王 伟，胡淑娴，裴 哲

(西安工程大学 计算机科学学院，陕西 西安 710048)

0 引 言

当前，人们愈来愈重视海洋资源的开发和利用，水下图像处理已经引起研究人员的极大兴趣和关注。然而，水下图像面临光的选择性吸收和光照不均匀等因素的影响，图片颜色易失真并呈现蓝、绿色基调，降低了图像的对比度。此外，介质散射中的背景散射还会导致图像呈现雾状模糊现象，严重影响了水下图像在实际应用中的完整性和可用性[1]。因此，如何校正颜色失真、提高对比度、解决细节模糊等问题是当前水下图像增强面临的主要挑战。

为了解决这些问题，众多科研工作者根据水下图像的成像特性，提出了一系列针对水下图像增强的研究方法，大致可以分为传统方法和深度学习2类。其中，传统的水下图像清晰化方法分为基于图像增强的方法[2]和基于物理降解模型的增强方法[3]。前者不考虑物理成像过程，后者则依赖具体的物理模型，主要是建立光照散射造成的数学模型，再基于暗通道先验知识对水下图像进行改进[4-5]。然而，由于水下环境复杂多变，上述传统增强方法易出现过度增强、图片曝光严重、增强效果不符合真实场景等问题，且大多数方法普适性较差。

近年来，深度学习以其高效性吸引了诸多研究人员的注意。如文献[6]首先将深度神经网络应用于单张图像去雾，虽然雾天模型在一定程度上与水下图像退化的过程类似，但由于水下成像环境特殊，直接应用去雾方法增强效果较差。……