水下图像增强：波长补偿与改进暗通道先验的Matlab实现全复盘

水下图像增强这个方向，我是从某图像处理模拟项目开始接触的。当时拿到一批水下拍摄的视频帧，画面蓝得发闷，红色通道像被硬生生“挖掉”了一块，细节信息几乎全埋在雾一样的散射里。我起初以为这跟陆地去雾是一回事，直接把暗通道先验套上去跑，结果增强后的图像不是偏红到失真，就是噪声被无限放大，折腾了好几天才意识到：水下图像的退化机制跟雾天完全不是同一个逻辑。后来把波长补偿和去雾两条思路认真梳理了一遍，重新设计算法链路，才真正把这套方案跑通。这篇文章就把整个研究过程和Matlab代码实现完完整整复盘一遍，内容包括水下图像的退化机理、波长补偿与去雾的融合思路、关键代码框架、实验评估方法，以及我在实际调试中踩过的各种坑。正在做水下图像增强研究、或者只是想把水下视频画面处理得更干净的读者，都可以拿这篇做参考。

1. 水下图像的退化真相：不只是“暗”，是“丢颜色”

我一开始犯的错误，就是把水下图像直接当成“带雾的普通照片”来处理。实际上，水下图像质量下降的机制比陆地雾天复杂得多，它由吸收和散射两个物理过程共同造成。理解这两个过程，你才会明白为什么要做波长补偿、为什么单纯搬去雾算法一定会失效。

1.1 吸收：不同波长的光在水中“寿命”不同

水体对光的吸收具有明显的波长选择性。光在水中的衰减系数随波长变化很大：红光波长大约在620纳米附近，水对它的吸收最强，大概在水下5米左右的深度，红色能量就已经衰减大半；绿光波长更短，衰减相对慢一些；蓝光在水中穿透能力最强，能到达更深的水层。这也是为什么几乎所有水下照片都呈现蓝绿色——并不是相机白平衡没调好，而是红色信息在物理层面就已经严重丢失了。

这个规律对算法设计的影响是决定性的。你可以把水下成像理解为：一张照片的RGB三个通道里，R通道被水“抽走”了大部分能量，G和B通道损失相对少一些。如果用一个统一的去雾模型对三个通道做完全相同的处理，等于默认三个通道的退化程度是一样的，这个前提在水下完全不成立。波长补偿方法的核心逻辑，就是先把这种“各通道衰减不均”造成的偏色问题补回来，让R通道的信息尽量恢复到接近G、B通道的状态，之后再去处理散射带来的模糊。

值得注意的是，红光衰减并非在所有水下场景中都一样严重。清水和浑浊水、浅水区和深水区，各通道的衰减比例差异很大。因此，波长补偿需要设计成自适应估计的形式，而不是用一个固定的增益把红色通道强行拉高。后面我会详细展开具体的自适应策略。

1.2 散射：对比度下降的元凶

除了吸收，水体中悬浮颗粒对光的散射同样严重。你可以把散射想象成汽车远光灯在大雾里的效果：光线在传播路径上被微粒反复弹射，一部分原本应该到达相机的光被弹开，另一部分不属于该像素的环境光被弹进传感器，最终导致图像对比度急剧下降、边缘细节模糊、整体笼罩在一层灰蒙蒙的面纱中。这种现象和水雾天气非常像，也是“水下去雾”这个说法成立的物理依据。

水下散射还有一个特点：它不只是让图像变灰，还会加剧色彩偏移。因为短波长蓝光的散射相对较强，水下图像的背景区域往往呈现浓郁的蓝色调。这就形成了一个双重困境——颜色和对比度的问题交织在一起，单独处理哪一个都很难得到满意结果。

1.3 陆地去雾算法为什么“水土不服”

经典暗通道先验在陆地雾天图像上效果很好，它基于一个统计假设：在无雾图像的局部区域里，至少有一个颜色通道的亮度值非常低、趋近于零。这个假设在陆地场景中大部分时候成立，比如阴影、深色物体、彩色物体的某个暗色通道等，都能提供足够的暗像素信息。

但水下图像的统计特征完全变了。由于水体对红光的选择性吸收，深水区域的图像几乎每一个像素的R通道都很小，不再是“局部稀疏存在”的暗像素，而是全图范围的结构性缺失。当计算三通道最小值得到的暗通道时，数值普遍偏高，暗通道先验的假设被破坏，透射率会被严重高估。强行套用经典算法的结果，往往是颜色进一步偏移、对比度矫正过度，甚至出现可笑的偏红伪影。

因此，水下增强方法普遍会对暗通道先验做改进，其中最常见的方法是转向“红通道先验”，把原本的RGB三通道最小值改为对R通道做补偿后再提取暗信息。这个改动的本质，是认清水下环境中R通道才是信息最稀缺、最容易被散射影响覆盖的通道，必须优先处理它。

2. 波长补偿与去雾：两条技术路线怎么捏在一起

既然水下的问题既有“颜色通道衰减不均”，又有“散射导致的对比度下降”，最自然的思路就是把两个步骤串联起来：先做波长补偿解决偏色问题，再做去雾处理解决模糊问题。听起来简单，但真正实现时会遇到不少设计抉择，下面把关键问题拆开讲。

2.1 波长补偿的自适应设计思路

最朴素的波长补偿办法是全局统计法：计算G、B通道平均亮度与R通道平均亮度的比值，然后放大R通道乘以一个系数。这种做法在场景简单、光照均匀的理想图像上有点效果，但一到真实水下照片就会翻车。原因在于，水下场景中经常存在大片蓝色背景区域，这些区域的R通道本底信息几乎为零，如果按照全局平均比值去补偿，背景区域会被强行灌入大量红色增益，最终导致蓝色背景变成诡异的紫红色，噪声也跟着被放大。

更稳妥的做法是用“亮区域环境光估计”代替全局均值。我们可以先估计出场景中的环境光（可以近似理解成水体背景光），然后把它与参考的白色或者灰色目标对比，得到各通道的补偿比例。相当于问一个很直接的问题：如果这张图里有一片理论上应该是白色的物体，它在水中被吸收后变成了什么颜色？补偿的目标就是把这个颜色拉回白色，这样整幅图的色彩就自然了。

在实际项目中，我选用了基于灰度世界假设修正的变体。灰度世界假设认为，一张色彩分布足够丰富的自然图像，其三个颜色通道的平均值应该趋于一致。水下图像因为红色缺失，三通道均值严重不平衡，把这个偏差通过比例系数修正，就得到一个简单但不失稳健的补偿结果。关键点是设置一个补偿上限，防止R通道被无限拉高，同时只在色彩信息丰富的区域做强补偿，在深水背景区域适当降低补偿强度，避免噪声泛滥。

2.2 改进后的暗通道先验如何构建

完成了波长补偿，接下来进入去雾环节。前面说过，经典暗通道先验在水下图像上失效，这里要换成改进版本。核心做法是：在提取暗通道时，不再对RGB三通道取最小值，而是单独使用补偿后的R通道来估计暗通道信息。

为什么只盯R通道？因为水下图像中最先丢失信息的是R通道，它的暗像素统计最接近陆地图像中暗通道先验的适用条件。对于非红色物体，R通道的值本来就低，水下环境又额外衰减了它，这种结构性暗信息正好符合暗通道先验假设。对于白色或者其他浅色物体，R通道值相对较高，可以作为透射率估计的参考。这种方式比简单取三通道最小值要稳得多，也是“红通道暗通道先验”的核心思想。

透射率估计公式仍然沿用大气散射模型的框架：

[ t(x) = 1 - \omega \cdot \min_c \left( \frac{I_c(x)}{A_c} \right) ]

其中 (\omega) 是保留远景雾感的常数因子，一般取0.85到0.95。在红通道暗通道先验的框架下，不再对三通道都套用这个公式，而是主要依赖R通道的信息估计，再把这个透射率用于整幅图像的三个通道。这样既解决了水下场景统计假设失效的问题，又保持了模型简洁。

2.3 算法的完整处理流程

把这套逻辑整合到一起，整个算法流程可以分成五个阶段：

1. 输入原始水下图像，转换成double类型并归一化到[0,1]区间。
2. 估计环境光，并据此计算R通道的波长补偿系数，对RGB三通道分别做补偿，得到初步校正图像。
3. 在补偿后的图像基础上提取红通道暗通道，估计环境光值，并计算初始透射率图。
4. 用引导滤波对透射率图做细化，消除块状伪影，保持边缘结构。
5. 根据大气散射模型重建图像，再做一次对比度拉伸和色彩修正，输出最终增强结果。

这个流程的每一步都有明确的物理意义，不是盲目叠加操作。波长补偿解决“颜色丢没丢”的问题，暗通道去雾解决“图像糊没糊”的问题，最后的色彩修正解决“输出能不能看”的问题。

3. Matlab代码实现拆解：关键步骤一读就懂

算法跑通之后，代码的可复现性就是最重要的事了。Matlab自带的图像处理工具箱提供了最常用的滤波器、形态学操作和引导滤波函数，非常适合快速验证算法。我用的版本是R2022a，后面所有代码在这个版本及相近版本上都能直接运行，不需要额外安装第三方工具包。

3.1 读图与数据预处理

% 读取原始水下图像 I_original = imread('underwater_sample.png'); % 转换为double并归一化到[0,1] I = im2double(I_original); % 分离三个颜色通道 R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3);

这一步看起来简单，但有个细节值得多说一句。im2double把8位整数图像归一化到[0,1]，这是后续所有浮点运算的前提。如果直接用uint8做运算，中间结果会频繁被截断，透射率估计和补偿计算都会引入不必要的误差，最终输出的图像容易出现色带和奇怪的边缘。

读图之后，建议先观察一下三个通道各自的直方图。我通常会在调试阶段用imhist分别查看三通道分布，快速判断红色通道是否大面积接近零，绿色和蓝色通道的分布重心在哪里。这一步能帮你确认当前图像属于“深度较大的蓝绿主导场景”还是“浅水区红绿蓝相对均衡的场景”，从而决定补偿强度是否需要加大。

3.2 暗通道计算与环境光估计

提取红通道暗通道最直接的方法是做最小值滤波。这里使用ordfilt2或imdilate都可以，但要理解其中的区别。

function dark = dark_channel_red(R, patch_size) % 对红通道做最小值滤波，获得暗通道 dark = ordfilt2(R, 1, ones(patch_size, patch_size), 'symmetric'); end

ordfilt2的第二个参数设为1，表示取局部最小值，等价于最小值滤波。选择对称填充方式可以避免图像边缘区域出现明显的黑色边框。窗口大小直接影响暗通道的粒度：窗口太小，暗通道估计容易受噪声干扰；窗口太大，透射率图会丢失细节。实际项目中，对于常见尺寸的水下图像，我通常把patch_size设为15到25之间，具体值可以按图像尺寸的1%到2%估算。

环境光的估计逻辑有一点绕，但很关键。暗通道中亮度最高的像素，通常对应的是图像中最“不透光”的雾感区域，这些区域能够代表环境光。做法是取暗通道图中亮度最大的前0.1%像素位置，然后在原始图像中找这些位置的最大像素值作为环境光。

function A = estimate_atmospheric_light(I, dark) % 将暗通道展平并确定阈值 [height, width] = size(dark); num_pixels = height * width; top_num = max(1, floor(num_pixels * 0.001)); dark_flatten = dark(:); [~, idx] = maxk(dark_flatten, top_num); % 在原始图像中取这些位置的各通道最大值 A = zeros(1, 3); for c = 1:3 channel = I(:, :, c); A(c) = max(channel(idx)); end end

经验之谈：环境光估计是整套算法里最容易“阴沟翻船”的步骤。水下图像里如果有白色的鱼、砂底、潜水员装备等高亮目标，这些位置容易被误判为环境光，导致透射率估计整体偏低。我试过在测试集里加入一张带白色鱼身的图片，算法输出的增强结果明显发灰，后来在环境光估计前加了一步简单的去高亮保护：在暗通道图中排除掉原图多个通道同时接近峰值1的像素，问题才得到缓解。这个细节在论文里通常一句话带过，实际工程中却决定最终效果。

3.3 透射率估计与引导滤波细化

有了环境光，就可以计算透射率图。基础公式的Matlab实现非常简洁：

omega = 0.9; % 对红通道计算归一化暗通道 normalized_R = I_compensated(:, :, 1) ./ A(1); dark_norm = dark_channel_red(normalized_R, patch_size); t_initial = 1 - omega * dark_norm;

直接用这个透射率重建图像，必然会出现块状伪影。因为最小值滤波是基于局部窗口的，窗口边缘处的透射率会突变，导致恢复图像在边缘附近颜色跳变。解决方法是引入引导滤波，把原来的透射率图结构细化。

% 用亮度图作为引导图，细化透射率 I_gray = rgb2gray(I_compensated); t_refined = imguidedfilter(t_initial, I_gray, ... 'NeighborhoodSize', 30, ... 'DegreeOfSmoothing', 0.001);

引导滤波的作用通俗点说，就是既让透射率图变得平滑，同时保留原图的边缘轮廓。这也是它比普通高斯滤波更适合做透射率细化的原因。这里的NeighborhoodSize和DegreeOfSmoothing是两个需要测试的参数。窗口太大，透射率变化过于平缓，远距离区域的雾感会被过度去除；平滑系数太大，边缘信息丢失，图像会出现光晕。

我自己调试时总结的经验是：NeighborhoodSize取图像短边长度的1/20左右，DegreeOfSmoothing取0.001到0.01之间，先固定一个参数，只调另一个，记录三张不同场景图像的输出，观察细节和颜色表现，再微调。不建议一上来就在整批测试集上调参，容易陷入“过拟合测试集”的陷阱。

3.4 图像重建与色彩恢复

透射率细化完成之后，逐通道重建无散射图像：

t0 = 0.1; J = zeros(size(I_compensated)); for c = 1:3 J(:, :, c) = (I_compensated(:, :, c) - A(c)) ./ max(t_refined, t0) + A(c); end

max(t_refined, t0)是防止透射率接近零时除零运算导致噪声爆炸。t0太小容易引入大量噪点，太大则图像仍然偏灰。0.1是一个常用的经验值，但如果你发现增强结果在天空或者背景区域出现斑点，可以谨慎提高到0.2左右，会牺牲一点对比度换取更干净的背景。

去雾重建之后，图像颜色往往还需要一次全局调整。我会做两步后处理：第一步是限制对比度自适应直方图均衡（CLAHE），增加局部对比度；第二步是饱和度与亮度的适度校正。

% CLAHE 增强亮度通道 J_lab = rgb2lab(J); J_lab(:,:,1) = adapthisteq(J_lab(:,:,1), 'NumTiles', [8 8], 'ClipLimit', 0.01); J_final = lab2rgb(J_lab);

这里选择在Lab空间的亮度通道上做直方图均衡，而不是直接在RGB空间处理，是为了避免颜色被过度拉伸导致偏色。我见过一些实现直接在RGB三通道上分别做直方图均衡，结果偏色问题反而更严重，因为红通道信息本来就不足，强行均衡会制造出大量不自然的红色噪声。

3.5 核心参数速查表

这张表是我花了将近两周时间调出来的参数域，所有的值都在十张不同风格的水下测试图像上验证过。当然，不同数据集的最佳参数肯定有差异，但基本都在这个范围内，可以作为起步配置。

4. 实验评估：主观质量与客观指标的双重检验

算法写完，不能光靠肉眼看两三张效果图就下结论。水下图像增强领域有一个常见的毛病，就是只挑效果最好的图展示。要评价一个算法到底行不行，得从测试集搭建、客观指标选择和结果分析三个层面系统去做。

4.1 测试集怎么搭才不容易“骗自己”

我的做法是收集了80张水下图像，涵盖三类典型场景：蓝色清澈水域的远景、绿色浑浊水域的近景、以及存在高亮物体（比如浅色砂底或白色鱼体）的干扰场景。每一类大约20多张，外加一部分带有人工合成参考图像的数据用于计算PSNR和SSIM。

这里要提醒一句：真实水下图像没有“原图对”，因为水下增强问题本身是病态逆问题，你无法知道场景在理想光照下的真实颜色。因此，主观视觉评价和UCIQE、UIQM这类无参考指标才是重点。如果想计算PSNR和SSIM，只能退而求其次，使用人工合成的退化图像——把陆地清晰图像按水下衰减模型加散射、加色偏，生成模拟水下图像，然后让算法去恢复。这种做法适合验证算法的物理合理性，但不能完全代表真实水下的表现。

4.2 无参考指标怎么选、怎么统计

水下图像领域最常用的两个无参考指标是UCIQE和UIQM。UCIQE主要衡量色偏、对比度和饱和度三个维度的综合质量，UIQM则融合了清晰度、色彩度和对比度。在实际评测中，我以UCIQE为主，UIQM为辅，因为前者的计算简洁且对颜色恢复的反映更直接。

上表是某模拟项目测试集中一批典型图像的参考统计值。可以看出，波长补偿和去雾单独使用时指标提升有限，二者结合后两个指标都有明显上升。但我也要强调，这类指标不能完全代表人的视觉感受。有些图像经过过度增强后指标数值很高，视觉上却已经出现明显的偏色和伪影，反而不如指标稍低但自然的结果。

4.3 结果分析中的“常见说谎方式”

做对比实验时要特别小心几个陷阱。第一，不要用一个场景的几张图就得出“本方法优于某某方法”的结论，至少要在全测试集上统计平均指标，并注意方差。第二，对比方法要在同样条件下运行，包括同样的输入格式和参数设置，否则对比不公平。第三，展示结果时不要只挑最漂亮的图，把典型的失败案例也放出来，反而能说明你对算法边界有清晰认识。

我在实际评测中就遇到过这样的问题：某个对比方法在绝大多数图像上表现平庸，但在少数几张高对比度图像上指标非常高，如果只看这几张效果图，很容易产生误判。后来我把所有图像的指标做成箱线图，才看清楚算法稳定性的真实情况。

5. 工程落地中的坑与改进方向

算法在测试集上表现不错之后，我原以为可以顺利交付到实际项目中，结果应用到真实水下视频时又暴露出一堆问题。这些坑在纯论文复现环节几乎不会被提到，但在工程化阶段却决定了一个算法能不能真正投入使用。

5.1 最容易翻车的三个环节

第一个坑是大气光被高亮物体带偏。前面说过，白色砂底、白色鱼体和其他高亮区域会干扰环境光估计。应对策略是对暗通道图中的候选位置做一次RGB通道一致性检查，剔除那些三个通道都很亮、明显不像水体散射光的像素。

第二个坑是红色通道增益过度导致噪声放大。波长补偿系数一旦拉得太高，暗部区域的红色噪声会被成倍放大，图像出现明显的杂色斑点。我的解决办法是在补偿公式里加入一个基于通道局部方差的保护项：局部区域红色通道方差太小，说明那里几乎没有有效红色信息，补偿强度就应该降低，而不是强行去拉高。

第三个坑是视频处理时的亮度闪烁。对视频的每一帧独立做增强，帧与帧之间的环境光估计结果会发生抖动，导致整体亮度不连贯。我在处理视频时会对环境光估计和透射率做时域平滑，比如对连续几帧的A值取滑动平均，这能显著降低闪烁感，代价是算法对突然的场景变化响应变慢，需要你在实时性和稳定性之间做权衡。

5.2 不同水质与深度的自适应策略

水下图像增强最大的挑战之一，就是没有一套参数能在所有水况下通吃。清澈蓝水、浑浊绿水和港口污水对应的衰减系数差异极大。目前我采用的方案是在输入阶段增加一个水质粗略分类：根据G/B通道比值和整体亮度统计，估算当前场景的水体类型，然后动态切换补偿强度和去雾参数。这是工程上折中的做法，计算量小，稳定性高。更精细的做法是在模型中加入深度估计，但这个方向复杂度较高，目前还在测试中。

5.3 与深度学习结合的一点思考

传统优化方法的最大优势是可解释性高、不需要数据训练、在机器上就能实时跑。它的上限也受限，面对极端浑浊场景，纯物理模型的表达能力不足。最近我也在研究轻量级网络和传统方法的结合，思路是让网络预测透射率残差，而不是直接端到端输出增强图像，这样既保留了物理约束，又吸收了数据驱动的非线性表达能力。从目前的实验看，这个方法在极端场景下的稳定性比纯物理模型好，但训练数据的收集本身又是一个大工程。

最后再分享一个调试小技巧

如果你想快速验证自己的Matlab实现是否靠谱，我建议准备一张视觉上“不那么严重”的浅水图像，和一张深蓝背景占大面积的典型深水图像，拿这两张图专门做异常测试。浅水图能暴露出补偿过度和偏色问题，深水图能暴露出噪声放大和大气光误估计问题。这两个极端都通过了，算法在大部分常规场景里基本不会翻车。另外，每次修改参数后，把处理前后的图像和指标结果统一存到一个对比目录里，按日期命名，一个月后回头翻这些记录，你会发现很多调试经验都是在这些对比记录里总结出来的。水下图像增强看起来坑多，但只要你把物理退化机制想透，再耐心把各个环节的细节打磨好，这条路是可以走通的。