水下图像色彩校正的全局-局部两步优化方法及其在视觉任务中的增强应用

针对水下图像因光吸收/散射导致的色彩失真、细节模糊及低对比度问题，研究人员提出全局-局部两步优化方法（GLTO）。通过CIELab色彩空间统计特征分析，结合启发式全局优化与基于亮度引导的局部优化策略，有效恢复色彩平衡并增强细节。实验证明该方法显著提升后续图像增强性能，为水下视觉任务提供高质量预处理方案。

　　

水下世界的神秘面貌常因光线传播的物理限制而难以被清晰捕捉。当光线穿过水体时，不同波长的光会被选择性吸收（如红光在5米深度即基本消失），而悬浮颗粒的散射效应进一步导致图像出现严重的色彩偏移（如蓝绿色调主导）、细节模糊和对比度下降。这些问题直接影响了水下目标检测、环境监测等关键应用的准确性。尽管现有方法（如基于物理模型的非深度学习或依赖大数据训练的CNN/GAN）能部分缓解问题，但前者对复杂水下环境的适应性不足，后者则面临训练数据稀缺的挑战。

针对这一瓶颈，中国的研究团队在《Pattern Recognition Letters》发表论文，提出了一种创新性的全局-局部两步优化（GLTO）框架。该研究通过分析自然图像在CIELab色彩空间中的统计规律（如L通道均匀分布、ab通道均值趋零），设计启发式全局优化策略调整水下图像的通道分布；进而利用亮度信息引导局部优化，通过多尺度高频融合增强细节并校正局部色偏。实验表明，GLTO显著提升了水下图像的视觉质量，为后续增强算法提供了更优的输入基础。

关键技术方法

1. CIELab色彩空间分析：统计自然图像与水下图像在L（亮度）、a（红绿轴）、b（黄蓝轴）通道的均值与标准差差异。
2. 全局优化：最小化水下图像与自然图像的统计特征差异，校正整体色偏。
3. 局部优化：将L通道通过引导滤波分解为大尺度基底与高频细节，加权融合后增强细节；利用优化后的L通道光照强度指导ab通道局部色彩校正。

研究结果

1. 全局色彩校正效果：通过对齐CIELab空间统计特征（如将ab通道均值调整至接近零），有效消除全局色偏，使水下图像的色彩分布接近自然场景。
2. 局部细节增强：多尺度高频融合策略使L通道的细节信噪比（SNR）提升约20%，边缘清晰度显著改善。
3. 局部色偏修正：基于亮度引导的ab通道校正减少了局部区域（如阴影处）的色彩失真，色差指标ΔE_ab降低15%以上。

结论与意义
该研究首次将全局统计特征对齐与局部亮度引导校正相结合，突破了传统方法依赖单一物理模型或数据驱动的局限。GLTO无需预训练数据即可实现自适应优化，在复杂水下环境中展现出强鲁棒性。其核心创新在于：

1. 提出自然图像统计特征作为全局校正的客观标准；
2. 通过亮度通道的多尺度处理实现细节增强与局部色彩校正的协同优化。
   这一成果不仅为水下视觉任务提供了可靠的预处理工具，其“全局-局部”分治思想也为其他退化图像（如雾霾/低光照）的增强研究提供了新范式。未来工作可探索GLTO与深度学习模型的级联应用，进一步提升极端环境下的图像复原能力。