摘要：水下图像增强技术因其在海洋勘探、水下机器人作业和水下监控系统等领域的广泛应用而成为研究的热点。水下环境的复杂性，如光照的不均匀性、光散射和吸收等，常常导致图像出现对比度低、细节模糊和色彩失真等问题，严重降低了图像的可视性和解释性。为了解决这些挑战，研究者们提出了多种增强策略，旨在提升水下图像的质量，使其更适合于视觉分析和自动化处理。文章旨在综述近年来水下图像增强领域的研究进展，系统地将这些方法分为三类：物理模型方法、非物理模型方法和深度学习方法。物理模型方法通过构建水下成像过程的物理模型，准确估计场景参数，如Jaffe-McGlamery模型和暗通道先验（DCP）模型等。非物理模型方法则不依赖于对物理过程的深入理解，而是采用如直方图均衡化、小波变换等技术，通过在空间域或变换域中操作来增强图像。而深度学习方法，利用卷积神经网络（CNN）和生成对抗网络（GAN）等框架，通过学习大量数据中的图像特征，实现图像质量的显著提升。最后，本文对水下图像增强技术当前面临的挑战进行了深入分析，并对未来可能的研究方向提出了见解。随着海洋探索的不断深入和水下技术的快速发展，水下图像增强技术有望在未来取得更多突破，为人类认识和开发海洋资源提供更加强有力的技术支持。未来的研究可能会集中在算法的鲁棒性、实时性和适应性上，同时也会更加注重评价指标与人类视觉感知之间的关联。
文章目录
0引言
1水下图像增强方法
1.1基于非物理模型方法
1.1.1 空间域
1.1.2 变换域
1.2基于物理模型方法
1.3基于深度学习方法
1.3.1基于卷积神经网络的水下图像增强
1.3.2基于生成对抗网络的水下图像增强
2水下图像质量评价体系
2.1主观指标
2.2客观指标
2.3 基准数据集
3结语
