基于分层复原方法的水下图像复原

最小二乘估计的水下图像恢复算法
王永鑫;刁鸣;韩闯
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2018(030)011
【摘要】为了解决由噪声以及散射所引起的水下图像退化问题,提出一种基于最小二乘估计的水下图像恢复算法.首先通过比尔-朗伯定律构建水下图像退化模型,并基于同态子块的局部统计特性分析方法对于加性高斯白噪声的方差进行估计;然后推导出一种基于最小二乘估计的图像滤波方法用于重建原始图像,通过Gamma校正对由Retinex模型分解出的光照层分量进行拉伸,从而得到增强后的水下图像.从视觉感知和客观评价2个方面对算法进行了验证,实验结果表明,该算法能够有效地抑制由噪声以及散射所引起的图像雾化效果,图像恢复后水下图像的色彩、对比度、细节以及清晰度都得到明显改善.
【总页数】9页(P2125-2133)
【作者】王永鑫;刁鸣;韩闯
【作者单位】哈尔滨工程大学信息与通信工程学院哈尔滨 150001;哈尔滨理工大学测控技术与仪器黑龙江省高校重点实验室哈尔滨 150080;哈尔滨工程大学信息与通信工程学院哈尔滨 150001;哈尔滨理工大学测控技术与仪器黑龙江省高校重点实验室哈尔滨 150080
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于最小二乘法的压缩文本图像恢复算法 [J], 沈大龙;任东;陈增强;袁著祉
2.基于像素位移估计的水下湍流退化图像畸形校正算法 [J], 盘亚楠;谌雨章;郭煜玮
3.最小二乘模型下图像恢复的原-对偶算法的研究 [J], 何姣姣;庹谦;陈剑鸣
4.基于阻尼最小二乘法的被遮物体图像恢复算法 [J], 乔立国
5.基于阻尼最小二乘法的被遮物体图像恢复算法 [J], 乔立国
因版权原因，仅展示原文概要，查看原文内容请购买。

水下图像的处理与分析技术研究随着科技的不断发展，水下探测技术的应用也越来越广泛。

在海洋探测、自然资源开发、人工修建工程等领域，水下图像处理和分析技术的应用越来越重要。

本文旨在探讨水下图像处理和分析技术的研究现状和发展趋势。

一、水下图像处理技术的研究现状水下图像拍摄与处理是水下探测的重要领域，因其数据量大、质量复杂、噪声多等特点，使得这个过程变得异常困难。

目前，水下图像处理技术主要分为以下几类：1. 水下图像特征提取水下图像处理的第一步是对图像特征进行提取。

该过程包括图像增强、去除噪声、边缘检测和目标分割等。

这些处理技术能够有效地增强图像的对比度和清晰度，提高图像质量，方便后续的图像分析和处理。

2. 水下图像恢复水下图像在传输和存储中常常受到光线衰减、散射、吸收、色散等干扰，导致图像质量下降。

水下图像恢复技术就是利用数学方法和算法，对受到影响的图像进行补偿和重构，提高图像质量和信息量。

在实际应用中，常常需要将不同场景、不同深度的水下图像进行配准，以便构建三维水下模型，或者进行拍摄效果对比。

水下图像配准技术就是对不同水下场景的图像进行处理，使得它们的位置和角度对齐。

二、水下图像分析技术的研究现状水下图像处理之后，常常需要对图像进行分析和识别。

近年来，随着深度学习技术的发展，水下图像分析技术也有了很大的进展和发展，主要包括以下几个方面：1. 水下目标检测水下目标检测是指对于水下图像中的目标（如植物、动物、建筑等）进行自动检测和识别。

该技术主要利用卷积神经网络（CNN）和目标检测算法（如YOLO、SSD、Faster R-CNN等），实现对水下目标的高精度识别。

2. 水下图像特征描述水下图像特征描述是指对水下图像中的特征（如纹理、形状、颜色等）进行提取和描述。

该技术主要利用局部特征描述符（如SIFT、SURF、ORB等）和深度学习模型（如Inception、ResNet 等），实现对水下图像特征的自动描述和提取。

基于图像融合的水下彩色图像的增强方法胡玉娟;曹风云【摘要】文章提出了一种基于融合技术的高效率,低复杂性的水下图像增强方法.将原图经过白平衡和全局对比度增强分别获得的2幅图像作为输入图,经过特殊的权重图分别对输入图进行衡量,然后将得到的结果加权求和,实现图像融合,使得水下图像细节增强.由于该算法是像素级操作,不需要进行复杂的去卷积运算,因此计算效率高.实验结果证明了该算法有效地增强了水下图像效果并且减少了计算机执行时间.%A new underwater image enhancement method based on image fusion technology,which has high efficiency and low complexity,is proposed.The white balance and global contrast enhancement technologies are applied to the original image respectively,then these two adapted versions of the original image are taken as inputs to be weighted by specific maps.The enhanced results can be obtained by computing the weight sum of the two inputs in a per-pixel fashion.Since the complex deconvolution is not employed,the algorithm has a high computing efficiency.The experimental results demonstrate that the algorithm reduces the execution time of the computer and effectively enhances the visual quality of the underwater image.【期刊名称】《合肥工业大学学报（自然科学版）》【年(卷),期】2013(036)008【总页数】6页(P948-953)【关键词】图像融合;显著图;水下彩色图像;图像增强【作者】胡玉娟;曹风云【作者单位】合肥师范学院公共计算机教学部,安徽合肥230061;合肥师范学院公共计算机教学部,安徽合肥230061【正文语种】中文【中图分类】TP391.41水下世界能见度较差是海洋应用中存在的主要问题之一［1－2］。

基于深度学习的海底图像处理与分析技术研究随着科技的不断发展以及人们对未知领域的探索，海洋这一庞大而神秘的世界被越来越多的人所关注。

而探究海底世界的基本条件之一就是准确、清晰地获取海底的地形图像信息。

为此，基于深度学习的海底图像处理与分析技术应运而生。

一、海底图像处理技术的优势传统的海底地形勘测通常使用声纳等手段，但由于海底地形复杂，基础设备和数据收集的成本也较高，因此需要一种更为高效、快速的手段。

而基于深度学习的海底图像处理技术可以准确地还原海底地形，并将其转化为数字地图，方便研究人员进行更深入的分析。

同时，该技术对于海洋资源的开发和环境管理也有着重要的意义。

二、深度学习在海底图像处理中的应用深度学习是人工智能领域的重要分支，其应用已经渗透到各个领域。

在海底图像处理中，深度学习算法可以识别和分析图像中的不同目标物以及其位置、形态等特征。

例如，可以通过训练深度神经网络对海洋生物、废弃物等进行识别和分析。

同时，深度学习算法还可以实现对海底地形的高速测绘和建模。

三、深度学习在海底环境监测和保护中的应用海洋环境的监测和保护是基于深度学习的海底图像处理技术的另一个重要应用领域。

利用深度神经网络算法，可以对海域中水质、水温、海水中的有害物质等进行高效、准确的检测和预测。

同时，深度学习还可以实现远程监测和实时警报等功能，对保护海洋生态环境有着重大的意义。

四、发展前景与挑战基于深度学习的海底图像处理技术在海洋勘测、资源开发、环境监测等领域中有着广泛的应用前景。

然而，该技术的发展还面临着许多挑战，例如海底图像的受限性、不同复杂度的图像处理、数据集的规模和质量等。

进一步的研究和完善可以提高技术的应用水平，推动深度学习在海洋领域中的发展和创新。

综上所述，基于深度学习的海底图像处理与分析技术为人们探索海洋世界提供了新的手段和途径。

该技术对海洋领域的发展和环境保护有着重要的影响，它的应用前景和发展潜力不容小视。

水下光学图像增强与复原方法及应用引言水下光学图像是指在水下环境中拍摄的图像，水下光学图像由于受到水的吸收、散射、折射等多种因素的影响，常常使图像失真、暗淡、模糊、有噪声等问题，使得图像无法满足实际应用需求。

因此，如何增强和复原水下光学图像一直是水下机器视觉领域研究的重要内容之一。

本文将介绍水下光学图像增强与复原的方法及应用。

水下光学图像增强方法1. 基于直方图均衡化的增强方法直方图均衡化是一种简单有效的图像增强方法，其原理是对图像的像素值进行整体变换，使得像素值的分布更加均匀。

对于水下图像，直方图均衡化可以通过以下步骤实现：1. 将图像从RGB颜色空间转换到HSV颜色空间，获取图像的亮度分量。

2. 对亮度分量进行直方图均衡化，从而增强图像的对比度和亮度。

3. 将增强后的亮度分量与原图像的饱和度和色调分量合并，得到增强后的图像。

2. 基于局部对比度增强的方法局部对比度增强是一种基于图像局部特征进行增强的方法。

具体应用于水下图像时，可以通过以下步骤实现：1. 对图像进行多尺度分解，将图像分解为多个不同尺度的子图像。

2. 对每个子图像内部进行对比度增强处理，使其更加清晰。

3. 将增强后的子图像进行合并，得到增强后的图像。

水下光学图像复原方法1. 基于退化模型的复原方法水下图像常常受到水的吸收、散射、折射等多种因素的影响而产生失真，这使得恢复原始图像变得非常困难。

因此，使用退化模型来描述失真过程，并对其进行复原是一种非常有效的方法。

该方法可以通过以下步骤实现：1. 构建水下光学图像的退化模型，描述失真过程。

2. 对失真图像进行去模糊处理，恢复图像的模糊部分。

3. 对去模糊后的图像进行去噪处理，恢复图像的噪声部分。

2. 基于双重模型的复原方法双重模型是指用两个模型来描述图像中的结构和纹理信息。

这种方法可以在充分考虑图像边缘信息的基础上，对图像进行复原。

该方法可以通过以下步骤实现：1. 构建双重模型，包括结构信息模型和纹理信息模型。

深度学习驱动的水下图像处理研究进展目录一、内容概括 (2)二、水下图像处理的重要性与挑战 (3)三、深度学习在水下图像处理中的应用 (4)3.1 深度学习算法概述 (5)3.2 水下图像增强技术 (6)3.3 水下图像目标识别与检测 (8)四、深度学习驱动的水下图像处理研究进展 (9)4.1 研究现状与发展趋势 (11)4.2 关键技术突破与进展 (12)4.3 应用领域拓展与案例分析 (14)五、深度学习算法在水下图像处理中的性能评估与优化策略 (15)5.1 性能评估指标与方法 (17)5.2 优化策略与技术手段 (18)5.3 实际应用中的性能表现分析 (19)六、水下图像处理技术面临的挑战与未来展望 (21)6.1 当前面临的主要挑战与问题 (22)6.2 未来发展趋势与前沿技术预测 (23)6.3 技术创新与应用拓展的思考与建议 (25)七、结论与展望总结全文，再次强调研究的重要性和价值，明确未来的研究方向和目标26一、内容概括本篇论文综述了深度学习在水下图像处理领域的最新研究进展，重点探讨了深度学习算法在水下图像增强、目标检测与识别、图像分割及深度估计等方面的应用。

随着人工智能技术的不断发展，水下机器人和无人潜水器等智能设备的应用日益广泛，对水下图像处理技术的要求也不断提高。

传统的图像处理方法在复杂多变的水下环境中往往表现不佳，而基于深度学习的端到端学习方法能够自动提取特征并学习到复杂的映射关系，因此在近年来得到了广泛的关注和研究。

本论文详细介绍了深度学习模型（如卷积神经网络、循环神经网络、生成对抗网络等）在水下图像处理中的应用，并对其优缺点进行了分析。

论文还讨论了水下图像处理中面临的挑战，如光照变化、水下噪声、成像设备特性等因素对图像质量的影响。

针对这些问题，研究者们提出了一系列新的方法和技巧，如基于深度学习的图像预处理与后处理技术、多模态数据融合策略、迁移学习等，以提高水下图像的质量和处理性能。

第62卷第2期吉林大学学报(理学版)V o l.62 N o.2 2024年3月J o u r n a l o f J i l i nU n i v e r s i t y(S c i e n c eE d i t i o n)M a r2024d o i:10.13413/j.c n k i.j d x b l x b.2022343基于多模态融合的深度神经网络图像复原方法李伟伟1,王丽妍2,傅博2,王娟1,黄虹1(1.山东青年政治学院信息工程学院,济南250103;2.辽宁师范大学计算机与人工智能学院,辽宁大连116081)摘要:针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力㊁监督注意力和非局部注意力,挖掘图像特征的尺度间相关性㊁特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比㊁结构相似性等定量对比以及颜色㊁细节等定性对比上都优于对比方法.关键词:多模态融合;深度神经网络;三重注意力;图像复原中图分类号:T P391文献标志码:A 文章编号:1671-5489(2024)02-0391-08D e e p N e u r a lN e t w o r k I m a g eR e s t o r a t i o n M e t h o dB a s e d o n M u l t i m o d a l F u s i o nL IW e i w e i1,WA N GL i y a n2,F U B o2,WA N GJ u a n1,HU A N G H o n g1(1.S c h o o l o f I n f o r m a t i o nE n g i n e e r i n g,S h a n d o n g Y o u t hU n i v e r s i t y o f P o l i t i c a lS c i e n c e,J i n a n250103,C h i n a;2.S c h o o l o f C o m p u t e r a n dA r t i f i c i a l I n t e l l i g e n c e,L i a o n i n g N o r m a lU n i v e r s i t y,D a l i a n116081,L i a o n i n g P r o v i n c e,C h i n a)A b s t r a c t:A i m i n g a t t h e p r o b l e m s o f t h e c o m p l i c a t e du n d e r w a t e r i m a g e i m a g i n g e n v i r o n m e n t r e s u l t e d i n t h e s u b s e q u e n t i m a g e a n a l y s i so f t e nb e i n g a f f e c t e db y c o l o rb i a s a n do t h e r f a c t o r s,w e p r o p o s e da d e e p c o n v o l u t i o n a l n e u r a l n e t w o r k i m a g e r e s t o r a t i o n m e t h o db a s e do n m u l t i-s c a l e f e a t u r e sa n dt r i p l e a t t e n t i o n m u l t i m o d a l f u s i o n.F i r s t l y,t h ed e e p c o n v o l u t i o n a ln e u r a ln e t w o r ki n t r o d u c e dt h ei m a g e m u l t i-s c a l e t r a n s f o r m a t i o n f e a t u r eo nt h eb a s i so f e x t r a c t i n g t h e i m a g es p a t i a l f e a t u r e.S e c o n d l y,b y u s i n g c h a n n e l a t t e n t i o n,s u p e r v i s e d a t t e n t i o n a n dn o n-l o c a l a t t e n t i o n,t h e s c a l e c o r r e l a t i o n a n d f e a t u r e c o r r e l a t i o n o fi m a g e f e a t u r e s w e r e m i n e d.F i n a l l y,b y d e s i g n i n g a m u l t i m o d a lf e a t u r e f u s i o n m e c h a n i s m,t h ea b o v et w ot y p e so f f e a t u r e sc o u l db ee f f e c t i v e l y f u s e d.T h e p r o p o s e d m e t h o d w a s t e s t e do n t h eo p e nu n d e r w a t e r i m a g e t e s t s e ta n dc o m p a r e d w i t ht h ec u r r e n tm a i n s t r e a m m e t h o d s. T h e r e s u l t ss h o wt h a t t h i sm e t h o d i s s u p e r i o r t o t h ec o m p a r i s o n m e t h o d i n q u a n t i t a t i v ec o m p a r i s o n s u c ha s p e a ks i g n a l-t o-n o i s e r a t i oa n ds t r u c t u r a l s i m i l a r i t y,a sw e l l a s q u a l i t a t i v e c o m p a r i s o ns u c ha s c o l o r a n dd e t a i l s.K e y w o r d s:m u l t i m o d a l f u s i o n;d e e p n e u r a l n e t w o r k;t r i p l e a t t e n t i o n;i m a g e r e s t o r a t i o n 收稿日期:2022-08-07.第一作者简介:李伟伟(1981 ),女,汉族,硕士,副教授,从事图形图像与深度学习的研究,E-m a i l:l w w@s d y u.e d u.c n.通信作者简介:傅博(1983 ),男,汉族,博士,副教授,从事图像处理与计算机视觉的研究,E-m a i l:f u b o@l n n u.e d u.c n.基金项目:国家自然科学基金(批准号:61702246)和山东青年政治学院博士科研启动基金(批准号:X X P Y21025).293吉林大学学报(理学版)第62卷随着人工智能技术的不断发展,深度学习中神经网络强大的自学习能力在图像处理领域具有至关重要的作用,目前已将其应用于自然图像处理[1]中,并取得了显著成果.在海洋能源勘探㊁海洋环境保护以及海洋物种分析等领域,水下图像包含了大量的海洋资源视觉信息,是人们观察和探索海洋的重要载体.但由于水下复杂的成像环境及光线吸收等各种干扰因素的影响,真实水下图像的获取通常很困难.在水下图像采集过程中,图像视觉质量常会降低,例如图像模糊㊁偏色㊁有噪声等,无法获取有效且准确的图像视觉内容,进而严重影响后续的图像分析任务.因此,通过水下图像复原方法,提升图像清晰度㊁丰富图像细节信息,对海洋资源的探索利用和海洋生物的分类识别等具有重要意义.目前,水下图像复原方法已取得了许多研究成果.早期传统的水下图像复原方法大多数是基于先验知识和物理模型的设计,达到图像恢复的效果.T r u c c o等[2]设计了一种自调谐图像复原滤波器,其基于简化的J a f f e-M c G l a m e r y水下成像模型设计,对图像局部对比度质量判决函数进行优化,进而估计出滤波器中的参数值;F a n等[3]对解决水下图像复原任务,提出了新的点扩散函数(P S F)和调制解调函数(M F T),图像先经过算数平均滤波后,再用迭代盲反褶积方法得到去噪图像的初始点扩散函数的理想值,最后得到图像复原的效果;H e等[4]针对有雾图像提出了暗通道先验算法复原.之后很多研究者都对暗通道进行了研究,并应用于水下图像复原.G a l d r a n等[5]合理地利用水下图像衰减与光波长的关系,提出了一种R通道复原方法用于处理水下图像,提高了图像的颜色校正和清晰度;C h e n g等[6]利用R通道先验,通过分析P S F的物理特性,提出了一种简单㊁有效的低通滤波器复原水下图像,从而提高水下图像的对比度和可见度;张凯等[7]通过水下图像亮度通道下的多尺度R e t i n e x(M S R)算法处理,提出了一种基于多尺度的R e t i n e x算法,对水下彩色图像的全局视觉效果有很大提升;S h a r a n y a等[8]分别使用了直方图均衡㊁噪声降噪滤波器和基于二阶方向导数的重复插值方法提高水下图像质量,增强细节信息.尽管上述传统方法在一定程度上可以减少图像模糊程度㊁增强边缘㊁改善偏色,但由于数据少导致模型的适用性较差,并且模型中的参数需要手动设置,因此只适用于退化程度较小的图像.近年来,基于深度学习的水下图像复原方法逐渐成为主流.例如:L i等[9]利用水下图像及其深度学习数据训练一种可粗略地估计出水下场景深度的端到端网络;F a b b r i等[10]提出了一种U G A N网络用于水下图像复原,首先采用C y c l e G A N网络[11]将高质量的水下图像渲染为低质量的水下图像,得到数据集后再通过网络训练改善水下视觉场景质量;L i等[12]提出了一种W a t e r N e t网络用于水下图像,构建水下增强基准以建立水下图像增强网络;I s l a m等[13]从图像内容㊁颜色㊁纹理细节等方面恢复水下图像,通过对目标函数多方式调整提出了一种F U n I E-G A N网络.但上述算法泛化能力较弱,网络结构设计较浅,网络本身无法学习到图像的全部特征.无论是传统算法还是基于深度学习的方法,大多数是提取出单一的数据特征进行处理,从而达到图像复原的效果.尽管深度学习方法在去噪和去除偏色问题等各方面都表现出了明显优势,但单一的数据类型更多地限制了网络学习图像自身更多信息的能力,无法关注到更多类型的数据特征.因此,本文提出一种新的水下图像复原模型框架基于多尺度特征与三重注意力多模态融合的深度神经网络水下图像复原方法.该方法在深度学习框架下,将图像数据特征和小波数据特征有效融合,学习更多的高低频信息.同时,在网络框架中采用3种注意力模块,可以同时去除噪声和恢复图像颜色,挖掘图像更多的细节特征,有效提升图像的视觉质量.1图像复原整体架构1.1水下图像成像模型水下图像的生成通常遵循以下模型:I(x)=J(x)t(x)+A(1-t(x)),(1)其中x表示水下图像中第x个像素,I(x)表示退化后的原始图像,J(x)表示清晰图像,J(x)t(x)表示直接分量,A(1-t(x))表示背景散射分量,A表示水下环境光,t(x)表示场景光透射率.式(1)根据J a f f e-M e G l a m e r y[1]水下成像模型而得,水下成像主要由相机接收到光线衰减后的直接图1 水下图像成像模型F i g .1 I m a g i n g m o d e l o f u n d e r w a t e r i m a g e 分量㊁前向散射分量㊁后向散射分量三部分组成,如图1所示.在神经网络框架下,给定一个源域Y (退化后图像)和期望域X (清晰图像),可得到映射H :Y {I (x )}ңX ,其中I (x )表示退化的水下图像.本文的目标是学习该映射以实现水下图像的自适应复原,可得深度学习框架下的目标函数为a r g m i n X 12 X -H (Y ) 22,(2)其中X 为清晰的图像,Y 为复原后的图像,算法的目标是寻找一种使函数最小化的映射H .1.2 网络模型整体架构本文提出的基于多模态数据融合的水下图像复原网络整体架构主要包括三部分,如图2所示,即浅层特征去噪部分㊁小波特征融合部分和深度特征增强部分.浅层特征去噪部分主要由一个C N -G r o u p 组成,其中在一个卷积层和R e L U 激活层后嵌入了非局部注意力模块(n o n -l o c a l a t t e n t i o n m o d u l e ,N AM ).在提取图像浅层特征的同时,非局部注意力模块可较好地抑制噪声以达到去噪的效果,并可用于进一步的深层特征增强.由于特征空间中不同的高低频特征对图像复原有重要的参考价值,因此在小波特征融合部分网络的初始阶段采用小波分解变换,准确地分解出图像的高低频特征信息,同时末端嵌入监督注意力模块(s u p e r v i s e d a t t e n t i o nm o d u l e ,S AM ),以实现特征之间的渐进学习.监督注意力模块以真实图像作为监督条件进行约束,同时输出前一阶段的注意力特征图,将学习到的高低频信息传递给下一阶段,并与浅层去噪特征融合.深度特征增强模块是在浅层去噪特征和小波特征融合的基础上进一步挖掘图像的细节特征,进行深层特征的增强和复原,其由两个卷积层㊁两个C C -G r o u p ㊁长短跳跃连接和一个反卷积层组成,其中C C -G r o u p 包括两个卷积层㊁R e L U 激活函数层和通道注意力模块(c h a n n e l a t t e n t i o nm o d u l e ,C AM ).采用通道注意力模块可以关注通道之间的相关性,从而挖掘深层特征进行增强.因此,基于该网络框架,本文将目标函数形式化为求以下最小损失函数:m i n L (F N e t (y ;θ),x ),(3)其中F N e t 表示本文提出模型的函数,L 表示损失函数,y 为网络的输入即退化图像,x 为真实的干净图像,参数θ可通过训练网络学习得到.图2 基于多模态数据融合的水下图像复原网络架构F i g .2 U n d e r w a t e r i m a ge r e s t o r a t i o nn e t w o r kf r a m e w o r kb a s e do nm u l t i m o d a l d a t a f u s i o n 2 3种注意力模块和小波分解模块本文提出的框架主要为解决图像去噪和细节增强问题,其中非局部注意力模块用于图像浅层特征393 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法去噪;而通道注意力机制模块用于图像增强,恢复更多图像细节;小波分解变换下的特征融合,在整个网络框架中具有核心的作用.2.1非局部注意力模块对于图像去噪,传统的非局部均值(n o n-l o c a lm e a n s,N L M)[14]算法通过采用非局部滤波器进行滤波操作,计算所求像素值与图像中所有点的相似度,加权平均得到新的像素值,从而达到去噪的效果.其计算公式为u(x)=ðyɪI w(x,y)v(y),(4)其中:v表示噪声图像; u表示去噪后的图像;w表示加权平均的权重;x和y分别表示当前像素和相关性像素的位置,通过计算两者相似程度赋以权重w(x,y),通常采用欧氏距离计算二者的相似度.由于注意力机制可帮助卷积神经网络重点关注图片的一些局部信息生成相应的序列,因此,借鉴非局部均值的思想,本文将非局部算子模块化,嵌入到C N-G r o u p中,形成非局部注意力模块N AM,如图3所示.在非局部注意力模块中,采用卷积操作和残差连接实现该算法的思想,可以随意插入到任何网络结构中.首先,采用3个1ˑ1大小的卷积层,提取到3个特征矩阵θ,ϕ,g;其次,为减少计算量,对输出的特征进行降维,然后计算其中两个输出的特征相似性,并对其进行S o f t m a x操作进行归一化;最后,将归一化后的系数对应乘回特征矩阵g中,再经过一个1ˑ1大小卷积层得到相应的通道数,并与输入做残差连接,从而得到与输入大小一致的非局部结果,本文将此过程表示为y i=S o f t m a x(θ(x i)Tϕ(x j))g(x i),Z i=W z y i+x i.(5) 2.2监督注意力模块在小波特征融合部分的末端,嵌入监督注意力模块.在网络训练过程中,中间特征的监督具有一定的参考价值.监督注意力模块不仅提供真实图像作为监督形成约束条件,还将小波变换后学习到的特征更好地融入到浅层去噪特征中,主要表现在生成注意力特征图抑制当前信息较少的特征,只允许有用的特征传递给下一阶段,其结构如图4所示.首先,前一阶段的输入特征f i n被一个3ˑ3的卷积层卷积得到的特征叠加在退化图像I n p u t上,通过真实图像监督计算C h a r b o n n i e r损失,从而得到中间输出I n t e r_o u t p u t.然后,中间输出被一个1ˑ1卷积层和S i g m o i d函数激活后,并与输入特征f i n经过一个3ˑ3的卷积层后的特征点乘,其结果与输入特征f i n融合得到输出的注意力特征图f o u t,并将其用于小波特征和浅层去噪特征的融合.本文将此过程用网络的形式描述为I n t e r_o u t p u t=C o n v(f i n)+I n p u t,f o u t=S ig m o i d((C o n v(I n t e r_o u t p u t))㊃C o n v(f i n))+f i n.(6)图3非局部注意力模块F i g.3N o n-l o c a l a t t e n t i o nm o d u l e图4监督注意力模块F i g.4S u p e r v i s e da t t e n t i o nm o d u l e2.3通道注意力模块在深层特征增强部分中的C C-G r o u p中,本文嵌入了通道注意力模块,如图5所示,它可以更多关注重要的通道特征,对深层特征的提取和增强有极大的辨识能力,从而进行网络深层次特征增强和细节纹理恢复.将通道注意力模块嵌入到C C-G r o u p中,同时伴有残差连接,即使在更深层次的网络493吉林大学学报(理学版)第62卷中,也能利用通道之间的相互依赖关系,提取有用的特征信息.通道注意力模块由一个平均池化层㊁两个卷积层㊁R e L U 激活函数和S i gm o i d 激活函数以及残差连接组成.首先,输入特征经过一个池化层对其下采样得到压缩后的特征图;然后,经过两次卷积和R e L U 激活函数先后使通道降维再升维,从而学习了多个通道之间的非线性相互作用;最后,被S i g m o i d 函数激活后,其输出与输入相乘得到等大的输出结果.本文将此过程用网络形式描述为f o u t =S i g m o i d (C o n v (R e L U (C o n v (p o o l (f i n )))))㊃f i n .(7)图5 通道注意力模块F i g .5 C h a n n e l a t t e n t i o nm o d u l e 2.4 小波分解模块通过卷积得到的特征大多数存在显著性.因此,本文引入小波变换将图像分成低频和高频小波子带,然后将它们输入到浅层去噪和深层增强部分进一步学习和挖掘深层特征信息,如图2所示.小波变换[15]有助于减少信息损失,能较好地重构原始图像内容,采用离散小波变换(DWT )和整数小波变换(I WT )可以更好地将小波特征和浅层去噪特征融合.本文采用H a a r 小波核,用4个卷积核提取不同频率分量,分别表示直流㊁横向㊁纵向㊁斜向上的能量,用公式表示为f L L =11æèçöø÷11, f L H =-1-1æèçöø÷11, f H L =-11-æèçöø÷11, f HH =1-1-æèçöø÷11. 经过DWT 后,大小为(B ,C ,H ,W )的图像可以变成大小为(B ,4C ,H /2,W /2)的小波带,其中B ,H ,W ,C 分别表示批次尺寸㊁高度㊁宽度和通道数.这样可以降低计算成本,有助于加快训练过程.在网络训练过程中,DWT 后输出的特征图通道为12,I WT 后输出的特征图通道数变为16,卷积层输出的特征图通道为64,因此,融合小波特征后的卷积层其输入通道数为80,输出通道数为64.特别地,小波变换是双向的,能适用于端到端的网络训练.小波分解变化用公式表示为f o u t =DWT (I n p u t ).(8)2.5 损失函数基于多模态数据融合的水下图像复原网络框架的整体损失函数如下:L =L 1(O u t p u t ,G T )+L C h a r b o n n i r (I n t e r _o u t p u t ,G T ),(9)其中L 1和L C h a r b o n n i r 分别表示L 1损失和C h a r b o n n i e r 损失函数[16],G T 表示真实水下图像,O u t p u t 表示整体网络复原后的图像,I n t e r _o u t p u t 表示经过监督注意力模块得到的输出图像.C h a r b o n n i e r 损失进行约束在于利用真实图像监督提取有用的特征,其损失函数形式如下:L C h a r b o n n i r = I n t e r _o u t p u t ᵡ-G T 2+ε2.(10)为防止网络梯度消失,这里ε为常数,经验设置为10-3.3 实 验3.1 实验设置本文算法的实验操作基于W i n d o w s10操作系统㊁P y T o r c h 深度学习框架和N V I D I A G e F o r c e R T X3090G P U.采用E U V P 中的U n d e r w a t e rD a r k 水下图像数据集,其中包括5550对已配对的训练图像和570张验证图像.在实验过程中,本文选用5550对已配对的训练图像中的5022对配对图像对数据集进行训练,528对配对图像对数据集进行测试,另570张图像作为验证图像.网络训练过程中,参数b a t c h _s i z e 设置为16,pa t c h _s i z e 设置为48,学习率设置为10-4,采用A d a m 优化器,迭代次数e p o c h 为300时网络达到收敛,同时采用最优模型进行测试.此外,为验证去噪效果,在原有数据集上模拟高斯噪声进行训练和测试.采用其他4种现有的深度学习图像复原算法作为对比算法,分别是C y c l e G A N [17],F U n I E -G A N [11],S h a l l o w -UW n e t [18]和R C A N [19].为保证实验的公平性和可靠性,所有算法均采用与本文相593 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法同的训练集与测试集.在评价图像质量上,除主观视觉观察外,还采用峰值信噪比(P S N R)和结构化相似性(S S I M)两个客观评价指标.3.2实验结果分析本文对所有算法均在统一测试集上进行测试,并且分别模拟了高斯噪声强度为5,10和15的测试集,对P S N R和S S I M分别进行对比,其量化结果列于表1.由表1可见,本文算法测试结果在P S N R 和S S I M分数上明显突出.为进一步展示视觉效果,在噪声强度为10的情况下,选择测试集中6张不同的图像进行对比,其复原结果如图6所示.表1本文方法与其他水下复原算法的P S N R和S S I M分数值对比结果T a b l e1C o m p a r i s o n r e s u l t s o fP S N Ra n dS S I Ms c o r e s o f p r o p o s e dm e t h o da n do t h e r u n d e r w a t e r r e s t o r a t i o na l g o r i t h m s算法评价指标数据集E U V P+噪声强度σ51015C y c l e G A N P S N R/S S I M16.35/0.777316.27/0.729516.26/0.6858F U n I E-G A N P S N R/S S I M20.65/0.863220.23/0.807620.24/0.7764S h a l l o w-UW n e t P S N R/S S I M20.67/0.866320.57/0.830920.03/0.7822R C A N P S N R/S S I M22.35/0.893322.15/0.872821.95/0.8479本文P S N R/S S I M22.55/0.897322.33/0.875522.09/0.8527图610噪声强度下的水下图像复原效果F i g.6R e s t o r a t i o n e f f e c t s o f u n d e r w a t e r i m a g e s a t n o i s e l e v e l10由图6可见,相比于其他水下复原算法,本文算法无论在去噪还是恢复图像细节纹理上都有很大优势,尤其是在解决偏色问题上更突出.在6张对比图像中,前3张和后3张图像处于不同颜色范围,前3张图像均处于偏蓝绿色,而后3张图像颜色更丰富,本文提出的算法都能较好地解决偏色问题.因此,本文提出的基于多模态数据融合的水下图像复原算法可较好地复原退化的水下图像.693吉林大学学报(理学版)第62卷3.3 消融实验为进一步验证本文算法融合小波特征和3种注意力模块的有效性,对增加的不同模块做消融实验.在噪声强度为10的情况下,增加不同模块的量化结果列于表2.表2 消融实验的量化对比结果T a b l e 2 C o m p a r i s o no f q u a n t i t a t i v e r e s u l t s o f a b l a t i o n e x p e r i m e n t s 方法 数据集噪声强度σP S N R S S I M 1)w /C AM E U V P 1022.150.87282)w /N AM E U V P 1021.800.86103)w /N AM+C AM E U V P 1022.190.87084)w /N AM+C AM+S AM w /oDWT (I WT )E U V P1022.260.87495)w /N AM+C AM+S AM E U V P 1022.330.8755 具体实验内容如下:1)有小波分解模块情况下,只带有通道注意力模块;2)有小波分解模块情况下,只带有非局部注意力模块;3)有小波分解模块情况下,只带有通道注意力模块和非局部注意力模块;4)无小波分解模块情况下,带有通道注意力模块㊁非局部注意力模块和监督注意力模块;5)有小波分解模块情况下,带有通道注意力模块㊁非局部注意力模块和监督注意力模块.消融实验视觉效果如图7所示.图7 消融实验的视觉效果F i g .7 V i s u a l e f f e c t s o f a b l a t i o n e x pe r i m e n t 由表2和图7可见,方法1)~4)考虑了累加不同注意力模块的表现情况,而方法4)和5)验证了小波分解模块的优势.因此,无论是从视觉效果还是客观评价结果都可得出结论:本文算法在水下图像的恢复方面与其他算法相比有一定的优势.综上所述,针对水下图像偏色失真问题,本文提出了一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络水下图像复原方法,突破了单模态对神经网络学习的限制.在使用深度卷积神经网络提取图像空间特征时,引入了图像多尺度变换特征.通过通道注意力㊁监督注意力和非局部注意力挖掘图像特征的尺度间相关性和特征间相关性.在公开的水下图像测试集进行测试,并与其他方法进行对比的实验结果证明了本文方法的优越性.参考文献[1] D O N GC ,L O YCC ,H EK M ,e t a l .L e a r n i n g aD e e p C o n v o l u t i o n a lN e t w o r k f o r I m a g eS u p e r -r e s o l u t i o n [C ]//E u r o p e a nC o n f e r e n c e o nC o m p u t e rV i s i o n .B e r l i n :S p r i n ge r ,2014:184-199.793 第2期 李伟伟,等:基于多模态融合的深度神经网络图像复原方法893吉林大学学报(理学版)第62卷[2] T R U C C O E,O L MO S-A N T I L L O N A T.S e l f-t u n i n g U n d e r w a t e rI m a g e R e s t o r a t i o n[J].I E E E J o u r n a lo fO c e a n i cE n g i n e e r i n g,2006,31:511-519.[3] F A NF,Y A N G KC,M I N X,e t a l.U n d e r w a t e r I m a g eR e s t o r a t i o nb y M e a n so fB l i n dD e c o n v o l u t i o nA p p r o a c h[J].F r o n t i e r s o fO p t o e l e c t r o n i c s i nC h i n a,2010,3:169-178.[4] H EK M,S U N J,T A N G X O,e ta l.S i n g l eI m a g e H a z e R e m o v a l U s i n g D a r k C h a n n e lP r i o r[J].I E E ET r a n s a c t i o n s o nP a t t e r nA n a l y s i s&M a c h i n e I n t e l l i g e n c e,2011,33(12):2341-2353.[5] G A L D R A N A,P A R D OD,P I CÓN A,e t a l.A u t o m a t i cR e d-C h a n n e lU n d e r w a t e r I m a g eR e s t o r a t i o n[J].J o u r n a lo fV i s u a l C o mm u n i c a t i o n&I m a g eR e p r e s e n t a t i o n,2015,26:132-145.[6] C H E N GCY,S U N GCC,C HA N G H H.U n d e r w a t e r I m a g eR e s t o r a t i o nb y R e d-D a r kC h a n n e l P r i o r a n dP o i n tS p r e a d F u n c t i o n D e c o n v o l u t i o n[C]//2015I E E E I n t e r n a t i o n a l C o n f e r e n c e o n S i g n a la n d I m a g e P r o c e s s i n gA p p l i c a t i o n s(I C S I P A).P i s c a t a w a y,N J:I E E E,2015:110-115.[7]张凯,金伟其,裘溯,等.水下彩色图像的亮度通道多尺度R e t i n e x增强算法[J].红外技术,2011(11):14-18.(Z HA N G K,J I N W Q,Q I U S,e ta l.M u l t i-s c a l eR e t i n e xE n h a n c e m e n tA l g o r i t h m o nL u m i n a n c eC h a n n e lo fC o l o rU n d e r w a t e r I m a g e[J].I n f r a r e dT e c h n o l o g y,2011(11):14-18.)[8] S HA R A N Y A R S,R AM E S H R.H a z e-F r e e U n d e r w a t e rI m a g e E n h a n c e m e n t[J].I n t e r n a t i o n a lJ o u r n a lo fI n n o v a t i v eR e s e a r c ha n dD e v e l o p m e n t,2013,2(3):533-543.[9] L I J,S K I N N E RKA,E U S T I C ER M,e t a l.W a t e r G A N:U n s u p e r v i s e dG e n e r a t i v eN e t w o r k t oE n a b l eR e a l-T i m e C o l o rC o r r e c t i o n o fM o n o c u l a rU n d e r w a t e r I m a g e s[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2017,3(1):387-394.[10] F A B B R IC,I S L AM M J,S A T T A RJ.E n h a n c i n g U n d e r w a t e r I m a g e r y U s i n g G e n e r a t i v eA d v e r s a r i a lN e t w o r k s[C]//2018I E E EI n t e r n a t i o n a l C o n f e r e n c eo nR o b o t i c sa n dA u t o m a t i o n(I C R A).P i s c a t a w a y,N J:I E E E,2018:7159-7165.[11] Z HUJY,P A R K T,I S O L AP,e t a l.U n p a i r e d I m a g e-t o-I m a g eT r a n s l a t i o nU s i n g C y c l e-C o n s i s t e n tA d v e r s a r i a lN e t w o r k s[C]//P r o c e e d i n g s o f t h e I E E EI n t e r n a t i o n a lC o n f e r e n c eo nC o m p u t e rV i s i o n.P i s c a t a w a y,N J:I E E E, 2017:2223-2232.[12] L ICY,G U O CL,R E N W Q,e t a l.A nU n d e r w a t e r I m a g eE n h a n c e m e n tB e n c h m a r kD a t a s e t a n dB e y o n d[J].I E E ET r a n s a c t i o n s o n I m a g eP r o c e s s i n g,2019,29:4376-4389.[13]I S L AM MJ,X I A Y,S A T T A RJ.F a s tU n d e r w a t e r I m a g eE n h a n c e m e n t f o r I m p r o v e d V i s u a lP e r c e p t i o n[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2020,5(2):3227-3234.[14] B U A D E S A,C O L L B,MO R E L J.A N o n-l o c a l A l g o r i t h m f o rI m a g e D e n o i s i n g[C]//C o m p u t e r S o c i e t yC o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2005:60-65.[15] L I U PJ,Z HA N G HZ,L I A N W,e t a l.M u l t i-l e v e lW a v e l e t C o n v o l u t i o n a lN e u r a lN e t w o r k s[J].I E E EA c c e s s,2019,7:74973-74985.[16] C HA R B O N N I E RP,B L A N C-FÉR A U DL,A U B E R TG,e t a l.T w oD e t e r m i n i s t i cH a l f-Q u a d r a t i cR e g u l a r i z a t i o nA l g o r i t h m s f o r C o m p u t e dI m a g i n g[C]//P r o c e e d i n g s o f1s tI n t e r n a t i o n a l C o n f e r e n c e o nI m a g e P r o c e s s i n g.P i s c a t a w a y,N J:I E E E,1994:168-172.[17]I S L AM MJ,X I A Y,S A T T A RJ.F a s tU n d e r w a t e r I m a g eE n h a n c e m e n t f o r I m p r o v e d V i s u a lP e r c e p t i o n[J].I E E ER o b o t i c s a n dA u t o m a t i o nL e t t e r s,2020,5(2):3227-3234.[18] N A I K A,S WA R N A K A R A,M I T T A L K.S h a l l o w-UW n e t:C o m p r e s s e d M o d e lf o r U n d e r w a t e r I m a g eE n h a n c e m e n t[C]//C o n f e r e n c e o nA r t i f i c i a l I n t e l l i g e n c e.P a l oA l t o:A A A IP r e s s,2021:15853-15854.[19] Z HA N G Y L,L I K P,L I K,e ta l.I m a g eS u p e r-r e s o l u t i o n U s i n g V e r y D e e p R e s i d u a lC h a n n e l A t t e n t i o nN e t w o r k s[C]//I E E EC o n f e r e n c eo nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n.P i s c a t a w a y,N J:I E E E,2018: 294-310.(责任编辑:韩啸)。

基于深度学习的水下图像增强算法研究基于深度学习的水下图像增强算法研究摘要：水下环境的特殊性给水下图像的获取和处理带来了很大的挑战。

水下图像通常会受到光照衰减、散射、噪声和失真等影响，导致图像质量下降，难以满足人类的观察和图像处理需求。

本文侧重于水下图像增强算法的研究，利用深度学习方法来提高水下图像的质量和可视性。

通过对比不同算法的实验结果，验证深度学习方法在水下图像增强中的有效性和可行性。

1. 引言水下环境的一些特殊因素，如光线的衰减和散射，波浪的折射和干扰等，对水下图像的质量造成了很大的影响。

这些因素导致水下图像在对比度、清晰度和色彩方面都存在问题，难以直观地表达和处理。

因此，研究水下图像增强算法具有很大的实用价值和研究意义。

2. 水下图像的特点水下图像的特点主要包括光照衰减、颜色失真和散射。

在水下环境中，光线随着深度的增加而衰减，使得图像在亮度和对比度方面变得模糊。

此外，水下环境中的颜色也会发生变化，常见的是蓝色偏移现象。

同时，光线的散射会导致图像中的噪声和模糊，使得水下图像难以辨认和分析。

3. 水下图像增强算法为了提高水下图像的质量和可视性，研究者们提出了各种水下图像增强算法。

传统的方法包括直方图均衡化、滤波器和调整色彩平衡等。

然而，这些方法往往不能满足人们对水下图像处理的需求。

基于深度学习的水下图像增强算法是当前的研究热点，通过训练深度神经网络来学习水下图像的特征和模式，进而提高图像质量。

4. 基于深度学习的水下图像增强算法研究利用深度学习方法提高水下图像的质量和可视性是一种高效和有效的方式。

基于深度学习的水下图像增强算法主要包括卷积神经网络（CNN）和生成对抗网络（GAN）。

CNN通过多层卷积和池化操作来提取图像的特征，将输入的低质量水下图像转化为高质量图像。

GAN通过生成器和判别器的对抗训练来生成真实且具有高质量的水下图像。

这些算法在水下图像增强领域取得了显著的成果。

5. 实验结果和分析通过在水下图像数据库上进行实验，比较了不同算法在提升图像质量方面的效果。

改进的基于暗通道先验的水下图像复原算法马铭志;黄丽姝【摘要】目前针对单幅图像去雾处理,暗通道先验算法取得较好的成果,但对于水下图像而言,光在传播时会受到水介质的吸收、水中颗粒物散射影响,出现颜色失真、对比度下降等现象,直接采用传统去雾方法对水下图像进行复原效果并不理想.在暗通道先验的去雾算法基础上,提出一种新的水下图像复原算法.实验表明,改进算法可以有效地提高水下退化图像的质量,同时具有较好的颜色复原效果.【期刊名称】《现代计算机（专业版）》【年(卷),期】2019(000)001【总页数】4页(P80-83)【关键词】图像复原;暗通道先验;背景光;多尺度融合;梯度域导向滤波;透射率【作者】马铭志;黄丽姝【作者单位】四川大学计算机学院,成都 610065;四川大学计算机学院,成都610065【正文语种】中文0 引言由于光在水下环境传播过程中，会受到水介质的吸收和水中颗粒物的散射，进而导致水下图像退化，出现对比度下降、细节信息缺失、颜色失真等现象。

如今，水下图像处理技术已经应用到海洋研究的诸多领域，因此水下图像复原具有重要的现实意义。

基于水下成像的模型，水下图像处理方法主要划分为两类：一类为图像增强方法，利用一定的技术手段，来提高对比度低的图像清晰度，增加图像细节信息，另一类为图像复原方法，对图像退化模型进行分析，通过逆求解成像模型对图像进行复原。

He 等对大量室外无雾图像进行统计总结出暗通道先验理论，并提出相应的单幅图像去雾算法，对该算法进行改进并应用到水下图像复原中，也取得了很好的效果。

由于水下图像的特殊性，不同波长的光在水下的传输过程中衰减比例不同，He 算法所达到的效果并不理想，出现了严重的颜色失真、图像边缘处“光晕效应”等现象。

总结以上方法，本文提出了一些改进措施：通过采用四叉树的分层搜索方法估计大气光值；提出基于小波分解的多尺度融合方法计算暗通道图，减少边缘外溢现象；采用梯度域导向滤波算法细化透射率图，降低算法复杂度；复原图像时，采用三颜色通道分别复原策略，补偿不同波长光在水中衰减损失。

基于颜色校正和物理模型的水下图像复原方法研究基于颜色校正和物理模型的水下图像复原方法研究摘要：水下图像的获取受到光线的散射、吸收等因素的影响，导致图像质量下降。

为了增强水下图像的可视化效果，本文研究了一种基于颜色校正和物理模型的水下图像复原方法。

该方法首先对水下图像进行颜色校正，进而利用物理模型进行图像修复，最终达到提高水下图像质量的目的。

实验证明，该方法能够有效地提高水下图像的亮度和对比度，还原真实颜色，提升图像细节。

1. 引言水下图像是指在水下环境中获取的图像，如水下摄影、水下机器人等应用都需要使用水下图像。

然而，由于水下环境中光线的衰减和散射引起的水质变化，水下图像往往会失真、模糊，并且光照不均匀，颜色失真等问题。

因此，如何提高水下图像的质量，对于水下图像应用具有重要意义。

2. 相关工作近年来，研究者们提出了多种水下图像复原方法。

其中，颜色校正是改进水下图像色调的一种方法。

颜色校正方法包括基于传感器模型、颜色补偿和颜色恢复等。

物理模型是用于解决水下图像质量问题的一种常用方法，主要应用物理学原理对水下光照强度、颜色和散射程度等参数进行估计。

3. 方法设计本文提出的水下图像复原方法采用了基于颜色校正和物理模型的综合策略。

首先，对水下图像进行颜色校正，通过建立传感器模型对RGB三个通道进行校正，消除颜色偏差。

其次，利用物理模型对水下图像进行修复。

本文采用了散射模型和水下光照模型，分别估计了散射参数和光照强度。

最后，将校正后的图像与修复得到的图像进行叠加，得到最终复原的水下图像。

4. 实验与结果在实验证明，本文提出的方法能够有效地提高水下图像的亮度和对比度，还原真实颜色，提升图像细节。

通过与其他水下图像复原方法进行比较，本文方法在色调校正、图像恢复和细节增强等方面都取得了良好的效果。

例如，在水下目标检测任务中，本文方法能够明显提高目标边缘的清晰度和轮廓的准确度。

5. 总结与展望本文基于颜色校正和物理模型的水下图像复原方法能够有效地提高水下图像质量。