RSADAF：一种面向海洋生态系统水下图像复原的瑞利散射自适应各向异性扩散滤波器

《Frontiers in Marine Science》：RSADAF: a Rayleigh scattering-adaptive anisotropic diffusion filter for underwater image restoration in marine ecosystems

　　

海洋生态系统在维持海洋生物多样性与全球环境可持续性方面具有关键作用。然而，水下监测与成像是图像处理中极具挑战的方向，图像会因雾效、波长依赖的光吸收、色彩失真、散射与噪声而严重退化，影响海洋监测、目标检测、水下导航以及对珊瑚礁、海洋生物、底栖生境和水质的有限评估。传统各向异性扩散滤波器不能有效抑制噪声，且常无法充分保留图像边缘与结构细节；现有方法手动选取传导参数，未充分考虑水下环境中的物理退化机制。为克服这些局限，研究人员提出名为瑞利散射自适应各向异性扩散滤波器（RSADAF, Rayleigh scattering-adapted diffusion anisotropic filter）的新框架，这是一种波长感知、基于物理的扩散框架，将二阶偏微分方程（PDE, partial differential equation）扩散与大气散射模型（ASM, atmospheric scattering model）及瑞利散射定律相融合。自适应传导梯度参数由环境光估计导出，图像主导波长由CIE 1931色度模型导出，从而实现扩散的空间变化并降低局部退化。二阶PDE公式（双模板方法）保留结构信息并缓解传统扩散方案中常见的阶梯伪影。在EUVP与UIEB基准数据集上的实验评价表明，该方法在全参考与无参考图像质量指标上均取得更优增强性能。CIE 1931波长感知框架取得PSNR为42.85 dB、SSIM为0.967、UCIQE为0.341、BRISQUE为21.99，优于传统各向异性扩散及相关增强方法。可视化结果进一步证实其在色彩复原、对比度增强、边缘保留与纹理保持方面的改进，为水下成像应用提供了一种可解释、计算高效且具有物理意义的替代方案。

研究背景方面，水下生态系统对生物多样性保护、气候调节、渔业与可持续海岸发展至关重要。自主水下航行器（AUV, autonomous underwater vehicle）与遥控潜水器（ROV, remotely operated vehicle）获取的图像常受噪声、低对比度、非均匀光照、波长依赖吸收、散射、悬浮颗粒与色彩失真影响。传统线性滤波、中值滤波及基于梯度阈值与全局传导函数的各向异性扩散，忽视水下光传播物理机制，导致过平滑、残差噪声与色彩复原差。深度学习法虽性能强，但需大量标注数据，可解释性与泛化性弱。因此，研究人员开展RSADAF研究，将物理模型与PDE扩散结合，在EUVP与UIEB数据集中实现可解释、低复杂度、鲁棒的水下图像复原，论文发表于《Frontiers in Marine Science》。

关键技术方法上，研究人员采用ASM描述观测图像I(x)=J(x)t(x)+A(1?t(x))；用CIE 1931色度模型由归一化RGB估算像素主导波长λ(x)=650R_n+550G_n+450B_n；以瑞利散射定律I∝1/λ⁴指导环境光与散射强度估计；以反二次传导函数c(‖?I‖)=1/(1+(‖?I‖/k)²)为基础，将残差图与环境光、透射图嵌入自适应阈值k(x)=k₀e^?βR(x)(1+A(1?t(x)))；并用二阶模板（隔一像素邻域）计算四方向梯度，迭代更新I^t+1(x,y)=I^t(x,y)+γ∑_ic_i?_iI。样本来自公开基准EUVP与UIEB。

2 Materials and methods

研究人员指出红长波快速衰减、蓝绿短波占优导致传统方法难兼顾去噪与保边保色。方法总体含波长图估计、瑞利引导环境光估计、自适应传导计算、PDE扩散与图像重建。

2.1 RSADAF: modified anisotropic diffusion filter

研究人员以Perona–Malik方程?I/?t=?·(c(x)?I)为基础，改用二阶stencil：d_N=(I(i?2,j)?I(i,j))/2等四方向。研究发现较一阶邻域，二阶模板提升结构连续性、扩散稳定性与细纹理保留，且过大模板会过平滑，故该尺寸为合适改进。

2.2 Inverse quadratic conductance function and adaptive (k)

研究人员分析反二次函数对低对比度与纹理区平衡去噪保边更优；固定k易残噪或模糊。研究得出需空间变化k(x)，并以物理退化而非纯梯度驱动传导。

2.3 RSADAF framework—a physics-guided diffusion

2.3.1 Atmospheric scattering model

研究人员用ASM建模I(x)、场景辐射J(x)、透射t(x)与环境光A，由残差R(x)=I(x)?[J(x)t(x)+A(1?t(x))]导出k(x)=k₀e^?βR(x)，再扩为含?I与A(1?t(x))的形式，使传导随物理退化自适应。

2.3.2 Ambient light estimation

研究人员由归一化RGB得λ(x)，依瑞利定律S(x)=(B+G?R)·1/λ⁴估计散射相关环境光，避免亮物或暗通道假设失误，实现波长感知的环境光估计。

结果与结论部分，研究人员在EUVP与UIEB上以全参考PSNR、SSIM与无参考UCIQE、BRISQUE评价，CIE 1931波长感知框架达PSNR 42.85 dB、SSIM 0.967、UCIQE 0.341、BRISQUE 21.99，优于传统各向异性扩散与同类增强方法；视觉结果显示色彩复原、对比度、边缘与纹理保留改善。

讨论与结论翻译：现有各向异性扩散依赖人工全局阈值与梯度传导，忽视波长依赖散射、环境光与透射等成像物理，致过平滑、残差噪声与色彩失真。分数阶、双层优化虽提升但计算贵且少物理解释。研究人员提出RSADAF，融合环境光估计、CIE 1931主导波长估计与二阶PDE各向异性扩散；瑞利散射引导自适应传导实现空间自适应扩散，提升保边、结构连续、色彩复原与鲁棒水下增强。近期深度学习模型计算开销大，而RSADAF以水下光传播物理（瑞利与大气散射）达成可解释、计算高效、鲁棒的水下图像增强，在边缘保留与自然色复原间取得平衡，对水下环境监测与海洋生态系统分析具有应用价值。