|
|
|
发布时间: 2017-03-16 |
综述 |
|
|
|
郭继昌1, 李重仪1, 郭春乐1, 陈善继2 |
收稿日期: 2016-09-21; 修回日期: 2016-11-11
基金项目: 国家重点基础研究发展计划（973）项目（2014CB340403）；青海省自然科学基金项目（2015-ZJ-721）
第一作者简介: 郭继昌(1966-), 男, 教授, 博士生导师, 2003年于天津大学信号与信息处理专业获得博士学位, 主要研究方向为智能视频图像分析与处理、滤波器理论及设计等。E-mail:jcguo@tju.edu.cn
中图法分类号: TN911.73
文献标识码: A
文章编号: 1006-8961(2017)03-0273-15
|
摘要
目的 近年来随着水下图像/视频在海洋军事、海洋环境保护和海洋工程等科研和工业领域扮演越来越重要的角色，水下图像增强和复原作为关键技术之一，越来越多地成为研究的热点和难点问题。目前有关水下图像增强和复原方法研究进展的综述论文在国内外相对较少，为使即将进入该研究领域的学者比较全面地了解该领域的研究现状，促进该领域的快速发展，本文对其系统综述。 方法 在广泛调研大量文献的基础上，按照是否基于物理模型对已有方法进行分类讨论，对其基本思想、方法特点、实验方法进行归纳和总结，其中对典型的方法进行具体介绍和分析。同时，介绍了水下图像质量的评测体系，针对典型方法的处理结果进行定性和定量的评测。进而，总结该研究领域目前存在的不足，展望未来可能的发展方向。 结果 总结了水下图像退化的原因、水下图像增强和复原所采用的主要技术和方法、水下图像质量评测体系的发展历程，给出了亟待解决的问题，展望了未来的发展方向。 结论 作为新兴的研究领域，水下图像增强和复原在工业界和学术界都具有广阔的应用前景和研究价值，但针对目前存在的一些局限性还需要进一步深入研究。
关键词
水下图像; 图像退化; 水下图像增强; 水下图像复原; 图像质量评价
Guo Jichang1, Li Chongyi1, Guo Chunle1, Chen Shanji2 Abstract
Objective In recent years, underwater image enhancement and restoration methods have become a crucial and difficult research focus because underwater images and videos play more and more important roles in the navy, marine environmental protection, and marine engineering. At present, there are relatively few available reviews or surveys on the research progress of underwater image enhancement and restoration methods. To obtain a more comprehensive understanding and promote the rapid progress of this research field, this survey systematically reviewed the research progress of underwater image enhancement and restoration methods. Methods Based on numerous references, algorithms are classified and discussed on the basis of the use of a physical model. The principles, characteristics, and experimental methods of each algorithm are summarized. This survey analyzes the aspects of representative algorithms in detail. The evaluation system of underwater image quality is introduced. The representative methods are assessed with subjective and objective evaluation methods. The existing problems and developmental trend of this research field are highlighted. Results The causes of underwater image degradation, the principles of underwater image enhancement and restoration methods, and the development of the evaluation system of underwater image quality are summarized. Moreover, the existing problems and developmental trends of this research field are discussed. Conclusion As an emerging research field, underwater image enhancement and restoration methods have potential research applications. However, the existing limitations of this research field require further research.
Key words
underwater image; image degradation; underwater image enhancement; underwater image restoration; image quality assessment
0 引言
海洋蕴藏着巨大的资源，被人类视为可以利用的“第六大洲”。在人口急剧膨胀、陆地资源日益枯竭、环境不断恶化的情况下，开发和保护海洋资源是一项影响深远、面向二十一世纪的战略选择。新形势下，我国也大力加强对海洋的战略部署。海洋信息的获取、传输和处理等理论技术对合理开发和利用海洋资源至关重要。水下图像是海洋信息的重要载体，水下图像的获取与水下成像系统密切相关。早期，水下成像系统直接将相机或监控设备进行密封处理后在水下使用。这种方法在浑浊水中拍摄图像的质量较差。基于激光器的良好单色性和方向性，激光扫描水下成像系统和距离选通成像系统逐步得到重视和应用。这类方法可以很好地克服后向散射对水下成像的影响，同时利用目标的前向散射提高成像的质量。近些年来，为获取水下世界的3维信息，条纹管水下激光3维技术和水下激光全息技术被广泛使用。
相比复杂的高成本技术，采用图像处理和计算机视觉技术来探索、开发以及保护海洋具有成本低和易操作等优点，其具体应用包括以下几个方面：1) 海洋军事方面，可以对水下可疑目标进行监视和跟踪，也可以搜索和探测海底沉船和飞机残骸；2) 海洋环境保护方面，可以监控海洋生态环境；3) 海洋工程方面，可以监控和检测海底的工程建设、深海工作站的对接以及应急逃生的过程，也可以为海底资源的探测和开发提供地形地貌图。
水下图像的质量对于上述应用具有重要的影响。图 1呈现出4类水下图像在实际应用中的例子。观察图 1发现，与陆地上拍摄的普通图像不同，复杂的水下成像环境和光照条件导致目前水下成像系统拍摄的图像往往具有对比度低、纹理模糊、颜色失真、非均匀光照、可视范围有限等质量退化问题。
退化的水下图像给实际应用和科学研究带来了极大的不便。水下图像退化的原因归纳为以下几个方面：
1) 光在水中传播呈指数衰减，导致拍摄的图像对比度较低并且具有模糊的表面。研究表明，清澈水中拍摄的图像能见度范围为20 m，而浑浊水中拍摄的图像能见度范围只有5 m。如图 2水下光学成像基础模型所示，光照呈指数衰减主要受到吸收(降低光照能量) 和散射(改变光照传播路径) 的影响，其中散射又包括前向散射(反射光随机偏离传播轨迹后被相机接收) 和后向散射(部分光照在未到达目标景物前被水或悬浮颗粒反射，随后被相机接收)；
2) 研究表明，不同波长的光在水下传播时具有不同的衰减率，这往往造成水下成像的颜色失真。如图 3所示，清澈的水中，在5 m水深处，红色光首先消失；在10 m水深处，橙色光全部消失；在20 m水深处，黄色光消失；在30 m水深处，绿色光消失；蓝色光具有最短的波长，在水中的传输距离最远。一般情况下，光的波长越短，在水中的穿透能力越强，这是水下图像往往呈现蓝绿色调的重要原因。
3) 为提高水下成像范围，人造光源常被用作辅助光源。然而，人造光源在水中传播时，同样会受到吸收和散射的影响，同时引入的非均匀光照，导致拍摄的水下图像中心处具有明亮的光斑，而四周光照不足等质量退化现象。
4) 水中溶解的有机质和微小的悬浮颗粒往往导致水下拍摄的图像具有较大的噪声，同时也放大了后向散射对水下成像的影响。
退化的水下图像难以直接应用于海洋军事、海洋环境保护和海洋工程，给实际操作和科研带来了很大的困难。随着图像处理和计算机视觉技术的发展与成熟, 使用其作为后处理技术来提高水下图像的视觉质量，使处理后的水下图像符合人类的视觉特性和机器识别的需要，逐渐受到越来越多的关注。目前，水下图像增强和复原方法有很多，大致分为非物理模型方法和基于物理模型方法。下面就现有方法以及水下图像质量评测体系进行介绍与总结。
1 非物理模型方法
非物理模型的方法不依赖水下光学成像数学模型，通过调整图像的像素值来改善其视觉质量，属于图像增强范畴。非物理模型方法又可细分为传统图像增强方法和针对水下成像特点设计的方法。
1.1 传统的图像增强方法应用于水下图像
水下图像增强和复原方法研究早期，常将传统的图像增强方法直接应用于水下图像。传统的图像增强方法种类繁多[1-3]，常被用来增强水下图像的方法归纳为两大类：空域法和变换域法。空域法是指直接对图像的像素进行处理，基本上以灰度映射变换为基础，如增加图像的对比度，改善图像灰度层级等。变换域法是运用变换技术，如傅里叶变换和小波变换等，用数字滤波方式调整图像的清晰度。下面阐述和分析常用于水下图像的传统增强方法：
1) 空域法。常被应用于水下图像的传统空域图像增强算法大致分为以下两类：(1) 对比度增强方法：直方图均衡化[4]和限制对比度直方图均衡化[5]；(2) 颜色修正方法：灰度世界假设[6]、白平衡[7]和灰度边缘假设[8]等。经典的空域图像增强算法在处理普通图像时往往取得较好的效果。然而，当这些方法应用于水下图像时，效果并不理想。研究发现：直方图均衡化算法及其演变的算法应用于水下图像时，常常会引入严重的伪影并且放大图像中的噪声；灰度世界假设和白平衡算法应用于水下图像时，当光照不足时会引起严重的颜色失真；由于水下图像具有低对比度和可视化边缘少等特点，灰度边缘假设算法的假设条件遭到破坏，当其应用于水下图像时效果也不理想。总体来说，虽然经典的空域图像增强算法会在某种程度上改善水下图像视觉质量，但仍然存在放大噪声、引入伪影、导致颜色失真等趋势。
2) 变换域法。与通过空间域也即图像位置上参数的运算来改善图像视觉质量不同，图像增强的另一个途径是在变换域处理图像。变换域法利用图像变换方法将原来的图像从空域以某种形式的映射转换到变化域中，然后利用该变化域的特有性质进行图像处理，最后再转换回空域，从而得到增强的图像。近年来，国内外学者已将小波变换用于水下图像增强[9-11]，在去除水下图像噪声方面取得了比较好的效果。但针对水下图像的低对比度、颜色偏差、模糊等综合性问题并未取得较理想的效果。分析发现，由于水下图像成像环境和光照条件的复杂性，受到光的前/后向散射、吸收和水下噪声的影响较为严重，单纯依靠变换域技术无法彻底解决水下图像退化问题。
1.2 专门针对水下成像特点设计的增强方法
随着水下图像增强和复原方法逐渐成为研究的热门问题，近些年来出现了一些专门适用于水下图像的增强算法[12]：
1) 颜色修正方法。2003年，Chambah等人[13]提出一种具有较好的非监督性和鲁棒性的水下图像颜色修正方法。实验表明该方法实际应用于水下图像分割和特征提取时，可以取得较好的效果。2005年，Torres-Mendez等人[14]使用马尔可夫随机场描述颜色失真的水下图像和对应真实图像之间的关系，从统计先验的角度恢复水下图像的真实颜色，并且从不同水下场景中获得的实验数据验证了该方法的可行性和有效性。2013年，Henke等人[15]通过分析经典彩色恒常算法应用于水下图像时遇到的问题，提出一种基于特征的彩色恒常假设算法来修正水下图像的颜色偏差。该方法基于灰度世界假设条件，首先分离水下图像的前景和背景，并采用白平衡算法仅针对前景区域进行相应处理。2014年，Kan等人[16]基于水对光谱的选择性吸收原理，提出一种颜色恢复算法。
2) 综合型方法。2006年，Bazeille等人[17]提出一个水下图像预处理框架来提高水下图像的视觉质量，其中包含一些连续的处理单元：同态滤波用来修正非均匀光照、小波去噪用来压缩噪声、各向异性滤波用来增强图像边缘、直方图均衡化用来调整颜色。2007年，Iqbal等人[18]提出一种简单有效的水下图像增强算法，该方法基于直方图滑动拉伸算法。针对水下图像颜色衰减和对比度丢失的问题，首先在RGB颜色空间滑动拉伸衰减严重的红绿色分量的直方图，之后在HSI颜色空间拉伸图像的饱和度和亮度，从而提高水下图像的对比度和颜色。2010年，Iqbal等人[19]提出一种基于颜色平衡和对比度修正的非监督水下图像增强算法。Iqbal等人提出的这两种算法[18-19]至今仍被广泛研究和使用。2010年，石丹等人[20]针对水下图像对比度低、边缘模糊和噪声大等问题，提出一种基于非下采样Con-tourlet (轮廓小波) 变换和多尺度Retinex (视网膜皮层) 的水下图像增强算法。2012年，Aysun等人[21]使用经验模态分解算法来增强水下图像的视觉质量。2012年，Ancuti等人[22]基于融合原理来提高水下图像和视频的视觉质量。该方法首先计算原始水下图像的颜色修正版本和对比度增强版本，并将这两个版本的图像作为融合分量；然后，定义4个融合权重来增强水下图像中远距离的目标；最终，将融合分量与定义的权重分量进行多尺度融合处理。实验结果表明增强的图像和视频具有较小的噪声水平、更好的暗区域曝光效果、提高的全局对比度以及增强的细节和边缘等优点。2012年，陈从平等人[23]提出一种有效的低对比度水下图像增强算法。该算法首先利用背景移除算法获得光照均匀的前景图像，然后对传统的同态滤波器进行改进，提高其高频增益并与相角结合，使得前景经过改进的同态滤波器处理后，低频成分得到很好的抑制而高频成分被有效的放大。2012年，杨淼等人[24]基于模糊形态筛和四元数来增强水下图像。该算法首先运用彩色模糊形态筛改善非均匀光照情况，然后通过环绕水体色彩的四元数几何旋转，将水下背景像素赋予灰度或低饱和度色彩，而目标像素色彩保持不变，从而扩大前景目标和背景的视觉差别。2014年，Fu等人[25]首先提出一个简单的水下图像颜色偏差修正算法；然后基于视网膜皮层理论提出一个分离直射光和反射光的可变框架；最后通过不同的增强策略增强分离的光照分量，进而增强了水下图像的对比度。2015年，Ghani等人[26]在Iqbal等人提出的水下图像增强算法[18]的基础上，对其进行修正和改进。改进方法与多种水下图像增强算法进行定性和定量比较，比较结果具有较大的优势。2015年，Ji等人[27]提出一种基于图像结构分解的水下图像增强方法。该方法在保留图像细节和结构的基础上有效地解决水下图像的非均匀光照问题。2015年，AbuNaser等人[28]采用粒子群算法增强水下图像，该算法可以减小光照的吸收和散射对水下图像的影响。2015年，Li等人[29]提出一种综合的水下图像增强方法。首先，一种简单高效的图像去雾算法用于去除水下图像表面的模糊；然后，使用颜色补偿、直方图均衡化、饱和度和光照强度拉伸算法提高水下图像的对比度、亮度、颜色以及清晰度；最后，使用双边滤波器解决水下图像的高噪声问题。
2 基于物理模型方法
基于物理模型的方法是指对水下图像的退化过程进行数学建模，通过估计模型参数，反演退化过程获得清晰的水下图像，属于图像复原范畴。2006年，Trucco等人[30]基于简化的Jaffe-McGlamery水下成像数学模型[31-32]提出一种自调的水下图像复原滤波器。该方法基于两种理想的假设条件：水下图像受到均匀光照并且只受到前向散射的影响。成像参数基于最大化全局对比度进行最优化估计，进而反演退化过程获得清晰的水下图像。实验结果表明该方法可以某种程度上降低图像受到的光照散射影响。然而，该方法的假设条件限制其实际应用。2007年，Hou等人[33]将水下光学属性与传统图像复原方法相结合，假设水下图像的模糊是由水体以及悬浮颗粒引起的光照散射所导致的。该方法通过估计光照散射参数，采用反卷积的方式复原水下图像。2010年，张赫等人[34]通过分析水下图像的退化机理，提出基于大气湍流模型的水下图像退复原方法。实验验证了该方法可以明显改善水下退化图像的清晰度，同时对复原的图像进行分割可以取得更好的分割效果。2010年，Carlevaris-Bianco等人[35]研究发现不同颜色的光照在水下传播时衰减程度不同。通过该物理属性来估计成像场景深度，进而移除光照散射对水下图像造成的影响。2012年，Chiang等人[36]采用经典的图像去雾算法结合水下光选择性衰减的特点，提出一种水下图像复原方法。该方法除了可以有效提高水下图像的清晰度和颜色保真度以外，还可以减低人造光源对水下图像造成的非均匀光照的影响。2013年，Wen等人[37]提出一种新的水下光学成像数学模型，并根据提出的模型估计散射率和背景光，通过反演推导出清晰的水下图像。2013年，Lu等人[38]使用导向双边三角滤波器和颜色修正算法解决水下图像受到的光照散射影响和颜色偏差问题。2014年，Serikawa等人[39]沿着光照传播路径进行能量补偿来解决水下图像受到的散射和颜色偏差等影响。2015年，Galdran等人[40]提出一种红信道方法来恢复水下图像丢失的对比度。该方法是经典的图像去雾模型-暗道法[41]的变形。实验结果表明该算法可以有效地处理人造光区域，提高图像颜色真实度。2015年，Zhao等人[42]发现水下图像退化与水的光学性质有关，通过水下图像的背景颜色来获得水下传播媒介的光学属性，进而反演退化过程恢复出清晰化的水下图像。2015年，Lu等人[43]提出一种新的水下成像数学模型并且采用波长补偿的方式来复原浑浊水中拍摄的图像。2016年，Li等人[44]提出了一种基于蓝绿信道去雾和红信道修正的方法来复原水下图像。首先，采用经典的暗通道先验去雾算法处理水下图像的蓝色和绿色信道；然后，根据灰度世界假设颜色修正准则来进一步复原红信道；最后，为了解决复原的水下图像表面出现的过饱和以及欠饱和问题，一种自适应的曝光算法被使用。2016年，Li等人[45]提出一种解决水下图像颜色偏差和对比度丢失的复原方法。实验结果表明提出的方法可以有效移除水下图像的颜色偏差，提高其对比度和清晰度，与此同时可以恢复出水下图像原有的自然表面。
3 典型的水下图像增强和复原方法介绍
根据图 4给出的水下图像增强和复原方法的分类，各选取2种典型的非物理模型方法和基于物理模型的方法进行详细介绍，从而进一步阐述各类方法的特点。
3.1 典型的非物理模型方法
2007年由Iqbal等人[18]提出的基于直方图滑动拉伸的水下图像增强算法是典型的非物理模型方法之一。该方法利用滑动拉伸函数，依次在RGB和HSI两个颜色空间进行亮度和颜色的均衡，以提高图像的对比度，从而达到更好的视觉效果。
1) 在RGB颜色空间进行颜色均衡。将红色(R) 和绿色(G) 两颜色通道的像素值以像素为单位通过拉伸函数进行转换，其目的是将R和G两颜色通道像素值的取值范围展宽至与蓝色(B) 通道像素值取值范围相同。基于的原理是理想图像的R、G、B这3个颜色通道具有相似的直方图分布。
2) 在HSI颜色空间拉伸图像的饱和度和亮度。采用相同的拉伸函数，对饱和度(S) 和亮度(I) 两分量的取值范围进行扩展，将S和I两通道的取值范围展宽至[0, 255]。
均衡过程中采用的拉伸函数具体表示形式为
| $ {P_o}\frac{{\left( {{P_i} - c} \right) \times \left( {b - a} \right)}}{{\left( {d - c} \right)}} + a $ | (1) |
式中，Po为输出像素值，
基于融合的水下图像增强方法，也是一类典型的非物理模型方法。2012年，Ancuti等人[22]提出的基于融合的水下图像和视频增强方法极具代表性。具体方法如下：
1) 对输入的水下图像进行预处理。首先生成颜色修正和对比度增强的两个预处理图像，其中颜色修正的图像是通过改进的灰色世界方法计算得到；对比度增强的图像则在颜色修正的基础上，依次由双边滤波器和限制对比度直方图均衡化处理后得到。预处理获得的两个版本的图像将会作为后续融合过程中的输入图像即融合分量。
2) 定义4个融合权重。定义的4个融合权重分别为拉普拉斯对比度权重WL，区域对比度权重WLC，显著性权重WS，曝光度权重WE，各权重具体表述如下：
(1) 拉普拉斯对比度权重WL。利用拉普拉斯滤波器对整幅图像进行滤波。
(2) 区域对比度权重WLC。WLC反映了图像中的每个像素同其周围区域像素平均值之间的关系。通过计算图像中的每个像素同周围像素平均值之间的标准差获得，可表示为
| $ {W_{LC}} = \left( {x,y} \right) = \left\| {{I^k}\left( {x,y} \right) - I_{{w_{hc}}}^k\left( {x,y} \right)} \right\| $ | (2) |
式中，
(3) 显著性权重WS。WS的目的是突出由于水下环境影响而失去的显著性对象。该权重通过Achanta等人[46]提出的显著性检测算法获得。
(4) 曝光度权重WE。通过曝光度权重WE来衡量像素的曝光程度。通常认为像素的亮度值越接近中间值0.5，其曝光度越好。通过引入高斯模型，该权重可表示为
| $ {W_E}\left( {x,y} \right) = \exp \left( { - \frac{{{{\left( {{I^k}\left( {x,y} \right) - 0.5} \right)}^2}}}{{2{\sigma ^2}}}} \right) $ | (3) |
式中，
| $ {{\bar W}^k} = \frac{{{W^k}}}{{\sum\limits_{k = 1}^K {{W^k}} }} $ | (4) |
式中，
3) 多尺度的图像融合。文中实验发现，线性融合方式将会对图像造成伪影和色晕。因此采用了多尺度的融合策略来完成图像融合，获得最终的增强结果。基本思想可表述为分别将权重和对应版本的输入图像分解为相同层数的高斯金字塔和拉普拉斯金字塔，在各层分别进行融合，再将各层的融合结果相加得到最终的融合图像。各层的融合结果可表示为
| $ {R^l}\left( {x,y} \right) = \sum\limits_{k = 1}^K {{G^l}\left\{ {{{\bar W}^k}\left( {X,Y} \right)} \right\}{L_l}\left\{ {{I^k}\left( {X,Y} \right)} \right\}} $ | (5) |
式中，
该方法通过多尺度融合，不仅增强了水下图像的对比度，去除了色偏，而且克服了线性融合策略易产生伪影和色晕等缺点，达到了良好的增强效果。但由于这种方法忽略了水下图像成像机理，增强的结果中易出现过度增强和过饱和区域。
3.2 典型的基于物理模型方法
2012年由Chiang等人[36]提出的基于波长补偿和去雾模型的水下图像复原方法是典型的基于模型方法之一。通过分析水下成像机理，建立成像数学建模，运用先验知识估计模型中重要参数，最后通过反演退化过程恢复出清晰的图像，具体方法如下：
1) 构建水下成像模型。研究发现，水下成像模型同大气成像模型具有相似性，两者的本质区别在于光传播介质的物理属性不同。不同于在大气中传播，光线在水中传播时，不同频率的颜色分量具有不同的衰减程度。为体现这一本质区别，文中将水下成像模型定义为
| $ {I_\lambda }\left( x \right) = {J_\lambda }\left( x \right) \cdot {t_\lambda }\left( x \right) + \left( {1 - {t_\lambda }\left( x \right)} \right) \cdot {B_\lambda } $ | (6) |
式中，λ表示光线中红绿蓝(RGB)3种频率分量，与图像中的RGB 3个颜色通道相对应，I表示水下采集的图像，J表示场景对入射光线直接反射的结果(期望获得的清晰的水下图像)，B为背景光强度。t代表透射率，同光线的传播距离相关，传播距离越远透射率越小，具体关系可表示为
| $ {t_\lambda }\left( x \right) = Nrer{\left( \lambda \right)^{d\left( x \right)}} $ | (7) |
式中，
2) 修正水下成像模型。根据水下场景的深度，通常太阳光从水面到达水下场景需要经历不同程度的衰减。而在更深的水域，则需要人造光源来辅助成像。综合考虑太阳光的衰减和人造光源对成像的影响，文中的水下成像模型进一步修正为
| $ \begin{array}{*{20}{c}} {{I_\lambda }\left( x \right) = \left( {\left( {E_\lambda ^A\left( x \right) \cdot Nrer{{\left( \lambda \right)}^{D\left( x \right)}} + } \right.} \right.}\\ {\left. {\left. {E_\lambda ^L \cdot Nrer{{\left( \lambda \right)}^{d\left( x \right)}}} \right) \cdot {\rho _\lambda }\left( x \right)} \right) \cdot Nrer{{\left( \lambda \right)}^{d\left( x \right)}} + }\\ {\left( {1 - Nrer{{\left( \lambda \right)}^{d\left( x \right)}} \cdot {B_\lambda }} \right)} \end{array} $ | (8) |
式中，D为水下场景的深度，
3) 水下图像复原。在建立的水下成像模型基础上结合先验知识估计模型的未知分量，进而反演出清晰的水下图像，具体流程如下：
(1) 利用暗通道原理和背景光估计算法获得水下场景到镜头之间的距离
(2) 通过(1) 中获得的距离
(3) 利用最小均方误差来估计人造光源，从而去除人造光源的影响；
(4) 通过(1) 中获得的距离
(5) 由背景光各颜色分量的衰减情况来估计场景所处的水深，结合标准残余能量比率Nrer(λ) 进行波长补偿，最终获得清晰的水下图像。
Chiang等人[36]提出的方法对一般场景下拍摄的水下图像复原效果较好，但对于某些特殊的水下场景则不能达到良好的复原效果。主要原因是其建立的水下成像数学模型的普适性有限，从而导致无法准确的恢复水下图像丢失的颜色和对比度。
2015年，Galdran等人[40]提出的自动红信道水下图像复原方法也是一种典型的基于物理模型方法，是图像去雾模型-暗道法[41]的一种变形。文中根据水下场景中红色光衰减最快的特点，结合图像去雾模型的基本形式构建的水下成像物理模型为
| $ \left\{ \begin{array}{l} 1 - {I^R} = t\left( {1 - {J^R}} \right) + \left( {1 - t} \right)\left( {1 - {A^R}} \right)\\ {I^G} = t{J^G} + \left( {1 - t} \right){A^G}\\ {I^B} = t{J^B} + \left( {1 - t} \right){A^B} \end{array} \right. $ | (9) |
式中，I=(IR, IG, IB) 和J=(JR, JG, JB) 分别表示退化图像和原始图像，A=(AR, AG, AB) 则代表背景光，t为透射率。结合暗通道去雾原理以及水下成像物理属性，定义“红通道”先验条件，其具体表示形式为
| $ \begin{array}{*{20}{c}} {{J^{{\rm{RED}}}}\left( x \right) = \min \left( {\mathop {\min }\limits_{y \in \Omega \left( x \right)} \left( {1 - {J^R}\left( y \right)} \right)} \right.,}\\ {\left. {\mathop {\min }\limits_{y \in \Omega \left( x \right)} \left( {{J^G}\left( y \right)} \right),\mathop {\min }\limits_{y \in \Omega \left( x \right)} \left( {{J^B}\left( y \right)} \right)} \right) \approx 0} \end{array} $ | (10) |
式中，JRED表示文中定义的“红信道”，认为“红信道”的像素值接近0值，
1) 背景光估计。计算水下原始图像I的“红信道”IRED并找到“红信道”取值最大的像素点所在的位置
| $ \begin{array}{l} A = \left( {{I^R}\left( {{x_0}} \right),{I^G}\left( {{x_0}} \right),{I^B}\left( {{x_0}} \right)} \right)\\ {I^{{\rm{RED}}}}\left( {{x_0}} \right) \ge {I^{{\rm{RED}}}}\left( x \right),\;\;\;\forall x \end{array} $ | (11) |
2) 透射率分布图估计。根据式(10) 中的“红信道先验条件”和式(11) 中估计的背景光A来估计透射率分布图t，表达式为
| $ \left\{ \begin{array}{l} {t^R}\left( x \right) = \\ \;\;\;\;1 - \min \left( {\frac{{\mathop {\min }\limits_{y \in \Omega \left( x \right)} 1 - {I^R}\left( y \right)}}{{1 - {A^R}}},\frac{{\mathop {\min }\limits_{y \in \Omega \left( x \right)} {I^G}\left( y \right)}}{{{A^G}}},\frac{{\mathop {\min }\limits_{y \in \Omega \left( x \right)} {I^B}\left( y \right)}}{{{A^B}}}} \right)\\ {t^G}\left( x \right) = {\left( {{t^R}\left( x \right)} \right)^{\lambda_G}}\\ {t^B}\left( x \right) = {\left( {{t^R}\left( x \right)} \right)^{\lambda_B}} \end{array} \right. $ | (12) |
式中，λG和λB是由光的传播介质水对不同频率的光线的传播能力决定，认为是常量。
3) 反演复原结果。根据建立的成像物理模型，结合上述步骤中估计的背景光和透射率分布图，反演得到最终复原结果，具体可表示为
| $ \left\{ \begin{array}{l} {J^R}\left( x \right) = \frac{{{I^R}\left( x \right) - {A^R}}}{{\max \left( {{t^R}\left( x \right),{t_0}} \right)}} + {A^R}\\ {J^G}\left( x \right) = \frac{{{I^G}\left( x \right) - {A^G}}}{{\max \left( {{t^G}\left( x \right),{t_0}} \right)}} + {A^G}\\ {J^B}\left( x \right) = \frac{{{I^B}\left( x \right) - {A^B}}}{{\max \left( {{t^B}\left( x \right),{t_0}} \right)}} + {A^B} \end{array} \right. $ | (13) |
式中，t0为调整复原的参量。红通道方法对经典的暗通道去雾方法进行改进，使其适应于水下环境。实验表明该方法对水下图像具有较好的复原效果。另外该方法还通过引入图像的饱和度信息来去除人造光源的影响。
目前，水下图像增强和复原方法种类如图 4所示。综合分析上述方法，不难发现虽然目前该研究领域已经取得了一些成绩，但已有方法仍然存在一些不足：
1) 非物理模型方法忽略了水下成像的光学属性，容易引入颜色偏差和伪影，增强的图像容易产生过饱和或者欠饱和区域；
2) 基于物理模型的方法，存在假设条件和先验知识局限性大，设计的水下成像数学模型不准确，模型参数估计算法复杂，人造光源产生的光斑移除效果不好，颜色修正算法效果不理想等问题；
3) 现有方法往往单纯的针对水下图像的某种退化现象进行清晰化处理，例如仅仅增强图像的对比度，或者修正其颜色偏差，再或者去除噪声的影响。这些方法的综合性、鲁棒性和准确性并不理想，在实际应用中严重受限。
4 水下图像质量评测体系及典型方法的评测结果
4.1 水下图像质量评测体系
目前，有关水下图像质量评测的文献较少，评价体系还需进一步完善。水下图像增强和复原方法的处理结果主要使用的评测方法大致分为主观评测和客观评测两类。主观评价方法主要是通过测试人员对图像观察, 对图像的质量作出主观的评价和分析；客观评价方法是通过评价算法, 利用数学手段计算得出图像的视觉质量。与普通图像质量评测方法不同，水下图像并没有同一场景拍摄的真实清晰图像作为参考。因此，只能对水下图像本身进行主观评价或者进行无参考的客观评价。
早期评测水下图像质量时，往往采用主观评价方法或者使用针对普通图像设计的客观质量评价方法[47-53]。针对普通图像设计的评价方法没有充分考虑水下成像特点，往往不能准确地给出其实际视觉质量。近几年，一些针对水下图像设计的客观质量评价方法相继被提出[54-57]。这类方法大多是通过设计测量分量或特征并以线性的方式进行组合，为测量分量或特征分配不同的权重以获得更好的评价效果。例如：Panetta等人受到人类视觉系统感知外部环境的启发，提出了一种无参考的水下图像质量评价方法(UIQM)[55]。UIQM方法针对水下图像的退化机理和光学成像特点，采用色彩测量分量UICM、清晰度测量分量UISM和对比度测量分量UIConM作为评价水下图像质量的依据。该方法与传统的无参考图像质量评价方法类似，使用图像的测量分量或特征来代表图像的视觉质量。Yang和Arcot以色度、饱和度和对比度为测量分量，通过线性的方式将测量分量组合，从而提出一种量化水下图像非均匀颜色偏差、模糊以及对比度的质量评价方法(UCIQE)[56]。虽然客观的水下图像质量评价方法可以某种程度上反映水下图像的视觉质量，但也存在明显的不足。现有水下图像质量客观评价方法存在的问题大致可以归纳为以下几个方面：
1) 由于水下图像的退化类型较多(颜色偏差、对比度降低、噪声、模糊等)，手工设计的测量分量或特征仅仅针对退化的某个或者某几个方面有效，这导致评价结果不够客观，准确性不理想，同时也限制评价方法的实际应用；
2) 现有方法或者手工分配线性组合的权重值或者通过预训练的方式来预测最优化的权重值，这导致结果易受到人类的主观因素的影响(研究人员倾向选择对自己结果有利的权重值) 或者仅仅针对预训练的数据集有效；
3) 评价结果易出现与人类视觉感知不一致的现象。
因此，为推动水下图像增强和复原研究领域的发展，无论是方法还是评价体系，都需要进一步完善和深入研究。表 1和表 2总结了已有的水下图像增强和复原方法所采用的模型特点和假设条件、实验方法和数据集以及结果的评测方法。
| 算法 | 模型特点和假设 | 实验和数据集 | 图像质量评估 |
| Chambah [13] 2003年 |
基于提出的水下彩色恒常原理，考虑人造光源的影响 | 图片采集自水族馆，测试鱼图像的分割和识别 | 主观分析 |
| Torrez- Mendez [14] 2005年 |
采用马尔可夫随场，基于能量最小化实现水下图像颜色修正，同时考虑自然光照和人造光源的影响 | 场景1：网络上收集的水下图像，通过衰减滤波器获得颜色退化的图像； 场景2：在水下机器人拍摄的视频中截取的单帧图像 |
计算真实彩色图像与使用颜色校正算法处理的人工退化颜色的仿真图像之间的图像残差 |
| Bazeille[17] 2006年 |
基于提出的自动预处理模型，考虑自然光照和人造光源的影响 | 深海场景拍摄的含有人造目标的水下图像 | 主观分析 客观指标：直方图分布同指数分布的相关程度、海底目标识别 |
| Iqbal[18] 2007年 |
基于不同颜色分量的直方图滑动拉伸算法，考虑自然光照和人造光源的影响 | 浅水拍摄的水下图像 | 主观分析 客观指标：直方图分布 |
| Ancuti[22] 2012年 |
基于多尺度融合原理，算法拓展到处理水下视频 | 网络上收集的真实水下图像和视频 | 主观分析 客观指标：应用测试(局部特点匹配、分割、图像去雾) |
| Fu[25] 2014年 |
基于视网膜皮层模型 | 浅水拍摄的水下图像、沙尘图像 | 主观分析 |
| Ghani[26] 2015年 |
基于服从瑞丽分布的综合颜色模型 | 300幅水下图像 | 主观分析 客观指标：熵、最小均方误差、峰值信噪比、处理时间 |
| Ji[27] 2015年 |
基于图像结构分解算法，考虑非均匀光照影响 | 灰度水下图像和彩色水下图像 | 主观分析 |
| AbuNaser[28] 2015年 |
基于粒子群优化算法 | 不同类型水下场景拍摄的图像 | 主观分析 客观指标：均方误差、峰值信噪比、概率密度分布、直方图分布、均值、方差、熵 |
| Li[29] 2015年 |
综合的滤波模型 | 网络上收集的水下图像 | 主观分析 客观指标：直方图分布、极坐标色度直方图分布、颜色准确性 |
| 算法 | 模型特点和假设 | 实验和数据集 | 图像质量评估 |
| Trucco[30] 2006年 |
基于自调谐的复原滤波器，只考虑前向散射的均匀光照和有限的后向散射影响 | 浅水拍摄的水下图像，一些受到后向散射影响程度较高的水下图像 | 主观分析 客观指标：测试水下人造目标分类任务的效果 |
| Hou[33] 2007年 |
假设水下图像的模糊是由水和悬浮颗粒引起的强散射造成的，通过模型估计模型参数，反卷积复原水下图像，考虑自然光照和人造光源的影响 | 在清澈和浑浊的水下环境下，早晨和中午分别拍摄的水下图像，目标与相机距离在3.77.1 m之间 | 主观分析 客观指标：加权的灰度角 |
| Carlevaris-Bianco[35] 2010年 |
基于水下颜色衰减的先验知识 | 网上收集的水下图像 | 主观分析 |
| Chiang[36] 2012年 |
基于波长补偿和去雾算法的水下图像清晰化系统框架，考虑自然光照和人造光源的影响 | 潜水爱好者拍摄的水下视频中截取的单幅水下图像以及水下拍摄的颜色检测板图像 | 主观分析 客观指标：不同深度水深拍摄的颜色检测板与真实颜色板之间的峰值信噪比、图像分割表现 |
| Wen[37] 2013年 |
基于简化的水下光学成像数学模型，反演水下图像退化过程 | 网络上收集的水下图像 | 主观分析 |
| Serikawa[38] 2014年 |
基于改进的水下光学成像数学模型，沿着光束传播方向进行能量补充，同时提出一种联合三角滤波器快速去雾算法 | 网络上收集的水下图像(清晰的水和浑浊的水下拍摄的) | 主观分析 客观指标：HDR-VDP[47]、JPEG-QI[48]、SSIM[50]、峰值信噪比、运算时间 |
| Galdran[40] 2015年 |
基于改进的暗通道去雾算法，考虑自然光照和人造光源的影响 | 网络上收集的不同水下场景和光照条件拍摄的图像 | 主观分析 客观指标：VER[52]、颜色修正准确性测量 |
| Lu[43] 2015年 |
基于提出的水下光学成像数学模型，沿着光束传播方向进行能量补偿，并提出基于水下光谱衰减特点的颜色修正算法 | 网络上收集的15幅水下图像和实验室水槽下不同浑浊程度的水中拍摄的15幅水下图像 | 主观分析 客观指标：SSIM[50]、CRN[51]、峰值信噪比 |
4.2 典型的水下图像增强和复原方法评测结果
本节将展示几种典型的水下图像增强和复原方法的结果, 并采用主观和客观的评价方法对其进行质量评测，进而对已有方法的优缺点进行具体分析。
根据上述水下图像增强和复原方法分类情况，选取的比较方法包括：传统的图像增强方法--直方图均衡化(HE)[4]；水下图像增强方法--基于融合的水下图像增强算法(Fusion-based)[22]和基于视网膜皮层的水下图像增强算法(Retinex-based)[25]；水下图像复原方法--基于图像去雾和波长补偿的方法(WCID)[36]、基于改进的图像去雾算法(Initial-method[35]、Joint trilateral filter-based[39]、Red-Channel[40])。使用的客观质量评价方法包括：经典的普通图像的质量评价方法--可视化边角比率(VER)[52]和局域块的对比度质量索引(PCQI)[53]；针对水下图像设计的质量评价方法--水下彩色图像质量评价方法(UCIQE)[56]。VER表示恢复的可视化边角与原始图像中的可视边角的比率；PCQI代表图像的对比度改变情况；UCIQE表示图像的色度、饱和度、对比度的综合指标。这3种客观的质量
评价方法都是数值越大代表图像质量越好。选用4幅退化的水下图像做为测试图像，从左到右依次为“珊瑚”、“潜水者”、“鱼”、“沉船”。
4.2.1 主观评测
本节使用上述的4幅测试图像，对典型的水下图像增强和复原方法进行主观评测，处理结果如图 5所示。
如图 5(b)所示，传统的图像增强方法HE可以提高水下图像的对比度，但由于放大噪声而引入了块状伪影。如图 5(c)(d)所示，专门针对水下成像特点设计的方法Retinex-based和Fusion-based在提高水下图像的对比度、揭示图像细节的同时，引入较少的伪影。然而，这类方法没有充分考虑水下成像数学模型，因此增强结果中出现过度增强和欠饱和区域。例如，图 5(c)中的珊瑚图像的增强结果，增强图像中珊瑚部分被过度增强，甚至引入了颜色偏差。综合比较图 5(e)-(h)，基于物理模型的方法中，Red-Channel方法可以获得最好的处理结果，其结果具有提高的对比度、较真实的颜色以及清晰的表面。相比之下，WCID、Initial-method、Joint trilateral filter-based方法可以某种程度上提高水下图像的视觉质量，但处理效果不够理想。虽然这3种方法在处理其原文中的测试图像时都可以取得较好的效果，但在本文所选的测试图像上并未取得令人满意的处理效果。由此可见，基于物理模型方法的处理结果与选取的测试图像有直接关系，即与建立的水下成像数学模型有关。目前复原方法所建立的水下成像模型过于理想化，导致这类方法鲁棒性和自适应能力不足。
此外，本文还邀请了5位观察者(大多数观察者具有图像处理相关研究背景)，凭借人类的视觉感知能力为该上述增强和复原结果依次打分。分数从0.1到1以0.1为步长分为10个等级，分数越高代表该幅图像越符合人类视觉感知，具有越好的视觉质量。表 3给出图 5处理结果的主观视觉质量平均分数。该主观质量分数将在下面的客观评测结果中对比分析。
4.2.2 客观评测
针对图 5中典型方法的处理结果，采用PCQI、VER、UCIQE 3种客观的图像质量评价方法进行评测。表 4给出图 5中每种典型方法处理结果客观质量的平均值。
表 4
基于PCQI、VER和UCIQE客观评价方法的平均值
Table 4
Average values based on the objective evaluation methods of the PCQI, VER, and UCIQE
| 清晰化方法 | PCQI | VER | UCIQE |
| HE[4] | 1.210 1 | 4.778 3 | 0.442 9 |
| Retinex-based[25] | 1.014 7 | 4.521 9 | 0.501 0 |
| Fusion-based[22] | 0.801 3 | 3.122 4 | 0.576 1 |
| WCID[36] | 0.341 9 | -0.490 1 | 0.419 1 |
| Red-channel[39] | 0.408 0 | 2.223 4 | 0.687 2 |
| Initial-method[35] | 0.424 9 | -0.360 4 | 0.426 1 |
| Joint trilateral filter-based[40] | 0.450 8 | 0.037 7 | 0.417 3 |
分析表 4发现，HE方法增强的结果可以获得最好的PCQI和VER评测结果，数据上说明HE方法可以很大程度上增强水下图像的对比度和可视化边角。然而，如图 5(b)所示，HE方法增强的结果具有严重的伪影现象，并没有很大程度上提高图像内容的对比度和可视化边角。进一步分析发现，HE方法放大了图像中的噪声，放大的噪声被误认为结果图像中提高的对比度和可视化边角。此外，与表 3中HE方法结果较低的主观质量分数相比，说明人类视觉感知对图像的伪影较敏感。因此适用于普通图像质量评测的方法有时并不能很好地适应于水下图像的质量评测。Red-channel方法获得了最好的UCIQE评测结果，说明这种方法复原的水下图像在色调、饱和度、对比度之间具有最好的平衡。如图 5(f)所示，Red-channel方法的结果具有最自然的表面、较真实色彩以及提高的对比度，与UCIQE的评测结果和表 3中人类主观视觉感知的结果相符。上述结果说明，专门针对水下图像特点设计的客观评测方法对水下图像的质量评价具有较好的效果，同时符合人类的主观感知。此外，水下图像增强方法Retinex-based和Fusion-based具有较好的对比度和可视化边角提高，这符合这类方法的设计原理，尽可能大的提高图像的对比度。但这类方法的UCIQE结果并不高，因为没有很好的平衡色调、饱和度和对比度之间的关系。但这两种方法的结果在表 3的主观视觉评测中具有较高的分数，这说明人类视觉感知尽管对严重伪影较敏感，但对饱和度、颜色、对比度之间的平衡没有那么敏感。WCID、Initial-method、Joint trilateral filter-based方法的客观评测结果与图 5(e)-(h)的主观评测结果和对应的表 3中的主观评测分数相似，处理效果并不理想。
5 结语
本文阐述了国内外水下图像增强和复原方法的研究现状，指出水下图像退化的原因，对现有方法进行了分类讨论，并分析了其优缺点。同时，介绍了现阶段水下图像质量评测体系，指出评测体系存在的问题。最后，采用主观和客观评测方法对典型的方法进行评测，分析并总结了现有方法的特点和性能，进一步揭示该研究领域存在的不足。在水下图像增强和复原领域以后的研究工作中，研究人员应该重点在以下几个方面进行研究和改进：
1) 提高方法的鲁棒性和自适应能力。现有方法的鲁棒性和自适应能力不足，无法满足实际应用的需求。理想的方法应该能够针对不同的水下应用场景和不同类型的退化图像做出自适应的调整，不受到应用场景和外界条件的限制，具有较好的鲁棒性。
2) 方法的复杂度和结果的质量有待提高。为满足实际环境的应用，往往需要方法具有实时性，但现有方法大多需要较长的处理时间，这方面有待提高。此外，现有方法的结果还存在颜色偏差和细节模糊等问题，需要进一步提高。
3) 水下图像质量评测体系的建立。目前没有公开的水下图像数据集，并且评测体系还不完善。这限制了该研究领域的进一步发展和实际应用中对增强和复原方法的选取。
4) 水下图像增强和复原到水下视频的拓展。目前的研究大多集中在单幅水下图像，对水下视频不够重视，而实际应用中水下视频具有更大的作用。如何解决水下视频的处理效率、帧间一致性等问题亟待解决。
参考文献
-
[1] Jung S W. Enhancement of image and depth map using adaptive joint trilateral filter[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2013, 23(2): 258–269. [DOI:10.1109/TCSVT.2012.2203734]
-
[2] Wang S H, Zheng J, Hu H M, et al. Naturalness preserved enhancement algorithm for non-uniform illumination images[J]. IEEE Transactions on Image Processing, 2013, 22(9): 3538–3548. [DOI:10.1109/TIP.2013.2261309]
-
[3] Gu K, Zhai G T, Yang X K, et al. Automatic contrast enhancement technology with saliency preservation[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2015, 25(9): 1480–1494. [DOI:10.1109/TCSVT.2014.2372392]
-
[4] Hummel R. Image enhancement by histogram transformation[J]. Computer Graphics and Image Processing, 1977, 6(2): 184–195. [DOI:10.1016/S0146-664X(77)80011-7]
-
[5] Zuiderveld K. Contrast limited adaptive histogram equalization[M]//Heckbert P S. Graphics Gems IV. San Diego, CA, USA:Academic Press Professional, Inc., 1994:474-485.
-
[6] Ebner M. Color Constancy[M]. New York: John Wiley & Sons, 2007.
-
[7] Liu Y C, Chan W H, Chen Y Q. Automatic white balance for digital still camera[J]. IEEE Transactions on Consumer Electronics, 1995, 41(3): 460–466. [DOI:10.1109/30.468045]
-
[8] Van de Weijer J, Gevers T, Gijsenij A. Edge-based color constancy[J]. IEEE Transactions on Image Processing, 2007, 16(9): 2207–2214. [DOI:10.1109/TIP.2007.901808]
-
[9] Lan G N, Li J, Ji F. Underwater image backscatter noise reduction based on wavelets[J]. Ocean Technology, 2010, 29(2): 43–47. [蓝国宁, 李建, 籍芳. 基于小波的水下图像后向散射噪声去除[J]. 海洋技术, 2010, 29(2): 43–47. DOI:10.3969/j.issn.1003-2029.2010.02.011]
-
[10] Liu H L. Study to threshold function de-noising of image based on underwater image wavelet transform[D]. Qingdao:Ocean University of China, 2012. [刘红莉.基于小波变换的水下图像阈值去噪方法的研究[D].青岛:中国海洋大学, 2012. [DOI:10.7666/d.y2212267]]
-
[11] Singh G, Jaggi N, Vasamsetti S, et al. Underwater image/video enhancement using wavelet based color correction (WBCC) method[C]//Proceedings of 2015 IEEE Underwater Technology. Chennai:IEEE, 2015:1-5.[DOI:10.1109/UT.2015.7108303]
-
[12] Schettini R, Corchs S. Underwater image processing:state of the art of restoration and image enhancement methods[J]. EURASIP Journal on Advances in Signal Processing, 2010, 2010(1): #746052. [DOI:10.1155/2010/746052]
-
[13] Chambah M, Semani D, Renouf A, et al. Underwater color constancy:enhancement of automatic live fish recognition[C]//Proceedings of the SPIE 5293, Color Imaging IX:Processing, Hardcopy, and Applications. San Jose, CA:SPIE, 2004:#157.[DOI:10.1117/12.524540]
-
[14] Torres-Méndez L A, Dudek G. Color correction of underwater images for aquatic robot inspection[C]//Proceedings of the 5th International Conference on Energy Minimization Methods in Computer Vision and Pattern Recognition. Berlin Heidelberg, Germany:Springer, 2005:60-73.[DOI:10.1007/11585978_5]
-
[15] Henke B, Vahl M, Zhou Z L. Removing color cast of underwater images through non-constant color constancy hypothesis[C]//8th International Symposium on Image and Signal Processing and Analysis. Trieste:IEEE, 2013:20-24.[DOI:10.1109/ISPA.2013.6703708]
-
[16] Kan L Y, Yu J, Yang Y, et al. Color correction of underwater images using spectral data[C]//Proceedings of the SPIE 9273, Optoelectronic Imaging and Multimedia Technology Ⅲ. Beijing, China:SPIE, 2014:#92730G.[DOI:10.1117/12.2071031]
-
[17] Bazeille S, Quidu I, Jaulin L, et al. Automatic underwater image pre-processing[C]//Proceedings of the Caracterisation du Milieu Marin. Brest, France:HAL, 2006.
-
[18] Iqbal K, Salam R A, Osman A, et al. Underwater image enhancement using an integrated colour model[J]. IAENG International Journal of Computer Science, 2007, 34(2): 239–244. [DOI:10.1016/S0031-3203(01)00040-1]
-
[19] Iqbal K, Odetayo M, James A, et al. Enhancing the low quality images using unsupervised colour correction method[C]//Proceedings of 2010 IEEE International Conference on Systems Man and Cybernetics. Istanbul:IEEE, 2010:1703-1709.[DOI:10.1109/ICSMC.2010.5642311]
-
[20] Shi D, Li Q W, Fan X N, et al. Underwater image enhancement algorithm based on Contourlet transform and multi-scale Retinex[J]. Laser & Optoelectronics Progress, 2010, 47(4): #041001. [石丹, 李庆武, 范新南, 等. 基于Contourlet变换和多尺度Rentinex的水下图像增强算法[J]. 激光与光电学进展, 2010, 47(4): #041001. DOI:10.3788/lop47.041001]
-
[21] [ÇelebiA, ErtürkS. Visual enhancement of underwater images using Empirical Mode Decomposition[J]. Expert Systems with Applications, 2012, 39(1): 800–805. DOI:10.1016/j.eswa.2011.07.077]
-
[22] Ancuti C, Ancuti C O, Haber T, et al. Enhancing underwater images and videos by fusion[C]//Proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI:IEEE, 2012:81-88.[DOI:10.1109/CVPR.2012.6247661]
-
[23] Chen C P, Wang J, Zou L, et al. Effective enhancement algorithm for low contrast underwater images[J]. Laser & Infrared, 2012, 42(5): 567–571. [陈从平, 王健, 邹雷, 等. 一种有效的低对比度水下图像增强算法[J]. 激光与红外, 2012, 42(5): 567–571. DOI:10.3969/j.issn.1001-5078.2012.05.020]
-
[24] Yang M, Ji Z C. Underwater color image enhancement based on quaternion and fuzzy morphological sieves[J]. Chinese Journal of Scientific Instrument, 2012, 33(7): 1601–1605. [杨淼, 纪志成. 基于模糊形态筛和四元数的水下彩色图像增强[J]. 仪器仪表学报, 2012, 33(7): 1601–1605. DOI:10.3969/j.issn.0254-3087.2012.07.023]
-
[25] Fu X Y, Zhuang P X, Huang Y, et al. A retinex-based enhancing approach for single underwater image[C]//Proceeding of 2014 IEEE International Conference on Image Processing. Paris:IEEE, 2014:4572-4576.[DOI:10.1109/ICIP.2014.7025927]
-
[26] Ghani A S A, Isa N A M. Underwater image quality enhancement through integrated color model with Rayleigh distribution[J]. Applied Soft Computing, 2015, 27: 219–230. [DOI:10.1016/j.asoc.2014.11.020]
-
[27] Ji T T, Wang G Y. An approach to underwater image enhancement based on image structural decomposition[J]. Journal of Ocean University of China, 2015, 14(2): 255–260. [DOI:10.1007/s11802-015-2426-2]
-
[28] AbuNaser A, Doush I A, Mansour N, et al. Underwater image enhancement using particle swarm optimization[J]. Journal of Intelligent Systems, 2015, 24(1): 99–115. [DOI:10.1515/jisys-2014-0012]
-
[29] Li C Y, Guo J C. Underwater image enhancement by dehazing and color correction[J]. Journal of Electronic Imaging, 2015, 24(3): #033023. [DOI:10.1117/1.JEI.24.3.033023]
-
[30] Trucco E, Olmos-Antillon T. Self-tuning underwater image restoration[J]. IEEE Journal of Oceanic Engineering, 2006, 31(2): 511–519. [DOI:10.1109/JOE.2004.836395]
-
[31] McGlamery B L. A computer model for underwater camera systems[C]//Proceedings of the SPIE 0208, Ocean Optics VI. Monterey:SPIE, 1980:#221.[DOI:10.1117/12.958279]
-
[32] Jaffe J S. Computer modeling and the design of optimal underwater imaging systems[J]. IEEE Journal of Oceanic Engineering, 1990, 15(2): 101–111. [DOI:10.1109/48.50695]
-
[33] Hou W L, Gray D J, Weidemann A D, et al. Automated underwater image restoration and retrieval of related optical properties[C]//2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona:IEEE, 2007:1889-1892.[DOI:10.1109/IGARSS.2007.4423193]
-
[34] Zhang H, Xu Y R, Wan L, et al. Processing method for underwater degenerative image[J]. Journal of Tianjin University, 2010, 43(9): 827–833. [张赫, 徐玉如, 万磊, 等. 水下退化图像处理方法[J]. 天津大学学报, 2010, 43(9): 827–833. DOI:10.3969/j.issn.0493-2137.2010.09.012]
-
[35] Carlevaris-Bianco N, Mohan A, Eustice R M. Initial results in underwater single image dehazing[C]//Proceedings of 2010 IEEE Conference on OCEANS. Seattle, WA:IEEE, 2010:1-8.[DOI:10.1109/OCEANS.2010.5664428]
-
[36] Chiang J Y, Chen Y C. Underwater image enhancement by wavelength compensation and dehazing[J]. IEEE Transactions on Image Processing, 2012, 21(4): 1756–1769. [DOI:10.1109/TIP.2011.2179666]
-
[37] Wen H C, Tian Y H, Huang T J, et al. Single underwater image enhancement with a new optical model[C]//2013 IEEE International Symposium on Circuits and Systems. Beijing, China:IEEE, 2013:753-756.[DOI:10.1109/ISCAS.2013.6571956]
-
[38] Lu H M, Li Y J, Serikawa S. Underwater image enhancement using guided trigonometric bilateral filter and fast automatic color correction[C]//Proceedings of the 20th IEEE International Conference on Image Processing. Melbourne, VIC:IEEE, 2013:3412-3416.[DOI:10.1109/ICIP.2013.6738704]
-
[39] Serikawa S, Lu H M. Underwater image dehazing using joint trilateral filter[J]. Computers & Electrical Engineering, 2014, 40(1): 41–50. [DOI:10.1016/j.compeleceng.2013.10.016]
-
[40] Galdran A, Pardo D, Picón A, et al. Automatic Red-Channel underwater image restoration[J]. Journal of Visual Communication and Image Representation, 2015, 26: 132–145. [DOI:10.1016/j.jvcir.2014.11.006]
-
[41] He K M, Sun J, Tang X O. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(12): 2341–2353. [DOI:10.1109/TPAMI.2010.168]
-
[42] Zhao X W, Jin T, Qu S. Deriving inherent optical properties from background color and underwater image enhancement[J]. Ocean Engineering, 2015, 94: 163–172. [DOI:10.1016/j.oceaneng.2014.11.036]
-
[43] Lu H M, Li Y J, Zhang L F, et al. Contrast enhancement for images in turbid water[J]. Journal of the Optical Society of America A, 2015, 32(5): 886–893. [DOI:10.1364/JOSAA.32.000886]
-
[44] Li C Y, Guo J C, Pang Y W, et al. Single underwater image restoration by blue-green channels dehazing and red channel correction[C]//Proceedings of 2016 IEEE International Conference on Acoustics, Speech and Signal Processing. Shanghai, China:IEEE, 2016:1731-1735.[DOI:10.1109/ICASSP.2016.7471973]
-
[45] Li C Y, Guo J C, Wang B, et al. Single underwater image enhancement based on color cast removal and visibility restoration[J]. Journal of Electronic Imaging, 2016, 25(3): #033012. [DOI:10.1117/1.JEI.25.3.033012]
-
[46] Achanta R, Hemami S, Estrada F, et al. Frequency-tuned salient region detection[C]//Proceedings of 2009 IEEE Conference on Computer Vision and Pattern Recognition. Miami, FL:IEEE, 2009:1597-1604.[DOI:10.1109/CVPR.2009.5206596]
-
[47] Mantiuk R, Kim K J, Rempel A G, et al. HDR-VDP-2:a calibrated visual metric for visibility and quality predictions in all luminance conditions[J]. ACM Transactions on Graphics, 2011, 30(4): #40. [DOI:10.1145/2010324.1964935]
-
[48] Wang Z, Sheikh H R, Bovik A C. No-reference perceptual quality assessment of JPEG compressed images[C]//Proceedings of 2002 IEEE International Conference on Image Processing. Rochester, NewYork, USA:IEEE, 2002, 1:I-477-I-480.[DOI:10.1109/ICIP.2002.1038064]
-
[49] Wang Z, Bovik A C. A universal image quality index[J]. IEEE Signal Processing Letters, 2002, 9(3): 81–84. [DOI:10.1109/97.995823]
-
[50] Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment:from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600–612. [DOI:10.1109/TIP.2003.819861]
-
[51] Yao S S, Lin W S, Ong E, et al. Contrast signal-to-noise ratio for image quality assessment[C]//Proceedings of 2005 IEEE International Conference on Image Processing. Genova:IEEE, 2005:397-400.[DOI:10.1109/ICIP.2005.1529771]
-
[52] Hautière N, Tarel J P, Aubert D, et al. Blind contrast enhancement assessment by gradient ratioing at visible edges[J]. Image Analysis & Stereology, 2008, 27(2): 87–95. [DOI:10.5566/ias.v27.p87-95]
-
[53] Wang S Q, Ma K D, Yeganeh H, et al. A patch-structure representation method for quality assessment of contrast changed images[J]. IEEE Signal Processing Letters, 2015, 22(12): 2387–2390. [DOI:10.1109/LSP.2015.2487369]
-
[54] Yang M, Sowmya A. New image quality evaluation metric for underwater video[J]. IEEE Signal Processing Letters, 2014, 21(10): 1215–1219. [DOI:10.1109/LSP.2014.2330848]
-
[55] Panetta K, Gao C, Agaian S. Human-visual-system-inspired underwater image quality measures[J]. IEEE Journal of Oceanic Engineering, 2016, 41(3): 541–551. [DOI:10.1109/JOE.2015.2469915]
-
[56] Yang M, Sowmya A. An underwater color image quality evaluation metric[J]. IEEE Transactions on Image Processing, 2015, 24(12): 6062–6071. [DOI:10.1109/TIP.2015.2491020]
-
[57] Li Z Y, Gu Z R, Zheng H Y, et al. Underwater image sharpness assessment based on selective attenuation of color in the water[C]//Proceedings of 2016 IEEE International Conference on OCEANS. Shanghai, China:IEEE, 2016:1-4.[DOI:10.1109/OCEANSAP.2016.7485695]
