在海洋获取的信息中,清晰的水下图像扮演着举足轻重的角色。但由于水下介质和大量悬浮颗粒,使得光线在水中产生了吸收和散射。因此,原始水下图像出现了严重降质,例如颜色失真、对比度低、图像模糊等。为了获取清晰水下场景,采取水下图像增强技术具有重要的意义和价值。为了消除水下场景“雾”状效果和颜色失真,设计了基于融合暗通道先验和颜色纠正的水下图像增强方法。首先,通过融合背景光估计方法获得去雾图像,该背景光估计是融合了两种改进的暗通道先验:一种是红暗通道和蓝绿暗通道最大差异,另一种是蓝绿暗通道中最亮0.1%所在位置对应像素点平均值;其次,采用了与人类视觉系统相对应的色彩还原方法去获得了颜色校正的图像;最后,使用一种有效且简单的透射率图权重策略来融合去雾图像和增强图像,以产生最终的高质量水下图像。此外,本方法还能增强其他类型的退化图像,比如低照度图像和雾霾图像。为了提高增强效果的泛化性,设计了基于多尺度密集生成对抗网络的水下图像增强方法。生成网络中加入了残差多尺度级联特征提取块,其中的多尺度、级联和残差学习可以分别提高网络性能、渲染更多细节和利用之前网络层图像信息。判别网络加入了谱归一化操作来稳定判别网络的训练。同时,损失函数结合₁L损失、图像梯度损失和GAN损失函数。大量复合降质场景的增强结果证明了本方法的优越性。此外,消融实验从实验角度揭示了特征提取块的作用。为了探究水下图像质量对视觉任务的影响,采用经典且常用的关键点匹配、边缘检测和目标检测等应用测试。大量应用测试结果表明,现有图像增强算法能够有效地提高低层图像处理任务的性能,却无法改善高层任务的水下目标分类性能。