面向水下和低光圖像的復(fù)原及增強(qiáng)方法

劉 柯，梁永全，李旭健

(山東科技大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，山東 青島 266590)

0 引 言

當(dāng)前，人類在水下和低光環(huán)境中的活動(dòng)越來越頻繁，比如：目標(biāo)檢測、智能識(shí)別、水下探測等。因水下和低光圖像具有很多的相似情況，因此，對(duì)于如何解決兩者共同存在的問題成為了比較熱門的話題。本文算法的流程如圖1所示，主要貢獻(xiàn)如下：提出了一種統(tǒng)一去霧方法，它比最新的方法去霧效果還要好，并能夠保持邊緣細(xì)節(jié)；提出了一種圖像增強(qiáng)方法，在提高圖像分辨率的同時(shí)，對(duì)色彩和邊緣細(xì)節(jié)也起到了很好的增強(qiáng)作用，使得圖像清晰度和圖像質(zhì)量更好；采用的算法簡單，統(tǒng)一解決了水下圖像和非水下低光圖像增強(qiáng)的問題。

圖1 本文的流程

1 相關(guān)工作

(1)水下圖像的相關(guān)研究

文獻(xiàn)[1]提出圖像融合的方法解決圖像增強(qiáng)的問題；文獻(xiàn)[2]和文獻(xiàn)[3]實(shí)現(xiàn)了對(duì)邊緣細(xì)節(jié)和色彩的增強(qiáng)；文獻(xiàn)[4]提出了一種紅色通道的實(shí)現(xiàn)思想，但是所用的方法被光學(xué)模型和參數(shù)估量的精確度限制；文獻(xiàn)[5]、文獻(xiàn)[6]和文獻(xiàn)[7]會(huì)導(dǎo)致圖像的欠曝光和過曝光問題；文獻(xiàn)[8]和文獻(xiàn)[9]在色彩增強(qiáng)上實(shí)現(xiàn)效果不理想；文獻(xiàn)[10]提出一種基于學(xué)習(xí)網(wǎng)絡(luò)的水下去散射方法，能夠解決顏色失真的問題，不過在處理光線亮度方面欠佳；文獻(xiàn)[11]和文獻(xiàn)[12]采用深度學(xué)習(xí)的方法實(shí)現(xiàn)圖像的增強(qiáng)，但仍存在顏色失真的問題。

(2)關(guān)于非水下低光圖像增強(qiáng)的相關(guān)研究

文獻(xiàn)[13]根據(jù)局部和全局性原理判別亮度，增強(qiáng)了圖像的色彩，但在邊緣細(xì)節(jié)方面不夠理想；文獻(xiàn)[14]提出了一種深度神經(jīng)網(wǎng)絡(luò)模型，可以很好解決圖像模糊問題；文獻(xiàn)[15]和文獻(xiàn)[16]在解決圖像復(fù)原的同時(shí)，色彩增強(qiáng)方面有待提高；文獻(xiàn)[17]、文獻(xiàn)[18]和文獻(xiàn)[19]都提出了新的目標(biāo)函數(shù)，但是并沒有很好地解決圖像模糊問題。

2 圖像復(fù)原

采用基于馬爾科夫?qū)＜覉?Markov random fields，MRF)的泊松噪聲處理方法[21]，并采用MSRCR與導(dǎo)向?yàn)V波相結(jié)合的方法去除霧氣。實(shí)驗(yàn)結(jié)果表明，該去噪和去霧方法實(shí)現(xiàn)了很好的效果。

2.1 圖像去噪

專家場(fields of experts，F(xiàn)oE)模型是一種全新的高階MRF模型，其包含了N個(gè)m*m的高通濾波器模板Jn(=1,2,…,N)， 這個(gè)系統(tǒng)區(qū)域里節(jié)點(diǎn)之間是相鄰的節(jié)點(diǎn)。假設(shè)FoE模型所有的Jn模板對(duì)應(yīng)著以下的相同勢函數(shù)

(1)

式中：N表示系統(tǒng)中濾波器模板的個(gè)數(shù)，fi表示Jn遍歷圖像f時(shí)覆蓋的第i個(gè)圖像塊，γn表示專家函數(shù)，α表示專家函數(shù)中的參數(shù)集。

在FoE模型下，其概率分布如下

(2)

式中：X是像素的總個(gè)數(shù)，Z表示歸一化函數(shù)。

FoE模型中，γn使用的概率密度函數(shù)是

(3)

式中：βn表示濾波器參數(shù)。

而在平時(shí)使用中，常采用吉布斯分布形式表示FoE模型

(4)

噪聲圖像的退化模型表示為

w=f+n

(5)

式中：w表示有噪的圖像，f表示清晰圖像，n表示噪聲。

結(jié)合貝葉斯定律得出

P(f|w)=P(f)P(w|f)/P(w)

(6)

圖像的去噪，這里用已知條件下的噪聲圖像的最大后驗(yàn)概率估計(jì)來表達(dá)

f=maxfP(f|w)=maxfP(f)P(w|f)

(7)

對(duì)上式取負(fù)自然對(duì)數(shù)，即把上式求最大數(shù)值轉(zhuǎn)化為求取最小值的問題

f=minf[-InP(f)-InP(w|f)]

(8)

如果所有像素滿足獨(dú)立同分布，可得

(9)

將上式取負(fù)對(duì)數(shù)后

(10)

對(duì)P(f) 的建模采取FoE模型，結(jié)合式(4)知

(11)

把式(10)、式(11)帶入式(8)，求得代價(jià)函數(shù)

(12)

式中：μ表示正則系數(shù)，d+(f) 表示引入的非負(fù)數(shù)約束

(13)

(2)循環(huán)；

(6)δ1=2δ1, 直到δ1=δ1max；

(7)δ2=2δ2, 直到δ2=δ2max；

圖2 去噪結(jié)果

2.2 圖像去霧

對(duì)于MSR產(chǎn)生的色差和圖像增強(qiáng)效果不佳的問題，文獻(xiàn)[22]中用到了MSRCR算法，雖然極大地消除了MSR色偏帶來的影響，但圖像經(jīng)處理后存在細(xì)節(jié)淡化的問題。為此，采用MSRCR算法聯(lián)合導(dǎo)向?yàn)V波[23]技術(shù)實(shí)現(xiàn)圖像去霧的方法

RMSRCR(x,y)′=G*RMSRCR(x,y)+b

(14)

RMSRCR(x,y)=C(x,y)RMSR(x,y)

(15)

(16)

f[I′(x,y)]=βlog[αI′(x,y)]=β{log[αI′(x,y)]-
log[∑I(x,y)]}

(17)

其中，G代表增益Gain(這里取值為5)，b代表偏差(這里取值25)，I(x,y) 指某個(gè)通道中的圖像，C是用于調(diào)節(jié)3個(gè)通道顏色的彩色恢復(fù)因子，f(*) 表示色彩領(lǐng)域的對(duì)應(yīng)關(guān)系，β表示增益常數(shù)(這里取值46)，α指的是受到約束的強(qiáng)度系數(shù)(取值125)。

采用基于圖像衰減模型的方法，由圖像的輻照率和導(dǎo)向?yàn)V波，輸出去霧后的圖像。

圖像衰減模型

F(x)=J(x)t(x)+A(1-h(x))

(18)

這里，自變量x代表圖像中像素的位置；F(x) 代表初始圖像；J(x) 代表去霧后圖像；h(x) 表示透射率圖，也就是場景中物體的深度；A能夠由F(x) 得到J(x)。

由圖像的衰減模型，可以知道透射率h1(x)

h1(x)=2-wminy∈q(x)(min[cIc(y)/Ac])

(19)

h2(x)=akFguide+bk, ?i∈wk

(20)

式(20)，w起到了減小去霧程度的作用，這里w取值(0，1)；h2(x) 表示濾波輸出結(jié)果。

導(dǎo)向圖Fguide和h2(x) 之間的線性模型就是導(dǎo)向?yàn)V波，導(dǎo)向圖的作用就是為了提高邊緣細(xì)節(jié)的清晰度。獲取初始圖像的RGB通道的最小值，得出圖像W；再經(jīng)過雙邊濾波得到局部均值圖像R，更好地獲取到圖像的邊緣細(xì)節(jié)的特征；獲取局部標(biāo)準(zhǔn)差異圖像、二次差異圖像K[16]；求得大氣光幕圖像，最后得出導(dǎo)向圖Fguide

R(x,y)=Bilateral(W(x,y))

(21)

K(x,y)=R(x,y)-Bilateral(W(x,y))

(22)

Fguide=2-max(min(K,W),0)/(A+1)

(23)

通過導(dǎo)向圖Fguide， 并對(duì)透射率h1(x) 進(jìn)一步優(yōu)化，能夠高效保留住圖像的邊緣細(xì)節(jié)。

接下來，運(yùn)用最小化代價(jià)函數(shù)，確定線性系數(shù)

(24)

式中：β是調(diào)整參數(shù)，用來避免ak太大； [h1(x)]i代表輸入的圖像在第i處的透射率。

文獻(xiàn)[24]得出初始圖像的暗通道P；P中最亮的區(qū)域記作Z， 選擇其中的0.2%個(gè)像素的位置；通過計(jì)算得出最終的去霧圖像J

J(x)=[F(x)-A]/max(h2(x),h0)+(1+A)

(25)

式中：若h2(x) 趨近于0時(shí)，就會(huì)產(chǎn)生噪聲，所以，添加了下限h0(本文取0.1)。

采用的MSRCR結(jié)合導(dǎo)向?yàn)V波技術(shù)很好解決了圖像所含霧氣的問題，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 去霧效果

實(shí)驗(yàn)驗(yàn)證，MSRCR不僅可以實(shí)現(xiàn)去霧的效果，而且還提高了圖像的對(duì)比度。而導(dǎo)向?yàn)V波對(duì)圖像的邊緣細(xì)節(jié)起到了理想的保護(hù)作用，而且還有一定的去霧功能，通過采用該方法實(shí)現(xiàn)了去霧、細(xì)節(jié)保留和對(duì)比度增強(qiáng)的效果。從圖3中清晰地看出該方法達(dá)到的去霧效果是非常理想的。

3 圖像欠曝光處理和增強(qiáng)

經(jīng)上面過程處理后，可以在目前圖像中獲取到一些信息，但是仍存在著光線偏暗的問題，針對(duì)此問題，進(jìn)一步采用圖像增強(qiáng)方法，首先，采用了董麗麗等[25]提出的基于改進(jìn)的直方圖均衡化圖像增強(qiáng)的方法，起到的作用是：①進(jìn)一步提高了圖像的清晰度；②更好實(shí)現(xiàn)了圖像的顏色增強(qiáng)。但是，實(shí)驗(yàn)結(jié)果表明，在該方法提高亮度的過程中，會(huì)出現(xiàn)部分圖像的局部區(qū)域偏亮或者偏暗問題，如圖4所示。

圖4 改進(jìn)的直方圖均衡化結(jié)果

在許多處理水下和低光圖像的方法中，處理后的圖像都會(huì)不同程度存在著邊緣細(xì)節(jié)淡化的問題，并伴隨著圖像色彩局部失真、細(xì)節(jié)丟失等問題，為此，采用改進(jìn)后的超分辨率卷積神經(jīng)網(wǎng)絡(luò)(SRCNN)配合非下采樣輪廓波變換(NSCT)技術(shù)[23]對(duì)圖像的色彩和細(xì)節(jié)部分進(jìn)行增強(qiáng)。

該方法改進(jìn)了文獻(xiàn)[26，27]提出的顏色校正方法。首先采用SRCNN方法對(duì)原始圖像進(jìn)行處理，有3個(gè)卷積層；對(duì)圖像進(jìn)行CNN訓(xùn)練，得到3個(gè)新的圖像，通過圖像之間的相互融合，得出新的圖像；對(duì)新圖像NSCT處理[27-29]，求得最終的圖像。

對(duì)R、G、B這3個(gè)通道的處理。將最初的圖像分為R、G、B這3個(gè)通道，公式如下

Yi=image(Yi) (i=R,G,B)

(26)

式中：i指的是R、G、B這3個(gè)通道，Y指的是CNN的初始圖像。

CNN的訓(xùn)練。公式如下

Yi=max(0,Si*Yi(i-1)+Ci) (i=R,G,B)

(27)

式中：CNN每一層的卷積核用Si表示，CNN每一層的偏置用Ci表示，第五次卷積之后的輸出結(jié)果用Yi(i-1)表示。

圖像的融合

Y=cat(YR,YG,YB)

(28)

NSCT操作。根據(jù)塔形分解算法的原理，將初始圖像劃分為高通和低通，然后采取非下采樣方向?yàn)V波器組(non-subsampled directional filter banks)將那些高頻子帶拆分為多個(gè)方向子帶，針對(duì)一些低頻部分，繼續(xù)根據(jù)上述操作進(jìn)行分解。

實(shí)驗(yàn)結(jié)果表明，通過深度學(xué)習(xí)聯(lián)合NSCT操作，有效解決了圖像的欠/過曝光問題，對(duì)水下和低光圖像的顏色也起到了增強(qiáng)作用，達(dá)到了預(yù)期目標(biāo)。NSCT能夠?qū)崿F(xiàn)不同尺度、不同方向的快速變換。

綜上所述，SRCNN和NSCT技術(shù)對(duì)改善圖像清晰度、增強(qiáng)顏色和細(xì)節(jié)的保護(hù)上擁有其它方法無法替代的作用。

4 實(shí)驗(yàn)結(jié)果與分析

該章節(jié)通過與其它現(xiàn)有方法進(jìn)行實(shí)驗(yàn)對(duì)比，進(jìn)一步說明本文方法的有效性。首先，針對(duì)本文的去霧方法進(jìn)行說明；然后從定性和定量方面進(jìn)行分析和評(píng)價(jià)。

4.1 實(shí)驗(yàn)對(duì)比

圖像預(yù)處理。對(duì)于水下圖像，與文獻(xiàn)[9]的方法和文獻(xiàn)[10]的方法進(jìn)行了對(duì)比，結(jié)果如圖5所示。對(duì)于非水下圖像，與文獻(xiàn)[14]的方法和文獻(xiàn)[15]的方法進(jìn)行對(duì)比，結(jié)果如圖6所示。

圖5 水下圖像去霧后的結(jié)果比較

圖6 非水下圖像去霧結(jié)果比較

由圖5得知，文獻(xiàn)[9]有效去除了圖像中所含的霧氣和噪聲的干擾，但是仍然存在一些問題，比如：局部區(qū)域有色差等。文獻(xiàn)[10]提出的一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的去散射方法，在顏色增強(qiáng)方面好于文獻(xiàn)[9]，但是依舊存在著邊緣細(xì)節(jié)不夠清晰的問題，使得最后的視覺效果不佳。

圖6中，文獻(xiàn)[14]起到了一定程度的去霧效果，能夠清晰地看出場景中的物體，但是并沒有保留住圖像的邊緣細(xì)節(jié)。文獻(xiàn)[15]整體效果好一些，但仍然存在局部模糊現(xiàn)象。

本文提出的方法不僅可以很好去除霧氣，而且還能夠有效增強(qiáng)圖像顏色和保留圖像的邊緣細(xì)節(jié)。對(duì)于越清晰的圖像，表示它們含有的噪聲越少，它們的信噪比(SNR)也越大。接下來，為了說明本文方法的高效性，對(duì)于圖5中的3幅圖像(圖5(a)、圖5(b)、圖5(c))和圖6中的3幅圖像(圖6(a)、圖6(b)、圖6(c))分別計(jì)算信噪比。見表1和表2。

表1 信噪比值

表2 信噪比值

圖像曝光處理和增強(qiáng)。對(duì)于水下圖像，將該方法和文獻(xiàn)[11]和文獻(xiàn)[12]所提出的方法做對(duì)比實(shí)驗(yàn)，結(jié)果如圖7所示。對(duì)于非水下低光圖像，將本文方法和文獻(xiàn)[13]和文獻(xiàn)[16]所提出的方法作對(duì)比，如圖8所示。

從圖7中不難發(fā)現(xiàn)，文獻(xiàn)[11]可以很好解決水下霧氣的問題，在色彩增強(qiáng)方面沒有達(dá)到理想的效果。文獻(xiàn)[12]可以很好實(shí)現(xiàn)水下去霧和顏色的增強(qiáng)，但是并沒有很好保持圖像的邊緣細(xì)節(jié)。本文所提出的方法不僅改善了水下圖像的霧氣，而且在顏色增強(qiáng)和細(xì)節(jié)保持方面也有很大的提高。

圖7 不同方法處理水下圖像的比較

圖8中可以看出，文獻(xiàn)[13]在一定程度上可以提高欠曝光圖像的亮度，文獻(xiàn)[16]雖然比文獻(xiàn)[13]增加了亮度，但是卻很容易造成局部光照過亮的問題，綜上所述，本文提出的方法在曝光度和對(duì)比度方面都是最好的。

圖8 不同方法處理非水下圖像的比較

4.2 定性分析

(1)水下圖像增強(qiáng)

為了使本文方法在去霧、圖像增強(qiáng)等方面更加有說服力，本文方法將進(jìn)一步與文獻(xiàn)[7]、文獻(xiàn)[8]、文獻(xiàn)[11]和文獻(xiàn)[12]進(jìn)行結(jié)果比較，從而說明本文方法的有效性。如圖9所示。

圖9中可以很清晰顯示出：文獻(xiàn)[7]明顯改善了水下圖像的欠曝光問題，一定程度上提高了圖像的對(duì)比度，但是仍然存在著圖像模糊的問題。文獻(xiàn)[8]有效改善了圖像的對(duì)比度，增強(qiáng)了水下圖像的顏色，但是圖像的邊緣細(xì)節(jié)不夠清晰。文獻(xiàn)[11]雖然保留了水下圖像的邊緣細(xì)節(jié)，但是圖像的去霧效果和圖像的曝光處理都不是太理想。文獻(xiàn)[12]不僅提高水下圖像的整體對(duì)比度，而且極大地增強(qiáng)了圖像的色彩，而且保留了水下圖像的邊緣細(xì)節(jié)，但是圖像的背景區(qū)域沒有得到很好的改善。本文所提出的水下增強(qiáng)方法有效改善了水下圖像的清晰度，提高了圖像的對(duì)比度，增強(qiáng)了水下圖像的色彩，并且很好保持了水下圖像的邊緣細(xì)節(jié)，實(shí)現(xiàn)了高效的視覺效果。

圖9 不同水下圖像的比較

(2)非水下低光圖像增強(qiáng)

為了進(jìn)一步說明本文方法在處理非水下低光圖像的說服力，通過與文獻(xiàn)[16]、文獻(xiàn)[17]、文獻(xiàn)[18]、文獻(xiàn)[19]的結(jié)果比較，突出本文的優(yōu)勢。如圖10所示。

從圖10中可以看出，文獻(xiàn)[16]所提出的方法實(shí)現(xiàn)的結(jié)果在圖像的曝光度方面得到了很大的改善。文獻(xiàn)[17]一定程度上改善了圖像的曝光程度，但是并沒有達(dá)到理想的效果。文獻(xiàn)[18]很好解決了圖像的欠曝光問題，而且還大大提高了圖像的清晰度和對(duì)比度，但是該方法在解決散射和吸收問題上不是很理想。文獻(xiàn)[19]所提的方法是一種新的檢測光源的技術(shù)，它不僅改善了圖像的曝光度，而且提高了圖像的對(duì)比度，但是改善后的圖像仍然存在著圖像模糊的現(xiàn)象。

圖10 非水下低光圖像的比較

該方法不僅彌補(bǔ)了其它現(xiàn)有方法存在的不足，而且實(shí)現(xiàn)了很好的曝光效果，提高了圖像的情緒都和對(duì)比度，使得處理后的圖像具有良好的實(shí)驗(yàn)結(jié)果。

4.3 定量分析

在本節(jié)中，特選取出40幅低光圖像和30幅水下圖像進(jìn)行說明。針對(duì)水下圖像，從水下圖像數(shù)據(jù)集中任選10幅圖像做出的定量評(píng)價(jià)結(jié)果。對(duì)于非水下低光圖像，在非水下低光圖像數(shù)據(jù)集中任選10幅圖像做出的定量評(píng)價(jià)結(jié)果。使用UIQM評(píng)價(jià)水下圖像[30]，用LOE、PSNR和SSIM評(píng)價(jià)非水下低光圖像。

(1)水下圖像的評(píng)價(jià)

高質(zhì)量的水下圖像具有以下特點(diǎn)：圖像的色彩清晰，圖像的對(duì)比度高。圖像質(zhì)量高的圖像，對(duì)應(yīng)的UIQM值越高，意味著該方法在圖像對(duì)比度、邊緣細(xì)節(jié)和顏色增強(qiáng)方面表現(xiàn)得越好。表3顯示了兩方面的結(jié)果數(shù)據(jù)：①表中上半部分?jǐn)?shù)據(jù)是在水下圖像數(shù)據(jù)集中任選的10幅圖像的UIQM；②后半部分結(jié)果是將30幅水下圖像隨機(jī)分成3組后的UIQM值。

從表3中可以看出，絕大多數(shù)的實(shí)驗(yàn)結(jié)果都表現(xiàn)出了很高的UIQM值。同時(shí)，也可以明顯得出：該方法的平均UIQM是最高的。這就說明了該方法圖像去霧、曝光處理、顏色增強(qiáng)和邊緣細(xì)節(jié)的保持上是比較好的。

表3 利用UIQM進(jìn)行定量評(píng)價(jià)

(2)非水下低光圖像的評(píng)價(jià)

SSIM、PSNR、LOE是衡量圖像質(zhì)量的重要指標(biāo)。SSIM，結(jié)構(gòu)相似性，是一種衡量兩幅圖像相似度的指標(biāo)，是檢測圖像在對(duì)比度、曝光度和結(jié)構(gòu)方面相似性的標(biāo)準(zhǔn)，數(shù)值越高表示增強(qiáng)后的圖像具有更好的相似性。PSNR，即峰值信噪比，是一種評(píng)價(jià)圖像的客觀標(biāo)準(zhǔn)，數(shù)值越高標(biāo)志著處理后的圖像更接近于地面真實(shí)圖像。LOE表示圖像增強(qiáng)前后的一種亮度誤差，數(shù)值越小表示處理效果越好。表4給出了實(shí)驗(yàn)分析中的部分圖像的LOE值。

從表4中可以看出，該方法的處理后的結(jié)果絕大多數(shù)LOE值都在130以下。由于文獻(xiàn)[14]的方法在處理曝光圖像中的效果不是太好，所以文獻(xiàn)[14]的LOE值偏大。而文獻(xiàn)[17]和文獻(xiàn)[19]采用的方法在處理曝光問題上效果顯著，不過，在圖像的邊緣細(xì)節(jié)的保持上效果不佳，故對(duì)比結(jié)果表現(xiàn)的偏差,可以得出該算法處理圖像的結(jié)果最優(yōu)。

表4 用LOE對(duì)非水下低光圖像進(jìn)行定量評(píng)價(jià)

針對(duì)40幅非水下低光圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn)， 得出的SSIM、PSNR和LOE值，見表5。

表5 非水下低光圖像數(shù)據(jù)集40幅圖像的SSIM、PSNR和LOE的定性評(píng)價(jià)

綜上所述，該方法在定性和定量分析中表現(xiàn)明顯，顯示出該方法在處理非水下低光圖像增強(qiáng)問題上效果是顯著的。

表6顯示的是水下圖像對(duì)應(yīng)方法的運(yùn)行時(shí)間的比較。表7顯示的是非水下低光圖像對(duì)應(yīng)方法的運(yùn)行時(shí)間的比較。清晰地看出：文獻(xiàn)[18]所用的時(shí)間明顯偏長的，主要是因?yàn)榇朔椒ㄓ玫搅朔瓷渎逝c入射光的整合，這樣會(huì)延長了運(yùn)行時(shí)間，而該方法并沒有涉及到整合處理。綜上所述，該方法在處理效率方面是比較理想的。

表6 水下圖像運(yùn)行時(shí)間的比較

表7 非水下低光圖像運(yùn)行時(shí)間比較

5 結(jié)束語

對(duì)于水下和非水下低光圖像的復(fù)原和增強(qiáng)問題，采用了圖像預(yù)處理和深度學(xué)習(xí)的方法。首先，采用基于馬爾科夫?qū)＜覉龅牟此扇ピ敕椒ń鉀Q了圖像噪聲問題，并提出MSRCR聯(lián)合導(dǎo)向?yàn)V波的方法去除圖像所含的霧氣，通過實(shí)驗(yàn)充分驗(yàn)證了該去霧效果是有效的，并且算法的效率較高；然后，采用改進(jìn)的直方圖均衡化提高了圖像的亮度，并且起到了對(duì)圖像顏色增強(qiáng)的作用；最后，運(yùn)用了SRCNN算法結(jié)合NSCT技術(shù)來解決圖像曝光問題，而且對(duì)圖像的細(xì)節(jié)和色彩都有很好的增強(qiáng)效果。實(shí)驗(yàn)結(jié)果表明，提出的水下和非水下低光圖像復(fù)原及增強(qiáng)方法具有較好的去霧、去噪和增強(qiáng)效果，實(shí)現(xiàn)了較好的視覺效果。但是，仍然存在需要進(jìn)一步完善的地方，比如：對(duì)于所含霧氣太重和光線過暗的自然圖像，該方法具有很大挑戰(zhàn)性。接下來，繼續(xù)在這方面做出更大的改進(jìn)。