0.2.1 水下圖像質量提升方法

水下圖像質量提升方法主要包括水下圖像復原算法和水下圖像增強算法。

0.2.1.1 水下圖像復原算法

水下圖像復原算法根據光在水中的傳播特性構建水下圖像退化模型，通過估計模型中的參數反演其退化過程，最終獲得退化前的清晰圖像[1]。水下圖像質量下降的原因與霧天圖像類似，自何愷明等人[2]提出使用暗通道先驗（Dark Channel Prior，DCP）算法處理霧天圖像質量下降問題并取得不錯的效果后，大量的研究人員將DCP算法與水下圖像的衰減特性相結合，提出了大量的水下圖像復原方法。2013年，Drews等人[3]提出了基于 DCP 算法的水下圖像復原算法，該算法的特點是僅將 DCP 算法應用于藍色光和綠色光通道，從而減少紅色光通道分量造成的影響，該算法能有效提高圖像的視覺效果，但該算法的適用場景比較有限。2015 年，Galdran 等人[4]考慮到不同波長的光線在水中的選擇性衰減使得直接應用DCP算法的效果差等問題，提出一種紅色光通道水下圖像復原算法，該算法反轉了紅色光通道的背景光和像素強度值，在此基礎上利用DCP算法估計透射率，該算法能夠在有效還原場景真實色彩的同時提高圖像的清晰度。2016年，Li等人[5]基于最小信息損失原則估計紅色光通道透射率，然后根據三種顏色光通道透射率的關系計算藍色光和綠色光通道的透射率，最終根據水下成像模型獲得顏色自然、清晰的復原圖像。2019年，Ueki等人[6]提出一種基于廣義暗通道先驗（Generalization of the Dark Channel Prior，GDCP）迭代的水下圖像復原算法，首先通過GDCP迭代獲得增強后的圖像，為消除迭代過后背景區(qū)域的顏色失真和噪聲，將多次迭代得到的增強圖像與初始增強后的圖像融合，該算法能很好地提升圖像對比度和清晰度，然而 GDCP 迭代在提高圖像質量的同時也大大增大了計算開銷。2020年，林森等人[7]提出了一種基于修正散射模型的水下圖像復原算法，該算法首先將背景光融入水下成像模型，然后根據紅色光通道的逆通道提出水下成像模型，最后結合暗通道先驗估計介質的透射率復原退化前的水下圖像，該算法能夠有效提高水下圖像的對比度并提供較多的細節(jié)。

傳統(tǒng)水下圖像增強方法能夠有效提高水下圖像的對比度和清晰度，提升圖像的視覺效果，但該類算法未考慮水下圖像的特性，增強過后的圖像可能會存在顏色失真、偽影等現象，在部分場景中反而會將水下圖像中的噪聲放大。隨著深度學習的流行，研究人員將其與圖像復原技術相結合，利用卷積神經網絡（Convolutional Neural Networks，CNN）學習水下成像模型的參數。該類算法的主要步驟為：首先利用CNN估計水下圖像的透射率，然后根據水下成像模型復原降質前的圖像。2017 年，Wang等人[8]首先通過水下成像模型合成水下圖像數據集，然后利用CNN學習獲得水下圖像的透射率和紅綠藍三種光的衰減率，最終根據水下成像模型獲得清晰度高和視覺效果好的圖像。2018年，Cao等人[9]設計了兩種神經網絡結構，分別用于估計水下圖像的背景光和場景深度，然后結合光在水中的衰減系數和場景深度計算透射率，最后根據水下成像模型恢復降質前的圖像，該算法恢復的圖像顏色鮮艷且具有較高的對比度。2019 年，Wang 等人[10]提出了基于并行 CNN 結構的水下圖像復原算法，首先通過該網絡結構估計藍色光通道的透射率和背景光，然后根據三個顏色通道間的透射率關系來計算紅色光和綠色光通道的透射率，并在構建的數據集上進行訓練，最終恢復的水下圖像具有較自然的色彩和較高的清晰度。2020 年，Yang 等人[11]為降低人造光源對物理模型的影響，提出了一種新的背景光估計方案，該方案首先利用 CNN 估計的深度信息結合暗通道先驗獲取背景光，然后采用暗通道先驗與估計的背景光復原降質前的圖像，該方案能夠改善水下圖像的顏色失真問題、提高圖像的對比度，但受深度估計準確率的影響較大。

0.2.1.2 水下圖像增強算法

水下圖像增強算法主要通過直接修改圖像的像素值來改善水下圖像質量低等問題。針對水下圖像的降質問題，業(yè)界的專家和學者提出了大量的水下圖像增強算法。2017年，Perez等人[12]首先將水下圖像和與之對應的清晰圖像作為訓練集，然后利用CNN 學習水下圖像到清晰圖像的映射，從而實現水下圖像增強。同年，Ding 等人[13]提出了一種基于深度學習的增強策略，該策略首先利用自適應顏色校正算法處理水下圖像的顏色失真，然后利用超分辨率CNN解決水下圖像模糊問題。自2014年生成對抗網絡（Generative Adversarial Network，GAN）[14]提出以來，其強大的學習能力和適應性使得GAN在各個領域得到廣泛的應用[15-16]。近年來，大量的學者應用GAN處理水下圖像的失真問題。2017 年，Li 等人[17]提出了一種用于水下圖像增強的無監(jiān)督學習生成對抗網絡算法——WaterGAN，該算法首先通過清晰的圖像及其深度信息獲得對應的水下圖像，然后通過深度估計網絡估計水下圖像的深度信息，并將其和水下圖像作為顏色校正網絡的輸入，最終獲得了增強后的圖像，該算法能有效解決水下圖像的偏色問題，還原水下場景的真實色彩。2018年，Fabbri等人[18]提出了一種適用于水下場景的生成對抗網絡——UGAN，為解決水下圖像數據集不足問題，首先利用循環(huán)生成對抗網絡（CycleGAN）生成數據集，然后在數據集充足的條件下訓練生成對抗網絡，UGAN能夠有效提高水下圖像的視覺效果。2020年，李慶忠等人[19]提出了一種基于改進循環(huán)生成對抗網絡的水下圖像增強算法，該算法通過設計邊緣結構相似度函數來抑制輸入圖像和輸出圖像邊緣結構的變化，同時采用弱監(jiān)督學習、強監(jiān)督學習相結合的網絡結構和兩階段學習模式保證生成圖像與目標圖像顏色的一致性，該算法能夠有效提高圖像的對比度并還原場景的真實色彩。同年，Islam 等人[20]提出了一種基于全卷積條件生成對抗網絡的實時水下圖像增強模型——FUnlE-GAN，該模型結合多模態(tài)目標函數，使增強后圖像的對比度、清晰度得到明顯改善，同時也增強了圖像感知質量。同年，Dudhane等人[21]提出了一種用于水下圖像恢復的生成對抗網絡模型，該模型針對水下圖像失真的特點，設計了基于顏色通道的特征提取模塊，并針對處理水下圖像的模糊問題設計了密集殘差網絡，結合提出的損失函數，該模型在處理水下圖像時能夠有效恢復顏色、保留場景細節(jié)結構，生成更加真實的邊緣信息。2021年，雍子葉等人[22]針對成對樣本獲取難等問題，提出了一種結合注意力機制的弱監(jiān)督學習水下圖像增強算法，該算法將紅色光通道的衰減圖作為注意力圖，將原始水下圖像和注意力圖像同時作為生成器的輸入，最后通過對抗訓練使得生成器輸出對比度和清晰度高的圖像，該算法針對顏色失真和對比度低的水下圖像效果較好，但對于渾濁的水下圖像效果較差。同年，針對水下圖像存在的模糊、對比度低和顏色失真問題，Li 等人[23]提出了一種融合生成對抗網絡——DeWaterNet，該網絡由兩個CNN構成，分別用于提取融合增強后的圖像和原始水下圖像的特征，并將相加后的結果作為生成器的輸出，該網絡能有效提高水下圖像的視覺效果。