水下相机拍回来的素材，几乎每一帧都自带“雾霾蓝绿滤镜”——颜色发闷、对比度低、远处一片混沌，这在水下机器人视觉、养殖监测、水下考古这些实际项目里都是绕不开的老大难。我之前在做某水下视觉项目时，也卡在这块很久，最后用“波长补偿 + 去雾”的组合思路在Matlab里搭出了一套可复现的增强流程，效果比单纯套用陆地去雾算法要靠谱得多。这篇文章就把这套研究的思路、原理推导、Matlab实现细节和踩坑记录完整拆出来，给正在做水下图像增强相关毕设、课设或者工程预研的朋友一条可以直接上手的路径。
1. 先把问题看清楚：水下图像到底是怎么“坏掉”的
很多人上来就翻算法、找代码，但我建议先花半小时搞清楚退化机制。搞懂“图像为什么变这样”，远比你多调几个参数值有用得多。水下图像不是简单的“偏蓝”或者“变模糊”，它的退化分为两条独立的链路：颜色失真和对比度丢失。这两条链路背后是物理光学的问题，处理策略也因此完全不同。
1.1 波长衰减：为什么红通道总是“先没了”
光在水中的衰减与波长强相关。水的吸收系数对不同波长差异很大，红光（约620-750nm）波长较长，能量低，很快被水吸收，而蓝绿光（约450-550nm）穿透能力最强。换句话说，你在水下3米处拍摄，红色已经丢失了大量能量，到了10米深度，红色基本“归零”。所以水下照片普遍偏青蓝绿色，不是因为白平衡没调好，而是红色分量物理上就少。
这个现象直接决定了算法设计的第一原则：RGB三通道不能一视同仁地处理。你在陆地图像上用灰度世界假设那套，把三通道均值拉到一致，往往会把红通道拉爆，出现一片紫色的伪彩块。原因很简单：红通道信息本来就弱，强行线性拉伸容易把噪声也放大。
那怎么办？正确的思路是“按场景距离增量补偿”。离相机近的物体，红色损失少，远处则损失大。严格做法需要深度图，实践中可以近似为：对红通道做局部均值差补偿，再结合去雾后的透射率图做距离权重调节，效果已经足够用。
1.2 散射与悬浮粒子：模糊和“面纱”的制造者
除了吸收，水中的悬浮颗粒（泥沙、浮游生物、微小气泡）会散射光线。散射分两类：前向散射让目标边缘扩散、细节模糊；后向散射则像一层发光的“雾帘”，直接叠加在成像信号上，拉低对比度。这在浑浊水域尤其严重，表现为图像整体发灰发白，像蒙了一层纱。
水下图像增强的“去雾”部分，本质上就是要去掉这层后向散射形成的背景光干扰。这和雾天图像的退化模型在数学上高度相似，所以很多陆地去雾算法（比如暗通道先验）可以被迁移过来，但参数和细节必须针对水下环境修正——这一点后面详细说。
1.3 统一退化模型：一张公式看懂水下成像链
无论波长衰减还是散射，它们都叠加在同一光学成像过程中。现在主流的建模方式是在大气散射模型基础上做扩展，写成：
I_c(x) = J_c(x) * t_c(x) + A_c(x) * (1 - t_c(x))
其中 c 是通道索引（R/G/B），I 是观测到的退化图像，J 是待恢复的真实辐照度，A 是背景光，t 是透射率。透射率与距离、衰减系数的关系是：
t_c(x) = exp(-β_c * d(x))
这里的 β 是各通道衰减系数，红通道最大，蓝绿通道较小。正是这个 β_c 的不同，导致了颜色失真和模糊的空间分布差异。一句话归纳：要恢复水下图像，就要尽可能同时估计 A、t_c 和 J_c 三个未知量。波长补偿管的是颜色维度的 A 和通道差异，去雾管的是透射率和背景光维度。两者配合，正好从两个方向上补齐信息。
2. 算法核心：波长补偿和去雾如何配合着打
这一节进入核心思路。很多刚接触的读者以为这类算法就是“先做个白平衡再套个去雾”，实际远没那么简单。组合的顺序、补偿量如何控制、去雾时暗通道怎样定义，这些细节直接影响最终质量。
2.1 波长补偿：不是简单白平衡，而是“按通道找回能量”
水下图像各通道能量分布差异很大。常规做法是取绿通道或蓝通道作为基准，计算目标通道与基准通道的均值差/中值差，然后补偿回红通道。代码上大致是：
comp = mean_g - mean_r; % 红通道平均损失了多少 comp = max(comp, 0); % 防红通道反而更强 J_red = min(img(:, :, 1) + comp * alpha, 1); % alpha通常0.6-0.9alpha 就是补偿强度系数。为什么不是 1？因为全量补偿会过度增强噪声，且会破坏物体本身的色度。我实测下来，alpha 取 0.7 左右比较稳，能让照片恢复温暖色调又不至于发紫。
另一个更细致的做法是分块补偿。将图像分成若干小网格，每块独立计算红通道相对绿通道的缺失量，补偿后再进行插值平滑。这样能处理同一画面内近处和远处目标红色损失不一致的问题。像某公开水下图像测试集里的招牌“深海鱼”图，远距离红色鱼身和近距离蓝色背景同时出现时，分块补偿的效果会明显优于整图统一补偿。
2.2 暗通道先验引入水下：别照搬，要改两处
暗通道先验（Dark Channel Prior）是经典陆地去雾方法，核心假设是：无雾自然图像局部小方块内，至少有一个通道的亮度很低。基于此，用最小滤波估计透射率和背景光。这个思路在水下照样成立，但有两点必须改：
第一，水下场景的背景光不是天空，而是蓝绿色的水体后向散射光。所以背景光 A 的估计不能像陆地上那样简单取暗通道中最亮像素，而是要在远离拍摄目标的区域中选。实践中我常加入一个简单的四叉树空间搜索：先把图像分成四块，选亮度方差最小的区域，递归划分，最后在该区域取蓝绿通道的高亮度像素均值作为 A。这能有效避免把白色鱼身或人工光源误判成背景光。
第二，暗通道本身可以在补偿后的图像上计算。因为红通道原本几乎无能量，原始图像的暗通道会被红通道主导，导致透射率估计错误。对红通道补偿之后再做暗通道，得到的透射率图才更稳定。这也是这个算法强调“先补偿、后去雾”的原因。
2.3 算法整体框架：一张完整的处理链路
我最终在项目中落地的流程如下，供直接参照：
输入图像 → 转 double 类型并归一化 → 通道分离 → 波长补偿（R通道按绿通道均值差补偿） → 计算暗通道 → 四叉树搜索估计背景光 A → 按通道估计透射率 t → 导向滤波平滑透射率 → 根据成像模型恢复图像 → 可选CLAHE或饱和度校正 → 输出增强图
这套流程的好处在于，每一步的输出都是下一步的输入，逻辑清晰，便于逐段调试。你可以在任意一步后输出中间结果查看，能快速定位问题出在哪个环节。我在项目里就是这么干的：单独把补偿后的图和透射率图、背景光值打印出来，一眼就能判断算法走到了哪一步。
3. Matlab完整实验流程与代码解读
这一节是实操性最强的内容。我默认你已经有Matlab的Image Processing Toolbox基础，如果完全没有，强烈建议先跑通一个最低限度的Demo再继续。
3.1 实验准备与数据选择建议
Matlab版本建议用 2020 之后的版本，图像处理工具箱中的 imfilter、strel、guidedfilter 等函数都齐备。测试素材方面，建议准备三类图：浅水区的偏绿素材、深水区的偏蓝素材、浑浊水域的低对比素材。不要只用一张“网红图”调参，那样的结果没有泛化性。
我自己的习惯是以 256 到 512 像素宽的图像先做算法验证，参数稳定后再跑 1080p 原图。这样节省调试时间，也能更快观察到参数变化的效果。
3.2 核心代码实现细节解析
下面给出主流程代码，关键是每个模块我都标出了参数含义和调整依据。
% 读入和归一化 I = imread('underwater.png'); I = im2double(I); % ---------- 波长补偿 ---------- R = I(:, :, 1); G = I(:, :, 2); B = I(:, :, 3); % 计算补偿量：以分为单位的均值差 mean_R = mean(R(:)); mean_G = mean(G(:)); diff_RG = mean_G - mean_R; % 补偿红色分量，alpha为强度系数 alpha = 0.75; R_comp = R + alpha * diff_RG; R_comp = min(R_comp, 1); % 防过曝 I_comp = cat(3, R_comp, G, B); % ---------- 暗通道计算 ---------- windowSize = 15; dark = min(min(I_comp, [], 3), ordfilt2(min(I_comp, [], 3), 1, true(windowSize)));暗通道计算这段容易踩坑。Matlab 没有直接的局部最小值函数，常用 ordfilt2 来做。上面这行的写法是把三通道先取最小值，再对灰度图做窗口半径为15的最小滤波。窗口大小很关键，太大容易丢失细节边缘，太小又会令透射率估计不连续。15 是对 512 宽图像的经验值，如果你的图像分辨率更高，可以将其调到 20-25 范围。
背景光估计我强烈建议用四叉树，而不要用暗通道前 0.1% 像素的像素值直接平均。水下场景的小块白色区域太多，暗通道法非常容易把高光区域当成背景光。
% ---------- 四叉树搜索背景光 ---------- I_gray = rgb2gray(I_comp); finalRegion = [1, 1, size(I_gray, 2), size(I_gray, 1)]; for iter = 1:6 x = finalRegion(2); y = finalRegion(1); w = finalRegion(3); h = finalRegion(4); quad = {I_gray(y:y+h/2, x:x+w/2), I_gray(y:y+h/2, x+w/2+1:x+w), ... I_gray(y+h/2+1:y+h, x:x+w/2), I_gray(y+h/2+1:y+h, x+w/2+1:x+w)}; avg = cellfun(@(block) mean(block(:)), quad); [~, idx] = min(avg); switch idx case 1, finalRegion = [x, y, w/2, h/2]; case 2, finalRegion = [x+w/2, y, w/2, h/2]; case 3, finalRegion = [x, y+h/2, w/2, h/2]; case 4, finalRegion = [x+w/2, y+h/2, w/2, h/2]; end end A = mean(mean(I_comp(finalRegion(2):finalRegion(2)+finalRegion(4), ... finalRegion(1):finalRegion(1)+finalRegion(3), :))); % ---------- 透射率估计与恢复 ---------- omega = 0.9; t = 1 - omega * (dark / A(1)); % 简化：用背景光均值 t = max(t, 0.2); % 防止过小导致噪声放大 t = imguidedfilter(t, I_gray, 'DegreeOfSmoothing', 0.01); % 导向滤波 J = zeros(size(I_comp)); for c = 1:3 J(:, :, c) = (I_comp(:, :, c) - A(c)) ./ max(t, 0.2) + A(c); end J = max(min(J, 1), 0);代码中 t 的计算其实是简化版，严格来说应该对每个通道分别估计，因为各通道透射率衰减系数不同。但实际工程中发现，分别估计容易产生色彩噪声，视觉上反而不如单通道灰度透射率共用稳定。这是“理论上对，工程上要做取舍”的典型例子。
3.3 结果评价指标：别只靠肉眼和感觉
做研究不能光“看着好”，要落到指标上。我常用的两个水下原生指标是 UIQM（水下图像质量评价）和 UCIQE（水下彩色图像质量评价），都有开源Matlab实现，可以在论文里引用。另外 PSNR 和 SSIM 也建议算一下，虽然它们需要参考图像，但你如果有干净版本（比如合成退化）就能用上。
一套完整的实验至少要有：输入图、补偿中间图、透射率图、最终增强结果、UIQM/UCIQE数值表格。我自己的经验是，UIQM 提升 20% 以上算合格提升，30% 以上就是比较显著的改善。
3.4 参数调优策略：颜色优先，对比度其次
调参也有顺序讲究。我建议先固定去雾参数（omega=0.9，t0=0.2），单独调 alpha 补偿系数，把颜色调到“看起来准确”；然后再保持 alpha 不动，调 omega 和窗口大小去优化对比度。不要同时改多个参数，否则出了问题都不知道是哪一步引起的。
另外，观察中间结果特别重要。当你发现最终图出现紫色块时，大概率是 alpha 调太高了；如果图像灰蒙蒙但颜色正常，那就是 omega 太小或背景光 A 位置选偏了。每一层都看得明白，才谈得上调优。
4. 实操中常见的故障与排查实录
这部分价值可能比前面的代码框架更高，因为是我在反复实验中被坑出来的经验。每一个现象都对应一个具体的调试方向。
4.1 红通道补偿过度，图像发灰发紫
最典型的翻车现场：补偿后整幅图蒙上一层紫色，或者红色区域的饱和度异常高到失真。原因就是 alpha 值太大，或者补偿后做了两次线性拉伸。我的处理办法是：
- 将 alpha 控制在 0.5-0.8 之间，先看直方图再决定。
- 补偿后检查红通道直方图的 99% 分位，如果接近 1，说明大量像素过曝。
- 改用中值差替代均值差计算补偿量，能降低对极端高亮噪声的敏感度。
另外有个浅水脏水场景的特例：水中其实含有大量黄色粒子，这种场景下红通道并不总是“缺失”的，如果盲目补偿，会让画面发灰。这时候可以考虑根据绿色通道均值自适应决定要不要补偿——如果画面本身已偏黄绿，补偿强度就要调低。
4.2 透射率图出现白边或光晕
表现为目标物体的边缘出现一圈“发光”感，像是包围在雾里。产生原因是暗通道的窗口太小或透射率估计不够平滑，导致边缘处透射率突变。解决办法是：
- 增大暗通道窗口尺寸，比如从 15 调到 25；
- 保证使用了导向滤波（imguidedfilter）来平滑透射率图；
- 检查是否需要限制透射率的最小值。我通常设为 0.1-0.3，太低的话噪声会爆炸。
4.3 背景光估计漂移，恢复结果整体偏色
如果你在四叉树搜索后，发现最终结果整体偏黄或者偏灰，大概率是选择的背景区域本身就有偏色（例如画面里有黄色礁石区）。一个补救措施是在四叉树最终区域选取时，不要取该区域三通道均值作为 A，而是取该区域中亮度最高 1% 像素的均值。这样更能代表远处水体的散射光颜色。调到这里就该意识到：背景光 A 的估计质量，几乎决定了整个去雾结果的色调走向。
4.4 Matlab 运行慢与内存占用问题
处理一张 1080p 图像时，暗通道计算和导向滤波的耗时还是能感觉得到的。如果嫌慢，有几个实用技巧：
- 先用 imresize 将图像缩小到 512 宽，标定好参数后再跑原图；
- 尽量用矩阵运算替代循环，避免逐像素 for；
- 导向滤波的 DegreeOfSmoothing 不要设太大，否则时间直接翻倍；
- 如果连续处理一批图像，用预处理脚本统一参数并批处理，省去重复调参的时间。
还有一个隐藏性能瓶颈：ordfilt2 在旧版Matlab上对大图很慢，可以用 imerode（对灰度图像做局部最小值）替代，速度能提升不少。
说实话，这类水下图像增强算法做到最后，拼的往往不是“谁的公式更花哨”，而是对每个中间环节的判断力——什么时候该补偿、补偿多少、背景光取哪里、透射率下限设多少，这背后全是物理和经验。波长补偿加去雾这个组合，在多数水下素材上都能给出比单一方法好看得多的结果，而且每一步在Matlab里都能可视化出来，特别适合做学习验证和改进。后续如果想继续深入，可以考虑在补偿阶段引入深度估计做更精细的波长衰减补偿，或者把增强结果接入目标检测评价其对识别率的增益。但先把这套流程跑通、跑透、能自己判断好坏，是更值得也更基础的一件事。
