水下光学图像中目标探测关键技术研究综述.pdf

水下光学图像中目标探测关键技术研究综述

一、引言

近年来，海洋信息处理技术蓬勃发展，水下目标探测技

术的应用也日益广泛，涉及海底光缆的铺设、水下石油平台

的建立与维修、海底沉船的打捞、海洋生态系统的研究等领

域。水下光学图像分辨率较高，信息量较为丰富，在短距离

的水下目标探测任务中具有突出优势。然而，由于受水下特

殊成像环境的限制，水下图像往往存在噪声干扰多、纹理特

征模糊、对比度低及颜色失真等诸多问题。因此，水下目标

探测任务面临诸多挑战，如何在图像可视性较差的情况下，

精确、快速、稳定地检测识别和跟踪水下目标物体是亟待解

决的问题。

根据水下目标探测任务的执行步骤，将基于光学图像的

水下目标探测关键技术分为图像预处理和目标探测两部分。

其中，水下目标探测特指水下目标检测、识别与跟踪。近年

来，国内外研究人员对基于光学图像的水下目标探测关键技

术进行了大量研究，水下目标探测技术取得了迅速发展，一

些研究人员总结了关键技术的发展现状。Sahu等总结了一系

列水下图像增强算法，Han等对水下图像智能去雾和色彩还

原算法进行了综述，Kaeli等概述了一组用于水下图像颜色校

正改进的算法，郭继昌等对水下图像增强和复原算法进行了

系统归纳并通过实验对比了不同算法，Moniruzzaman等梳理

了近年来深度学习在水下图像分析中的应用。然而，这些综

述仅总结了水下目标探测某一关键技术的研究成果，目前仍

缺少对水下目标探测关键技术的系统概述。

本文从水下图像预处理和水下目标检测、识别、跟踪技

术入手，详细归纳了水下目标探测关键技术的研究现状。根

据是否需要构建模型，将水下图像预处理分为图像增强和图

像复原，并重点分析了水下图像增强的各类方法（基于直方

图处理、基于Retinex理论、基于图像融合和基于深度学习

的方法）的优缺点。由于水下目标跟踪技术的相关研究论文

较少，本文主要从传统方法和深度学习两个角度讨论了水下

目标检测与识别相关算法，并简要介绍了常用的水下图像数

据集。在上述基础上指出了水下光学图像中的目标探测技术

亟待解决的问题，讨论了解决思路和进一步发展方向。

二、水下图像预处理

与大气光学成像技术相比，水下光学成像技术深受水体

光吸收和散射的影响，可见光在水体中传播的波长依赖性使

得水下图像呈现蓝绿色调，水体中的杂质微粒对光的散射导

致图像细节模糊以及表面雾化。为解决上述问题，研究人员

提出了大量水下图像预处理算法，分为基于非物理模型的图

像增强方法和基于物理模型的复原方法。

（一）水下图像增强

图像增强不需要构建模型，通过主观处理消除水下图像

的畸变和噪声，加强感兴趣的目标物体特征，削弱不相关的

背景特征。通过对现有水下图像增强方法的调研得出常用的

水下图像增强方法有基于直方图处理、基于Retinex理论、

基于图像融合和基于深度学习的水下图像增强，如表1所示。

1．基于直方图处理的水下图像增强

高对比度的图像通常呈现灰度细节丰富且动态范围较

大的特点，基于直方图处理的水下图像增强方法通过改善图

像像素值的分布范围提高对比度，如直方图均衡化方法和直

方图拉伸方法。直方图均衡化方法利用概率密度函数和分布

函数拉伸和均衡直方图，对比度受限的自适应直方图均衡化

（CLAHE）算法是较为成熟的直方图均衡化算法，能够较好

地改善水下图像的对比度，但会引入噪声。Qiao等将CLAHE

算法与小波域滤波相结合，最大限度地消除了图像处理过程

中产生的噪声和图像自身带有的噪声。直方图拉伸方法利用

变换函数将像素值从一个区间变换到另一个区间，与直方图

均衡化方法相比，计算复杂度较低。考虑到水下图像存在色

偏现象，许多研究人员在不同的颜色空间（RGB、HSV、Lab）

中对水下图像进行直方图拉伸，有效地提高了水下图像的对

比度，但盲目地使用全局直方图拉伸容易使图像丢失细节信

息，且出现过度增强现象。

2．基于Retinex理论的水下图像增强

人眼接收到的图像由照射光图像和物体的反射属性组

成。Retinex图像增强是从图像中去除照射光的影响获得物体

的反射属性，通常采用中心环绕函数与原图像卷积的方式估

计照射光图像，高斯函数作为中心环绕函数具有明显的优

势。但单个标准差的选取无法同时保证图像的动态范围压缩

和亮度一致性，多尺度Retinex（MSR）选取多个标准差，并

通过加权叠加实现动态范围压缩和亮