光电子·激光

Journal of Optoelectronics·Laser
ISSN 1005-0086,CN 12-1182/O4

《光电子·激光》网络首发论文

题目： 基于图像融合的水下桥墩裂纹图像增强方法
作者： 杨威，刘志强，叶嘉辉，于双洋，周枫
收稿日期： 2023-09-23
网络首发日期： 2024-03-21
引用格式： 杨威，刘志强，叶嘉辉，于双洋，周枫．基于图像融合的水下桥墩裂纹图像
增强方法[J/OL]．光电子·激光.
https://link.cnki.net/urlid/12.1182.O4.20240321.1614.040

网络首发：在编辑部工作流程中，稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定，且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式（包括网络呈现版式）排版后的稿件，可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定；学术研究成果具有创新性、科学性和先进性，符合编
辑部对刊文的录用要求，不存在学术不端行为及其他侵权行为；稿件内容应基本符合国家有关书刊编辑、
出版的技术标准，正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性，录用定稿一经发布，不得修改论文题目、作者、机构名称和学术内容，
只可基于编辑规范进行少量文字的修改。
出版确认：纸质期刊编辑部通过与《中国学术期刊（光盘版）》电子杂志社有限公司签约，在《中国
学术期刊（网络版）》出版传播平台上创办与纸质期刊内容一致的网络版，以单篇或整期出版形式，在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊（网络版）》是国家新闻出
版广电总局批准的网络连续型出版物（ISSN 2096-4188，CN 11-6037/Z），所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间：2024-03-21 21:55:44
网络首发地址：https://link.cnki.net/urlid/12.1182.O4.20240321.1614.040

基于图像融合的水下桥墩裂纹图像增强方法
杨威，刘志强*，叶嘉辉，于双洋，周枫
(1.江苏科技大学 机械工程学院, 江苏 镇江, 212100; 2.浙江省海洋开发研究院, 浙江 舟山, 316021)

摘 要: 针对水下桥墩裂纹图像存在模糊、亮度差、对比度低等问题，提出了一种基于图像融合的水下桥墩裂纹图像增强
方法。首先利用同态滤波对裂纹图像进行去噪声处理, 去除水下环境对裂纹图像的噪声影响；其次对同态滤波处理后的裂
纹图像从红-绿-蓝(red-green-blue,RGB)空间转换为 LAB 色彩空间(lab color space,LAB)，对 LAB 中的 L 通道利用自适应伽
马校正对裂纹图像进行亮度处理, 将处理后的裂纹图像转换回 RGB 空间得到增强的裂纹图像 1；将同态滤波处理后的裂
纹图像利用限制对比度自适应直方图均衡化处理得到对比度加强的裂纹图像 2；最后将图像 1 和图像 2 进行加权融合得到
最终的增强图像。应用主观视觉效果和 3 种客观评价指标来验证本文算法的可靠性，结果表明，本文方法处理的裂纹图
像亮度、清晰度、对比度均得到有效提升。
关键词: 桥墩裂纹；水下图像；图像增强；图像加权融合
中图分类号: TP391.41;S979 文献标识码: A
DOI:

Image enhancement method of underwater pier crack based on image

fusion

YANG Wei, LIU Zhiqiang*, YE Jiahui, YU Shuangyang, ZHOU Feng

(1.College of Mechanical and Engineering, Jiangsu University of Science and Technology, Zhenjiang, Jiangsu 212100, China; 2.
Zhejiang Marine Development Research Institute, Zhoushan, Zhejiang 316021, China )

Abstract: In response to issues such as blurriness, low brightness, and poor contrast in underwater bridge pier
crack images, this paper proposes an image enhancement method based on image fusion. Firstly, Homomorphic
Filtering is applied to denoise the crack images, eliminating the noise impact of the underwater environment.
Subsequently, the Homomorphic Filtering processed crack images are transformed from the RGB(red-green-blue)
space to the LAB color space(lab color space,LAB). The L channel in the LAB is subjected to adaptive gamma
correction for brightness adjustment, and the processed crack images are then converted back to the RGB space,
resulting in enhanced crack images (Image 1). The crack images processed by homomorphic filtering are also
subjected to contrast enhancement through contrast limited adaptive histgram equalization, producing
contrast-enhanced crack images (Image 2). Finally, Image 1 and Image 2 are weighted fused to obtain the ultimate
enhanced image. Subjective visual effects and three objective evaluation metrics are employed to validate the
reliability of the proposed analysis method. The results indicate that the prop osed method effectively enhances the
brightness, clarity, and contrast of the crack images processed in this paper.
Keywords: Bridge pier cracks; Underwater images; Image enhancement; Image weighted fusion

1引 言
国内服役年限超过 20 年的桥梁占比约为 27%。水下桥墩作为桥梁的地基，其好坏与否直接影响到桥梁
的服役时间及性能。桥墩处于水下相对恶劣的环境体系,其病害程度与形式不易被人们发现，故水下桥墩结构
的裂纹病害状况长期得不到有效的重视。有缆水下机器人(remotely operated vehicle，ROV)成为一种新型的探
测技术装备，利用 ROV 代替潜水员在水流不稳定、不均匀、泥沙较多的桥墩附近执行检测工作。然而 ROV
在检测过程中还存在一些技术难题，水下环境不同于陆地环境，经过 ROV 携带的摄像模块检测到的水下桥
墩裂纹图像存在亮度低、对比度低、干扰噪声等一系列问题。基于上述问题国内外专家学者对水下图像增强
展开了一系列研究。
目前适用于水下桥墩裂纹图像增强技术可以分为基于硬件与基于软件的方法。硬件方法分为偏振成像、
距离选通成像、荧光成像以及立体成像[1], 文献[2]中美国洛克希德马丁公司的 Mudge 和 Virgen 利用自主研制

E-mail:zhiqiangliu@just.edu.cn
收稿日期：2023-09-23 修订日期：2023-12-10
基金项目：浙江省重点研发计划项目——浙东跨海大桥水下多元协同检测关键技术及应用示范(2021C03185).
的分振幅型偏振相机进行了初步的近红外偏振实时去雾方法研究,达到了提升图像对比度的目的。文献[3]中，
杨力铭利用偏振光学成像技术, 对雾霾以及浑浊水体条件下进行偏振去散射研究, 并针对水下图像提出一
种非偏振光照明的水下偏振成像目标增强技术。软件方面分为非物理模型增强、物理模型增强以及深度学
习增强三类[4]。文献[5]中康斌龙提出了一种基于差异通道增益与改进多尺度 Retinex 算法相结合的方法改善
水下图像质量, 此方法包含颜色校正、对比度增强等操作。文献[6]中 Ancuti 等人在 2019 年提出了一种颜色
通道补偿的方法，根据相互对立的颜色通道来重新建立丢失的颜色通道，进一步增强图片的颜色外观。文献
[7]中 Li 等人提出了一种门控融合网络 Water-Net, 将三幅经过伽马校正、对比度改进以及白平衡处理的三幅
图作为系统输入, 并生成相应的合成水下图像作为输出, 达到输出的图像更加真实的效果。
利用硬件方法进行图像增强, 其增强效果取决于硬件的精度且成本较高, 硬件易受到环境的干扰。利用
物理模型进行图像增强, 增强效果取决于对参数估计的准确性。水下环境复杂, 物理模型增强方法有难度。
利用深度学习也具有一定的局限性, 其模型是一个简单的连续几何变换链, 但对于没有足够多的神经网络层,
或者对应的几何变换过于复杂, 或者缺少一定的初始学习数据, 都会对深度学习带来一定的局限性。鉴于以
上各种方法的局限性, 本文提出一种基于图像加权融合的水下桥墩裂纹图像增强方法, 加权融合后的图像画
质更加清晰, 裂纹特征更加明显。

2 本文算法流程
本文的具体算法流程如图 1 所示。
Input the original
underwater pier crack image

Homomorphic filter

RGB— LAB

CLAHE

L A B

Improved
gamma
correction

RGB— LAB

Image1 Image2

Image weighted fusion

The crack enhancement image

of underwater pier is output

图 1 具体算法流程图
Fig. 1 Flow chart of specific algorithm
首先, 将输入的原始水下桥墩裂纹图像利用同态滤波进行处理, 消除环境对图像的噪声干扰。其次, 将处
理后的图像从 RGB 空间转换到 LAB 空间, 在 L 通道中利用改进伽马校正对通道中的亮度值进行自适应校正,
处理后再将 LAB 空间转换到 RGB 空间得到图像 1。将同态滤波后的图像利用限制对比度自适应直方图均衡
化(contrast limited adaptive histogram equalization, CLAHE) 算法进行对比度增强得到图像 2, 将图像 1 与图像
2 进行加权融合处理, 得到水下桥墩裂纹增强图像。

3 水下图像融合增强算法
3.1 同态滤波
同态滤波是一种将频率滤波与空域灰度变换相结合的图像增强处理方法 [8], 将图像的光照程度与反射率
模型作为其在频域空间内处理的基础,同态滤波[9]处理过程下所示
f ( x, y)  i( x, y)  r ( x, y) , (1)
式(1)中， f ( x, y ) ——经过同态滤波后的结果图像； i ( x, y ) ——光的照射分量并且属于光照部分中的缓慢
变化的低频率分量； r ( x, y) ——光照反射部分。并且使较快变化的高频率分量, 相互乘积的噪声在频率在滤
波器中无法将其区分开来, 故需要对其进行对数变换, 将其转化为相加形式, 如下所示：
ln f ( x, y)  ln i( x, y)  ln r ( x, y) , (2)
将式(2)进行傅里叶变换得：
F (u, v)  I (u, v)  R(u, v) , (3)
确定高斯滤波器为同态滤波中的滤波器, 其传递函数表示为：
 D(u, v) 2 n 
H (u, v)  (rH  rL )  1  exp(c( ) )   rL , (4)
 2 D0 
式(4)中， D(u, v) ——图片像素点上的各个点的频率 (u, v ) 到中心频率 (u , v ) 的距离；距离公式如式(5)所 0 0

示； rH ——高频增益； rL ——低频增益； c ——锐化系数； n ——高斯滤波器的阶数, 传递函数的效果好坏与

否取决于对上述四个参数的调节。
其中 D(u, v) 的具体公式可表示为：
D(u, v)  (u  u0 )2  (v  v0 )2 , (5)
将进行傅里叶变换后的式(3)与高斯滤波器传递函数式(4)进一步处理如下所示：
H (u, v) F (u, v)  H (u, v) I (u, v)  H (u, v) R(u, v) , (6)
本次实验中取值 rH  2 、 rL  0.25 、 c  1 、 D0  10 ，使用一张水下桥墩裂纹图进行同态滤波处理后的结
果, 如图 2 所示。
(a) (b)

图 2 同态滤波处理对比图。(a)原始图；(b)同态滤波处理图
Fig. 2 Comparison of homomorphic filtering processing.(a) Original drawing;(b) Homomorphic filter processing diagram
从图 2 可以看出：同态滤波处理后的水下裂纹图像(b)与原始图像(a)相比，对比度和亮度均有明显提高，
但是图像中的纹理细节部分处理效果不佳，且画面不够真实。
3.2 改进的自适应伽马校正
伽马函数校正是用来改善图像的整体亮度, 以此来增加图像中感兴趣的部分并增加该区域的比例, 具有
良好的动态范围压缩效果[10]。可以在算法中通过改变参数  以及参数 c 来调整图片的整体亮度, 伽马变换的
公式如下：
s  cr , (7)
式(7)中, r ——灰度图像的输入值, 取值范围为[0,1]；s ——经过伽马变换后的灰度输出数值；c ——灰度缩放
系数, 通常情况下该数值取 1；  ——伽马因子以此来控制整个图像变换的缩放程度。

图 3 Gama 映射曲线图
 Fig. 3 Gama mapping curve
从图 3 中可以看出当   1 时图像的灰度值增加, 图像的整体亮度被提高并且也增加了一定的对比度；当
  1 时的图像的灰度值减小, 整体亮度被减小；当   1 时图像进行线性变换。利用伽马变换的原理可以将公
式演变成如下表达式：
I o  cI i  , (8)
式(8)中, I o ——输出的图像强度； I i ——输入的图像强度； c ——灰度缩放系数, 通常情况下该数值取 1；
 ——伽马因子, 两者同时控制伽马函数的具体形状。
对亮度分量 L 进行伽马校正仅仅通过一个伽马因子, 缺少了一定的自适应性, 容易对图像进行过度处理,
针对此问题本文改进了自适应伽马因子, 公式如下：
Vavy ( I L )  0.1baz ( I L )
  exp( ), (9)
Vavy( I L )
式(9)中, I L ——输入图像 I 的 L 通道的亮度分量； baz(L) ——图像 I 的 L 通道的亮值的标准差； Vavy ——图
像 I 的 L 通道的亮度分量的均值。
再将伽马变换后的亮度分量 L 与 A 以及 B 进行重新结合, 再重新转换至 RGB 颜色空间, 实现了对水下图
像的亮度、真实度以及清晰度的调整, 改进伽马校正处理后的对水下桥墩裂纹病害图像处理的对比如图 4 所
示。
(a) (b) (c)

图 4 改进伽马校正处理对比图。(a)同态滤波；(b)传统伽马校正；(c)改进的自适应伽马校正
Fig. 4 Improved gamma correction processing contrast chart.(a) Homomorphic filtering; (b) Conventional gamma
correction; (c) Improved adaptive gamma correction
图 4(a)为裂缝原图、图 4(b)为传统伽马校正裂缝图、图 4(c)为改进的自适应伽马校正裂缝图。从上述校
正图片对比可以明显得出, 经过本文改进的自适应伽马校正后的图片改善了清晰度, 增加了图片的真实性,
更加符合人眼的视觉特性。
(a) (b)
Bright elements

Bright elements

Intensity feature Intensity feature

(c) (d)
Bright elements

Bright elements

Intensity feature Intensity feature

 (e) (f)

Bright elements

Bright elements
Intensity feature Intensity feature

图 5 伽马校正 RGB 分量直方图对比。(a)传统伽马校正 R 分量；(b)改进的自适应伽马校正 R 分量；(c)传统伽马校正 G 分

量；(d)改进的自适应伽马校正 G 分量；(e)传统伽马校正 B 分量；(f)改进的自适应伽马校正 B 分量
Fig. 5 Gamma correction RGB component histogram comparison.(a) Conventional gamma correction R component; (b )
Improved adaptive gamma correction R component; (c) Conventional gamma correction G component;(d) Improved
adaptive gamma correction G component;(e) Conventional gamma correction B component;(f) Improved adaptive gamma
correction B component
从图 5 中的(a)、(c)、(e)三幅经传统伽马校正的 R、G、B 分量直方图中可以看出：图像的亮元数集中分
布在灰度值较大的部分, 表明校正后的亮度偏亮。从图 5 中的(b)、(d)、(f) 三幅经改进的自适应伽马校正的 R、
G、B 分量直方图中可以看出：改进的自适应伽马校正将原本图像的灰度值进行了拉伸, 增加了暗像元数量减
少了亮像元数量, 与传统的伽马校正相比, 改进的伽马校正有效地缓解了校正后亮度过高或者过度曝光的问
题。本文改进的自适应伽马校正进一步缓解了同态滤波因为光照分布不均匀而造成过度增强的现象, 增加图
像的细节。
3.3 限制对比度自适应直方图均衡化
经过同态滤波后的图片在一定程度上增加了亮度, 但是对于整体对比度而言还不够。本文引入限制对比
度自适应直方图均衡化 CLAHE 的方法[11]。对于水下裂纹或者其他物体, 只需要对某个部分进行均衡化, 突出
其局部轮廓细节, 具体算法原理如图 6 所示。
The part exceeds the threshold
Threshold

Filling part

图 6 CLAHE 算法原理
Fig. 6 Principle of CLAHE algorithm
根据此方法将经过同态滤波后的图像进行 CLAHE 处理, 处理效果如图 7 所示。由处理后的图片以及灰
度图可以看出用 CLAHE 的方法去处理经过同态滤波后的裂纹图片, 裂纹的局部细节更加均衡化, 亮度更加
均匀, 直方图更加的平滑, 达到了理想的效果。

图 7 CLAHE 处理效果
Fig. 7 CLAHE treatment effect
3.4 图像融合过程
本文研究并且总结出一种基于图像融合的图像增强方法。利用同态滤波对水下图像进行去噪处理, 一方
面在图像 RGB 颜色空间转换到 LAB 后利用改进的自适应伽马校正对 L 通道的亮度分量进行自适应调整, 调
整完后在与 A、B 分量结合再转换到 RGB 颜色空间, 实现图像的亮度调节。另一方面将滤波完成后的图像利
用 CLAHE 的方法进行处理, 实现对比度的增强以及局部轮廓的清晰, 最后将两个处理后的图像进行线性加
权融合即:
I 0  aI1  bI 2 , (10)
式(10)中, a 与 b ——权重系数。经过多次实验可以得到当 a  0.5, b  0.5 时融合能取得最优效果。

4 仿真结果与分析
本文将从主客观两个方面对实验的结果进行评价, 客观评价包括全参考(fully-reference,FR)评估和非参考
(non-reference,NR)评估两个方面。
FR 评 估 将 使 用 两 种 常 用 指 标 即 均 方 误 差 指 标 (mean square error, MSE) 、 峰 值 信 噪 比 指 标 (peak
signal-to-noise ratio, PSNR)对利用本文方法增强后的水下图像进行参考评估。利用直观的数值在一定程度上对
多种方法比较的真实反映, 更高的 PSNR 数值以及更低的 MSE 数值, 就图像内容来说, 反映出结果更加接近
参考图像。
NR 评估将使用常用的水下图像测量指标(underwater image quality measure, UIQM)来对增强后的水下图
像进行评估, 较高数值的 UIQM 表示增强后的结果图像适合人眼去感知并与人眼的感知保持一致。
本小节通过 MATLAB 实验对本文研究的水下图像融合增强算法与常用的水下图像处理算法：灰度直方
图均衡化算法(histogram equalization, HE) [12]、单尺度 Retinex 算法(singal scale retinex, SSR) [13]、暗通道先验算
法(dark channel prior, DCP) [14]进行对比。通过常见的六组水下桥墩裂纹图像进行实验, 即泥沙干扰下的图像 1
和图像 2, 桥墩附近水质浑浊导致桥墩裂纹不清晰图像 3, 水下光照不充足下的图像 4, 过度曝光的图像 5 和
图像 6。将本文研究的基于水下图像融合算法的增强方法与其他三种图像处理方法从完全参考评估和非参考
评估两项指标数据来直观的展现各个算法的优劣性能, 从而反映出算法对水下桥墩裂纹图像的增强效果, 多
种算法增强效果对比如图 8 所示。
(a1) (b1) (c1) (d1) (e1)

(a2) (b2) (c2) (d2) (e2)

(a3) (b3) (c3) (d3) (e3)

(a4) (b4) (c4) (d4) (e4)

(a5) (b5) (c5) (d5) (e5)

 (a6) (b6) (c6) (d6) (e6)

(a)Original drawing (b)DCP (c)SSR (d)HE (e) Textual algorithm

图 8 多种增强算法对比。(a)原图; (b) (c) (d) (e)经 DCP、SSR、HE、本文算法处理图
Fig. 8 Comparison of various enhancement algorithms.(a) Original drawing; (b) (c) (d) (e) The graph was processed
by DCP, SSR, HE and Textual algorithm
4.1 图像主观评价
图 8 中图像从左往右依次为原图、DCP 处理、SSR 处理、HE 处理和本文算法(textual algorithm, TA)处理
效果图。可以看出水下图像增强算法与 SSR 算法相比较而言增加了图像的真实感与对比度, 经过 DCP 算法
处理的图片虽然在一定程度上增加了图片的亮度, 但是处理的图像存在对比度差、失真等问题。而经过 HE
算法处理的水下图像也存在一定的曝光问题, 经过本文研究的图像处理方法处理后的图像, 红框中的裂纹边
缘轮廓以及清晰度等参数得到了较大的提升。
4.2 图像客观评价
完全参考评估中均方误差指标[15]计算公式如下所示：
M 1 N 1 2
1
MSE 
M N
  I (i, j)  K (i, j)
i 0 j 0
, (11)

式(11)中， M 为图像 I 的像素总数， N 为图像 K 的像素总数。

完全参考评估中峰值信噪比指标计算公式如下所示：
L2
PSNR  10lg , (12)
MSE
式(12)中， L 是一个常数, 他表示图像数据类型的最大动态范围, 数值越大表明待评估的图像质量越好。
UIQM 是目标的图像色彩测试度(underwater image colorfulness measure, UICM)、锐利度(underwater image
sharpness measure, UISM)以及对比度测度(underwater image contrast measure, UIConM)的视觉质量综合评价方
法, 非参考评估中水下图像测量指标[16]计算公式如下所示：
UIQM  c1 UICM  c2 UISM  c3 UIConM , (13)
式(13)中， c1 、 c2 与 c3 分别为指标系数，分别设置为 0.0282、0.2953 以及 3.5753 的三个系数。
表1 完全参考评估质量评价表 1
Table 1 Fully refer to the evaluation quality evaluation Table 1
Image HE SSR
sequence
MSE UIQM PSNR MSE UIQM PSNR
number
1 347.701 4.179 11.755 68.342 4.215 11.651
2 288.508 5.108 11.344 64.562 4.006 10.314
3 517.602 4.503 9.631 453.725 5.117 13.819
4 205.881 5.079 9.908 64.994 4.716 7.973
5 342.332 6.011 12.063 96.704 4.509 12.813
6 265.373 4.913 10.712 23.786 4.101 13.978
表2 完全参考评估质量评价表 2
Table 2 Fully refer to the evaluation quality evaluation Table 2
Image DCP TA
sequence
MSE UIQM PSNR MSE UIQM PSNR
number
 1 764.877 3.709 11.366 66.599 4.448 11.813
2 756.166 5.773 6.657 24.159 6.656 12.052
3 745.143 5.154 3.084 261.943 5.317 16.842
4 759.010 5.119 9.190 19.158 5.255 10.723
5 714.551 5.670 5.856 45.288 4.691 12.977
6 751.989 5.695 7.267 16.938 6.445 16.422

图 9 不同裂纹图像算法增强效果客观评价。(a)裂纹图像 MSE 值客观评价; (b)裂纹图像 PSNR 值客观评价; (c)裂纹图

像 UIQM 值客观评价
Fig. 9 Objective evaluation of enhancement effects of different crack image algorith ms. (a) Objective evaluation of
MSE value of crack image; (b) Objective evaluation of PSNR value of crack image; (c) Objective evaluation of UIQM
value of crack image;
从表 1 及表 2 中数据和图 9(a)至 9(c)可以看出本文研究的基于图像融合的桥墩裂纹图像增强算法与其他
三种传统的增强算法相比, 从图像的客观评价相比较而言：MSE 的数值均低于其他三种算法,MSE 数值越低
图像误差越小越接近真实图像；PSNR 值均高于其他三种算法, PSNR 值越高图像失真越小，以上指标表明本
文算法在水下图像增强上具有一定的可靠性。经过本文算法处理后的水下裂纹图像更加接近参考图像, 更好
的反映图像的真实性。本文算法得出的 UIQM 数值较高, 表明本文算法在色彩度、饱和度以及对比度上使得
图片能够达到更好的平衡, 增强后的桥墩裂纹更加符合人类的视觉感知效果。

5 结束语
针对水下桥墩裂纹图像存在模糊、亮度差等问题, 本文首先对图像融合的增强算法进行了相关的研究。
第一，为了避免相关光学噪声对水下裂纹等图像增强实验的影响，利用同态滤波对水下图像进行图像去噪声
处理。第二，将去噪后的水下图像分别做伽马亮度校正以及 CLAHE 处理。第三，将处理后的图像进行加权
融合。将融合后的图像与多种方法进行实验对比，从主观以及客观两个方面对实验结果进行评估。经过本文
研究的方法处理的水下图像亮度、对比度等都得到了有效的提升，饱和度也达到了一定的平衡状态，处理后
的图像细节更加清晰，图像更加符合人类的视觉感知。文章下一步尝试将更多的图像处理算法加入到图像融
合方法中，从而进一步完善水下桥墩裂纹图像增强算法。
参考文献:
[1] XIE L L. Research on Some Key Technologies of Binocular ste-reo underwater imaging [D]. Shanghai:
Shanghai University, 2022: 29-36.
谢亮亮. 水下双目立体视觉成像若干关键技术研究[D]. 上海：上海大学, 2022: 29-36.
[2] Mudge J, Virgen M. Real time polarimetric dehazing [J]. Applied Optics, 2013, 52(9):1932-1938.
[3] YANG L M. Research on Object Enhancement Technology Based on Polarization Imaging [D]. Xi'an : Xi 'an
Technological University, 2018: 32-44.
杨力铭. 基于偏振成像的目标增强技术研究[D]. 西安：西安工业大学, 2018: 32-44.
[4] DENG J. Review of underwater image enhancement methods [J]. Television Technology, 2022, 46(12): 4-7+13.
邓晶. 水下图像增强方法综述[J]. 电视技术, 2022, 46(12): 4-7+13.
[5] KANG B L. Research on underwater image enhancement and restoration methods [D]. Lanzhou: Lanzhou
Jiaotong University, 2021: 16-23.
康斌龙. 水下图像增强和复原方法的研究[D]. 兰州：兰州交通大学, 2021: 16-23.
[6] Ancuti C O, Ancuti C, Vleeschouwer C De, et al. Color Channel Transfer for Image Dehazing[J]. IEEE Signal
Process. Letters, 2019, 26(9): 1413-1417.
[7] LI C, ANWAR S, HOU J, et al. Underwater image enhancement via medium transmission-guided multi-color
space embedding[J]. IEEE Transactions on Image Processing, 2021, 30: 4985-5000.
[8] ZHU Z X, LI H, ZHAO L, et al. Research on image enhancement algorithm of magnetic tile surface defect
based on improved homomorphic filtering and SMQT [J]. Journal of Optoelectronics Laser, 2021,(8): 818~825
朱志勋，李恒，赵磊，等. 基于改进的同态滤波与 SMQT 相结合的磁瓦表面缺陷图像增强算法研究[J].
光电子激光,2021,(8):818~825
[9] Fan Y C, Li Y C, Han Y, et al. Weakening of smoke forhomomorphic filtering[J]. Journal of Image and
Graphics,2012, 17(5): 635-640
范有臣, 李迎春, 韩意, 等. 提升小波的同态滤波在图像烟雾弱化中的应用[J]. 中国图象图形学报, 2012,
17(5): 635-640.
[10] LI H K, LI H, ZHAO L, et al. Underwater image enhancement based on improved gamma correction and
multi-scale fusion [J]. Journal of Optoelectronic Laser, 2022, 33(07): 700-708.
李华昆, 李恒, 赵磊, 等. 改进的伽马校正与多尺度融合的水下图像增强[J]. 光电子激光, 2022, 33(07):
700-708.
[11] GONG Y, YANG P B, JIE X Y. Downhole image matching algorithm combining homomorphic filtering and
histogram equalization [J]. Journal of Mine Automation, 2021, 47(10); 37-41.
 龚云, 杨庞彬, 颉昕宇. 结合同态滤波与直方图均衡化的井下图像匹配算法[J]. 工矿自动化, 2021, 47(10):
37-41.
[12] ABUDURUSULI A, AILIMINUER A. Color image enhancement algorithm based on wavelet transform and
histogram equalization[J]. 光电子激光, 2021,(1): 14~18
阿卜杜如苏力·奥斯曼，艾力米努·阿布力江.小波变换和直方图均衡化的保持色调不变彩色图像增强算法
[J]. 光电子激光,2021,(1): 14-18
[13] MA W J, LIU J H, WANG X P, et al. Adaptive image defogging algorithm based on Lab space and single-scale
Retinex [J]. Journal of Applied Optics, 2020, 41(01): 100-106.
马文君, 刘金虎, 王小鹏, 等. 结合 Lab 空间和单尺度 Retinex 的自适应图像去雾算法[J]. 应用光学, 2020,
41(01): 100-106.
[14] LIU C T, HOU Q S, ZHAO J Q. Research on an improved sin-gle-image Dark channel prior fog removal
algorithm [J]. Micro-controller and Embedded System Applications, 2022,22(07): 42-45+73.
刘成涛, 侯青山, 赵俊旗. 一种改进的单幅图像暗通道先验去雾算法研究[J]. 单片机与嵌入式系统应用,
2022,22(07): 42-45+73.
[15] ZHANG H J, ZHANG D M, YAN W, et al. Wavelet transform image denoising algorithm based on improved
threshold func-tion [J]. Application Research of Computers, 2020, 37(5): 1545-1548. (in Chinese)
张绘娟, 张达敏, 闫威, 等. 基于改进阈值函数的小波变换图像去噪算法[J]. 计算机应用研究, 2020,
37(5): 1545-1548.
[16] PANETTA K, GAO C, AGAIANA S. Human-visual-system-inspired underwater image quality measures[J].
IEEE Journal of Oceanic Engineering, 2015, 41(3): 541-551.

作者简介：
刘志强（1979—），男，博士，教授，硕士生导师，主要从事自动化控制系统、碳纤维相关技术的研究。