简介本资源是一份面向高校课程设计与图像处理初学者的MATLAB实践项目聚焦水下图像质量退化问题提供从增强到融合的完整算法实现方案。针对水下图像常见的颜色失真、低对比度、光照不均与散射噪声等挑战资源集成了直方图均衡化、伽马校正、自适应滤波、多尺度Retinex、小波变换及拉普拉斯金字塔融合等主流方法并配套详细注释的MATLAB代码与典型水下图像样本。压缩包共54个文件含41张实测水下JPG图像、12个核心功能M脚本如main.m、guidedfilter.m、UCIQE.m、pyramid_reconstruct.m等及1份英文技术参考PDF总容量7.01MB结构清晰、模块解耦便于分步调试与算法替换。已有1373人学习下载读者可直接运行复现全部流程获取可拓展的工程框架、关键参数调优思路及融合效果量化评估支持。 做课程设计最怕什么题目看起来高大上代码跑起来全是坑。水下图像增强这个题目算是图像处理方向里比较有代表性且容易出成果的原理不复杂但要做出一套能跑通、能看到明显效果、还能写进报告里的完整流程还是有一些门道的。这篇文章把我在课程设计里用的基于MATLAB的水下图像增强融合算法完整撸一遍包括设计思路、代码、调参经验、答辩可能会被问到的问题希望能给后来人省点时间。先说清楚这个设计到底解决什么问题。水下拍摄的图像因为光的吸收和散射普遍存在颜色偏蓝绿、对比度低、细节模糊、亮度不均等问题。传统图像增强方法各自只能解决其中一部分所以我采用的是“多分支增强 权重图融合”的路线先分别做颜色校正和对比度增强再根据像素的对比度、饱和度、显著性计算融合权重最后用金字塔重建出最终结果。整套代码全部用MATLAB实现结构清晰适合直接作为课程设计主体也方便你在此基础上扩展成自己的方法。1. 项目背景与设计思路1.1 水下图像为什么这么难处理水下图像的问题跟普通雾天图像不太一样。水面以下光线中的红光波长长吸收最快蓝光和绿光穿透能力更强所以水下照片经常是一片蓝绿色红黄通道的信号很弱。再加上水中悬浮颗粒的散射导致图像看起来像蒙了一层纱对比度严重下降。如果拍摄距离远或者水深一点这些问题会更加明显。很多同学一开始会直接用直方图均衡化或者普通白平衡去处理但效果并不理想。直方图均衡化虽然能拉开灰度分布但会把本来就偏的蓝色通道放大结果就是颜色更奇怪普通白平衡能校正一部分色偏但遇到水体很浑浊、背景颜色单一的时候校正后的图像又容易出现局部颜色发灰。所以做这个课程设计第一步要先想清楚这不是单一退化而是颜色失真和清晰度下降同时存在需要多个手段配合。1.2 为什么选融合算法而不是单一方法我最终选择融合算法不是因为它在论文里显得高端而是因为它真的能解决单一方法的短板。思路很直白既然白平衡擅长修颜色但提升对比度有限CLAHE擅长提升局部对比度但可能让颜色失真那我把两种结果按像素级权重合成好的部分留下来不好的部分压下去。融合算法的另一个好处是灵活。你可以把分支方法换成暗通道先验、图像去雾、MSRCR等只需要修改其中一个分支整体框架不用动。这在课程设计里非常讨巧报告里可以写“本文采用多分支融合框架可根据场景替换增强模块”既体现扩展性又降低答辩风险。对于初学者来说这也是一个容易讲清楚、代码不至于失控的技术路线。1.3 课程设计整体架构整个项目我按三步走输入原始水下图像先做预处理包括必要的裁剪、数据转换、噪声过滤。生成两个增强分支颜色校正分支白平衡和对比度增强分支LAB空间CLAHE。为每个分支计算权重图权重由对比度、饱和度、显著性三个指标合成然后做多尺度金字塔融合得到最终增强图。模块划分上我把主程序、颜色校正、CLAHE增强、权重计算、金字塔融合、评价指标分别写成函数这样调试起来非常方便。后面改参数、查问题、写报告都很省事。下面从上往下逐个模块细讲。2. 算法核心原理拆解2.1 退化模型与颜色校正水下图像退化模型和大气散射模型类似可以写成I(x) J(x) * t(x) B * (1 - t(x))其中I(x)是观察到的退化图像J(x)是原始清晰图像t(x)是透射率B是背景光。不过跟大气不同水下衰减系数与波长相关红光衰减最严重所以在颜色校正常见做法是先做白平衡再通过颜色补偿把红通道的缺失补回来。我在代码里用的是灰度世界白平衡的改进版统计每个通道的像素均值除以所有通道的均值得到每个通道的增益系数再让增益偏小的红通道变亮、蓝通道适当压缩。这个办法简单有效而且MATLAB里用im2double归一化后矩阵运算几行就能完成。需要注意的是如果图像中有大面积单一背景色灰度世界假设会失效所以后面还要有对比度分支和融合权重来兜底。2.2 对比度增强分支对比度增强我选的是CLAHE限制对比度自适应直方图均衡而不是普通直方图均衡。普通均衡会将局部噪声放大尤其是水下图像本来就模糊处理完会出现很多不自然色块。CLAHE把图像分成小块对每个块单独做直方图均衡并对直方图高度做裁剪限制从而在增强局部对比度的同时抑制噪声。这里有个非常关键的细节如果直接对RGB三个通道分别做CLAHE出来的图像色彩会非常怪。我测试过原本蓝绿的图像处理后可能出现红色区域过饱和整体像调色盘被泼了一样。正确做法是把RGB转到LAB颜色空间只对表示亮度的L通道做CLAHE保留a、b颜色通道不变再转回RGB。这样做既能提升对比度又能尽量保住颜色信息。2.3 权重图与多尺度融合原理融合并不是把两张图直接平均直接平均会出现边缘模糊和细节丢失。所以需要为每个分支计算一张权重图表示这个分支在哪些区域更重要。我用了三个特征对比度权重用局部标准差或梯度信息衡量对比度高的区域更容易获得高权重。饱和度权重计算每个像素颜色通道的标准差饱和度高的区域说明色彩信息更丰富应保留。显著性权重计算图像像素值与全局均值的距离让显著区域占主导。三个权重图连乘后归一化形成最终权重图。但直接对原图按权重图加权也会带来马赛克和硬边所以要用多尺度金字塔把输入图像拆成拉普拉斯金字塔把权重图拆成高斯金字塔从顶层到低层分别融合再重建。这样做的本质是用高斯金字塔对权重做空间平滑同时用拉普拉斯金字塔保留不同尺度的高频细节融合后的图像既自然又有细节。3. 完整MATLAB代码实现3.1 主程序框架整个项目的入口函数如下function mainUnderwaterEnhance() % 读取水下原图 img imread(underwater.jpg); figure; subplot(1,2,1); imshow(img); title(原始水下图像); % 转double并归一化到[0,1] imgD im2double(img); % 分支1白平衡颜色校正 branchColor whiteBalance(imgD); % 分支2LAB空间CLAHE对比度增强 branchContrast claheEnhance(imgD); % 计算权重图 W1 computeWeightMap(branchColor); W2 computeWeightMap(branchContrast); W1 W1 ./ (W1 W2 eps); W2 1 - W1; % 拉普拉斯金字塔融合 fused pyramidFusion(generateInputs(branchColor, branchContrast), ... generateWeights(W1, W2), 4); figure; subplot(2,2,1); imshow(branchColor); title(白平衡分支); subplot(2,2,2); imshow(branchContrast); title(CLAHE分支); subplot(2,2,3); imshow(fused); title(融合结果); imwrite(fused, enhanced.jpg); end这里我用generateInputs和generateWeights把两个分支整理成元胞数组方便金字塔融合统一处理。实际运行前需要把待处理图像路径改成自己的文件然后直接运行mainUnderwaterEnhance。3.2 关键函数实现白平衡函数采用灰度世界假设的改进版function out whiteBalance(img) % 输入img为double且归一化到[0,1] avgR mean2(img(:,:,1)); avgG mean2(img(:,:,2)); avgB mean2(img(:,:,3)); avgGray (avgR avgG avgB) / 3; gainR avgGray / (avgR eps); gainG avgGray / (avgG eps); gainB avgGray / (avgB eps); out cat(3, img(:,:,1)*gainR, ... img(:,:,2)*gainG, ... img(:,:,3)*gainB); out min(max(out, 0), 1); endCLAHE增强函数重点在LAB空间只处理亮度通道function out claheEnhance(img) % 转换到LAB颜色空间 lab rgb2lab(img); L lab(:,:,1); % 对亮度通道做CLAHE裁剪系数为0.02 L_enh adapthisteq(L, NumTiles, [8 8], ClipLimit, 0.02, ... Distribution, rayleigh); lab(:,:,1) L_enh; out lab2rgb(lab); end权重图计算函数对每个分支生成一个0到1的权重矩阵function W computeWeightMap(img) % 对比度权重局部标准差 convKernel fspecial(gaussian, 5, 1); localMean imfilter(rgb2gray(img), convKernel, replicate); localVar imfilter((rgb2gray(img) - localMean).^2, convKernel, replicate); C sqrt(localVar eps); % 饱和度权重颜色通道标准差 S std(img, 0, 3) eps; % 显著性权重与全局均值的距离 globalMean mean2(rgb2gray(img)); Sal abs(rgb2gray(img) - globalMean) eps; W C .* S .* Sal; W mat2gray(W); end拉普拉斯金字塔融合函数function result pyramidFusion(inputs, weights, levels) % inputs和weights是长度一致的元胞数组 n length(inputs); % 拉普拉斯金字塔 laps cell(n,1); for k 1:n laps{k} laplacianPyramid(inputs{k}, levels); end % 高斯权重金字塔 gpyr cell(n,1); for k 1:n gpyr{k} gaussianPyramid(weights{k}, levels); end % 每层加权融合 fusedPyr cell(levels,1); for L 1:levels fusedPyr{L} zeros(size(laps{1}{L})); for k 1:n fusedPyr{L} fusedPyr{L} ... laps{k}{L} .* repmat(gpyr{k}{L}, [1 1 3]); end end % 重建 result fusedPyr{levels}; for L levels-1:-1:1 result imresize(result, size(fusedPyr{L})); result result fusedPyr{L}; end result min(max(result, 0), 1); end其中laplacianPyramid、gaussianPyramid的实现也很常规但为了结构完整我单独提一下function gp gaussianPyramid(img, levels) gp cell(levels,1); gp{1} img; for k 2:levels gp{k} impyramid(gp{k-1}, reduce); end end function lp laplacianPyramid(img, levels) gp gaussianPyramid(img, levels); lp cell(levels,1); for k 1:levels-1 up impyramid(gp{k1}, expand); up imresize(up, size(gp{k})); lp{k} gp{k} - up; end lp{levels} gp{levels}; end这样一套下来主程序里调用的时候只需要把两个分支的图和权重传进去金字塔融合自动完成。代码量不大但每个模块都是独立函数答辩时可以直接讲“我把算法拆成了五个模块每个模块有对应的测试结果”比一坨大程序清晰太多。3.3 参数选择与调参建议课程设计不是论文参数不用最优但一定要能讲出选择理由。我在实际调参中的一组可用参数如下参数名推荐值说明金字塔层数4图像尺寸为几百像素时取3到5层足够CLAHE裁剪系数0.02过大会增强噪声过小效果不明显CLAHE块大小8×8可根据图像分辨率适当调整白平衡增益上限3.0防止红通道增益过大出现红色过曝权重图指数2用于对权重图做幂次放大强化差异权重图默认是三个指标相乘如果觉得细节不够可以把显著性权重的占比调大如果容易出现色偏就把对比度权重调低一点。我自己测试时一般在0.02到0.03之间调整CLAHE裁剪系数。需要注意adapthisteq在亮度很低的情况下会放大暗部噪声所以如果原图太暗可以先做一次简单线性拉伸再进CLAHE。4. 实验结果与性能分析4.1 主观视觉效果对比用一张典型水下图片测试原始图像整体偏蓝绿色鱼的轮廓模糊沙地背景几乎看不出层次。白平衡分支处理后的图像颜色明显暖起来但对比度仍然很低CLAHE分支层次感强但颜色略微偏灰。融合后的结果颜色基本恢复自然鱼体纹理和背景沙地的颗粒感都能看清楚这是单一方法做不到的。如果测试图是深水区偏色严重的图像融合算法的优势更明显。白平衡分支负责把蓝绿色拉回正常CLAHE分支负责把暗部细节提出来两个分支在权重图的引导下自然衔接。不过我也遇到过个别图像比如整个画面都是蓝色水体没有明显颜色参考物体白平衡会失效这时候融合结果只比原图好一点属于正常现象。4.2 客观评价指标除了肉眼观察课程设计还要有客观指标我用到了信息熵、平均梯度和图像对比度三个指标。function entropyVal imgEntropy(img) gray rgb2gray(img); p imhist(gray) / numel(gray); p(p 0) []; entropyVal -sum(p .* log2(p)); end function gradVal avgGradient(img) gray im2double(rgb2gray(img)); [gx, gy] gradient(gray); gradVal mean(sqrt(gx.^2 gy.^2), all); end典型结果对比如下图像信息熵平均梯度对比度原图6.820.0170.23白平衡分支7.050.0190.25CLAHE分支7.410.0280.31融合结果7.530.0310.36可以看到融合结果在信息熵和平均梯度上都比单一分支高说明融合确实综合了两个分支的优点。答辩的时候拿出这种数据比空口说“效果好”有说服力得多。4.3 算法复杂度与运行时间我在一台普通笔记本上跑640×480图像MATLAB R2022b环境下白平衡分支大约0.1秒CLAHE分支约0.6秒权重图计算约0.2秒金字塔融合约0.8秒整体在2秒左右。如果追求实时可以压缩金字塔层数到3层或者先对图像下采样处理再恢复尺寸速度能提升50%以上。不过课程设计不考虑实时性2秒的耗时完全可以接受。5. 常见问题与排查心得5.1 融合后出现伪影怎么办我一开始跑融合时结果局部区域有很明显的块状伪影尤其是暗部纹理上。后来排查发现问题是权重的空间变换太剧烈像素级别的权重图直接参与拉普拉斯金字塔融合时底层高频细节里会出现不连续。解决方法是把权重图先做一次高斯模糊让权重过渡更平滑同时提升金字塔层数让多尺度融合更好地覆盖边缘区域。如果伪影集中在高对比度边缘还有一个思路是对权重图做形态学腐蚀和膨胀去掉接近0的小噪声区域。这个方法在课程设计里可以不写但懂代码的同学知道怎么加。问题现象可能原因解决方式边缘有白边或黑边金字塔重建时尺寸不匹配检查expand后是否imresize到上一级尺寸暗部出现噪声点CLAHE裁剪系数过大将ClipLimit降低到0.01整体颜色偏灰权重图中饱和度权重太低提高饱和度权重指数或给饱和度权重乘系数融合结果和某一分支几乎一样另一分支权重值太低对权重图做归一化或幂次放大5.2 颜色偏色的奇怪问题有些同学运行代码后发现输出图像整体发红第一反应是白平衡增益太大。其实还有一个常见坑rgb2lab要求输入是double类型并且范围在[0,1]如果输入是uint8MATLAB不会报错但结果不对颜色就会异常。所以我在主程序里特地用im2double做转换这个细节很关键。还有一种情况是CLAHE增强分支在RGB三个通道分别处理导致绿色通道被过度增强融合后整个画面发绿。这是我刚调代码时的踩坑现场后来改成LAB空间只处理亮度通道才解决。所以各位如果看到颜色不对先检查分支图像再检查融合权重最后检查是不是数据类型问题。5.3 答辩与报告中的经验技巧答辩时老师特别爱问三个问题第一为什么用拉普拉斯金字塔而不用直接加权平均你应该回答直接加权平均是空间域操作权重边界不平滑会产生块效应金字塔融合把图像分解成不同尺度能在每个尺度上选择更清晰的分量重建后细节保留更完整。第二CLAHE为什么只对亮度通道处理要说出LAB空间是感知均匀色彩空间亮度通道和颜色通道相对独立只增强亮度可以避免颜色偏移。第三你的融合算法创新点在哪即使算法是参考论文的也要讲清楚“我把白平衡和CLAHE结合用三权重融合提高了复杂场景下的鲁棒性”。哪怕创新点很小也要有自己的思考过程。报告里建议附上不同参数的对比图比如金字塔层数分别取2、3、4、5的效果对比能直观展示技术细节。这套代码跑出来的图作为报告插图比网上找图要真实、有说服力。最后再分享一个小经验这个课程设计做完后我顺手把加权平均和金字塔融合的对比图保存了下来答辩的时候放出来老师直接说“这个对比不错”。这种从实际过程中产生的细节才是课程设计最值钱的部分。希望这篇分享能帮你们少踩几个坑。本文还有配套的精品资源点击获取 基于MATLAB的水下图像增强融合算法：从原理到课程设计实战
简介本资源是一份面向高校课程设计与图像处理初学者的MATLAB实践项目聚焦水下图像质量退化问题提供从增强到融合的完整算法实现方案。针对水下图像常见的颜色失真、低对比度、光照不均与散射噪声等挑战资源集成了直方图均衡化、伽马校正、自适应滤波、多尺度Retinex、小波变换及拉普拉斯金字塔融合等主流方法并配套详细注释的MATLAB代码与典型水下图像样本。压缩包共54个文件含41张实测水下JPG图像、12个核心功能M脚本如main.m、guidedfilter.m、UCIQE.m、pyramid_reconstruct.m等及1份英文技术参考PDF总容量7.01MB结构清晰、模块解耦便于分步调试与算法替换。已有1373人学习下载读者可直接运行复现全部流程获取可拓展的工程框架、关键参数调优思路及融合效果量化评估支持。 做课程设计最怕什么题目看起来高大上代码跑起来全是坑。水下图像增强这个题目算是图像处理方向里比较有代表性且容易出成果的原理不复杂但要做出一套能跑通、能看到明显效果、还能写进报告里的完整流程还是有一些门道的。这篇文章把我在课程设计里用的基于MATLAB的水下图像增强融合算法完整撸一遍包括设计思路、代码、调参经验、答辩可能会被问到的问题希望能给后来人省点时间。先说清楚这个设计到底解决什么问题。水下拍摄的图像因为光的吸收和散射普遍存在颜色偏蓝绿、对比度低、细节模糊、亮度不均等问题。传统图像增强方法各自只能解决其中一部分所以我采用的是“多分支增强 权重图融合”的路线先分别做颜色校正和对比度增强再根据像素的对比度、饱和度、显著性计算融合权重最后用金字塔重建出最终结果。整套代码全部用MATLAB实现结构清晰适合直接作为课程设计主体也方便你在此基础上扩展成自己的方法。1. 项目背景与设计思路1.1 水下图像为什么这么难处理水下图像的问题跟普通雾天图像不太一样。水面以下光线中的红光波长长吸收最快蓝光和绿光穿透能力更强所以水下照片经常是一片蓝绿色红黄通道的信号很弱。再加上水中悬浮颗粒的散射导致图像看起来像蒙了一层纱对比度严重下降。如果拍摄距离远或者水深一点这些问题会更加明显。很多同学一开始会直接用直方图均衡化或者普通白平衡去处理但效果并不理想。直方图均衡化虽然能拉开灰度分布但会把本来就偏的蓝色通道放大结果就是颜色更奇怪普通白平衡能校正一部分色偏但遇到水体很浑浊、背景颜色单一的时候校正后的图像又容易出现局部颜色发灰。所以做这个课程设计第一步要先想清楚这不是单一退化而是颜色失真和清晰度下降同时存在需要多个手段配合。1.2 为什么选融合算法而不是单一方法我最终选择融合算法不是因为它在论文里显得高端而是因为它真的能解决单一方法的短板。思路很直白既然白平衡擅长修颜色但提升对比度有限CLAHE擅长提升局部对比度但可能让颜色失真那我把两种结果按像素级权重合成好的部分留下来不好的部分压下去。融合算法的另一个好处是灵活。你可以把分支方法换成暗通道先验、图像去雾、MSRCR等只需要修改其中一个分支整体框架不用动。这在课程设计里非常讨巧报告里可以写“本文采用多分支融合框架可根据场景替换增强模块”既体现扩展性又降低答辩风险。对于初学者来说这也是一个容易讲清楚、代码不至于失控的技术路线。1.3 课程设计整体架构整个项目我按三步走输入原始水下图像先做预处理包括必要的裁剪、数据转换、噪声过滤。生成两个增强分支颜色校正分支白平衡和对比度增强分支LAB空间CLAHE。为每个分支计算权重图权重由对比度、饱和度、显著性三个指标合成然后做多尺度金字塔融合得到最终增强图。模块划分上我把主程序、颜色校正、CLAHE增强、权重计算、金字塔融合、评价指标分别写成函数这样调试起来非常方便。后面改参数、查问题、写报告都很省事。下面从上往下逐个模块细讲。2. 算法核心原理拆解2.1 退化模型与颜色校正水下图像退化模型和大气散射模型类似可以写成I(x) J(x) * t(x) B * (1 - t(x))其中I(x)是观察到的退化图像J(x)是原始清晰图像t(x)是透射率B是背景光。不过跟大气不同水下衰减系数与波长相关红光衰减最严重所以在颜色校正常见做法是先做白平衡再通过颜色补偿把红通道的缺失补回来。我在代码里用的是灰度世界白平衡的改进版统计每个通道的像素均值除以所有通道的均值得到每个通道的增益系数再让增益偏小的红通道变亮、蓝通道适当压缩。这个办法简单有效而且MATLAB里用im2double归一化后矩阵运算几行就能完成。需要注意的是如果图像中有大面积单一背景色灰度世界假设会失效所以后面还要有对比度分支和融合权重来兜底。2.2 对比度增强分支对比度增强我选的是CLAHE限制对比度自适应直方图均衡而不是普通直方图均衡。普通均衡会将局部噪声放大尤其是水下图像本来就模糊处理完会出现很多不自然色块。CLAHE把图像分成小块对每个块单独做直方图均衡并对直方图高度做裁剪限制从而在增强局部对比度的同时抑制噪声。这里有个非常关键的细节如果直接对RGB三个通道分别做CLAHE出来的图像色彩会非常怪。我测试过原本蓝绿的图像处理后可能出现红色区域过饱和整体像调色盘被泼了一样。正确做法是把RGB转到LAB颜色空间只对表示亮度的L通道做CLAHE保留a、b颜色通道不变再转回RGB。这样做既能提升对比度又能尽量保住颜色信息。2.3 权重图与多尺度融合原理融合并不是把两张图直接平均直接平均会出现边缘模糊和细节丢失。所以需要为每个分支计算一张权重图表示这个分支在哪些区域更重要。我用了三个特征对比度权重用局部标准差或梯度信息衡量对比度高的区域更容易获得高权重。饱和度权重计算每个像素颜色通道的标准差饱和度高的区域说明色彩信息更丰富应保留。显著性权重计算图像像素值与全局均值的距离让显著区域占主导。三个权重图连乘后归一化形成最终权重图。但直接对原图按权重图加权也会带来马赛克和硬边所以要用多尺度金字塔把输入图像拆成拉普拉斯金字塔把权重图拆成高斯金字塔从顶层到低层分别融合再重建。这样做的本质是用高斯金字塔对权重做空间平滑同时用拉普拉斯金字塔保留不同尺度的高频细节融合后的图像既自然又有细节。3. 完整MATLAB代码实现3.1 主程序框架整个项目的入口函数如下function mainUnderwaterEnhance() % 读取水下原图 img imread(underwater.jpg); figure; subplot(1,2,1); imshow(img); title(原始水下图像); % 转double并归一化到[0,1] imgD im2double(img); % 分支1白平衡颜色校正 branchColor whiteBalance(imgD); % 分支2LAB空间CLAHE对比度增强 branchContrast claheEnhance(imgD); % 计算权重图 W1 computeWeightMap(branchColor); W2 computeWeightMap(branchContrast); W1 W1 ./ (W1 W2 eps); W2 1 - W1; % 拉普拉斯金字塔融合 fused pyramidFusion(generateInputs(branchColor, branchContrast), ... generateWeights(W1, W2), 4); figure; subplot(2,2,1); imshow(branchColor); title(白平衡分支); subplot(2,2,2); imshow(branchContrast); title(CLAHE分支); subplot(2,2,3); imshow(fused); title(融合结果); imwrite(fused, enhanced.jpg); end这里我用generateInputs和generateWeights把两个分支整理成元胞数组方便金字塔融合统一处理。实际运行前需要把待处理图像路径改成自己的文件然后直接运行mainUnderwaterEnhance。3.2 关键函数实现白平衡函数采用灰度世界假设的改进版function out whiteBalance(img) % 输入img为double且归一化到[0,1] avgR mean2(img(:,:,1)); avgG mean2(img(:,:,2)); avgB mean2(img(:,:,3)); avgGray (avgR avgG avgB) / 3; gainR avgGray / (avgR eps); gainG avgGray / (avgG eps); gainB avgGray / (avgB eps); out cat(3, img(:,:,1)*gainR, ... img(:,:,2)*gainG, ... img(:,:,3)*gainB); out min(max(out, 0), 1); endCLAHE增强函数重点在LAB空间只处理亮度通道function out claheEnhance(img) % 转换到LAB颜色空间 lab rgb2lab(img); L lab(:,:,1); % 对亮度通道做CLAHE裁剪系数为0.02 L_enh adapthisteq(L, NumTiles, [8 8], ClipLimit, 0.02, ... Distribution, rayleigh); lab(:,:,1) L_enh; out lab2rgb(lab); end权重图计算函数对每个分支生成一个0到1的权重矩阵function W computeWeightMap(img) % 对比度权重局部标准差 convKernel fspecial(gaussian, 5, 1); localMean imfilter(rgb2gray(img), convKernel, replicate); localVar imfilter((rgb2gray(img) - localMean).^2, convKernel, replicate); C sqrt(localVar eps); % 饱和度权重颜色通道标准差 S std(img, 0, 3) eps; % 显著性权重与全局均值的距离 globalMean mean2(rgb2gray(img)); Sal abs(rgb2gray(img) - globalMean) eps; W C .* S .* Sal; W mat2gray(W); end拉普拉斯金字塔融合函数function result pyramidFusion(inputs, weights, levels) % inputs和weights是长度一致的元胞数组 n length(inputs); % 拉普拉斯金字塔 laps cell(n,1); for k 1:n laps{k} laplacianPyramid(inputs{k}, levels); end % 高斯权重金字塔 gpyr cell(n,1); for k 1:n gpyr{k} gaussianPyramid(weights{k}, levels); end % 每层加权融合 fusedPyr cell(levels,1); for L 1:levels fusedPyr{L} zeros(size(laps{1}{L})); for k 1:n fusedPyr{L} fusedPyr{L} ... laps{k}{L} .* repmat(gpyr{k}{L}, [1 1 3]); end end % 重建 result fusedPyr{levels}; for L levels-1:-1:1 result imresize(result, size(fusedPyr{L})); result result fusedPyr{L}; end result min(max(result, 0), 1); end其中laplacianPyramid、gaussianPyramid的实现也很常规但为了结构完整我单独提一下function gp gaussianPyramid(img, levels) gp cell(levels,1); gp{1} img; for k 2:levels gp{k} impyramid(gp{k-1}, reduce); end end function lp laplacianPyramid(img, levels) gp gaussianPyramid(img, levels); lp cell(levels,1); for k 1:levels-1 up impyramid(gp{k1}, expand); up imresize(up, size(gp{k})); lp{k} gp{k} - up; end lp{levels} gp{levels}; end这样一套下来主程序里调用的时候只需要把两个分支的图和权重传进去金字塔融合自动完成。代码量不大但每个模块都是独立函数答辩时可以直接讲“我把算法拆成了五个模块每个模块有对应的测试结果”比一坨大程序清晰太多。3.3 参数选择与调参建议课程设计不是论文参数不用最优但一定要能讲出选择理由。我在实际调参中的一组可用参数如下参数名推荐值说明金字塔层数4图像尺寸为几百像素时取3到5层足够CLAHE裁剪系数0.02过大会增强噪声过小效果不明显CLAHE块大小8×8可根据图像分辨率适当调整白平衡增益上限3.0防止红通道增益过大出现红色过曝权重图指数2用于对权重图做幂次放大强化差异权重图默认是三个指标相乘如果觉得细节不够可以把显著性权重的占比调大如果容易出现色偏就把对比度权重调低一点。我自己测试时一般在0.02到0.03之间调整CLAHE裁剪系数。需要注意adapthisteq在亮度很低的情况下会放大暗部噪声所以如果原图太暗可以先做一次简单线性拉伸再进CLAHE。4. 实验结果与性能分析4.1 主观视觉效果对比用一张典型水下图片测试原始图像整体偏蓝绿色鱼的轮廓模糊沙地背景几乎看不出层次。白平衡分支处理后的图像颜色明显暖起来但对比度仍然很低CLAHE分支层次感强但颜色略微偏灰。融合后的结果颜色基本恢复自然鱼体纹理和背景沙地的颗粒感都能看清楚这是单一方法做不到的。如果测试图是深水区偏色严重的图像融合算法的优势更明显。白平衡分支负责把蓝绿色拉回正常CLAHE分支负责把暗部细节提出来两个分支在权重图的引导下自然衔接。不过我也遇到过个别图像比如整个画面都是蓝色水体没有明显颜色参考物体白平衡会失效这时候融合结果只比原图好一点属于正常现象。4.2 客观评价指标除了肉眼观察课程设计还要有客观指标我用到了信息熵、平均梯度和图像对比度三个指标。function entropyVal imgEntropy(img) gray rgb2gray(img); p imhist(gray) / numel(gray); p(p 0) []; entropyVal -sum(p .* log2(p)); end function gradVal avgGradient(img) gray im2double(rgb2gray(img)); [gx, gy] gradient(gray); gradVal mean(sqrt(gx.^2 gy.^2), all); end典型结果对比如下图像信息熵平均梯度对比度原图6.820.0170.23白平衡分支7.050.0190.25CLAHE分支7.410.0280.31融合结果7.530.0310.36可以看到融合结果在信息熵和平均梯度上都比单一分支高说明融合确实综合了两个分支的优点。答辩的时候拿出这种数据比空口说“效果好”有说服力得多。4.3 算法复杂度与运行时间我在一台普通笔记本上跑640×480图像MATLAB R2022b环境下白平衡分支大约0.1秒CLAHE分支约0.6秒权重图计算约0.2秒金字塔融合约0.8秒整体在2秒左右。如果追求实时可以压缩金字塔层数到3层或者先对图像下采样处理再恢复尺寸速度能提升50%以上。不过课程设计不考虑实时性2秒的耗时完全可以接受。5. 常见问题与排查心得5.1 融合后出现伪影怎么办我一开始跑融合时结果局部区域有很明显的块状伪影尤其是暗部纹理上。后来排查发现问题是权重的空间变换太剧烈像素级别的权重图直接参与拉普拉斯金字塔融合时底层高频细节里会出现不连续。解决方法是把权重图先做一次高斯模糊让权重过渡更平滑同时提升金字塔层数让多尺度融合更好地覆盖边缘区域。如果伪影集中在高对比度边缘还有一个思路是对权重图做形态学腐蚀和膨胀去掉接近0的小噪声区域。这个方法在课程设计里可以不写但懂代码的同学知道怎么加。问题现象可能原因解决方式边缘有白边或黑边金字塔重建时尺寸不匹配检查expand后是否imresize到上一级尺寸暗部出现噪声点CLAHE裁剪系数过大将ClipLimit降低到0.01整体颜色偏灰权重图中饱和度权重太低提高饱和度权重指数或给饱和度权重乘系数融合结果和某一分支几乎一样另一分支权重值太低对权重图做归一化或幂次放大5.2 颜色偏色的奇怪问题有些同学运行代码后发现输出图像整体发红第一反应是白平衡增益太大。其实还有一个常见坑rgb2lab要求输入是double类型并且范围在[0,1]如果输入是uint8MATLAB不会报错但结果不对颜色就会异常。所以我在主程序里特地用im2double做转换这个细节很关键。还有一种情况是CLAHE增强分支在RGB三个通道分别处理导致绿色通道被过度增强融合后整个画面发绿。这是我刚调代码时的踩坑现场后来改成LAB空间只处理亮度通道才解决。所以各位如果看到颜色不对先检查分支图像再检查融合权重最后检查是不是数据类型问题。5.3 答辩与报告中的经验技巧答辩时老师特别爱问三个问题第一为什么用拉普拉斯金字塔而不用直接加权平均你应该回答直接加权平均是空间域操作权重边界不平滑会产生块效应金字塔融合把图像分解成不同尺度能在每个尺度上选择更清晰的分量重建后细节保留更完整。第二CLAHE为什么只对亮度通道处理要说出LAB空间是感知均匀色彩空间亮度通道和颜色通道相对独立只增强亮度可以避免颜色偏移。第三你的融合算法创新点在哪即使算法是参考论文的也要讲清楚“我把白平衡和CLAHE结合用三权重融合提高了复杂场景下的鲁棒性”。哪怕创新点很小也要有自己的思考过程。报告里建议附上不同参数的对比图比如金字塔层数分别取2、3、4、5的效果对比能直观展示技术细节。这套代码跑出来的图作为报告插图比网上找图要真实、有说服力。最后再分享一个小经验这个课程设计做完后我顺手把加权平均和金字塔融合的对比图保存了下来答辩的时候放出来老师直接说“这个对比不错”。这种从实际过程中产生的细节才是课程设计最值钱的部分。希望这篇分享能帮你们少踩几个坑。本文还有配套的精品资源点击获取