1
问题 C
复杂场景下水下图像增强研究
对于海洋探索而言，清晰高质量的水下图像对于深海地形勘测和海底资源调查至关重要。然而，在复杂的水下环境中，由于光在水中的传播过程中发生吸收和散射等现象，图像质量会下降，导致图像模糊、对比度低、颜色失真等问题。这些情况被称为水下图像退化。
水下图像退化的主要原因包括光在水中的传播损耗、前向散射和后向散射效应，以及悬浮颗粒对光的散射作用[5]。
这些因素共同导致水下图像传输过程中细节和清晰度损失，影响视觉识别和分析。
(a) (b)
(c) (d)
图 1. 水下图像退化的示意图，(a)显示绿色色偏，(b)显示蓝色色偏，(c)显示图像模糊，(d)显示光线不足。
水下成像过程的示意图如图 2 所示。
图 1. 水下图像退化的示意图，(a)显示绿色色偏，(b)显示蓝色色偏，(c)显示图像模糊，(d)显示光线不足。
2
水下成像过程的示意图如图 2 所示。
根据 Jaffe-McGlamery 水下成像模型，水下图像
可以表示为三个分量的线性组合：直射分量、前向散射分量和后向散射分量
[1]。其中，前向散射分量是指目标表面反射或辐射后，被水中悬浮颗粒散射后进入成像系统的的光，该分量会导致获取的图像模糊。后向散射分量是指自然光进入水中后，被悬浮颗粒散射后进入成像系统的的光，导致获取的图像对比度低。在一般情况下，由于物体与摄像机距离较近，采用简化的成像模型：
𝐀(𝐀) = 𝐀(𝐀)𝐀(𝐀) + 𝐀(𝐀(𝐀)),
其中，I(x)表示退化的水下图像，J(x)表示清晰图像，B 表示水下环境中的环境光，t(x)表示水下场景的光透射函数。光透射率在不同条件下会发生变化。同时，水下环境光也会随着深度和水体浑浊度等因素而变化，这些都会导致水下图像退化加剧。
图 2. 水下图像退化原理示意图 [6]
在对水下图像进行增强和其他处理操作之前，需要对待处理图像进行统计分析，如图 3 所示。图像分析通常利用数学模型结合图像处理技术来分析底层特征和高级结构，从而提取智能信息。例如，使用直方图可以统计分析图像不同通道的颜色分布，而应用边缘算子可以提供图像中目标轮廓的清晰度信息。这些信息有助于我们将图像分类到不同的类别中，并为图像增强提出有针对性的解决方案。
3
图 3. 使用增强技术前后水下图像的颜色分布曲线，每个通道的分布曲线更加均衡，彼此更加接近，
从而
提高了视觉效果[7]。
水下图像增强技术是一种通过应用信号处理、图像处理、
和机器学习理论来提高在水下环境中捕获的图像质量的技术。它旨在减少由水对光的吸收和散射引起的问题，例如图像模糊、颜色失真和对比度降低，从而提高水下图像的可见性和清晰度。
水下图像增强和恢复方法可以分为传统方法和深度学习方法。传统方法可以进一步分为非物理模型和基于物理的模型。非物理模型方法通过直接调整图像的像素值来提高视觉质量，包括应用现有的图像增强方法和专门设计的算法。
基于物理模型的方法对水下图像的退化过程进行建模和参数估计以反演。这些方法可以基于假设或先验知识进行反演，也可以利用水下成像的光学特性来改进恢复后的图像。然而，由于水下场景的复杂性，大多数现有方法无法处理所有场景。
因此，针对复杂场景量身定制的水下场景增强算法对于后续水下视觉任务非常重要。
因此，针对复杂场景定制的水下场景增强算法对于后续水下视觉任务至关重要。
4
为了评估不同场景下水下图像退化的程度并提供有针对性的增强方法，请回答以下问题：
问题 1：请使用上述文本中提到的类似图像统计分析技术，对附件 1 中提供的海底图像进行多角度分析。将附件 1 中提供的图像分为三类：色偏、低光照和模糊，并在“Answer.xls”附件中的三个位置填写文件名。并解释进行此类分类的原因。
问题 2：基于问题 1 中提出的退化类型，利用题目中提供的 подводная съемка 模型，结合附件中的图像构建一个水下场景图像退化模型。分析不同场景[1]下拍摄的水下图像的退化原因（包括但不限于色偏、低光照等）。分析这些退化模型的异同（例如，从颜色、光照、清晰度等方面进行分类）。
问题 3：基于问题 2 中建立的水下场景图像退化模型，针对单一场景（例如色偏、模糊、低光照）提出一种水下图像增强方法，并利用……（此处原文缺失）验证所提出的增强方法。
附件中提供了图像数据。请将附件 2 中测试图像的增强结果及其相应的评价指标包含在论文中，计算并呈现输出图像的 PSNR、UCIQE、UIQM 和其他评价指标，并将它们填写到“Answer.xls”文件中提供的附件 1 结果表中。
问题 4：现有水下图像增强模型的建模适应性在不同场景下差异很大。请结合上述问题和附件中提供的图像，提出一种适用于复杂场景的水下图像增强模型
（例如，非物理模型，可参考[2]-[5]）。该模型应能够增强各种复杂场景下的水下图像退化问题
。
将附件 2 中测试图像的增强结果及其相应的评价指标包含在论文中展示，
计算并输出输出图像的 PSNR、UCIQE、UIQM 和其他评价指标，并将它们填写到“Answer.xls”文件中提供的附件 2 结果表中。
问题 5：比较针对特定场景的各种增强技术与针对复杂场景的单一增强技术，并针对实际应用中的水下视觉增强提出可行性建议。
5
附件：
附件：https://pan.baidu.com/s/1tXeoiDvxsGbIQ42obLf5xw?pwd=2024 验证码：2024
附录：
水下图像评价指标：
PSNR（峰值信噪比）、UCIQE（水下彩色图像质量评价）和 UIQM（水下图像质量度量）是评估图像质量的关键指标。以下是这三个指标计算方法的全面描述。
PSNR（峰值信噪比）：
PSNR 是衡量图像质量的客观标准，它计算原始图像和处理图像之间的均方误差（MSE），并将其转换为分贝单位来衡量图像质量。
UCIQE（水下彩色图像质量评价）：
UCIQE [9]是色度密度、饱和度和对比度的线性组合，用于定量评估水下图像中不均匀的色偏、模糊和低对比度。它是一种不需要参考（真实）图像的图像质量评估指标。具体定义如下：
𝐀𢀀𝐀𝠀𝐀 = 𝐀1 × 𝐀𝐀 + 𝐀2 × 𝐀𤀀𝐀𝐀 + 𝐀3 × 𝐀𝐀
其中，𝐀𝐀表示色度标准差，𝐀𤀀𝐀𝐀表示亮度对比度，𝐀𝐀表示平均饱和度。c₁、c₂和 c₃是加权系数。如上所述，色度方差与人们对感兴趣的水下彩色图像的感知之间存在良好的相关性。使用色度差异来描述色偏还有其他原因。
UIQM（水下图像质量测量）：
UIQM [8]是一个综合考虑水下图像色彩、锐度和对比度等属性的评价指标。其计算公式为：
𝐀𝐀𝠀🀀 = 𝐀1 × 𝐀𝐀𢀀🀀 + 𝐀2 × 𝐀𝐀𝐀🀀 + 𝐀3 × 𝐀𝐀𢀀𤀀𝐀🀀,
其中，UICM、UISM 和 UIConM 分别代表水下图像的色彩、锐度和对比度测量值；c₁、c₂和 c₃为权重系数。
6
参考文献：
[1]. 丛润民，张雨墨，张晨，李崇义，赵瑶. 深度学习驱动的水下图像增强与复原研究进展[J]. 信号处理, 2020, 36(9): 1377-1389. DOI: 10.16798/j.issn.1003-0530.2020.09.001
[2]. Li C, Anwar S, Porikli F. 受水下场景先验启发的深度水下图像和视频增强[J]. 模式识别, 2020, 98: 107038.
[3]. Ancuti C O, Ancuti C, De Vleeschouwer C, et al. 用于水下图像增强的色彩平衡和融合[J]. IEEE 图像处理汇刊, 2017, 27(1): 379-393. [4]. 王永新，刁明，韩闯. 基于最小二乘估计的水下图像复原算法[J]. 计算机辅助设计与图形学学报, 2018, 30(11): 2125-2133. DOI: 10.3724/SP.J.1089.2018.17041
[5]. Gao, X.; Jin, J.; Lin, F.; Huang, H.; Yang, J.; Xie, Y.; Zhang, B. 通过多频细节优化和自适应颜色校正增强水下图像. J. Mar. Sci. Eng. 2024, 12, 1790. https://doi.org/10.3390/jmse12101790
[6]. 周杰，李兵，张丹，等. UGIF-Net：一种高效的全引导信息流网络用于水下图像增强[J]. IEEE 地球科学与遥感汇刊, 2023.
[7]. 陈锐，蔡志，袁杰. UIESC：一种基于自注意力和对比学习的水下图像增强框架[J]. IEEE 工业信息学汇刊, 2023, 19(12): 11701-11711.
[8] K. Panetta、C. Gao 和 S. Agaian，“受人类视觉系统启发的水下图像质量度量”，《IEEE 海洋工程杂志》，第 41 卷，第 3 期，第 541-551 页，2016 年 7 月，doi: 10.1109/JOE.2015.2469915
541-551, 2016 年 7 月，doi: 10.1109/JOE.2015.2469915
[9] M. Yang 和 A. Sowmya，“一种水下彩色图像质量评价指标”，《IEEE 图像处理汇刊》，第 24 卷，第 12 期，第 6062-6071 页，2015 年 12 月，doi: 10.1109/TIP.2015.2491020。