCR）。首先，PTC设计线性变换调整饱和度，并基于透射、亮度与饱和度的映射关系估计透射，防止透射低估。随后，MELF从亮度通道提取原始细节，并依据估计透射增强所需细节，同时采用自适应直方图均衡化改善全局亮度。最后，TCR进一步分析透射与图像退化的内在关联，构建补偿因子自适应校正Lab空间的a与b通道，获得亮度合理、色彩自然的增强结果。在三个水下图像数据集上的大量实验证明了该方法在水下图像复原中的有效性与鲁棒性。尤其该方法平均e与Blur值至多分别提升99.87%与下降10.22%，显示其在边缘增强与去雾方面具明显优势。此外，该方法为色彩复原与图像显著检测提供有益支撑，并对户外雾霾图像增强展现良好泛化能力。

研究背景方面，图像传感器在水下场景常因强光散射与吸收导致低对比度、细节模糊及色彩失真，制约了车辆检测、视觉跟踪等实时应用。现有方法分三类：基于成像模型的方法依赖手工先验，计算耗时且易生 halo 伪影；无模型方法实现简单但忽视退化与深度关联，易过增强或偏色；深度学习方法在合成数据表现好，但与真实水下场景存在域差，泛化受限。为此，研究人员在《Sensors》发表EFCR方法，融合物理模型与无模型优势，显式建模透射、亮度、饱和度及Lab色度通道的退化关联。

关键技术方法上，研究人员采用HSV空间像素级透射估计，以亮度-饱和度相关系数驱动饱和度修正（公式6-9），代入Lu等推导的t-V-S映射（公式2）得逐像素透射；细节增强在Lab亮度L*通道用加权最小二乘（WLS）滤波拆出基底层与两残差细节层，按?J∝?I/t关系以透射均值倒数放大梯度（公式13），泊松重建细节（公式14）后接自适应直方图均衡化（AHE）提亮；色彩复原利用透射均值μ_t与标准差σ_t构成退化元组，经sigmoid映射得校正强度r（公式21），对Lab的a、b通道做均值中心化补偿（公式22）。实验在UCCS、UIQS、UIEB三个公开水下集及户外雾图上进行，以e、?_e、Blur、UIQM、DFAD为无参考指标，配HFM、DAUT、WWPF、UShape、OGO-ULAP、PCFB、SDGE、LANet、PUIENet、DeepWav等十法对比，并在AMD Ryzen 9 5900X CPU上测时。

研究结果各节结论如下：

3.1节基于像素的透射估计：通过HSV中S-V平均相关系数修正饱和度，替代Lu等的固定修订，消除透射低估，图2c证明替换后雾气完全去除、对比度充分提升。

3.2节梯度域引导对比与细节增强：WLS分解L*为多尺度层，以透射均值倒数放大残差梯度并泊松重组，再由AHE扩动态范围；图3显示该支路去雾显著但单用会偏暗，需AHE补亮。

3.3节场景透射驱动色彩复原：以μ_t、σ_t经sigmoid得r，补偿a/b通道均值偏移；图4c证实可去蓝绿偏色且不动亮度纹理，满足灰度世界假设。

4.1节评估指标：明确定义e（可见边增益）、?_e（边可见度几何均值）、Blur（0-1越低越锐）、UIQM（色度-锐度-对比复合）、DFAD（FADE雾密度距离）五指标。

4.2节消融：在UCCS/UIQS/UIEB上删AHE则暗、删CR则留蓝调、删DE则糊、删SA则局部过曝；全文组合获最优?_e与Blur。

4.3节UCCS色彩分析：面对蓝绿/蓝/绿三种雾，EFCR独去偏色且细节完整，?_e较次优升28.86%、Blur降10.15%。

4.4节UIQS可见性：轻中浓三档雾下EFCR同步保纹去雾，?_e升32.98%、Blur降9.25%。

4.5节UIEB多样场景：潜水与沉船图中EFCR留鱼纹与雕刻微纹理，?_e升99.87%、e升82.08%、UIQM升1.98%、Blur降10.22%、DFAD降9.18%。

4.6节RGB直方图：原始像元聚蓝绿，EFCR三通道均衡铺开无异常点。

4.7节细节：放大区文字与物体纹理清晰无过平滑。

4.8节显著检测：saliency map前景完整、背景抑噪。

4.9节耗时：CPU上慢于部分DL法但视觉量化占优，允未来加速。

4.10节泛化：高楼、街景、夜雾等户外图同样去雾保轮廓，指标最优。

4.11节失败例：高悬浮颗粒场景放大噪声，非均匀光照背景提亮不足，归因大气散射模型未含悬浮与异质光照。

讨论与结论翻译：研究人员指出EFCR以像素级透射估计、多层增强融合与透射驱动色彩复原三模块，显式利用透射-亮度-饱和度映射及透射-色衰关联，在三个水下集上定性定量均优于对比法，并为显著检测与户外去雾提供支撑；局限在于依赖大气散射模型，对悬浮噪声与非均匀光照失效，未来将建统一悬浮-光照物理模型。论文发表于《Sensors》，核心贡献为无训练、低先验依赖的水下增强框架，兼顾去雾、细节与色彩自然度。