✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
水下成像质量易受光散射与波长选择性衰减的双重影响，导致图像出现雾感模糊、对比度下降及偏蓝色彩失真等问题，严重制约海洋工程、水下监测等领域的应用。为同步解决上述两类失真，本文提出一种融合波长补偿与图像去雾（WCID）的水下图像增强算法。该算法先基于暗通道先验原理估计场景深度与透射率，通过去雾模型消除悬浮颗粒散射引发的雾效应；再利用背景光中各波长残余能量比估算水深，结合比尔-朗伯定律对不同波长光的衰减差异进行反向补偿，校正色彩失真。实验以水下视频数据集为对象，将所提算法与直方图均衡化、传统去雾算法进行对比，从主观视觉效果与客观质量指标（对比度、熵、平均梯度）验证其优越性。结果表明，该算法可同时优化图像清晰度与色彩保真度，生成高质量水下图像，为水下视觉任务提供技术支撑。
关键词：水下图像增强；波长补偿；图像去雾；暗通道先验；比尔-朗伯定律
1 引言
1.1 研究背景与意义
在海洋工程、水下生物监测、地质勘探及水下导航等领域，清晰的水下图像是实现精准分析与决策的核心基础。然而，水下环境的复杂性导致成像过程面临天然挑战，使得获取高质量水下图像难度极大。光线在水下传播时，一方面会被水中悬浮的砂粒、矿物质、浮游生物等微粒吸收与多次散射，形成类似“雾霾”的视觉效果，导致图像细节模糊、对比度降低；另一方面，不同波长光线的衰减系数存在显著差异，红光（620-750 nm）衰减最快，蓝绿光（450-570 nm）穿透力最强，这种选择性衰减使得水下图像普遍呈现偏蓝色彩失真，严重扭曲场景真实色彩信息。
例如，在典型水下图像中，远处礁石、鱼类因光散射产生明显雾感，轮廓模糊不清；而近景珊瑚、生物则因波长衰减导致颜色偏移，原本的黄色、棕色物体呈现青蓝色调。这类失真不仅影响人眼视觉判断，更会干扰后续计算机视觉任务（如目标检测、图像分割）的准确性。因此，研发能够同步解决光散射与色彩失真的水下图像增强技术，具有重要的理论价值与工程应用意义。
1.2 研究现状
现有水下图像增强技术多针对单一失真类型设计，难以兼顾清晰度与色彩校正需求，可分为去雾增强与色彩补偿两大类。
在去雾增强方面，传统方法以物理模型为核心，通过还原水下成像过程实现模糊消除。其中，暗通道先验算法凭借简洁高效的特性被广泛应用，其通过估计场景透射率与背景光，从观测图像中分离目标反射光与散射光，有效提升图像对比度。此外，基于偏微分方程（PDE）的方法通过自适应参数调节优化去雾效果，避免边缘过度增强与图像变暗问题；深度学习方法则通过端到端网络（如UNet、GAN）直接学习模糊图像到清晰图像的映射关系，在复杂场景中表现出较强适应性，但需大量标注数据与高额计算资源。
在色彩补偿方面，核心思路是基于光衰减规律校正波长差异引发的色彩失真。基于比尔-朗伯定律的方法通过估计各波长衰减系数，对缺失的色度信息进行反向补偿；色彩空间调整法则在RGB、HSI等空间中通过直方图均衡化、白平衡调整等手段平衡颜色分布。然而，这类方法仅关注色彩校正，对光散射导致的模糊问题无能为力。
近年来，部分研究尝试联合处理两类失真，但仍存在不足：部分算法忽略人工光源影响，导致补偿过度；部分算法对复杂水体环境（如高浑浊度）适应性较差，难以同时保证去雾效果与色彩保真度。因此，本文提出融合波长补偿与去雾的联合优化算法，实现水下图像质量的全面提升。
1.3 研究内容与结构
本文围绕水下图像的散射模糊与色彩失真问题，构建波长补偿与去雾联合增强框架，主要研究内容包括：梳理水下成像物理模型，明确光散射与波长衰减的作用机制；设计基于暗通道先验的场景深度与透射率估计方法，实现高效去雾；提出基于背景光残余能量比的波长补偿策略，校正色彩失真；通过对比实验验证算法性能。
本文后续结构如下：第2章阐述水下成像物理基础与核心理论；第3章详细设计联合增强算法流程；第4章通过实验验证算法有效性；第5章总结研究成果并展望未来方向。
2 水下成像物理模型与核心理论
2.1 水下成像物理模型
水下相机捕获的图像强度由两部分组成：目标物体反射光的直接透射分量，以及光线经水中微粒多重散射形成的背景光分量，其数学模型可表示为：
I(x) = J(x)t(x) + B(1 - t(x))
其中，I(x)为观测图像强度，J(x)为目标物体真实反射光强度，B为背景光强度（通常取图像最大亮度区域），t(x)为透射率，反映光线直达相机的比例，其表达式为t(x) = e^(-βd(x))，β为水体散射系数，d(x)为目标到相机的距离。该模型明确了散射模糊的产生机制，为去雾算法设计提供理论依据。
2.2 波长衰减与比尔-朗伯定律
不同波长光线在水中的衰减遵循比尔-朗伯定律，其光强衰减关系为：
I(λ, z) = I₀(λ)e^(-c(λ)z)
其中，I(λ, z)为深度z处波长λ的光强，I₀(λ)为水面入射光强，c(λ)为波长相关衰减系数，z为传播深度。由于c(λ)随波长增大而增大，红光在短距离内即被完全衰减，蓝绿光成为水下主要传播光线，导致图像偏蓝。基于此定律，可通过反向计算实现波长衰减补偿，即Î₀(λ) ≈ I(λ, z)·e^(c(λ)z)，恢复原始色度信息。
2.3 暗通道先验理论
暗通道先验是基于自然图像统计特性提出的深度估计方法，其核心假设为：在无天空区域的清晰图像中，存在至少一个颜色通道的强度接近0。对于水下模糊图像，通过构建暗通道可估计场景透射率与背景光，进而分离散射分量。暗通道的构建过程为：对图像每个像素，在其局部窗口内取最小强度值，再在所有颜色通道中取最小值，得到暗通道图像。基于暗通道可快速估算背景光B与透射率t(x)，为去雾处理提供关键参数。
3 基于波长补偿与去雾的联合增强算法
本文提出的WCID算法采用“先去雾、后色彩补偿”的流程，同时考虑人工光源影响，通过迭代优化实现图像质量提升，具体步骤如下：
3.1 预处理与人工光源检测
首先对输入水下图像进行灰度化与噪声过滤，去除高斯噪声对后续处理的干扰。随后检测图像中是否存在人工光源：通过分割前景与背景区域，计算两区域亮度均值差，若差值超过设定阈值，则判定存在人工光源，通过阈值分割剔除前景区域中人工光源的高亮分量，避免后续补偿过度。
3.2 基于暗通道先验的去雾处理
步骤1：构建暗通道图像。采用5×5局部窗口，按暗通道定义计算图像暗通道，保留场景深度信息。步骤2：估计背景光B。在暗通道图像中选取亮度最高的0.1%像素，对应原始图像中这些像素的亮度均值作为背景光B。步骤3：计算初始透射率t(x)。基于暗通道与背景光，结合水下散射系数β的经验值，计算初始透射率，为避免图像过暗，对透射率设置最小值（0.1）。步骤4：去雾图像生成。代入水下成像模型，求解目标反射光J(x)，即J(x) = (I(x) - B)/t(x) + B，得到去雾后的图像，此时图像清晰度提升，但仍存在色彩失真。
3.3 基于残余能量比的波长补偿
步骤1：估算场景深度。利用去雾后图像的背景光区域，计算各颜色通道（R、G、B）的残余能量比，结合比尔-朗伯定律反推场景水深z。由于不同波长衰减系数已知（红光c(R)、绿光c(G)、蓝光c(B)），通过R与B通道的能量比可计算得到水深z。步骤2：波长衰减补偿。针对每个颜色通道，根据估算的水深z与衰减系数c(λ)，按补偿公式对通道强度进行反向调节，重点增强红光通道的强度，校正偏蓝色彩。步骤3：色彩均衡化。在HSI色彩空间中对亮度分量进行直方图均衡化，保持色调与饱和度不变，进一步提升图像对比度与色彩协调性。
3.4 后处理与优化
对补偿后的图像进行边缘增强，采用Sobel算子突出目标轮廓细节；同时进行对比度限制自适应直方图均衡化（CLAHE），避免局部区域过亮或过暗。最后通过迭代调整透射率与补偿系数，使图像色彩与清晰度达到平衡，输出最终增强图像。
4 结论与展望
4.1 研究结论
本文针对水下图像的光散射与波长衰减双重失真问题，提出融合波长补偿与去雾的联合增强算法，主要结论如下：1）基于暗通道先验的去雾模块可有效去除水下散射模糊，提升图像清晰度，通过人工光源检测避免过度处理；2）基于残余能量比与比尔-朗伯定律的波长补偿模块，能精准校正色彩失真，恢复目标真实颜色；3）算法在不同水体环境中均表现出良好的适应性与鲁棒性，处理效率满足实时应用需求。
4.2 不足与展望
本文算法仍存在一定不足：水体散射系数β采用经验值，未实现自适应动态估计；对强方向性人工光源的处理效果有待提升。未来研究方向包括：1）结合深度学习方法，实现散射系数、衰减系数的自适应估计，提升算法对复杂水体的适应性；2）优化光源检测与处理模块，适配不同类型人工光源；3）拓展算法应用场景，结合视频帧间相关性，实现水下视频的实时增强，为水下机器人导航、海洋监测等实际任务提供技术支持。
⛳️ 运行结果
🔗 参考文献
[1] 舒婷.基于物理模型与非物理模型的图像去雾霾算法[D].吉首大学[2026-01-24].DOI:CNKI:CDMD:2.1015.700452.
[2] 陈生奇,刘畅.基于DM6467的视频图像增强系统研究[J].光学与光电技术, 2023, 21(4):67-74.
[3] 赵春丽,董静薇.基于暗通道及多尺度Retinex的雾霾天气图像增强算法[J].激光杂志, 2018, 39(1):6.DOI:10.14016/j.cnki.jgzz.2018.01.104.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
