1. 水下图像增强技术概述

水下摄影一直是个极具挑战性的领域。由于水体对光线的吸收和散射作用，水下图像普遍存在颜色失真、对比度低、模糊不清等问题。作为一名长期从事计算机视觉研究的工程师，我经常需要处理各种水下机器人传回的图像数据。经过多年实践，我发现结合白平衡、CLAHE和暗通道去雾这三种技术，能够显著改善水下图像质量。

这套组合方案的核心价值在于：白平衡校正颜色偏差，CLAHE增强局部对比度，暗通道去雾则能有效消除水体散射造成的雾化效果。三者协同工作，可以还原出更接近真实场景的图像。最近在车载显示屏自动白平衡技术兴起后，这套方法也被移植到了水下车辆的视频处理系统中。

2. 核心算法原理与技术实现

2.1 白平衡校正技术

白平衡是解决水下图像色偏问题的第一道工序。水对不同波长光线的吸收程度不同，导致图像整体色调偏蓝或偏绿。我常用的灰度世界假设法实现起来简单高效：

function img_out = gray_world(img_in) % 分离RGB通道 R = img_in(:,:,1); G = img_in(:,:,2); B = img_in(:,:,3); % 计算各通道均值 avgR = mean2(R); avgG = mean2(G); avgB = mean2(B); % 计算增益系数 k = (avgR + avgG + avgB) / 3; gainR = k / avgR; gainG = k / avgG; gainB = k / avgB; % 应用增益 img_out = cat(3, R*gainR, G*gainG, B*gainB); img_out = uint8(min(255, max(0, img_out))); end

注意：对于极端环境（如深海热泉附近），建议改用基于物理模型的白平衡方法，灰度世界假设可能不够准确。

2.2 CLAHE对比度增强

对比度受限的自适应直方图均衡化(CLAHE)是我处理水下图像的关键步骤。与普通直方图均衡化不同，CLAHE将图像分块处理，有效避免了过度增强噪声的问题：

function img_out = clahe_enhance(img_in) % 转换到LAB色彩空间 lab = rgb2lab(img_in); % 仅对L通道处理 L = lab(:,:,1)/100; % CLAHE参数设置 clip_limit = 0.02; % 对比度限制阈值 num_tiles = [8 8]; % 分块数量 % 应用CLAHE L_clahe = adapthisteq(L, 'ClipLimit', clip_limit, 'NumTiles', num_tiles); % 重构LAB图像 lab(:,:,1) = L_clahe*100; img_out = lab2rgb(lab); end

实测表明，8×8的分块设置配合0.02的对比度限制，能在增强细节和抑制噪声之间取得良好平衡。对于特别浑浊的水质，可以适当降低clip_limit值。

2.3 暗通道先验去雾算法

暗通道先验理论是去雾领域的重大突破。在水下环境中，该算法同样表现出色：

function img_out = dark_channel_dehaze(img_in, omega, t0) % 参数说明： % omega - 保持少量雾气的系数(0.75~0.95) % t0 - 最小透射率阈值(0.1~0.3) % 转换到双精度计算 img = im2double(img_in); % 估计暗通道 patch_size = 15; dark = min(img, [], 3); dark = ordfilt2(dark, 1, ones(patch_size)); % 估计大气光 [h,w,~] = size(img); num_pixels = h*w; num_top = round(num_pixels * 0.001); dark_vec = reshape(dark, num_pixels, 1); img_vec = reshape(img, num_pixels, 3); [~, indices] = sort(dark_vec, 'descend'); atmospheric = mean(img_vec(indices(1:num_top), :)); % 计算透射率 normalized = bsxfun(@rdivide, img, reshape(atmospheric, [1 1 3])); t = 1 - omega * min(normalized, [], 3); t = max(t, t0); % 恢复无雾图像 img_out = bsxfun(@minus, img, reshape(atmospheric, [1 1 3])); img_out = bsxfun(@rdivide, img_out, reshape(t, [h w 1])); img_out = bsxfun(@plus, img_out, reshape(atmospheric, [1 1 3])); % 限制输出范围 img_out = im2uint8(img_out); end

在实际应用中，omega参数通常取0.85左右，t0设为0.1。对于特别浑浊的水下图像，可以适当增大omega值。

3. 完整处理流程与参数优化

3.1 处理流程编排

经过多次实验验证，我发现以下处理顺序效果最佳：

1. 白平衡校正（灰度世界法）
2. CLAHE对比度增强
3. 暗通道去雾
4. 二次白平衡（可选）

function img_out = underwater_enhance(img_in) % 第一步：白平衡 img_wb = gray_world(img_in); % 第二步：CLAHE增强 img_clahe = clahe_enhance(img_wb); % 第三步：去雾处理 img_out = dark_channel_dehaze(img_clahe, 0.85, 0.1); % 可选：二次白平衡 % img_out = gray_world(img_out); end

3.2 参数调优经验

1. 白平衡阶段：

   • 对于蓝绿色偏严重的水下图像，可以增加红色通道的增益系数（1.1-1.3倍）
   • 珊瑚礁等彩色场景建议保留少量原始色调，避免过度校正

2. CLAHE阶段：

   • 清水环境：clip_limit=0.01-0.02
   • 浑浊环境：clip_limit=0.005-0.01
   • 夜间或低光环境：增加分块数量到16×16

3. 去雾阶段：

   • 浅水区：omega=0.75-0.85
   • 深水区：omega=0.85-0.95
   • 含悬浮物多的水域：t0=0.15-0.25

4. 实战案例与效果评估

4.1 典型水下图像处理结果

我们测试了三种典型水下场景：

1. 浅海珊瑚礁：

   • 原始问题：严重蓝绿色偏，珊瑚细节模糊
   • 处理后：珊瑚颜色还原真实，纹理清晰可见

2. 深海探测图像：

   • 原始问题：整体发暗，对比度极低
   • 处理后：细节显现，设备标识可辨识

3. 浑浊港口水域：

   • 原始问题：雾化严重，能见度差
   • 处理后：悬浮物轮廓清晰，水下结构可见

4.2 量化评估指标

除了主观视觉评估，我们还采用以下客观指标：

5. 常见问题与解决方案

5.1 过度增强问题

现象：图像出现halo效应或噪声放大解决方案：

1. 降低CLAHE的clip_limit值
2. 减小去雾的omega参数
3. 在处理前先进行降噪滤波

5.2 颜色失真问题

现象：某些区域颜色异常解决方案：

1. 检查白平衡步骤是否过度校正
2. 尝试不同的白平衡方法（如完美反射法）
3. 限制各通道的增益范围

5.3 处理速度优化

对于实时视频处理，可以采用以下优化策略：

1. 降低CLAHE的分块数量（如4×4）
2. 减小去雾的patch_size（如7×7）
3. 对图像进行下采样处理后再增强

6. 进阶技巧与扩展应用

6.1 多尺度融合技术

将不同参数的处理结果进行融合，可以获得更好的视觉效果：

% 生成两种不同参数的处理结果 img1 = underwater_enhance(img, 0.8, 0.1); img2 = underwater_enhance(img, 0.9, 0.2); % 计算权重图 gray = rgb2gray(img); weight = mat2gray(localcontrast(gray)); % 图像融合 img_fused = uint8(double(img1).*weight + double(img2).*(1-weight));

6.2 深度学习结合方案

传统算法与深度学习结合是当前的研究热点。一个实用的方案是：

1. 使用CNN网络预测最优处理参数
2. 基于预测参数应用本文的算法流程
3. 对结果进行后处理优化

这种方法既保持了传统算法的可解释性，又利用了深度学习的学习能力。

6.3 车载显示屏应用适配

在将本算法移植到车载系统时，需要注意：

1. 硬件加速：利用GPU处理CLAHE和去雾运算
2. 内存优化：限制图像分辨率（如1080p）
3. 实时性保障：采用帧间参数传递减少计算量

经过这些年在多个水下项目中的实践，我发现这套组合算法在大多数情况下都能取得令人满意的效果。特别是在资源受限的嵌入式设备上，相比纯深度学习方案，这种传统算法组合具有明显的效率优势。当然，针对特定应用场景进行参数调优是必不可少的步骤。