郭銀景 吳 琪 苑嬌嬌 侯佳辰 呂文紅

①(山東科技大學(xué)電子信息工程學(xué)院 青島 266590)

②(山東科技大學(xué)交通學(xué)院 青島 266590)

③(青島智海牧洋有限公司 青島 266590)

1 引言

水下光學(xué)圖像在海洋能源勘探、海洋生態(tài)保護以及海洋軍事等領(lǐng)域有著極為廣泛的應(yīng)用，是水下機器人完成深海探測和作業(yè)任務(wù)的重要依據(jù)[1]。水下光學(xué)圖像成像畸變小、粒度細(xì)且圖像信息豐富，在無人潛航器深海作業(yè)中發(fā)揮著重要作用。與陸地成像不同，水下介質(zhì)分布不均勻，成像條件復(fù)雜。圖1為水下光學(xué)成像原理圖[2]，影響水下光成像的因素很多，如：光的散射效應(yīng)會造成水下圖像模糊；波長吸收會導(dǎo)致捕獲圖像中的顏色失真；人工照明設(shè)備以及攝像系統(tǒng)的浮動使得水下光照環(huán)境呈非均勻狀態(tài)，圖像中心部位形成亮斑而周圍形成暗區(qū)，嚴(yán)重影響圖像對比度[1,3]。光子在水中傳輸經(jīng)歷了衰減和散射，導(dǎo)致水下視頻圖像存在特征模糊、興趣區(qū)域結(jié)構(gòu)細(xì)節(jié)少等問題[4]。

圖1 水下光學(xué)成像原理圖

基于水下成像的具體特征，提高水下成像質(zhì)量和改善光照因素造成的影響與顏色失真是水下光學(xué)圖像處理的研究熱點。本文將從水下成像和光學(xué)圖像處理的角度，綜述針對成像技術(shù)和改善圖像中存在的光散射、光照不均勻、顏色失真問題的研究進展。

2 水下圖像處理研究進展

2.1 水下成像技術(shù)

20世紀(jì)60年代，海洋光學(xué)的研究已經(jīng)給出水下光傳播的各項性質(zhì)，水下光學(xué)成像系統(tǒng)開始初步應(yīng)用于海洋生態(tài)等領(lǐng)域[5]。根據(jù)海洋光學(xué)成像的應(yīng)用領(lǐng)域及技術(shù)特點，目前應(yīng)用的水下成像方式有激光成像、偏振成像、立體成像和熒光成像。

常用的水下激光成像包括激光距離選通法和同步掃描法。目前典型的水下距離選通成像系統(tǒng)是加拿大DRDC Valcartier(國防研究所)的LUCIE系列產(chǎn)品，裝載在ROV(Remote Operated Vehicle)上可工作在距海平面200 m的水下，對港口和深海進行探測與監(jiān)測，該產(chǎn)品至今已發(fā)展了3代[6–8]。南洋理工大學(xué)研制了一款距離選通成像系統(tǒng)，文獻[9,10]利用該系統(tǒng)進行選通圖像的自適應(yīng)融合，獲得所有成像路徑上的目標(biāo)圖像，增大了距離選通系統(tǒng)的影深。在激光成像系統(tǒng)中，攝像機與光源相鄰，目標(biāo)位于混濁介質(zhì)的后面，該系統(tǒng)通過選擇目標(biāo)反射光并關(guān)閉閃光燈來阻擋后向散射。2001年，美國Lockheed Martin公司[11]研制的一款激光掃描成像儀，在8 m成像距離下的分辨率為3 mm。2010年Scripps海洋研究所研制的水下激光掃描成像儀，其采樣頻率可以達到160 line/s[12]。國內(nèi)，北京理工大學(xué)、中國科學(xué)院半導(dǎo)體研究所、中國海洋大學(xué)也進行了水下激光成像的相關(guān)研究。

偏振成像技術(shù)是實現(xiàn)水下清晰成像的有效方法之一，該技術(shù)利用散射光的偏振特性，分離場景光和散射光，估計散射光強和透射系數(shù)，實現(xiàn)成像清晰化。1990年，Cariou等人[13]對水下人工目標(biāo)進行偏振成像，發(fā)現(xiàn)偏振成像效果與人工目標(biāo)的表面粗糙度、材料電磁屬性、入射光方向及水中粒子有關(guān)，并提出可以利用偏振成像對不同材料的水下目標(biāo)進行識別。2000年，曹念文等人[14]開展了偏振成像技術(shù)對提高成像清晰度、成像距離的實驗，通過定量計算成像圖像的清晰度，得出了偏振圖像清晰度與距離的定量關(guān)系，發(fā)現(xiàn)在水質(zhì)較清時，圓偏振成像效果比線偏振成像效果好，隨著水體衰減系數(shù)變大，線偏振成像效果好于圓偏振的重要結(jié)論。2003年，美國馬里蘭大學(xué)[15]利用偏振光觀察到了墨魚的其他圖像特征，擴展了偏振光成像的應(yīng)用領(lǐng)域。2009年，以色列理工大學(xué)[16]研制的水下偏振成像儀采用圓偏振光代替線偏振光，獲得了更好的成像質(zhì)量。2007年，文獻[17]提出了先進的偏振成像技術(shù)水下方法(圖2)，偏光鏡在白平衡的效果下拍攝的原始圖片(圖2(a))可抵消水下環(huán)境因照明引起的強烈藍色色調(diào)；恢復(fù)后的圖像(圖2(b))比單純的白平衡成像效果更優(yōu)，遠(yuǎn)處物體的成像質(zhì)量提高，目標(biāo)邊緣輪廓清晰度改善，顯著提高圖像可見性。

圖2 文獻[17]提出的水下成像方法

為檢測珊瑚礁中微生物，文獻[18]提出一種熒光方法恢復(fù)水下場景的形狀。文獻[19]還提出一種不同方向的照明融合模糊圖像混濁度的方法，能夠很好地去除人工光的亮點。2013年，Hardy等人[20]乘載“深海挑戰(zhàn)者”號成功下潛至馬里亞納海溝底部，利用潛水器上搭載的3D成像相機系統(tǒng)，成功拍攝到了深海3D影片，并制作了90 min的“深海挑戰(zhàn)”3D記錄片。2014年，Roser等人[21](圖3)提出一種水下恢復(fù)的立體成像方法，通過估計可見度系數(shù)得到圖像，利用實時算法設(shè)計立體成像方法并應(yīng)用于水下機器人，立體成像方法下得到的原始圖像經(jīng)恢復(fù)后，圖像清晰，可見度高，同時實時算法確保AUV水下作業(yè)的高效進行。

圖3 文獻[21]提出的水下立體成像方法效果圖

2.2 水下圖像清晰化算法

針對光的散射和光照不均勻因素對水下圖像產(chǎn)生的影響以及圖像顏色失真問題，研究人員提出并不斷改進清晰化算法以改善圖像質(zhì)量。現(xiàn)有的水下圖像清晰化方法可分為基于成像模型的圖像復(fù)原方法和圖像增強方法?；诔上衲Ｐ偷膱D像復(fù)原方法針對水下圖像退化過程，構(gòu)建適用于水下環(huán)境的成像模型以恢復(fù)清晰圖像。圖像增強方法主要通過改變水下圖像每個顏色通道的強度值以改善圖像的亮度與顏色，從而改善圖像質(zhì)量。

2.2.1 基于光照問題改善的清晰化算法

去除光散射是水下圖像處理的研究重點。Garcia等人[22]針對水下圖像的散射極化問題，運用光照模型、局部直方圖均衡化、同態(tài)濾波等方法進行圖像增強處理，局限性在于假定高頻圖像數(shù)據(jù)與低頻陰影分量分離。Schechner等人[2]采用偏振濾波器估計介質(zhì)散射光，基于后向散射光的特征，把水下圖像偏振與需要去除的后向散射聯(lián)系起來，提出了一種可改善能見度，同時可粗略估計3維場景的結(jié)構(gòu)的算法，實現(xiàn)散射介質(zhì)中的能見度增強和距離估計。這種方法需要特定的硬件設(shè)備，且需要多幅圖片才能得到能見度增強的水下圖像。2018年，Jiang等人[23]提出一種新的低復(fù)雜度水下圖像去散射方法，該方法利用稀疏低秩矩陣將水下圖像中的散射分量分離出來，增強圖像整體對比度，不需要專門的硬件設(shè)備和對水下環(huán)境的先驗知識。Pan等人[24]針對水下散射問題提出增強圖像可見度的方法，通過對進化神經(jīng)網(wǎng)絡(luò)(evolutionary neural network)采用end to end訓(xùn)練來估計傳輸圖，通過縮減人工預(yù)處理和后續(xù)處理，盡可能使模型從原始輸入到最終輸出；借助自適應(yīng)雙邊濾波器對傳輸圖進行細(xì)化處理，同時基于白平衡的顏色偏差消除策略，以改善散射圖像的對比度，增強圖像的邊緣；Lu等人[25]利用深度卷積神經(jīng)網(wǎng)絡(luò)解決圖像的散射問題，對真實水下圖像提出基于光學(xué)攝像機和深度卷積神經(jīng)的水下圖像深度估計方法，這是首次利用深度學(xué)習(xí)技術(shù)解決水下光學(xué)圖像深度估計問題，與傳統(tǒng)方法相比，該方法能夠取得更準(zhǔn)確的深度信息。

文獻[18]在水下成像模型的基礎(chǔ)上提出水下圖像綜合預(yù)處理的框架，采用對比度均衡系統(tǒng)來抑制由光束模式引起的后向散射、衰減和光照不均勻問題，其中后向散射光成分的估計利用高斯函數(shù)卷積法，并提出反卷積處理前向散射的想法。2017年，Li等人[26]提出分層傳輸融合方法和用于單輸入圖像去散射的彩色線環(huán)境光估計方法，以暗通道為先驗信息來估計初始透過率和環(huán)境光，使用顏色線來估計選定面片中的精致環(huán)境光，考慮了水下成像中的散射和模糊效應(yīng)，實現(xiàn)對深度圖和環(huán)境光的準(zhǔn)確估計，提出圖像復(fù)原框架。同年，文獻[27]提出的基于光學(xué)成像模型的水下圖像超分辨率重構(gòu)方法，使用暗通道先驗和雙邊濾波優(yōu)化估算觀測數(shù)據(jù)中的散射光，并作為噪聲成分去除，通過提高低分辨率圖像質(zhì)量優(yōu)化重構(gòu)圖像質(zhì)量。2018年，文獻[28]提出一種融合暗通道先驗方法與稀疏表示的圖像復(fù)原方法，該方法優(yōu)勢在于不直接將稀疏表示模型應(yīng)用于原始輸入圖像，而是用于暗通道圖，這樣不僅能夠有效去除噪聲，還能減輕局部塊選取對復(fù)原結(jié)果的影響，實驗結(jié)果(圖4)表明，采用這種方式得到的復(fù)原結(jié)果有效去除了噪聲和模糊，同時消除halo效應(yīng)和塊效應(yīng)。如表1所示，文獻[28]方法DoAG值較大，從而去模糊效果更顯著；DoH的值較大，因此文獻[28]方法圖像對景物細(xì)節(jié)分辨能力較強。2019年，Pan等人[29]提出一個多尺度迭代的水下圖像去散射框架，利用卷積神經(jīng)網(wǎng)絡(luò)對傳輸映射進行估計，然后采用自適應(yīng)雙邊濾波器對估計結(jié)果進行優(yōu)化。文獻[29]實驗結(jié)果(圖5)所示，Pan等人提出基于融合框架和邊緣保持平滑算子(自適應(yīng)雙邊濾波)的方法顯著提高實際散射圖像的可見度，保持了水下圖像的自然外觀，并恢復(fù)了水下圖像的信息(如紋理、顏色)，在定性和定量上都明顯優(yōu)于文獻[30]提出的基于圖像消霾方法。

圖4 文獻[28]中方法實驗效果對比圖

表1 文獻[28]指標(biāo)對比

近年來，研究人員就光照不均勻問題不斷改進圖像處理技術(shù)。2005年，文獻[31]提出的AINDANE(Adaptive and Integrated Neighborhood Dependent Approach for Nonlinear Enhancement) 方法可以處理對比度低和存在光照不均勻的數(shù)字圖像，利用自適應(yīng)的光照增強來解決光照不均問題，利用自適應(yīng)實現(xiàn)圖像對比度增強。2006年，Padmavathi等人[32]利用同態(tài)濾波、各向異性擴散濾波、小波濾波等方法來提高圖像的對比度，抑制噪聲和保留圖像的邊緣，從而增強和平滑圖像。2009年，文獻[33]提出基于改進等功率譜法的水下圖像增強，根據(jù)水下圖像成像的規(guī)律和圖像的特性，結(jié)合小波的優(yōu)點對等功率譜同態(tài)濾波法進行相應(yīng)的改進，通過改變對比度調(diào)節(jié)因子來處理模糊和光照不均勻問題，并處理了同時存在模糊和光照不均勻時只能取一個對比調(diào)節(jié)因子的情況。2010年，文獻[34]提出一種基于照度分割的局部多尺度Retinex圖像增強算法，首先通過引入帶參數(shù)的對數(shù)圖像處理(Logarithmic Image Processing, LIP) 模型將圖像分解成4個照度區(qū)域，然后對各區(qū)域根據(jù)照度的差異采用相應(yīng)尺度的Retinex算法進行增強，最后通過基于面積的比例因子對各增強后的子圖進行照度融合，實現(xiàn)圖像增強。

圖5 文獻[29]與文獻[30]實驗結(jié)果對比

2011年，李慶忠等人[35]提出基于小波變換的水下降質(zhì)圖像復(fù)原算法，利用小波變換估計介質(zhì)散射光，依據(jù)原始圖像對比度對水下圖像進行自適應(yīng)復(fù)原解決圖像的模糊問題，然后對復(fù)原之后的圖像再進行小波變換，在低頻子帶上進行非線性的亮度調(diào)節(jié)，解決光照不均問題。2012年，郭相鳳等人[36]針對利用快速算法同時處理光照不均問題，在小波域的低頻子帶上結(jié)合水下圖像光學(xué)成像模型，先利用高斯模糊對介質(zhì)散射光進行估計與去除，再采用基于局部復(fù)雜度的方法調(diào)整衰減因子，對衰減低頻子圖進行自適應(yīng)增強；在高頻子帶上采用非線性變換的增強方法，進一步增強高頻信息并有效地抑制噪聲的放大。實驗結(jié)果與文獻[35]相比(圖6)，圖像對比度提高、細(xì)節(jié)信息和邊緣信息豐富、清晰度得到改善。

2.2.2 基于顏色校正的清晰化算法

在水下圖像成像過程中，由于水體對光線的選擇性吸收和光的散射作用，水下圖像經(jīng)常出現(xiàn)對比度低、顏色失真問題。針對水下圖像的失真問題，研究人員從圖像增強方法和基于物理模型的圖像復(fù)原方法兩個角度進行圖像清晰化處理，方法對比如表2所示。

目前，以顏色恒常理論為基礎(chǔ)的水下圖像增強算法就顏色校正問題取得了較為理想的處理效果。顏色恒常理論[37]基礎(chǔ)是目標(biāo)物體的顏色由其自身對不同波長的反射能力決定，同時物體的顏色具有一致性即不受非均勻光照的影響。文獻[38]提出一種基于集成顏色模型的水下圖像增強算法，使用RGB對比度拉伸算法來補償圖像的顏色對比度，有效改善圖像的顏色失真問題。2017年，文獻[39]結(jié)合白平衡算法，提出基于前景模型的水下圖像增強方法，利用光在水中的衰減特性，根據(jù)各通道衰減系數(shù)之間的關(guān)系修正通道增益，從而補償因衰減所導(dǎo)致的顏色失真；利用通道增益調(diào)整無霧圖像，最終獲得增強后的水下圖像。2016年，Li等人[40]提出基于物理光譜特征的聯(lián)合制導(dǎo)圖像顏色校正方法，在高濁度環(huán)境下該方法實現(xiàn)水下圖像增強，細(xì)化深度圖并保留了顏色。文獻[41]提出一種基于波長補償和去霧的復(fù)原算法(Wavelength Compensation and Image Dehazing, WCID)，提高圖像的整體亮度，對增強類似霧化的圖像具有很好的效果。2018年，文獻[42]提出基于改進暗通道優(yōu)先(IDCP)的圖像增強算法，采取自適應(yīng)比例因子選擇策略對透射圖進行后處理以得到具有更高對比度的圖像恢復(fù)效果，進一步采用顏色校正方法去除殘余色偏。實驗表明，對于色偏不明顯但是水中懸浮物較多的淺水區(qū)域的圖像，采用IDCP算法比DCP算法圖像的得到的對比度更優(yōu)。

圖6 文獻[35]與文獻[36]實驗結(jié)果對比

表2 基于顏色校正的清晰化算法表

依據(jù)顏色恒常理論，基于Retinex算法及其后續(xù)發(fā)展算法的水下圖像增強算法在處理顏色失真的水下圖像時取得較好的效果。2014年，文獻[43]提出基于Retinex算法的水下圖像增強方法，對單色校正后的水下圖像進行反射率和光照分解，解決了模糊和曝光不足的問題；采用交替方向優(yōu)化算法進行分解，對分解后的退化圖像進行簡單有效的后處理。實驗結(jié)果表明，增強后的圖像具有色彩校正、亮度自然等特點。2019年，文獻[44]提出基于多尺度Retinex的水下圖像增強方法，對圖像進行預(yù)校正，使像素分布均勻降低主色調(diào)；將經(jīng)典的帶強度通道的多尺度Retinex應(yīng)用于預(yù)校正圖像，以進一步提高對比度和顏色。實驗效果，該算法具有靈活性、適應(yīng)性、實時性的特點，促進水下機器人的感知水平。2017年，文獻[45]結(jié)合Jaffe McGlamery成像模型和基于Retinex理論的圖像增強算法，提出水下圖像清晰化方案，大幅提升圖像的對比度和清晰度。文獻[45]與WCID算法、基于Retinex理論方法進行對比。各算法相關(guān)指標(biāo)對比如表3所示，對比效果如圖7所示。

基于傳統(tǒng)算法的研究，水下圖像增強處理在算法側(cè)重點以及模型建立角度引入創(chuàng)新觀點，進一步改進原始圖像中因顏色失真存在色偏等問題。2019年，Liu等人[46]提出一種基于深度學(xué)習(xí)框架的水下圖像增強方法，與其他基于深度學(xué)習(xí)的水下增強方法不同，該方法側(cè)重于生成性對抗網(wǎng)絡(luò)和弱監(jiān)督學(xué)習(xí)之間的合作，提出的uresnet-p-a模型在水下圖像增強中的顏色校正和細(xì)節(jié)增強處理效果理想，得到的增強圖像具有自然顏色和中等對比度。Gao等人[47]提出一個以視網(wǎng)膜的形態(tài)和功能為靈感的水下圖像增強模型，非均勻色彩校正算法能很好地處理水下圖像中的非均勻色彩投射問題，利用顏色敏感的水平細(xì)胞對錐體的反饋和紅通道補償來校正非均勻偏色，并采用顏色對抗機制在圖像增強過程中靈活調(diào)整水下圖像的顏色外觀。

表3 各算法相關(guān)指標(biāo)對比表[45]

圖7 Coral清晰化對比[45]

考慮到水下圖像質(zhì)量退化原因已知，基于物理模型的水下復(fù)原方法可因光源造成的顏色失真等問題進行有效校正，根據(jù)圖像品質(zhì)的下降過程，建立合理的降質(zhì)模型，采用某種濾波方法，從而恢復(fù)或建立原始圖像。針對水下圖像顏色失真中存在藍(綠)色基調(diào)不平衡問題，文獻[48]通過求各通道顏色衰減因子，對因介質(zhì)導(dǎo)致的顏色衰減進行補償；將圖像中的藍(綠)色基調(diào)看作光源顏色，利用Shade of Gray算法估計光源顏色后去除。結(jié)合Shade of Gray方法有效去除水下圖像中的顏色失真，并修正各顏色通道的透射率估計，求得最終的復(fù)原圖像。文獻[49]采用灰度加權(quán)對水下圖像進行白平衡校正，應(yīng)用Von-Kries對焦模型更新顏色通道分量，使其達到白平衡效果，設(shè)備還原物體真實顏色。文獻[50]基于透射率估計算法，提出新的雙透射率估計算法。將雙透射率成像模型和原模型相比，模型增加的變量能有效地提升水下圖像復(fù)原算法中成像模型的完整性。算法恢復(fù)后的圖像人造光照環(huán)境更加自然，且遠(yuǎn)景的巖石殘留的綠色色偏較少，水體的藍、綠色色偏得到有效的校正，圖像整體呈現(xiàn)無色偏狀態(tài)。

在處理藍(綠)色基調(diào)的前提下，平衡紅色通道信息是實現(xiàn)水下圖像顏色校正的重要方法。2013年，文獻[51]提出了一種水下圖像成像模型，利用水下暗通道散射速率估計藍綠光的傳播，采用光衰減差分方法有效估計水下場景的背景光。但因只求藍、綠通道的暗通道缺少紅通道信息而導(dǎo)致得到的散射率偏大、透射率偏小, 圖像遠(yuǎn)景處紅色分量被過度補償。2015年，文獻[52]提出基于紅通道的水下復(fù)原算法，通過對紅通道反轉(zhuǎn)和添加飽和度分量，減少衰減嚴(yán)重的紅通道和人工光源對透射率估計的影響。文獻[53]考慮到紅色波段的光被水吸收最嚴(yán)重，用電磁波傳輸理論來估計紅色通道的傳輸系數(shù), 有效地估計出背景光及各通道的傳輸系數(shù)，對圖像顏色進行補償。2018年，楊愛萍等人[54]融入能夠衡量圖像衰減特性的紅通道信息和能反映人工光源影響的飽和度指標(biāo)以改進暗通道先驗，利用改進后的暗通道先驗和紅藍綠通道的衰減系數(shù)比得到每個顏色通道的透射率，彌補假設(shè)藍綠通道透射率一致方法的缺陷。

近些年來，研究人員以傳統(tǒng)水下圖像復(fù)原方法為理論基礎(chǔ)，就圖像復(fù)原模型重建改進不斷引入新的解決思路。2019年，文獻[55]探索水下圖像退化和藍色傳輸通道之間的關(guān)系，提出一種基于深度CNN的端到端水下圖像復(fù)原算法模型，以改善恢復(fù)圖像的對比度和顏色投射。采用跨層連接和多尺度估計以保持精細(xì)的空間結(jié)構(gòu)與邊緣特征，跨層連接用于補償信息丟失，特別是邊緣信息，多尺度估計有助于融合不同尺度的局部圖像細(xì)節(jié)，防止復(fù)原圖像中出現(xiàn)光暈偽影。文獻[56]提出基于余弦相似性的散斑分類和卷積神經(jīng)網(wǎng)絡(luò)(CNN)圖像重建方法，該組合模型對渾濁度的不確定性具有一定的容忍度，同時保證了高精度的模式分類和高質(zhì)量的圖像重建。該方法在濃度擾動未知的惡劣水溶液中有潛在的應(yīng)用價值，有待進一步開拓和發(fā)展。

3 結(jié)論和展望

水下成像環(huán)境特殊，水下設(shè)備進行海底作業(yè)或水下建筑物近距離視頻觀測時，光照問題以及水下圖像顏色失真是影響圖像質(zhì)量的關(guān)鍵問題。目前水下光學(xué)圖像處理問題的研究，已取得可觀進展。圖像增強方法不考慮水下光學(xué)成像機理和光照機理，直接根據(jù)降質(zhì)圖像的特征進行處理，但由于沒有考慮水下成像機理，不可避免地會產(chǎn)生圖像失真問題。圖像復(fù)原利用光照物理模型去估計圖像的降質(zhì)模式，然后再根據(jù)估計的結(jié)果復(fù)原降質(zhì)圖像，可以較好地實現(xiàn)降質(zhì)圖像的不失真復(fù)原，但是仍然存在問題：一是估計介質(zhì)散射光或景深信息的算法太費時且存在局限性；二是目前采用的水下成像模型大多數(shù)沒有考慮因人工光源導(dǎo)致的水下光照的不均問題。

雖然當(dāng)前水下光學(xué)圖像處理方法取得了一定進展，但是依然面臨很多的挑戰(zhàn)，在以下幾方面有待進一步研究。

(1) 針對光的散射問題，大部分文獻中提出的水下圖像清晰化方案只考慮后向散射帶來的影響，未考慮前向散射造成的圖像細(xì)節(jié)模糊，紋理信息缺失問題。鑒于此，將前向散射考慮至算法中應(yīng)該是未來值得探索的一個方向。例如對文獻[27]提出采用反卷積處理前向散射的方法進行更深一步的探討，結(jié)合各通道透射率與光學(xué)傳遞函數(shù)的數(shù)學(xué)關(guān)系，采用逆濾波實現(xiàn)圖像清晰化是去前向散射的改進方向。

(2) 結(jié)合水下成像模型和圖像增強算法，提出水下圖像清晰化方案。將物理模型與圖像增強算法優(yōu)勢互補，實現(xiàn)圖像的對比度和清晰度大幅提升。采用基于光學(xué)成像模型的水下圖像超分辨率重構(gòu)技術(shù)與IDCP相結(jié)合，超分辨率重構(gòu)可以去除圖像因散射產(chǎn)生的噪聲干擾，但對于光照不足、色彩偏離嚴(yán)重的水下圖像重構(gòu)結(jié)果提高比較有限，而IDCP圖像增強算法可以除殘余色偏，改善顏色失真問題。結(jié)合水下成像物理模型和圖像增強算法是當(dāng)前水下圖像處理領(lǐng)域的研究熱點。

(3) 將相關(guān)研究領(lǐng)域的算法及模型引入水下圖像處理，如神經(jīng)網(wǎng)絡(luò)技術(shù)、視網(wǎng)膜模型、深度學(xué)習(xí)等。但目前該領(lǐng)域所建模型并不精細(xì)，大多數(shù)研究人員未將前向散射、人工光源以及水的漲落等影響因素考慮在內(nèi)。在接下來的研究中，可引入水下圖像與空氣圖像的跨域映射函數(shù)[57]，通過監(jiān)督學(xué)習(xí)來糾正影響因素造成的水下圖像顏色投射誤差。

(4) 由于實際環(huán)境對圖像處理實時性要求較高，而現(xiàn)有方法其復(fù)雜度與實時性相矛盾，當(dāng)前的圖像處理方法大多需要較長的處理時間。在接下來的研究工作中，考慮采用生成對抗網(wǎng)絡(luò)(generative adversarial networks)[58]，該方法較為理想地解決了水下圖像處理時間效率低的問題，訓(xùn)練有素的基于GAN-RS的方法可以適應(yīng)各種水下情況，達到每秒133.77幀(FPS)，具有出色的實時處理性能。