摘要：现阶段水下图像研究大多为海洋或深水域场景，有关河道等浅水域的研究内容较少。为此，基于改进的亮通道颜色补偿算法对河道浅水域图像景深小而导致的颜色偏置问题进行了研究。首先，采用暗通道先验解决河道图像的雾化现象，并运用PGPD算法进行去噪；其次，为解决去噪后图像存在颜色偏置和整体亮度偏低的问题，分别采用改进的亮通道颜色补偿算法与L2UWE算法对去噪图像和亮度提升图像进行第一轮多尺度融合；最后，将第一轮融合的输出图像与颜色校正图像进行第二轮多尺度融合，以获得更清晰的河道图像。实验结果表明，相较于模糊图像，图像的UCIQE值提高了20.3%、UIQM值提高了约1.75倍，信息熵也有显著提升。验证了该算法提升水下图像清晰度的有效性。

　　关键词：暗通道先验；多尺度融合；河道图像增强；颜色补偿

　　0引言

　　浑浊的水体不利于判断河床物体及堵塞情况，尤其是发生洪水时，存在因未及时清理而引发河水倒灌的隐患。同时水下机器人依赖视觉系统获取的水下图像和视频是观察和监测河床物体滞留情况的重要方式，但水体对光的吸收和散射作用导致获取的河道图像质量大幅下降，比如雾化现象、噪声、颜色偏置和低亮度等模糊问题，使得后续的河道情况判断存在极大的阻碍。因此，河道图像的清晰化研究具有重要的应用价值。

　　近年来，研究人员提出了诸多深水域图像清晰化的方法，可分为机理推导算法[1]和深度学习算法[2]。深度学习算法使用了大量的图像进行模型训练，但河道图像数据量较少，完成训练的模型鲁棒性不高，而且不同河道图像由于水质不同，所以较少使用基于深度学习算法进行河道图像增强。传统算法分为基于物理模型的复原算法和基于非物理模型的增强算法。基于物理模型的复原算法主要有水下暗通道先验、最小信息先验、模糊度先验、色线先验和水下光衰减先验。Drews等[3]根据蓝绿通道的统计信息提出了水下暗通道先验，认定离相机更近的物体，退化较少的颜色，但对蓝绿通道灰度值较高的物体传输图的估计有误。伍哲等[4]提出改进的暗通道先验算法，设置了预估背景光的色饱和度阈值，提高了背景光估计的准确性，获得了PSNR更均衡和噪声更小的清晰图像。Li等[5]提出一种基于最小信息损失和直方图分布先验的增强算法，得到了细节提升的清晰图像，但图像整体亮度过高，出现块效应。Peng等[6]通过图像模糊分析，将光吸收先验用于估计水下图像背景光、深度和传输图，取得了较好的效果。Berman等[7]将雾线模型扩展到水下图像，通过考虑不同光学特性分类的各种水类型恢复水下图像，但在校正颜色偏置上效果一般。Song等[8]提出了一种基于水下光衰减先验的场景深度估计模型，结合深度图估计水下图像的背景光和传输图，再通过物理模型恢复水下图像，得到的清晰图像平滑，边缘细节未得到较好保留。

　　基于非物理模型的增强算法主要有直方图方法、视网膜方法和图像融合方法。Huang等[9]通过基于自适应参数的直方图拉伸对水下图像的对比度和偏色进行矫正，对有背景的图像增强效果欠佳。Fu等[10]提出了一种基于视网膜的水下图像增强方法，根据颜色恒常性理论，去除光照的非均匀性的影响。Tang等[11]提出了一种基于多尺度Retinex的水下图像和视频的增强方法，先对图像预校正减少主色，再将多尺度Retinex应用于预校正图像，得到前景目标的清晰图像，但后景出现边缘模糊的问题。Ancuti等[12]通过多尺度融合策略将水下图像的颜色补偿和白平衡版本进行混合，清晰度得到有效提升，但在校正颜色偏置上表现不佳。Sethi等[13]将水下图像分别经直方图均衡化和暗通道去雾处理后，计算局部熵权重图和梯度权重图后进行归一化，再通过拉氏金字塔融合，取得较好的结果，但在校正颜色偏置上效果一般。马敏慧等[14]分别使用高斯低通滤波换成导向滤波的带颜色恢复多尺度Retinex和引入了Gamma校正的限制对比度自适应直方图均衡（Contrast-Limited Adaptive Histogram Equalization，CLAHE）对水下图像进行处理，再进行多尺度融合，校正了严重的颜色偏置和提升了对比度。

　　上述算法的研究对象大都为景深较大的深海图像，当前对于景深小的河道图像研究十分鲜见。同时，这些算法解决深海图像存在的雾化现象、颜色偏置和低亮度等问题取得了较好的效果，但对于河道图像反而表现不佳，尤其在校正颜色偏置上易出现对红通道过补偿。通过对河道图像的模糊成因分析，本文提出一种基于改进后的亮通道颜色补偿的分级多尺度融合的河道图像增强算法，以期综合增强河道图像信息得到清晰化图像。

　　1水下成像模型

　　根据目前广泛应用于水下图像处理算法中的Jaffe-McGlamery光学成像模型，可以将成像设备捕捉到的光线分解成直接分量（direct component）、前向散射分量（forward component）和后向散射分量（back-scatter com‐ponent）。成像模型表达如下：

　　Ic(x)=Jc(x)tc(x)+[Jc(x)∗g(x)]tc(x)+A∞[1-tc(x)]（1）式中：Ic(x)为进入相机的光线；Jc(x)为物体反射光；tc(x)为光线在水中的透射率；g(x)为点扩散函数；∗表示卷积运算；A∞为全局背景光。

　　为了降低了该模型的求解难度，考虑到前向散射分量对成像设备的输出影响较小，将模型进行简化。简化模型如下：

　　Ic(x)=Jc(x)tc(x)+A∞[1-tc(x)]（2）

　　将模型中的变量光线与水下图像上的像素点进行一一对应，式（2）整理变形得到：

　　Ic(x,y)=Jc(x,y)tc(x,y)+A∞[1-tc(x,y)]（3）式中：Ic(x,y)为成像设备的输出，即衰减后的图像；Jc(x,y)为需反解模型的输出，即真实图像；tc(x,y)为光线在水中的透射率。

　　2分级多尺度算法

　　本文数据通过CMOS相机采集，图像因浑浊水体出现雾化现象、平滑噪声、低亮度和颜色偏置等问题，因此提出如图1所示的算法进行图像增强。

　　首先，采用暗通道先验论对图像进行去雾，再使用PGPD去噪算法进行去噪，得到I1(x,y)。对I1(x,y)分别使用L2UWE算法提升图像整体亮度和改进的亮通道颜色补偿算法校正偏置，得到I2(x,y)和I4(x,y)。由于河道图像的景深相对海洋图像的景深较小，颜色偏置程度相对较轻，因此采用分级策略，将颜色校正后的图像设置在第二级进行融合。为避免边沿突变在图像上产生光晕，采用多尺度融合策略。第一次多尺度融合的输入图是去噪后的图像和亮度提升后的图像，得到I3(x,y)。最后，将I3(x,y)和I4(x,y)按权重图进行第二次多尺度融合，输出清晰图像。

　　2.1图像预处理

　　由于雾天成像与水下光学成像具有相似的成像模型，何凯明[15]提出的暗通道先验算法被广泛应用于水下图像去雾，其理论基于式（3）所述的Jaffe-McGlamery光学成像模型。

　　通过对无雾图像进行大量统计，何凯明认为3个颜色通道中，至少存在1个颜色通道强度值很低，甚至接近于0，该规律即为暗通道先验，其数学定义为：

　　式中：Jdark(x,y)为暗通道图像；Ω为以像素(x,y)为中心的局部区域。

　　根据暗通道先验，求出大气透射率为：

　　式中引入了调节参数w n，确保去雾图像保持真实，wn是一个接近于1的常数。

　　去除图像中存在的噪声对后续的颜色恢复和亮度提升有明显提升。引用文献[16]中的基于Patch Gan的高斯混合模型（PG-GMM）学习算法来学习非局部自相似性（NSS）先验进行去噪。在低照度的图像中，去噪效果极佳。由于河道图像获取时的自然环境光被水体的选择性吸收而衰减，图像整体的亮度偏暗，故使用非局部自相似性先验对图像进行去噪。峰值信噪比（PSNR）为40.59 dB和结构相似性（SSIM）为0.9858，可见去噪效果较好。去除图像中雾化现象和噪声，将有效地提升后续算法的增强效果。

　　2.2 L2UWE亮度提升

　　河道图像由于成像环境复杂和自然环境光衰减，图像标准差小，过于平滑，需进行对比度拉伸。文献[17]使用基于多尺度融合的增强算法用于突显出局部区域的对比度和显著性，从而提升图像的整体亮度。该算法有2个输入图，第1个输入图利用暗通道先验去雾，第2个输入图使用文献[18]的方法提升局部区域的细节纹理。通过文献[18]观察到在去雾过程中使用单一尺寸滤波模板会带来因小尺寸滤波模板带来的过饱和现象，照强度不连续而出现光晕和图像比例与模板尺寸不匹配等3个问题。为了在去雾过程中有效地解决上述3个问题，引入对比码图像（CCI），计算如下：

　　CCI(x,y)=arg miin[σ(Ki(x,y))]（6）

　　式中：Ki(x,y)为以像素点(x,y)为中心的滤波模板，其尺寸大小为(2i+1)（i=1，2，…，6，7）；σ为滤波模板内RGB三通道灰度值的标准差；CCI(x,y)为像素点(x,y)确定滤波模板，尺寸大小为[2CCI(x,y)+1]。

　　亮度提升前后对比图及其梯度直方图如图2所示，由图2（c）可知低亮度图像梯度大于50后，其概率逐渐趋于0，而亮度提升图像梯度大于300后，其概率才逐渐趋于0，细节信息明显增强，整体亮度提高。

　　2.3改进的亮通道颜色补偿

　　根据Lambert-Beer定律，光在水中的衰减程度与成像设备与目标物体的距离和水中的衰减系数呈指数关系且为负相关。透射率可以表述为：

　　tc(x,y)=exp[-pcd c(x,y)]c∈{r,g,b}（7）

　　式中：pc为光线在水中的衰减系数，其大小表示光在传播单位距离后能量变化量的大小；dc(x,y)为成像设备与目标物体的距离。

　　可见光都是由红色、蓝色和绿色的三原色色光线性组合而成，根据文献19三原色色光的p取值如下：

　　由式（8）可知，红色色光的衰减系数pc值明显大于其他两种原色色光的衰减系数pc值。结合式（7）可知，同一像素点的蓝色色光和绿色色光多于红色色光，即为光的选择性吸收。因此，水下图像都存在颜色偏置。在不进行人工补光的条件下，颜色偏置的严重程度，取决于自然环境的光照强度和图像获取时的景深。景深在10 m以内的河道图像颜色存在的颜色偏置现象较轻，提出改进的亮通道进行颜色补偿[20]。亮通道颜色补偿先获取图像的亮通道图，再确定补偿系数进行颜色补偿，最后对比度拉伸。亮通道的提取方法：式中：IL(x,y)为图像I(x,y)的亮通道图像；Ic(x,y)为图像I(x,y)的RGB三通道图像；max为最大值滤波；Ω(x,y)为以像素点(x,y)为中心的滤波模板，尺寸大小为15。

　　根据灰度世界平衡假设，对于RGB颜色模型各个通道的补偿量与亮通道图像的平均值和RGB颜色模型各个通道的平均值之差[E(IL)-E(Ic)]存在正相关关系。景深小的河道图像相较于景深大的水下图像，颜色偏置程度较轻。对于颜色偏置严重的图像，RGB三通道中R通道直方图波峰在零点附近，整体呈现蓝绿色调。而亮通道颜色补偿是根据像素点的区域内最大灰度值进行补偿，为防止局部区域过饱和而需要调节因子。对于颜色偏置较轻的图像，RGB三通道中R通道直方图波峰离零点较远。因此，颜色补偿计算如下：

　　Ib(x,y)=η×(E(IL)-E(Ic))×Ic(x,y)+Ic(x,y)（10）式中：三通道图像Ic(x,y)进行过归一化处理；Ib(x,y)是中间补偿图像；η=3.3，为调节因子。

　　将补偿后的图像进行对比度拉伸，计算如下：

　　式中：Ibc(x,y)为最终补偿图像；E(Ib)为Ib(x,y)的均值；S(Ib)为Ib(x,y)的标准差；L」表示向下取整。

　　颜色补偿前后及其RGB三通道直方图如图3所示，补偿后的图像各通道高灰度级的像素点数量增多，达到颜色补偿的目的。

　　2.4输入图像权重的计算

　　为进一步提升水下图像增强效果，本文将上述的3幅输入图像进行多尺度融合，根据文献[21]中定义亮度权重（WI）、局部对比度权重（WS）和色度权重（WC）3种权重，权重高的像素在融合图像中表现更明显。融合图像通过将占比不同的图像权重图组合起来，形成一幅具有多幅图像优势特征的图像。

　　亮度权重（WI）负责为具有良好可见性的像素分配高值，该权重图是通过输入图像的RGB三通道与灰度图像之间的偏差来计算。

　　式中：WI,k(x,y)为第k幅输入图（k=1，2）像素点(x,y)处的亮度权重；Rk(x,y)、Gk(x,y)、Bk(x,y)分别为第k幅输入图像素点(x,y)处RGB三通道的像素值；Lk(x,y)为第k幅输入图像素点(x,y)处RGB三通道灰度的均值。

　　局部对比度（WS）权重为了突显图像高显著性的区域，可以通过输入的平均值减去其高斯平滑后得到结果。局部对比度权重旨在强调水下场景中失去显著性的物体，加大了明暗区域的对比度，以此来提高图像的全局对比度。

　　式中：WS,k(x,y)为第k幅输入图像素点(x,y)处的局部对比度权重；Imean为输入图LAB颜色空间L通道的平均值；Iwhc为输入图LAB颜色空间L通道经低通高斯滤波器处理的输出，高斯低通滤波器的截止频率为π/2.75。

　　由于局部对比度权重图更倾向于突出具有高亮度值的区域，为了克服这一限制，引入色度权重图（WC），调整图像中的饱和区域，以获得饱和度均匀的融合图像，能够利用高饱和区域体现融合算法对彩色信息的适应能力。

　　式中：WC,k(x,y)为第k幅输入图像素点(x,y)处的色度权重；S(x,y)为输入图像素点(x,y)在HSI颜色空间中的饱和度；Smax为输入图中所有像素点的饱和度值的最大值，此处取为1；σ为控制标准差的灵敏度，取值为0.3效果较好。

　　2.4.1权重归一化

　　将每个像素点(x,y)的亮度权重、局部对比度权重和色度权重的和设为1，进行归一化处理。归一化的计算公式如下：

　　式中：k为第k幅输入图像像素点(x,y)的亮度权重、局部对比度权重和色度权重的归一化和。其中：

　　wk(x,y)=wI,k(x,y)+wS,k(x,y)+wC,k(x,y)（16）
      式中：wk(x,y)为第k幅输入图像像素点(x,y)的亮度权重、局部对比度权重和色度权重的和。

　　2.4.2多尺度融合

　　为防止单一的图像融合方法会出现严重的光晕，选用高斯金字塔算法和拉图普拉斯金字塔算法对图像进行分解，将分解后得到的两个图像金字塔进行融合。具体方法如下：

　　（1）将上述每幅输入图像分别分解为6层高斯金字塔，再相邻层级作差，求得拉氏金字塔；

　　（2）将上述计算所得每幅归一化权重图分解为高斯金字塔；

　　（3）拉氏金字塔和高斯金字塔在相同层级上进行融合，得到输出图像金字塔；

　　（4）将输出图像的金字塔每层进行上采样到原来图像大小再求和，得到输出图像。

　　拉氏金字塔是用来重新构造出一幅图像，通过高斯金字塔得到的不同分辨率的图像，然后将每一层与上一层进行作差，同时进行上采样并且做高斯卷积，最终会得到不同的差值图像。拉氏金字塔每层图像的表达式如下：

　　式中：PN为输入图像分解得到的拉氏金字塔的第N层。

　　GN+1的表达式如下：

　　GN+1=U(GN)w(m,n)（18）

　　式中：U为对图像进行上采样，采样后的图像尺寸大小放大为原来的2倍。

　　I1(x,y)的拉氏金字塔如图4（a）所示。高斯金字塔通过图像向下采样获得一组图像的集合，采样前需要对图像进行高斯滤波，高斯图像金字塔可以保持图像的结构纹理信息。高斯金字塔的每层图像的表达式如下：

　　GN=w(m,n)D(GN-1)（19）

　　式中：GN为指归一化权重图分解得到的高斯金字塔的第N层，N的取值为[1，5]的正整数；w(m,n)是指高斯卷积核，大小为5；D表示对图像进行下采样，采样后的图像尺寸大小缩小为原来一半。

　　I1(x,y)的高斯金字塔如图4（b）所示。

　　将上述得到的高斯金字塔和拉氏金字塔分别在相同层级上进行融合，得到融合后的输出图像金字塔，公式如下：

　　式中：FN(x,y)为融合后的输出图像金字塔的第N层；PN[Ik(x,y)]为第k幅输入图的第N层拉氏金字塔；GN[k(x,y)]为第k幅输入图对应归一化权重图的第N层高斯金字塔。

　　最后将输出图像金字塔进行上采样到输入图像的大小，公式如下：

　　式中：Iout为多尺度融合算法的输出图像。

　　3实验结果分析

　　目前，对水下图像增强实验结果分析主要分为两种：（1）定性分析通过人的主观感受直接对处理后的图像进行评价；（2）定量分析根据视觉系统的感知机制算法，模拟得出量化指标，以此对图像进行评价。本文采用水下彩色图像质量评价指标（UCIQE）（underwater color image qual‐ity evaluation metric）、水下图像质量评价（UIQM）（under‐water image quality measures）和图像信息熵（Entropy）。

　　为验证本文算法的有效性，用所提算法处理自制的河道图像数据集，并与现有的水下图像清晰化算法进行对比与分析，包括何凯明提出的暗通道先验去雾算法（DCP），水下暗通道先验算法（UDCP），直方图均衡[22]（Histogram Equalization，HE）和CLAHE[23]算法。

　　3.1视觉效果评价

　　本文算法与对比算法对于河道图像的处理结果如图5所示。

　　下面从去雾效果、图像整体亮度和色彩校正3方面分析增强效果：

　　基于物理模型的DCP方法能够较好地去除图像的雾化现象，但降低了图像的亮度且在图像边缘容易出现块效应。CLAHE算法较好地提升了图像的整体亮度和对比度，也去除了一些轻度的雾。HE算法大幅度地提升了图像的亮度，整体偏亮，但仍然存在大量的白雾。与其他算法相比，本文算法对图像的雾进行了有效去除，因而提升了图像整体亮度和对比度，同时边缘信息得到较好的保存，也对浅水域水下图像进行了颜色补偿，使图像颜色更为均衡，在视觉效果上更接近无水图像。

　　3.2客观质量评价

　　对于水下图像增强算法实验结果定量分析的质量评价分为全参考指标评估和无参考指标评估。由于模糊图像是自采，并无相对应的清晰图像作为参考，故选择无参考指标评估。为了更为客观地对算法效果进行分析评价，选用前文提及的水下彩色图像质量评价（UCIQE）指标、水下图像质量评价（UIQM）和图像信息熵（Entropy）。

　　UCIQE从色调标准差ZL、饱和度平均值JL及对比度NL 3个方面对水下彩色图像质量进行综合测评。该值越大，图像的综合质量越好。UCIQE定义如下：

　　QUCIQE=c1 ZL+c2 JL+c3 NL（22）

　　式中：QUCIQE为UCIQE指标值；c1、c2、c3均为加权系数，取值分别为0.468 0、0.257 6、0.274 5。

　　UIQM是从色彩度量指标（UICM）、清晰度度量指标（UISM）和对比度度量指标（UIConM）3个方面对图像质量进行评价。UIQM值越大，图像的综合质量越好。UIQM的定义如下：

　　QUIQM=a 1 QUICM+a2 QUISM+a3 QUIConM（23）

　　式中：QUIQM、QUICM、QUISM、QUIConM分别为UIQM、UICM、UISM和UIConM的指标值；a 1、a2、a3均为加权系数，取值分别为0.028 2、0.295 3、3.575 3。

　　信息熵衡量图像所含的信息量，定义如下：

　　式中：pi为计算每个灰度值出现的概率，灰度值总数为256个。

　　将300张河道水下图像平均分6组，分别计算每组的UCIQE、UIQM及Entropy3个指标均值，结果分别如表13所示。从表1可知，本文算法对原始图像进行处理后，各图像组的UCIQE均值高于其他算法，相比原始图像，在平衡色调、饱和度、对比度方面的效果更好。相比原始图像，各图像组的UCIQE提高了20.3%以上。从表2可知，经本文算法处理后，图像组的UIQM均值为最高，图像在色彩度量指标、清晰度度量指标和对比度度量指标方面的综合评价更好，相比原始图像，图像组的UIQM值提高了1.75倍以上。从表3可知，经本文算法处理后，除了Group 1和Group 2的Entropy均值仅低于HE，其他图像组的Entropy均值为最高。综上可知，本文算法对河道图像的增强效果更佳。

　　4结束语

　　水质混浊影响水下机器视觉检测，也干扰对河床物体滞留情况的监测工作。针对河道图像存在的模糊问题，本文提出了基于分级多尺度融合的河道图像增强算法，首先对水下机器人获取的图像进行预处理，去除了图像存在的雾化现象和平滑噪声，然后对处理后的图像分别采用L2UWE算法提升图像亮度和提出的基于改进的亮通道颜色补偿算法校正图像颜色偏置，其次将预处理后的图像和亮度提升后的图像进行第一级多尺度融合，最后将颜色偏置校正后的图像和第一级融合的输出图像进行第二级多尺度融合。实验结果表明，相较于模糊图像，UCIQE值提高了20%，UIQM提升了约1.75倍，信息熵也有显著提升，验证了本文算法能够有效地提升河道图像的清晰度。

　　[1]张恩齐,孔令胜,郭俊达,等.基于Retinex理论的低照度图像对比度增强算法[J].机电工程技术,2022,51(3):95-98,144.

　　[2]ISLAM M J,XIA Y,SATTAR J.Fast underwater image enhance‐ment for improved visual perception[J].IEEE Robotics and Auto‐mation Letters,2020,5(2):3227-3234.

　　[3]DREWS P J J R,NASCIMENTO E R,BOTELHO S S C,et al.Underwater depth estimation and image restoration based on sin‐gle images[J].IEEE Computer Graphics and Applications,2016,36(2):24-35.

　　[4]伍哲,郭文勇,曹承昊.基于改进DCP水下图像增强算法研究[J].舰船科学技术,2022,44(23):132-136

　　[5]LI C Y,GUO J,CONG R M,et al.Underwater image enhance‐ment by dehazing with minimum information loss and histogram distribution prior[J].IEEE Transactions on Image Process,2016,25(12):5664-5677.

　　[6]PENG Y T,COSMAN P C.Underwater image restoration based on image blurriness and light absorption[J].IEEE Transactions on Image Processing,2017,26(4):1579-1594.

　　[7]BERMAN D,LEVY D,AVIDAN S,et al.Underwater single im‐age color restoration using haze-lines and a new quantitative da‐taset[J].IEEE Transactions on Pattern Analysis and Machine In‐telligence,2021,43(8):2822-2837.

　　[8]SONG W,WANG Y,HUANG D M,et al.A rapid scene depth es‐timation model based on underwater light attenuation prior for underwater image restoration[J].Lecture Notes in Computer Sci‐ence(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics),2018,11164(8):678-688.

　　[9]HUANG D M,WANG Y,SONG W,et al.Shallow-water image enhancement using relative global histogram stretching based on adaptive parameter acquisition[J].Multimedia Modeling,2018,10704(5):453-465.

　　[10]FU X Y,ZHUANG P X,HUANG Y,et al.A retinex-based en‐hancing approach for single underwater image[J].2014 IEEE In‐ternational Conference on Image Processing(ICIP),2014:4572-4576.

　　[11]TANG C,VON LUKAS U F,VAHL M,et al.Efficient underwa‐ter image and video enhancement based on Retinex[J].Signal Image and Video Processing,2019,13(5):1011-1018.

　　[12]ANCUTI O,ANCUTI C,DE C V,et al.Color balance and fu‐sion for underwater image enhancement[J].IEEE Transactions Image Process,2018,27(6):379-393.

　　[13]SETHI R,INDU S.Fusion of underwater image enhancement and restoration[J].International Journal of Pattern Recognition and Artificial Intelligence,2019,34(3):2054007.

　　[14]马敏慧,王红茹,王佳.基于改进的MSRCR-CLAHE融合的水下图像增强算法[J].红外技术,2023,45(1):23-32.

　　[15]HE K M,SUN J,TANG X O.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,33:1956-1963.

　　[16]XU J,ZHANG L,ZUO W M,et al.Patch group based nonlocal self-similarity prior learning for image denoising[J].Proceed‐ings of the IEEE International Conference on Computer Vision,2015,2015(6):244-252.

　　[17]MARQUES T P,ALBU A B,LU W E.A framework for the effi‐cient enhancement of low-light underwater images using local contrast and multi-scale fusion[C]//2020 IEEE/CVF Confer‐ence on Computer Vision and Pattern Recognition Workshops(CVPRW),2020.

　　[18]MARQUES T P,ALBU A B,HOEBERECHTS M.A contrast-guided approach for the enhancement of low-lighting underwa‐ter images[J].Journal of Imaging,2019,5(10):79.

　　[19]LI C Y,GUO J C,GUO C L,et al.A hybrid method for underwa‐ter image correction[J].Pattern Recognition Letters,2017,94(9):62-67.

　　[20]代成刚,林明星,王震,等.基于亮通道色彩补偿与融合的水下图像增强[J].光学学报,2018.38(11):86-95.

　　[21]ANCUTI C.Single image dehazing by multi-scale fusion[J].IEEE Transactions on Image Process,2013,22(8):3271-3282.

　　[22]YECHURI A,MADDISETTY V S,CHAKRADHAR R.Con‐trast enhancement of MRI brain images using histogram equal‐ization technique’s[J].International Journal for Research in Ap‐plied Science and Engineering Technology,2019,7(8):1-7.

　　[23]KUMAR B R,PRASANTH D,RUBHA K.Contrast limited adaptive histogram equalization for retinal image[J].Internation‐al Journal of Future Generation Communication and Network‐ing,2020,13(1):2233-7857.