結合色彩補償與雙背景光融合的水下圖像復原

林 森，查子月

（沈陽理工大學 自動化與電氣工程學院，遼寧 沈陽 110159）

1 引言

隨著人類對海洋資源的重視和開發，水下圖像作為海洋信息的重要表達形式，在水下機器人、海洋工程及生態監測等領域發揮著關鍵作用［1］。然而，受水中介質的散射吸收以及光的衰減特性影響，水下圖像普遍存在顏色失真、細節模糊、對比度低等退化問題［2-4］。因此，圖像質量的提高及可視化清晰效果的實現既具現實意義又具挑戰性。

近年來，針對圖像退化問題提出的水下圖像清晰化方法大致可分為三類：基于非物理模型的圖像增強、基于物理模型的圖像復原和深度學習［5-6］。直方圖均衡化［7］、灰度世界［8］、小波變換［9］和基于融合等圖像增強方法通過直接或間接調整圖像的像素值［10］，實現視覺效果提升。Ancuti等［11］以相關權重融合退化圖像的顏色補償和白平衡兩種版本，增強色彩及邊緣信息。Zhang等［12］提出最小顏色損失和局部自適應對比度增強算法（Minimal Color Loss and Locally Adaptive Contrast Enhancement，MLLE），校正色偏的同時提高圖像對比度。此類方法在圖像對比度和亮度增強方面取得了良好的效果，但未考慮水下光學成像特性，易引入顏色偏差和偽影，導致圖像存在過飽和或欠飽和區域。

圖像復原方法根據水下圖像退化過程建立成像模型，利用先驗知識求解參數，反演獲得清晰的圖像［13］。Drews 等［14］通過驗證水下圖像藍綠色通道包含主要的視覺信息及He 等［15］所提的暗通道先驗算法（Dark Channel Prior，DCP）應用于藍綠色通道有效這兩種假設，提出水下暗通道先驗算法（Underwater Dark Channel Prior，UDCP）。Peng 等［16］提出泛化型暗通道先驗算法（General Dark Channel Prior，GDCP），分析水下圖像深度相關的顏色變化估計環境光，利用場景環境光差計算透射率，結合自適應色彩校正成像模型復原圖像。Wang 等［17］提出雙透射率水下成像模型結合紅色暗通道先驗算法（Double Transmission of Red Dark Channel Prior，DRDCP），估計后向散射分量透射率及背景光，利用無退化像素點求得直接分量的透射率。此類方法基于傳統的簡化大氣散射模型分析及改進現有先驗假設信息，具備一定的圖像改善能力，但應用于復雜的水下場景中，穩定性較差，影響恢復效果。

深度學習是一種基于數據集訓練的方法，通過學習真實圖像和退化圖像之間的非線性關系，實現對退化圖像的復原和增強。Islam 等［18］提出快速水下增強網絡（Fast Underwater Image Enhancement Generative Adversarial Networks，FUnIE-GAN），通過在生成網絡中加入殘差連接實現圖像細節清晰化。Naik 等［19］提出淺層神經網絡結構，簡化網絡參數，恢復圖像的同時減少對硬件設備資源占用。Chen 等［20］提出內容與風格分離的水下圖像自適應增強框架（Underwater Image Enhancement via Content and Style Separation，Uiess），將編碼特征分離為內容和潛在風格，區分不同領域潛在風格并進行領域自適應和圖像增強。此類方法雖具有較好的清晰化效果，但高質量訓練數據集的不足限制了其有效性和穩定性。

為了解決復雜成像過程中顏色失真、細節模糊等多種問題，本文提出一種結合色彩補償與雙背景光融合的水下圖像復原方法，基于Retinex 理論與白平衡算法將色彩補償分量引入成像模型中，補償水下衰減過快的顏色通道，獲得接近霧天退化的圖像；根據水體對光的吸收特性及背景光的高亮-平坦特點，采用低通-UDCP 算法及四叉樹分級搜索方法分別確定兩個候選背景光，進行加權融合以精確求解全局背景光，避免白色高亮物體的干擾；分析水體背景顏色與散射系數的關系，采用引導濾波及高斯高通濾波優化透射率，去除后向散射光，增強紋理細節信息。

2 水下成像模型及相關原理

光在大氣和水中的傳播過程具有一定相似性，因此，水下圖像清晰化算法大多采用簡化的大氣散射模型［21］。該模型主要由兩個部分組成：經過介質吸收衰減后被成像設備接收的物體反射光，即直接衰減部分；以及未經物體反射，被介質散射后傳入成像設備的環境光，即后向散射部分。其表達式為：

式中：c∈{R，G，B}為三個顏色通道中的任一通道，x為像素點坐標，I為原始退化圖像，J為恢復后的清晰圖像，B為水體背景光，t為介質透射率。水中光衰減遵循Lambert-Beer 定律，與傳輸距離d(x)和衰減系數βc呈指數關系，表達式為：

基于DCP 算法進行水下圖像復原時，認為無霧圖像大部分像素點在其鄰域內至少存在一個顏色通道具有極低的像素值，將它近似為零，其表達式為：

對式（1）兩邊進行最小值濾波并同除以Bc，表達式為：

將式（3）帶入式（4）得到透射率tc(x)的表達式為：

根據式（5）及所估計的背景光，逆求解式（1）可得復原圖像，表達式為：

式中引入臨界值t0，避免分母為零而導致公式無解。

3 結合色彩補償與雙背景光融合的水下圖像復原

水中傳播的可見光在不同波長下的衰減率不同，傳統模型中的吸收衰減部分未考慮波長相關分量，會影響水下圖像復原算法的穩定性。為了克服模型的局限性，現有算法通常會進行顏色校正處理，可能導致圖像出現顏色偏差或偽影。因此，本文根據水下光學成像特性，考慮水體背景顏色的影響，在成像模型中引入色彩補償分量達到顏色校正效果；采用兩種方法求解并融合背景光，避免高亮白色物體的影響；不依賴水體環境系數，根據水體背景顏色與散射系數的關系自適應求解透射率。

本文算法流程如圖1 所示，首先，采用四叉樹分級搜索算法估計水體背景顏色，并利用白平衡算法求取色彩補償分量，校正各顏色通道，使其接近霧天退化圖像；其次，結合低通濾波及UDCP 先驗估計背景光一，基于四叉樹分級搜索估計背景光二，線性加權融合兩個背景光得到最終背景光；然后基于DCP 獲取初始透射圖，根據水體背景顏色與散射系數的關系優化，使用引導濾波及高斯高通濾波增強優化各通道的透射率；最后得到復原圖像。

圖1 結合色彩補償與雙背景光融合的水下復原算法流程Fig.1 Flow chart of underwater restoration algorithm combining color compensation and dual background light fusion

3.1 基于色彩補償分量的改進水下成像模型

水下圖像通常受到水體和懸浮顆粒對光的吸收和散射的影響，產生色偏和霧化現象，將它類比為被有色光源照射及濃霧覆蓋的大氣圖像，其中有色光源相當于水體背景顏色。在不考慮圖像霧化現象的前提下，分析光的衰減作用，引入色彩補償分量解決色偏現象。

根據Retinex 模型［22］，水下圖像可以表示為物體反射分量與照射分量的乘積，即：

式中：Lc為表面照射光，即水體背景顏色，Rc(x)為物體反射屬性。

根據顏色恒常性理論［23］，物體真實顏色取決于反射屬性，而與表面照射光強度無關。為準確獲取物體的真實顏色，成像過程中需降低照射分量的影響；而由于紅色光在水中衰減過快，水體背景顏色的紅色分量過低。為解決此問題，基于灰度世界的白平衡假設，未發生退化的彩色圖像在R，G，B 三顏色通道具有相同的灰度平均值，故各顏色通道補償值與亮暗兩通道背景顏色值之差成正比，色彩補償分量表達式為：

此外，采用最小-最大歸一化將結果圖像亮度映射在顯示區間[0，1]或[0，255]中，具有顏色校正效果?？紤]后向散射引起的模糊，將式（10）中色彩補償后的圖像Rc(x)作為式（1）中傳統Jaffe-McGlamery 模型［24］的輸入Ic(x)，進一步解決水下圖像的霧化問題。引入色彩補償分量后，改進的水下成像模型表達式為：

根據水體背景顏色區域色偏最嚴重且局部亮度變化緩慢的特性，可知該區域色偏最大的顏色通道均值較大且三通道像素的標準差較小?；谒牟鏄浞旨壦阉鞣椒ǎ?5］，搜索均值較大且標準差較小的圖像區域，將目標區域內與純白像素點歐氏距離最小的點的像素值作為水體背景顏色值，保證估計的背景顏色盡可能明亮。具體表達式為：

式中：Vn（n=1，2，3，4）為圖像等分的4 個矩形區域，N為各區域像素點數量，(x)為n區域c通道x處的像素值為n區域c通道的平均像素值。如圖2 所示，利用四叉樹分級求解水體背景顏色，引入相應的色彩補償分量。相較于UDCP方法，圖像清晰度明顯提高且水體背景顏色更為自然。

圖2 色彩補償前后及不同算法估計背景顏色的效果對比Fig.2 Comparison of effects of estimating background color before and after color compensation using different algorithms

3.2 雙背景光融合估計

背景光估計的準確性在水下圖像復原中起著關鍵作用，直接決定了亮度和色調，對提升圖像質量和視覺效果至關重要。常見的估計方法有：基于DCP 算法選取圖像中最亮的0.1%所在位置的像素點均值；采用四叉樹分級搜索；基于最大強度先驗選取紅色暗通道與藍綠色最大暗通道差值最大處對應的像素值?；诂F有方法，根據背景光亮度衰減及顏色偏移特性提出兩種改進的估計方案，并采用加權融合方法準確估計背景光。

為降低白色物體的影響，先通過低通濾波獲取水體背景光相關的低頻分量；再基于UDCP 選取圖像最亮的某一百分比所在位置的像素均值，不同百分比的像素點計算出的背景光不同。較小的百分比更關注于最明亮的區域，但可能會對整體背景光的估計產生一定的偏差；而較大的百分比更全面地考慮圖像中較亮的區域，但可能會將一些較亮的物體或區域納入背景光的估計范圍，導致估計值偏高。根據實驗，取前0.1%的像素點計算背景光更精確，并避免光在水中的吸收衰減（紅色通道衰減最快）導致圖像的過度補償。第一種候選背景光表達式為：

式中：G[]為高斯低通濾波器，利用卷積核計算中心像素及其鄰域像素的平均值，達到平滑濾波的目的，b0.1%為滿足要求的像素集。為防止獲取的暗通道圖出現塊效應，采用引導濾波進一步細化。

基于背景光的平坦性，采用四叉樹分級搜索估計背景光，將圖像等分為4 個矩形區域，選擇像素均值與標準差最大的區域作為候選區域；再對候選區域進行同樣的分割和判斷，直至候選區域的差值滿足預定閾值。第二種候選背景光表達式為：

式中bf為滿足閾值條件的候選區域內的像素集。

基于低通濾波-UDCP 先驗估計方法，雖考慮到光的衰減特性，但存在人造光源時導致估計錯誤；基于四叉樹分級搜索方法雖考慮到背景光的平坦性，但未考慮光的衰減，可能導致估計不準確。因此，設計類似Sigmoid 的融合函數S(σ，δ)準確求解背景光，其表達式為：

式中：σ為復原前圖像中強度高于0.5 的像素占比。δ為偏移量，當偏移量過大時，估計結果偏向于較大的背景光值，可能無法準確地估計低背景光的情況；當偏移量過小時，估計結果偏向于中間值，而無法捕捉到較大或較小背景光值的變化。m為斜率，當斜率過大時，估計時對噪聲和細微變化過于敏感，估計結果不穩定；當斜率過小時，背景光估計的響應較為平緩，無法準確地跟隨背景光的變化。根據文獻［26］，以及進行實驗驗證與調節，參數分別設置為δ=0.2，m=18。當σ趨于1，背景光較明亮，選取較大候選背景光為最終背景光，即有：

圖3 展示了各背景光的估計結果和基于估計值的處理結果。圖中，B1 為第一種候選背景光，B2 為第二種候選背景光，B3 為文獻［26］中的融合背景光，B 為本文算法的融合背景光。從圖中可知，B1 和B2 估計方法會導致圖像出現不同程度的色偏，而B 估計方法使用的融合函數中和了兩種色偏，細節更加清晰；B3 估計方法雖也運用了融合理念，但所選的背景光估計方法未進行改進，會受到淺色場景或人造光源的影響，導致估計錯誤，產生了更大程度的色偏。因此，本文估計的融合背景光更貼近真實水下環境，處理結果也最優。

圖3 兩種候選背景光及融合背景光Fig.3 Two candidate background lights and fused background lights

3.3 優化介質透射率

UDCP 先驗假設水下圖像大部分視覺信息存在于藍綠色通道，并結合水下成像模型估計相應的介質透射率。然而，不同波長的可見光在水下傳播時吸收和散射衰減程度不同，盡管進行了色彩補償，圖像仍受到水下光學衰減的影響，即紅色可見光衰減迅速，藍色光衰減緩慢。因此，基于UDCP 算法獲取初始透射率t'，定義為水體背景顏色的藍綠色較大通道透射率（以t'=tB為例），再根據Lambert-Beer 定律求解另兩通道的透射率，表達式為：

式中：μR=βR/βB和μG=βG/βB為相對衰減率，分別表示對應通道的散射系數的比值。

波長越長的可見光在水中衰減越快，散射系數越小，對應的水體背景顏色分量值也越小，因此，光的衰減特性及各顏色分量散射系數的內在聯系可以通過水體背景顏色體現。水體背景顏色與散射系數成正比，即：

通過式（20）計算兩個相對衰減率，得到：

此外，先后使用引導濾波和高通濾波優化透射率，達到平滑和增強細節的雙重效果。引導濾波可以平滑透射率圖像，減少噪聲的影響；高通濾波可以突出透射率變化的細節，提高透射率優化的準確性和可靠性。透射率優化的表達式為：

式中γ為控制細節分量放大程度的增強參數。如圖4 所示，透射率優化后恢復更多的顏色信息，細節信息更為豐富。

圖4 透射率優化前后的效果對比Fig.4 Comparison of processed images with transmission enhancement before and after optimization

4 實驗結果與分析

將本文算法與多種算法在不同數據集上進行定性和定量比較，以驗證其有效性。對比算法包括復原算法UDCP［14］，GDCP［16］和DRDCP［17］；增強算法Fusion［11］，MLLE［12］；深度學習算法FUnIE-GAN［18］，Shallow-uwnet［19］和Uiess［20］。數據集為：包含藍、綠、藍綠色3 種色偏各100 張圖像的UCCS 數據集［27］；包含A，B，C，D 和E 5 種可見度各726 張圖像的UIQS［27］數據集；包含950 張不同水下場景圖像的UIEB［28］數據集；包含7 張由不同相機拍攝的水下色卡圖像的Color-Check7 數據集［29］。

4.1 主觀評價

在Color-Check7 數據集上，使用不同算法對7 張色卡圖像進行處理，以4 張色卡為例進行展示。如圖5 所示，從上至下分別是以Panasonic_TS1，Cannon_D10，Olympus_T8000 和FujiFilm_Z33 拍攝的水下色卡圖及各算法的處理結果。原圖亮度低、對比度低且存在色偏現象；GDCP 算法雖改善色偏且增強亮度，但亮度增強過度，視覺效果不佳，如TS1 色卡；Fusion 和MLLE 算法改善色偏，但Fusion 亮度有待提高，MLLE 飽和度欠佳，色卡顏色恢復不自然，如D10，T8000 和Z33 色卡；其他對比算法未解決圖像色偏現象，甚至加劇了顏色失真，如DRDCP，FUnIE-GAN 等算法；所提算法恢復的圖像顏色真實自然，具有較好的視覺效果。

圖5 顏色恢復實驗結果Fig.5 Results of color recovery experiment

在UCCS 數據集上比較不同算法的顏色校正能力，圖6 從上至下分別展示了藍色、藍綠色和綠色色偏各一張圖像及其結果圖。對于藍色水下圖像，UDCP 和GDCP 未能校正藍色色偏；DRDCP 校正藍色偏差效果欠佳；其他對比算法都消除了藍色偏差，但Fusion 和Shallow-uwnet結果圖的對比度有待提高；FUnIE-GAN 和Uiess結果圖引入了淡黃色；MLLE 結果圖顏色不夠真實自然。對于藍綠色水下圖像，UDCP 無法校正藍綠色色偏；GDCP 和Uiess 結果圖引入了紅色偏差；FUnIE-GAN 和Shallow-uwnet 結果圖引入了淡黃色偏差且對比度低；DRDCP，Fusion 和MLLE 結果圖偏灰調，顏色恢復不夠自然。對于綠色水下圖像，UDCP，GDCP 和DRDCP 未能校正綠色偏差；Fusion 和MLLE 結果圖像偏灰色；FUnIE-GAN 和Shallow-uwnet 結果圖引入了淡黃色偏差；Uiess 引入了紅色偏差。相比之下，所提方法在顏色校正、對比度和細節增強方面均優于對比算法，有效地提高可見性，顏色恢復更為自然。

圖6 UCCS 數據集上的視覺比較Fig.6 Visual comparisons on UCCS dataset

在UIQS 數據集上比較不同算法對圖像可見性的改進效果，圖7 從上至下分別展示了A，B 和E 級別各一張圖像及其結果。UDCP 一定程度上提高了對比度，但B 和E 等級的圖像顏色校正效果不理想；GDCP 能夠有效消除光散射引起的影響，但對顏色偏差處理效果不佳，特別是在水呈綠色時，存在亮度增強過度現象；DRDCP 顯著提高了圖像的亮度和對比度，但引入了少量紫色色偏。Fusion 能夠提高亮度和對比度，但對結構細節的增強效果欠佳；MLLE 顯著提高了對比度、亮度和飽和度，但顏色恢復不自然，整體呈灰色。相比之下，所提方法能夠有效消除顏色偏差，突出結構細節，并在不過度增強或過飽和的情況下提高可見性。

圖7 UIQS 數據集上的視覺比較Fig.7 Visual comparisons on UIQS dataset

為了進一步評估不同方法的有效性和穩定性，隨機選擇UIEB 數據集中幾個不同水下場景的圖像。如圖8 所示，對于模糊的水下圖像，UDCP 和GDCP 加劇了色偏，且結果圖像整體偏暗或偏亮；FUnIE-GAN，Shallow-uwnet 和Uiess 額外引入了色偏；DRDCP 和Fusion 在增強低能見度水下圖像的可見度方面不能令人滿意，無法完全消除霧狀外觀。MLLE 能夠有效增強圖像的可見度，但會引入局部黑暗，且飽和度有待增強。相比之下，所提方法能夠去除色偏，在沒有明顯的過度增強、欠增強和局部黑暗的情況下有效提高可見性。

圖8 UIEB 數據集上的視覺比較Fig.8 Visual comparisons on UIEB dataset

4.2 客觀評價

在UCCS，UIQS 和UIEB 數據集上，使用水下彩色圖像質量評價［30］（Underwater Color Image Quality Evaluation，UCIQE）、頻域無參考的水下圖像質量評估［31］（A reference-free underwater image quality assessment metric in frequency domain，FDUM）、信息熵［32］（Information Entropy，IE）、自然圖像質量評估［33］（Natural Image Quality Evaluator，NIQE）和色彩對比度霧密度指數［34］（Colorfulness Contrast Fog Density Index，CCF）5 個無參考指標進行評價。其中，UCIQE綜合評估圖像色調、飽和度和清晰度，值越大效果越好；FDUM 綜合評估色彩、對比度和銳度，值越大圖像質量越高；IE 衡量圖像邊緣、紋理等細節信息，值越大去霧效果越好；NIQE 反映圖像自然程度，值越小視覺效果越好；CCF 綜合評估圖像的色度、對比度和霧密度，值越大效果越好。由于UIEB 數據集存在相對應的增強參考對比圖，額外使用結構相似性［35］（Structural Similarity Index Metric，SSIM）和峰值信噪比［36］（Peak Signal to Noise Ration，PSNR）兩個全參考指標進行評價。SSIM 綜合評估圖像的相似程度，值越大圖像越相似；PSNR 衡量原始與結果圖像之間的信號與噪聲比例，值越大圖像質量越好。在Color-Check7 數據集上，使用CIEDE2000 標準［37］進行評估，裁剪結果中，各色塊與標準色塊的色差越小顏色恢復越好。

為了客觀評估算法的顏色校正能力，在Color-Check7 數據集上使用CIEDE2000 指標對各算法進行評估，結果如表1 所示，最優值加粗。所提算法處理D10，Z33，T8000 和TS1 圖像時指標最優，且在整個數據集上的平均指標也達到了最佳水平。結果表明，對于不同相機拍攝的水下圖像，所提算法均可最大程度地還原真實顏色。

表1 不同算法在Color-Check7 數據集上的CIEDE2000 評測值對比Tab.1 CIEDE2000 comparison of different methods on Color-Check7 dataset

表2 展示了在UCCS 和UIQS 數據集上使用不同方法計算的UCIQE，FDUM，IE，NIQE 和CCF 指標結果。由表可知，所提算法相較對比算法，在UCCS 數據集中UCIQE，FDUM 和CCF指標最優，其余指標次優；在UIQS 數據集中UCIQE 和FDUM 指標最優，其余指標次優。綜合定性和定量評估結果可知，所提算法具有優越的顏色校正能力，對不同質量級別的水下圖像處理效果更優。

表2 不同算法在UCCS 和UIQS 數據集上的客觀指標對比Tab.2 Quantitative comparison of different methods on UCCS and UIQS datasets

根據表3 中UIEB 數據集的定量比較可知，所提算法的UCIQE，NIQE，SSIM 和PSNR 指標最優，其余指標次優，能夠顯著增強對比度、亮度和紋理細節，復原結果總體上呈現高可見度和自然顏色。3 個數據集的無參考指標均值兩個最優，3 個次優，充分體現出所提算法在客觀指標上的優勢。

表3 不同算法在UIEB 及三個數據集上的客觀指標對比Tab.3 Quantitative comparison of different methods on UIEB and three datasets

4.3 細節增強對比

精細的結構細節對于高質量的水下圖像尤為重要。如圖9 所示，與對比算法的細節增強效果對比，從全局來看，所提算法在提升圖像色彩和對比度方面表現出顯著優勢；從局部來看，在增強結構細節方面表現出色，如方框所示的放大區域。

圖9 細節增強的視覺比較Fig.9 Visual comparisons of detail enhancement

4.4 運行時間對比

為驗證算法效率，在Windows10 操作系統，硬件環境為Intel i5-12400CPU、16GB 內存以及12GB 顯存的GTX3060 顯卡，使用MATLAB R2018b 和PyCharm 軟件，隨機選取UIEB 數據集中100 張256×256 的圖像進行時間測試與對比，實驗結果如表4 所示。由于GPU 加速，基于深度學習的方法在速度方面具有優勢，盡管Shallowuwnet 和MLLE 算法的運行時間小于所提算法，但所提方法能以較少的矩陣運算實現更為顯著的圖像效果，定性和定量的評價結果都優于這兩種算法。此外，深度學習算法Shallow-uwnet 需要大量的模塊訓練時間，并且占據更大的內存資源。

表4 不同算法的運行時間Tab.4 Running time of different methods（s）

4.5 消融實驗

為驗證算法各組成部分的有效性，在數據集上隨機選取圖像進行消融研究。實驗包括以下4 個部分：所提算法去除色彩補償模塊、所提算法去除背景光融合、所提算法去除透射率優化以及包含所有模塊的本文算法，實驗結果如表5 和圖10 所示。

表5 消融實驗的客觀評價指標Tab.5 Objective evaluation indexes of ablation experiment

圖10 消融實驗結果Fig.10 Results of ablation experiment

由圖10 可知，與原圖相比，所提算法去除色彩補償模塊的圖像對比度得到增強，但未能進行顏色校正；所提算法去除背景光融合的圖像對比度和色偏得到改善，但仍存在色偏校正不徹底或引入其他色偏以及過度增強的現象；所提算法去除透射率優化的圖像對比度得到有效增強，但仍存在部分色偏以及塊狀區域現象；包含所有模塊的本文算法的圖像顏色恢復自然，對比度得到顯著提高，細節表現清晰，視覺效果最佳。

為了更加客觀地評價各模塊對算法性能的影響，選取2 個全參考指標和5 個無參考指標作為消融實驗客觀評價指標，如表5 所示。實驗結果表明，各模塊都有助于提高算法性能，本文算法實現了最佳性能。

4.6 應用測試

為驗證所提算法的應用效果，采用SURF算法評估特征點匹配。特征點匹配是計算機視覺領域的核心任務之一，圖像紋理特征越清晰，匹配的特征點數量越多。如圖11 所示，選取3組代表性圖像進行實驗對比，其特征點匹配數目在圖右上方。綜合考慮各算法的主觀評價和客觀指標，所提算法的復原圖像顏色自然，對比度高且細節清晰，客觀評價指標中4 個最優，3個次優；而MLLE 算法細節增強明顯，但顏色恢復不自然，整體呈現灰色調，局部過亮或過暗，客觀指標整體不如所提算法；其他算法在亮度、顏色以及對比度等一個或多個方面有待改善。結合圖11 可知，所提算法能夠匹配到更多特征點，更有利于水下目標識別等工作。

圖11 特征點匹配Fig.11 Feature point matching

5 結論

針對復雜水下成像環境導致的圖像顏色失真、對比度低和細節模糊等現象，簡化大氣散射模型的局限性以及背景光與透射率估計的準確性問題，本文提出一種結合色彩補償與雙背景光融合的水下圖像復原方法。首先，結合Retinex與白平衡算法引入并求取色彩補償分量，避免衰減過快的顏色通道影響；然后，根據背景光強度及顏色分布特性，提出雙背景光融合估計算法，準確估計背景光；最后，利用水體背景顏色與散射系數的內在關系修正各通道透射率，進一步解決霧化導致的顏色損失，并使用引導-高通濾波優化透射率，降低噪聲影響的同時增強細節信息。實驗結果表明，該方法恢復的圖像顏色自然、細節清晰、可見度高，具有更好的視覺效果；客觀評價指標在多個數據集中整體較優，UCIQE和FDUM 指標分別較復原算法UDCP 提高17%和45%；較增強算法Fusion 提高14%和63%；較深度學習算法Shallow-uwnet 提高40% 和1.7倍。未來研究將進一步提高算法效率。