一、面向机器视觉编码的技术探索
（一）国内外研究现状
研究表明，水下导航、深海勘探、海底测量和其他水下活动都极其依赖高质量的水下图像，水下成像技术受到了广泛的关注和研究[1]。
人类对海洋环境的探测和获取海洋信息的重要途径主要采用水下摄影的方式。水下图像作为海洋信息的重要载体，比其他传感器数据能够反映更多的细节，且它的获取主要是由水下机器人或人类手持水下摄像机进行采集[2]。然而，由于水下环境恶劣，利用水下机器人替代人类进行海洋牧场渔业养殖具有重要意义。“自主式水下机器人”不仅机动性好而且巡航范围大，在水下观测、制图、定位和深海探测中具有着重要作用。显然，将快速、有效的水下视频图像处理算法嵌入到水下机器人中，是实现水下机器人自主导航和海洋牧场渔业智能监测养殖的关键。
但由于一些现实原因，使得高质量水下图像获取困难，模拟训练场景失真：
- 水体模糊，能见度差。在水下环境进行拍摄，由于水中存在着不可见的颗粒，会使水体变得模糊，光的折射、吸收和悬浮粒子的散射会极大地影响光学，图像可解释性较差。例如，因为红色波长会很快被水吸收，导致水下图像往往会呈现绿色或蓝色[4]。图像的昏暗又意味着像素差异较小，这极大地降低了图像的可感知性，影响了识别任务的检测精度[2]。
- 光源有限，探测距离受限。由于水下环境介质噪声大，光源有限，使得水下视觉存在探测距离有限、能见度差的缺点。尤其是深海区域，图像感光度不强，不利于识别任务。
- 水下环境多变，通信和传感器有限。介质不同，传感器等专业设备具有不同的特性。与地面环境相比，水下环境具有高度的动态性，可用的通信和传感器较少[5]。除此之外，对应设备造价昂贵，资源稀缺，技术使用人员也较匮乏。因此，水下导航技术如定位，路径规划和跟踪是极具挑战性的问题。
- 海洋生物种类繁多，样本有限。海洋生物活动范围广泛，为同一物种收集到一定数量的高质量样本，需要大量的时间、物力，还需要专业的物种辨别人员给数据集做标定工作。
一直以来，获得理想、清晰的水下图像和快速准确地跟踪鱼类是发展海洋牧场渔业养殖的重点。而这些技术都离不开水下图像增强。
图像增强作为图像处理领域的核心关键技术，已经有几十年的历史。早在半个多世纪之前，美国就开展了对水下图像的研究，研发出来了一套专门针对水下场景的系统，此系统不仅能够对水下图像进行增强，而且还会检测识别水下目标[6]。近年来，国内外的研究学者加大关注于水下图像处理的研究，并针对水下图像存在模糊、偏色、光照不均和对比度低等问题，提出了许多适用于改善水下图像质量的增强算法，而且取得了一定的成果。由于海洋环境的复杂性和特殊性，如何在水下图像可视性较差的情况下，准确跟踪水下目标己成为各国研究学者关注的重点。
研究主要成果
作为预处理步骤，水下图像增强是提高水下图像视觉质量不可或缺的一步，按Chen等人[7]的分法可将它分为三类：无模型方法、基于物理模型的方法和基于深度学习的方法。
无模型增强方法
无模型水下图像增强方法旨在：不参考任何物理成像模型，通过调整图像像素值来提高视觉质量[7]。
Ancuti等人[8]提出了一种基于融合的水下图像增强方法，在多尺度融合策略中，将增强对比度的水下图像与颜色校正后的图像融合，使增强后的图像和视频具有噪声水平降低、暗区曝光率提高、全局对比度增强、最精细细节和边缘显著增强等特点。随后，Ancuti等人[9]通过定义待融合的两幅图像及其关联的权值映射，促进边缘和颜色对比度向高质量输出图像转移，然后在被增强的图像中恢复重要的特征和边缘。Fu等人[10]提出了一种基于同态滤波的水下图像增强方法，该方法包括颜色校正、层分解和增强，使得图像边缘和细节得到较好的改善。
基于物理模型的增强方法
基于物理模型的增强方法将水下图像增强看作是图像退化的反问题。通常先建立水下图像的物理退化模型，然后利用各种先验假设估计未知的模型参数。最后，通过反求这种退化过程，来保留高质量的图像。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
