KLDD:基于KL散度驱动色偏校正与多阶段增强融合的水下图像增强
《Optics & Laser Technology》:KLDD: Underwater image enhancement via KL-divergence-driven color cast correction and multistage enhancement fusion
【字体:
大
中
小
】
时间:2026年09月27日
来源:Optics & Laser Technology 4.6
编辑推荐:
摘要
由于波长相关的吸收和光散射效应,水下图像往往存在严重的色偏、光照不均匀、对比度降低和细节模糊等问题。为了解决这些退化问题,本研究提出了一种基于KL散度驱动的色偏校正和多阶段增强融合的 underwater image enhancement method,称为KLDD
摘要
由于波长相关的吸收和光散射效应,水下图像往往存在严重的色偏、光照不均匀、对比度降低和细节模糊等问题。为了解决这些退化问题,本研究提出了一种基于KL散度驱动的色偏校正和多阶段增强融合的 underwater image enhancement method,称为KLDD。首先,一个KL散度驱动的自适应色偏校正模块在CIELAB颜色空间中测量水下图像与自然参考图像之间二维联合色度分布的差异。所得散度被映射为一个有界的补偿系数,用于自适应控制统计色彩迁移的强度。校正颜色后的图像随后被多阶段自适应亮度与对比度增强模块和多尺度自适应细节增强模块并行处理。前者结合互补的伽马-对数映射、噪声感知的多尺度局部重建、置信度引导的融合和亮度锚定正则化,以在保留高亮区域的同时改善暗区可见性和局部对比度。后者整合多尺度分解、自适应去噪和基于边缘显著性的加权,以增强可靠的纹理和结构细节,同时抑制噪声放大。最后,一个跨尺度一致性引导的自适应小波变换融合模块,利用可靠性感知的低频融合和结合跨尺度结构先验、噪声感知加权及符号一致性约束的高频融合,将两个增强分支的互补信息整合在一起。在UCCS、UIQS和UIEB数据集上的实验表明,KLDD在多项无参考图像质量评价指标上取得最佳或接近最佳的性能,同时产生自然的色彩恢复、均衡的亮度和清晰的结构细节。消融研究、参考图像分析、参数敏感性分析和运行时比较进一步验证了所提方法的有效性和稳定性。
引言
随着海洋探索技术的持续进步,水下成像技术已广泛应用于海洋勘探[1]、生物研究[2]、水下考古[3]和基础设施检测[4]等领域,成为获取海洋环境信息和目标特征的重要手段。然而,由于水的光学性质复杂,所捕获的图像往往受到色彩失真、对比度低和细节模糊等问题的退化影响。这些退化严重阻碍了准确的目标识别和场景理解,从而限制了相关应用的发展。因此,迫切需要开发能够在复杂退化条件下保持鲁棒性能的水下图像增强方法。
与典型的大气雾霾不同,水下光传播不仅受到强散射的影响,还受到波长相关的吸收作用,导致不同颜色通道的非均匀衰减,进一步加剧了图像退化。Ancuti等人[5]指出,水对不同波长的光表现出显著不同的吸收系数:红光在约5米内几乎被完全衰减,橙光在约10米处大幅减弱,黄光则在15-20米范围内逐渐消失。相比之下,蓝光和绿光的波长衰减较低,可以传播更远的距离,导致水下图像主要呈现蓝色或绿色色偏;当绿光占主导而部分红光仍然保留时,图像可能呈现淡黄色调[6]。在此过程中,散射改变了光的传播方向,导致图像对比度降低和细节模糊,而吸收则有选择性地削弱不同波长的能量,导致明显的色彩失真。成像机制如图1所示。
针对这些问题,研究人员已开发了多种水下图像增强与恢复方法。传统无模型方法通常采用自动白平衡、灰度世界假设、统计色彩匹配、直方图调整或像素级映射来改善色彩和对比度[7]、[8]、[9]。这些方法相对简单且计算效率高,但它们通常依赖于固定的统计假设,在复杂色彩退化和非均匀光照条件下可能导致校正不足或过度校正。基于物理模型的方法通过建模光吸收、散射、背景光照和透射来恢复潜在的清晰图像[10]、[11]。尽管它们提供了一定程度的物理可解释性,但其性能高度依赖于成像假设的有效性和参数估计的准确性。当真实水下条件偏离预定义模型时,估计误差可能会被放大,导致色彩恢复不稳定或局部亮度失真。最近,基于卷积神经网络、生成模型和Transformer的深度学习的方法展现了强大的特征表示能力[12]。然而,它们通常需要大量的训练数据和计算资源,而它们的跨数据集泛化能力和可解释性仍然有限。
对于亮度和对比度增强,伽马校正、对数映射、色调映射和基于Retinex的方法已被广泛用于改善低光照图像的可见性[13]、[14]、[15]、[16]。然而,固定的映射函数无法同时适应暗区、易出现高亮的区域和平坦区域。激进的增强可能引入过曝光、光晕伪影和放大的噪声,而保守的增强可能无法揭示暗区中的足够信息。多阶段和局部-全局协同方法在一定程度上缓解了这一问题[15]、[17],但根据区域曝光和结构可靠性自适应地协调全局亮度映射和局部结构增强仍然具有挑战性。模糊增强和局部直方图调整也可以改善低对比度区域[18],但可能导致局部不连续或不自然的亮度变化。
对于细节恢复,多尺度分解、非锐化掩模和边缘保持滤波可以在不同空间尺度上增强纹理和边缘[19]、[20]、[21]、[22]。然而,高频细节通常伴随着随机噪声和散射伪影,直接增强可能会错误地将噪声作为有效纹理放大。固定的尺度权重也无法充分适应图像区域间的结构变化,可能导致细节恢复不足或局部过度锐化。图像融合提供了一种整合不同增强分支互补信息的手段,但传统方法通常采用预定义的求平均、最大值选择或单尺度活动规则[23]、[24],难以根据局部信息质量动态分配分支贡献。最近的频域-空间交互网络和研究驱动的深度融合方法提供了更好的自适应性[25]、[26],但涉及相对复杂的网络架构并依赖于训练数据。Subramani和Veluchamy[27]结合了像素强度优化、基于高斯金字塔的纹理增强和上下文对比度增强,以同时处理色彩、可见度和局部细节。然而,他们的色彩调整主要基于像素和通道强度优化,且各个增强阶段并未明确纳入联合色度分布差异或跨尺度结构一致性。
为解决这些问题,本研究提出了一种基于KL散度驱动的色偏校正和多阶段增强融合的水下图像增强方法KLDD。KLDD由四个协同模块组成。首先,受文献[28]中使用KL散度来衡量颜色相关概率分布之间差异的启发,引入了一种KL散度驱动的自适应色偏校正方法,称为KLCC。KLCC在CIELAB颜色空间中计算水下图像与具有相对均匀色度分布的自然参考图像之间二维联合色度分布的差异。所得差异被映射为一个有界的补偿系数,用于自适应控制统计色彩迁移的强度。校正颜色后的图像随后分别由多阶段自适应亮度与对比度增强模块(MALCE)和多尺度自适应细节增强模块(MADE)处理。MALCE结合互补的伽马-对数映射、噪声感知的多尺度局部重建、置信度引导的融合和亮度锚定正则化,以在抑制过曝光和不自然亮度变化的同时改善暗区可见性和局部对比度。MADE采用多尺度细节分解、自适应去噪和基于边缘显著性的尺度加权,以在降低噪声放大风险的同时增强可靠的纹理和边缘。最后,一种跨尺度一致性引导的自适应小波变换融合方法(ADWF)利用可靠性感知的低频活动、跨尺度结构一致性先验、噪声感知的高频加权和符号一致性约束,将亮度增强和细节增强图像的互补信息整合在一起。所提方法的总体工作流程如图2所示。
本研究的主要贡献总结如下:
1. 提出了一种KL散度驱动的自适应色偏校正方法(KLCC)。该方法利用CIELAB颜色空间中二维联合色度分布的KL散度来刻画水下图像与自然参考图像之间的全局色度差异。采用有界映射来在保留原始亮度和结构信息的同时自适应控制统计色彩迁移。
2. 开发了一种多阶段自适应亮度与对比度增强方法(MALCE)。将互补的伽马-对数映射、噪声感知的多尺度局部增强、置信度引导的融合和亮度锚定正则化整合在一起,以在抑制过曝光和不自然亮度变化的同时改善暗区可见性和局部对比度。
3. 提出了一种多尺度自适应细节增强与跨尺度一致性引导的DWT融合框架。MADE增强可靠的纹理和边缘信息,而ADWF自适应地整合亮度增强和细节增强图像,以在细节恢复、噪声抑制、结构连续性和色彩一致性之间实现更好的平衡。
本文其余部分的组织如下。第2节回顾了无模型、基于物理和基于深度学习的水下图像增强相关研究。第3节详细介绍了所提的KLDD方法及其四个组成模块。第4节描述了实验设置,并分析了定性和定量比较、消融研究、参数敏感性和计算效率。最后,第5节总结了全文,讨论了所提方法的局限性,并概述了未来研究方向。
相关工作
水下图像增强旨在减轻水下成像固有的退化效应,包括色彩失真、模糊和低对比度,从而为水下目标检测和机器人操作等高级视觉任务提供可靠的视觉输入[19]。根据所采用的先验信息和建模策略,现有方法通常可分为三类:基于物理的成像模型方法、非物理模型方法和深度学习
所提方法
由于水下环境的光学性质复杂,获取高质量的水下图像仍然具有挑战性。光吸收破坏了色彩平衡,而光散射导致对比度下降和细节模糊。传统增强方法[13]、[16]、[18]往往难以在色彩恢复、对比度增强和细节保留之间取得平衡,导致增强不足或过度增强。此外,对非均匀光照的考虑不足
实验
本节介绍了实验设置,包括数据集、评价指标和实现环境。所提方法在UCCS、UIQS和UIEB数据集上与八种代表性的基于物理、无模型和深度学习的方法进行了评估。进行了定性和定量比较、消融研究、参数分析、运行时评估、特征匹配和图像分割实验,以评估增强性能和实际
结论
本研究提出了KLDD,一种基于KL散度驱动的色偏校正和多阶段增强融合的水下图像增强方法。KLCC在CIELAB颜色空间中测量水下图像与自然参考图像之间二维联合色度分布的差异,并将所得的KL散度映射为一个有界的补偿系数,用于自适应统计色彩迁移。校正颜色后的图像随后被处理
CRediT作者贡献声明
赵守博:监督,资助获取。陈文杰:撰写-初稿,可视化,软件,方法论。尹越:数据整理,概念化。钱诚:验证,调查。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系,这些可能影响本文所报告的工作。
致谢
国家自然科学基金(61801148);广东海洋大学科研启动基金(101501-060302062301);湛江市科技计划项目(2025A701004)
赵守博 | 陈文杰 | 尹越 | 钱诚
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号