水下图像智能去雾与色彩还原研究进展

本中文译文为机器翻译！点击下载原文 A Review on Intelligence Dehazing and Color Restoration for Underwater Images

摘要——水下图像处理是一个情报研究领域，具有很大的潜力，可以帮助开发人员更好地探索水下环境。水下图像处理已在许多领域中使用，例如水下显微镜检测，地形扫描，地雷检测，电信电缆和自动水下车辆。
但是，水下图像会受到强烈的吸收，散射，色彩失真以及来自人造光源的噪声的影响，从而导致图像模糊，模糊，以及偏蓝或偏绿的色调。因此，水下图像的增强可分为两种方法：1）水下图像除雾和2）水下图像色彩还原。本文介绍了水下图像退化的原因，研究了深度学习方法在水下图像去雾和恢复中的最新智能算法，展示了水下图像去雾和颜色恢复在不同方法下的性能，介绍了水下图像颜色评估指标，并概述了主要的水下图像应用。最后，我们总结了水下图像处理的应用。

关键词：颜色恢复，图像去雾，图像增强，水下图像处理。

引言

在最近的几年中，随着资源的日益短缺以及全球经济和国际关系的不断发展，水下环境已逐渐成为世界的新中心。包含众多生物资源和能源的水下环境是维持人类可持续发展所必需的核心组成部分之一。人们在研究水下环境时通常会使用视频或图像来获取有价值的信息。但是，水下光学成像的采集比大气中的成像面临更多的挑战，因此降级通常是由于强烈的吸收和散射引起的。这种图像退化严重影响了对水下环境的探索。因此，水下光学，水下成像技术，水下环境保护到水下军事事务，水下目标检测技术的研究在水下资源勘探中具有广泛的应用。

普通的水下光学成像不能保证令人满意的性能，因为在水下传播的光会受到人造光源的强烈吸收，散射，颜色失真和噪声的影响。水颗粒吸收了绝大多数的光能，导致图像模糊不清。散射过程由光与水中的颗粒（如沙子和浮游生物）碰撞后产生的一系列方向变化组成，从而导致图像模糊。这种情况类似于朦胧的天气对户外视觉的影响。

摄像机接收到由三部分产生的光：

直接分量是光从物体直接反射到摄像机；
前向分量是光线偏离其原始方向并随机反射到摄像机；
后向散射成分是光在反射到相机之前遇到粒子，这些粒子又将光散射。

沿传播过程的多次散射过程进一步将光束分散为均匀的背景光。由于光衰减的波长相关性，较短的波长（绿色和蓝色）在水下可以比较大的波长（红色：一般在4–5 m后迅速消失）的深度更大。典型的蓝色或绿色调。由于水的浑浊和悬浮颗粒，恢复图像是一个巨大的挑战。算法的性能与水的状况密切相关，水的状况随位置和季节的不同而有很大的不同。

通常，为了增加在水下的可见度，将人造光源添加到摄像设备，但是人造光源也带来了一些问题：照亮水下场景的高功率成本对于长期连续使用而言过于昂贵，还会降低设备的便携性和灵活性；而且，照明带来不均匀的特性，并且在图像的中心区域出现亮区域，整个图像亮度分布不均匀，从而降低了图像质量。下图显示了上面总结的水下光学成像模型。

通常，在水下4-5 m后，水下图像的能见度会迅速降低。为了增加在水下的可见度，研究人员设计了许多硬件平台和相机，这些平台已经在许多领域中得到了应用。在这些应用中，硬件平台包括距离门控成像，荧光成像和立体成像；这些摄像机包括水下摄像机，漂流水下摄像机系统，两视图摄像机和水下三维扫描仪。所有这些研究已被用于各个领域，包括水下显微检测，地形扫描，地雷检测，电信电缆，自动水下航行器（AUV），管道，核反应堆和海上平台塔。

许多学者发表了有关水下成像的文献评论，这些评论紧密结合了水下成像的发展。Lu等，调查了从水下航行器捕获的水下光学图像。Mallet和Pelletier专注于回顾过去60年来开发的用于观察沿海海洋生物多样性的水下视频技术。Tan等，分析了水下定位领域的进展。 Chu等，回顾了使用智能执行器的仿生水下机器人。此外，Partan等，讨论了水下传感器网络。与仅专注于水下成像某些方面的其他文献综述不同，我们为学者提供了对水下图像处理的全面理解。例如，Erol-Kantarci等，主要集中于广泛讨论水下声信号处理。萨胡等，仅介绍了一系列水下图像增强方法；和Kaeli，仅概述了用于水下图像色彩校正改进的一组算法。

在这篇综述中，我们研究了水下成像的进展，当前的挑战和应用。我们的主要贡献可描述如下。

我们总结了对当前研究的全面综述。我们详细介绍了典型的水下图像退化类型，例如吸收，散射，颜色失真和人造光源干扰。

我们概述了最先进的水下图像智能除雾和色彩还原算法（例如深度学习方法），这些算法可以帮助学者更好地理解水下图像处理的概念。

我们分析了水下图像在各个领域的应用，包括水下目标检测，水下导航和AUV。

本文的其余部分安排如下。在第二部分中，我们介绍了当前的挑战以及在减少水下图像雾霾方面的研究进展。在第三部分中，我们总结了有关水下色彩失真和色彩评估指标的最新算法。在第四节中，我们概述了水下图像处理的应用。最后，我们在第五节中总结了这篇综述。

水下图像除雾

尽管水下相机的发展可以在一定程度上提高图像质量，但是与成像系统设备的高成本相比，数字图像处理在软件中实现起来要容易得多且便宜得多。自从提出了数字图像处理的概念以来，水下图像处理的研究得到了很大的发展。我们已经在工程村数据库中计算了水下成像研究热点的比例。水下图像恢复和水下图像增强是主要领域，如下所示，我们还计算了2010年至2016年Web of Science数据库中的水下图像论文数量，可以看出，与水下成像有关的作品数量在不断增加。

现在我们集中于光在水中的传播特性。在水下场景中，通过摄像机接收的光主要具有三个分量：

从物体反射的光称为直接分量；
前向散射使光线偏离其原始方向并随机反射到相机；
反向散射是由悬浮颗粒引起的，该悬浮颗粒在实际接触物体之前将光反射到相机。

水下图像可以描述为这三个分量的线性叠加。前向散射和后向散射都导致图像模糊和模糊。

水下图像处理包括图像增强和图像去雾，增强方法使水下图像具有更好的对比度，而去雾方法使水下图像具有更好的可见性。

近年来，研究人员提出了许多图像增强和去雾算法。Pizer等提出了一种自适应直方图均衡（AHE）方法。AHE使用源自邻域的变换函数对每个像素进行变换。该方法用于增强图像的局部对比度。 Kim提出了亮度保持双直方图均衡（BBHE）方法，该方法首先分解图像，然后在输入均值附近将分解后的图像分量彼此均衡。该方法可以有效地节省图像的平均亮度。Reza开发了对比度限制AHE（CLAHE），目的是通过对比度限制来防止噪声过度放大，而AHE有这样做的趋势。 Demirel和Anbarjafari演示了逆离散小波分解（IDWT）方法，该方法利用DWT对图像进行分解以获得几个子带图像，然后对高频子带和原始图像进行插值。通过固定子波变换对通过对高频子带图像进行插值而获得的系数进行修正。最后，将所有这些图像组合在一起以生成增强的图像。邓等提出了一种通用的非锐化掩蔽（GUM）方法，以探索性数据模型为框架来提高清晰度。这种方法可以同时增强对比度和清晰度，并且还可以消除光晕效果。 Fu等人提出了一种基于概率的方法（PB），用于增强线性域中的照明和反射率评估。如下表所示，我们比较了上述不同的图像增强算法。然而，经典的图像增强算法不能有效地处理水下图像的退化。原因主要是直接将经典的图像增强算法应用于退化的水下图像通常会忽略以下事实：水下图像退化的程度会随着相机的距离而变化。

为了应对朦胧的天气，研究人员提出了许多单图像去雾算法或矩阵。Fattal开发了一种基于最小输入来估计有雾场景中的光传输的方法。当信噪比不足或图像核心区域的倍增变化不足时，它可能会失败。此外，Fattal提出了一种使用色线像素规则性的新颖的单图像去雾算法。此外，为了解决孤立像素中的透射问题，Fattal提出了一种增强的高斯-马尔可夫随机场模型。 He等展示了一种称为暗通道先验的有用且有效的单图像去雾方法，因为该方法基于统计数据，因此可能在某些物理无效的场景（例如，对象的亮度类似于背景的亮度）下失败。Tan提出了一种基于单一图像来增强恶劣天气或水下浑浊情况下的可见性的方法，而无需几何结构或任何用户交互。高等和Wang等。扩展和改进了He的方法，并取得了令人印象深刻的结果。 Ancuti和Ancuti采用单图像多尺度每像素融合方法来增强在恶劣天气下拍摄的模糊图像的可视性。

近年来，深度学习方法已成为许多领域的最新解决方案，并且表现出出色的性能。 Ling等首先提出了用于单图像去雾的深度学习网络。该方法通过深度传输网络（DTN）同时处理RGB通道和本地详细信息。 DTN可以自动检测并处理与雾度相关的功能。同时，他们声称RGB通道的信息比雾度估计更有用。蔡等实现了一个称为DehazeNet的端到端媒体传输估计系统，该系统使用卷积神经网络输出媒体传输图来对单个图像进行雾化，并获得了出色的性能。我们对以上讨论的文献策略进行分类，见下表。上述的单图像去雾方法已经在地面图像中显示了一些优势。但是，在水下场景中使用这些方法时仍然存在一些限制。通常，由于水下成像和光照条件相对于地面成像的不同特性，使用增强和恢复水下图像的方法显示的效果较小。对于水下场景，这些单一除雾方法中使用的假设和先验矩阵可能很容易失效。

由于单图像去雾技术的局限性，近年来研究人员开始专注于专门的水下图像增强和还原方法。 Chiang和Chen 通过将除雾方法与波长补偿（WCID）结合使用来增强水下图像。该方法可以同时处理除雾和色彩还原。与暗通道先验方法相比，该方法可以获得更准确的场景深度估计。根据波长衰减的估计，进行反向补偿以恢复颜色失真。然而，海洋中的盐度和悬浮颗粒降低了光能损失估计的准确性，影响了该方法的有效性。

赵等提出了一种基于背景颜色和基于实时和精确测量的还原水下图像来计算水下场景固有光学特性的方法。 Serikawa和Lu实施了一个联合三边滤波器，通过补偿沿传播路径的波长衰减来消除水下图像的散射和颜色失真。但是，该方法没有考虑人工光源的影响。Ancuti等开发了一种新的方法来恢复基于融合原理的水下图像和视频的视觉质量。该方法显示出良好的除雾性能，但是仍然遭受人造光源的困扰。 CarlevarisBianco等提出了一个简单的先验，即利用RGB颜色波长衰减中的显着差异来估计场景的深度，然后使用深度信息来增强水下图像中的雾度。 Lu等研究了一种物理的水下暗通道先验方法，开发了一种基于色线的环境光估计器和一个加权导域滤波器来补偿水下图像。 Li等提出了一种基于最小信息损失和先验直方图分布来获得水下图像更高对比度的方法。

随着其不断发展，深度学习方法已用于水下图像去雾领域。 Li等首先尝试使用深度神经网络对水下图像进行除雾。该方法将归一化图像和物理光谱特征校正相结合，以增强高浊度水下图像的可见度，并获得了出色的性能。同时，由于该方法考虑了照明特性，因此可以同时恢复色彩失真。但是，该方法对于在弱光条件下拍摄的图像性能较差；而且，该方法不能完全消除噪声。如下表所示，我们比较了上述不同算法。我们展示了水下图像除雾增强的一些结果，以使学者们对我们上面讨论过的水下图像除雾方法的性能有一个全面的了解。比较结果如图所示。从图中可以看出，He方法和Li方法提高了混浊场景的可见度，WCID方法和Li方法在水下场景中获得更好的视觉效果。

图为上面讨论的水下图像去雾方法的比较（a）从左至右的水下图像：浑浊和朦胧的场景，深水场景，人造照明场景，弱光场景（b）He的方法（c）PB法（d）WCID方法（e）Li方法（f）SID方法（g）CB法

此外，一些研究人员使用多图像去雾方法或专用硬件设备来增强水下图像的对比度。尽管这些方法对于水下图像增强具有一定的有效性，但是仍然存在待解决的问题，这可能潜在地降低了实用性。例如，在上述方法中使用的水下相机可能非常昂贵和复杂。在另一个实例中，使用多个图像的方法可能对获取相同场景的多个图像提出很大的挑战。

水下图像色彩校正和质量评估指标

在本节中，我们将重点介绍光在水中的特殊透射特性。水下图像色彩校正由于其物理波长衰减而成为一种新颖的研究热点。下图展示出了水下颜色衰减的图示。首先，红色在4-5 m后迅速消失。然后，大多数橙色大约在5 m的深度处消失。黄色在10 m深度处完全消失，绿色在20 m深度处消失。最终，蓝色消失在50 m以上。水的颜色代表哪个波长进一步传播。蓝色波长在海洋中传播较好，但是绿色波长在沿海水域传播得更远。因此，水下图像通常基本上以偏蓝或偏绿色为主。水下图像中有价值的详细信息会丢失。

水下图像色彩校正

水下图像对比度的增强是用于色彩校正的广泛使用的技术。近年来，对比度增强的发展引起了很多关注。许多学者提出了许多方法来提高水下图像的质量并从降级的图像中恢复尽可能多的有价值的详细信息。Schechner和Karpel提出了一种图像颜色校正方法，以考虑使用偏光镜以不同方向拍摄的几幅图像，以增强退化图像的可见性。Rizzi等提出了一种使用无监督图像色彩均衡，同时具有全局和局部效应来恢复色彩失真的方法。Trucco和Olmos-Antillon设计了一种特殊的图像增强滤镜，它可以自动简化Jaffe和McGlamery提出的水下成像矩阵。但是，上述方法具有很高的计算复杂度。

Iqbal等。 [83]实现了一个集成色彩模型（ICM），该模型将RGB通道中的输出图像扩展到整个动态范围。图像被转换为HueSaturation-Intensity（HSI）颜色模型。此外，Iqbal等展示了一种无监督的色彩校正方法（UCM），用于基于RGB和HSI颜色平衡以及直方图拉伸来获取恢复的水下图像。结果表明在消除蓝色调和改善红色通道方面的效率。主要问题是ICM和UCM模型可能会产生额外的噪声。 Ghani和Isa 修改和扩展了基于瑞利分布的ICM和UCM方法。该方法改善了对比度并最小化了增强不足和增强区域。 Galdran等提出了暗通道先验方法的扩展，其中恢复了短波长的红色，从而提高了对比度。 Naim和Isa提出了一种新的方法，称为彩色分布图像的像素分布偏移颜色校正，以校正白平衡并保留消色差。该方法恢复了色彩通道，使图像看起来更正常。该方法同时恢复了图像饱和度。但是，该方法不能明显提高图像对比度。

Hitam等提出了一种称为混合对比度受限AHE的算法，专门用于水下图像。该算法可以有效地消除CLAHE引入的噪声，从而减少水下图像的后续处理。 He等设计了一种新的滤波器，该滤波器表现出很好的边缘保留平滑特性，并且计算复杂度低。 Gastal和Oliveira提出了一种显示出色的图像边缘保留滤波方法。滤波器具有较低的计算复杂度，灵活性，并可以产生高质量的图像，但是过度依赖匹配结果的旋转不变性可能会带来一些困难。Tarel和Hautière演示了一种方法，该方法可以提高单个图像的可见性，而无需使用任何额外的信息作为基于中值滤波器的特定滤波问题。它具有很高的计算复杂度和良好的边缘保留性。

如下表所示，我们比较了上述不同算法。我们展示了一些水下图像色彩还原的结果，以向学者们展示我们在上面讨论的对水下图像色彩还原方法性能的全面理解。比较的结果可以在下图中看到。可以在图中看到，Ancuti方法具有更好的视觉效果。

以上讨论的水下图像色彩还原方法的比较（a）原始图像（b）He方法（c）Fattal方法（d）Tarel方法（e）Iqbal方法（f）Ancuti方法

水下图像色彩评估指标

现在，我们专注于建立有效，客观的水下退化图像质量评估（IQE）指标，以便能够对水下图像进行处理，分类和分析，尤其是在水下环境监测和目标检测中。通常认为，主观评估指标显示出最可靠的标准。但是，它花费时间长，并且对于实时应用程序和集成系统是无法实现的。人们通常根据客观IQE指标是否具有参考图像来对其进行分类。评估指标通常分为三类：

全参考（FR）图像质量评估；
减量参考质量评估；
无参考质量评估（NR）。

FR表示已建立参考图像。 RR认为关于参考的部分细节是可以实现的，并且可以用于质量评估。 NR表示无法获得有关参考的任何细节。显然，在大多数情况下，水下图像很难获得参考。因此，需要一个NR客观IQE指标来评估水下图像质量。水下图像的评估指标应具有以下特征：识别退化图像；与人类视觉相关；值得信赖的参考标准图片；有助于选择最佳变量；低的计算复杂度，适合大多数水下图像去雾和色彩恢复算法。尽管可获得许多关于大气图像的质量指标，但由于水在水中的特殊传输特性，它们不适用于水下图像。

已经建立了许多用于评估灰度图像的NR图像质量评估，其中失真的主要原因是模糊和模糊。卡纳耶（Kanaev）等提出了针对灰度图像的水下图像质量中面向结构张量的图像质量度量。该度量可以提供高分辨率和低噪声估计的图像清晰度。广泛使用的灰度图像质量度量可测量对比度和边缘清晰度，由于人类对于不同颜色的视觉非常复杂，因此评估彩色图像的质量通常会面临许多挑战。在大多数场景中，某些彩色图像质量度量标准都从灰度图像质量度量标准扩展而来。通过将彩色图像转换为灰度图像或通过分别评估每个RGB颜色通道中的质量并将评估参数与不同的权重集成在一起，某些彩色图像指标仍利用灰度评估。这样做的问题是颜色到灰度的转换过程是有损耗的。一些彩色图像质量度量标准仅关注IQE的一项特征，例如对比度，熵，亮度和清晰度。 Hasler和Suesstrunk 提出了一种评估大气图像色彩的方法。该方法建立红色，绿色，蓝色通道，然后基于RGB通道的平均值和标准偏差获取色彩度量。

Panetta等提出了一种彩色图像质量评估，该评估通过色彩，清晰度和对比度来评估图像，称为彩色质量增强（CQE）。CQE方法利用RGB通道的对比度评估关系，并进行色根均值增强（CRME），以评估彩色图像中心区域与其相邻区域之间的相关性。上面描述的度量是针对大气彩色图像提出的。但是，大气彩色图像和水下彩色图像之间存在巨大差异。水下图像的退化类型不仅是由于模糊和对比度低而引起的，这是大气图像的最常见原因，而且还有由于光谱不均匀的衰减和光的分布而引起的吸收和散射所致的雾状和颜色失真光谱。

已经提出了几种水下图像评估指标来评估水下灰度图像去雾和恢复的算法性能。Schechner和Karpel 建立了一种使用全局对比度评估水下图像质量的方法。侯等人提出了一种评估指标，基于加权灰度角评估恢复的水下图像。 Arnold-Bos等提出了由Pratt 扩展的评估指标。然而，针对不同算法对水下彩色图像的增强和复原结果进行定量评估存在许多挑战。因此，建立一个涉及自动和实时水下处理的综合评价指标是有意义的。因此，有效的水下彩色图像质量度量是水下研究界的主要目标。Yang和Sowmya提出了一种用于预测客观质量的合成灰度和彩色图像评估指标，称为水下颜色IQE（UCIQE）。该指标对于评估水下退化图像中的不同除雾和颜色恢复算法非常有用。我们在下图中列出的增强方法之间比较了不同的质量评估指标，比较结果显示在下表中。数据表明每个评估指标具有主观视角的一致性。

以上讨论的水下图像色彩还原方法的比较（a）原始图像（b）He方法（c）Fattal方法（d）Tarel方法（e）Iqbal方法（f）Ancuti方法

水下图像处理的应用

根据国内外的数据，获得清晰的水下图像在许多海洋领域都起着重要的作用，例如评估生物环境和监测水下环境，与此同时，智能水下图像处理得到了极大的发展。可以预见，将来越来越多的海洋领域将进行水下图像处理。例如，可以实时使用图像颜色相关性来识别水下物体。图像配准技术可以应用于以灰度还是彩色图像来阐明水下物体。此外，水下图像处理的应用出现在诸如水下导航，水下资源勘探，水下环境保护和水下军事事务之类的各个领域中。在这些领域中，提出了各种设备和算法。智能除雾和色彩还原方法可改善水下图像的可见性和色彩平衡，以帮助研究人员更好地探索水下环境。在下文中，我们将根据水下图像处理应用程序在水下导航和水下目标检测中的使用情况对其进行回顾。

水下导航

为了更有效地探索水下资源，水下航行器的自动导航正在成为一个不断发展的研究领域。造成这种情况的主要原因是人们对水下数据收集（如环境监测和地雷探测）的需求日益增长。水下航行器的研究热点的一部分集中在水下图像的开发，数据获取和车辆导航。增强的水下图像对于实现路径规划和避障等操作非常有用。随着水下图像质量的提高，可以降低水下车辆的运营成本。驾驶员的主要任务是定义要执行的原始任务并获得更高级别的控制。

水下成像设备广泛用于观察海床。因此，图像的增强和还原程度是有关观测的核心问题。水下成像设备通常安装在自动水下航行器（AUV）和原位海洋传感器网络中。有许多与水下成像设备有关的研究热点。例如，视觉导航是AUV在海底附近航行的关键技术。需要自动构建高质量的水下图像，并将其用作海底的表示。增强的水下图像将使AUV能够执行以下任务：绘制视野并在其中导航。对于构建视频，水下图像的质量限制非常严格，因为全局导航主要基于增强的水下图像。因此，强烈需要高精度和清晰的水下图像。

在导航过程中，水下航行器的性能在很大程度上取决于水下视频或图像的清晰度，以定位先前构建的地图。定位和实时位置估计的局限性有两个重要要求：

图像配准和
图像间运动估计

当水下航行器在航行时，定位信息可以直接由图像框表示或变换明确的位置。进行轨迹生成模块可以避免路径匹配太困难而无法在该区域行驶。该模块提供了当前位置和目的地之间的一系列路径点，这些路径点搜索一条短路径以远离边界。

水下目标检测

近几十年来一直在使用的水下环境监测通过开发水下设备而依赖于海洋地理数据收集系统。在常见情况下，设备从水下环境中获取数据，然后通过卫星或水下电缆将这些数据发送到陆上站点或船只。在监视系统中，设备（通常是传感器）收集多个指标，例如盐度，温度，压力和水下图像。水下传感器节点通过声学联网。

使用由水下成像设备或传感器获取的图像颜色详细信息来对物体进行水下检测是有效的。 Beer-Lambert定律指出，水下的RGB颜色衰减系数取决于观察距离和照明度。水下目标检测方法识别水下环境中的任务对象。在许多情况下，提议的检测目标的方法要求先验水下物体的颜色，并允许多个具有不同颜色的物体。另外，由于水下图像的退化，该检测算法通常具有较大的计算复杂度并花费大量时间。

提出了许多水下成像系统来帮助人们检测物体，例如距离门，激光线扫描，调制技术，多视角图像构建和偏振辨别。极化滤波是用于检测和识别水下目标的适应方法之一。通常，用于检测和识别的水下图像的增强方法具有以下特征。

易于实现
需要同时进行目标的检测和识别

水下目标检测的基本问题考虑了发展趋势，低功耗和高速水下识别。需要光学相关方法来自动识别水下目标。该方法通过生成目标的大型参考数据库来增强水下图像的可见性。但是，目标识别仍然存在一些局限性。因此，进行图像去雾和色彩还原对于改进水下目标检测至关重要。增强图像方法有几个要求：易于使用，低消耗，实时检测和识别。增强图像方法可增加水下图像的对比度，并减少水下颜色失真和反向散射退化。

结论

水下图像的智能去雾和色彩还原方法是新兴的研究领域，具有极大的潜力，可帮助开发人员更好地探索水下环境。这些方法用于处理诸如强吸收，散射，颜色失真和来自人造光源的噪声之类的劣化，以改善可见度和颜色平衡。随着图像处理的飞速发展，水下图像处理开辟了许多新的研究方向。

在这项调查中，我们总结了对当前研究的全面回顾。我们首先详细介绍典型的水下图像退化类型，例如吸收，散射，颜色失真和人造光源干扰。随后，我们概述了水下图像的除雾和恢复算法，这有助于学者更好地理解水下图像处理。根据本文，我们设想像深度学习这样的智能去雾和恢复方法将成为水下图像处理研究中的热门研究主题。然后，我们将根据水下图像处理应用程序在水下导航和水下目标检测中的使用情况对其进行回顾。我们希望这篇评论对研究人员和开发人员了解水下图像处理的意义和巨大应用很有帮助。我们预测，智能水下图像处理将为帮助研究做出巨大贡献。