水下成像图像质量蜕变机制

水下成像中的图像退化模型一般采用Jaffe-McGlamey 提出的成像模型（Image Formation Model，IFM）。，透射率与成像距离呈指数关系，距离越远，透射率越小，即越远的区域图像质量下降越严重。

水下成像技术按照技术途径差异分为图像处理和图像重建两种。图像处理是对相机拍摄的图像进行数字图像处理以提升图像质量的方法，包括以空间域法、变换域法、颜色恒常性法等为代表的数字图像增强技术，以及以多通道融合技术、基于先验的图像复原法等为代表的数字图像复原技术。图像重建则主要指充分利用光波的强度、光谱、偏振等多维度信息，结合光波在水下传输过程的物理模型，最终实现水下目标的重建和成像的方法，包括水下偏振成像、水下关联成像、水下光谱成像、水下压缩感知成像、水下激光成像、水下全息成像等。

水下成像技术及分类

卷积神经网络（Convolutional Neural Network，CNN）被广泛用于提取图像的特征信息，通过衡量损失函数、优化网络参数，以“端到端”方式实现图像增强、图像重建等目标。

1. CNN

在深度学习技术发展中，先后出现多层感知机（Multilayer Perceptron，MLP）、CNN、以及生成对抗网络（Generative Adversarial Network，GAN）等多种不同结构的经典网络，分别用以完成不同的任务并具有不同的效果。

1）MLP 作为早期的网络结构之一，是一种前向结构的人工神经网络，包含输入层、输出层、隐藏层，其中的节点采用全连接或局部连接的方式连接，需要计算大量参数，效率较低；

2）CNN 是深度学习的重大突破之一，广泛应用于计算机视觉领域，采用卷积层替代MLP 中的全连接结构，凭借卷积运算的稀疏连接、参数共享、平移不变等特性大大降低了网络参数量和计算量，极大提高了图像处理效率。U 型卷积神经网络（U-Net）从FCN 发展而来，由下采样和上采样形成对称的U 型结构，辅以通道间的跳跃连接，可实现全局特征与局部特征的结合，更好地利用细节信息，实现端到端的图像处理，此外U-net 还可以利用数据增强在样本数据较少时进行训练，在医学影像处理等方面上有较大帮助。

3）GAN 由生成网络和判别网络两部分组成，训练时采用博弈思想，将生成网络生成的图像与真实图像交予判别网络判别真伪，训练判别网络，并将结果返回生成模型用于增强损失函数，训练生成网络。经过不断训练，生成网络和判别网络的能力不断提升，最终获得能生成所需图像的生成网络，常在缺乏或无法获得相应数据时用于生成图像。

CNN网络结构

基本结构都包括：

1）全连接层、卷积层：用于图像特征提取，得益于卷积运算的稀疏连接、参数共享、平移不变等特性，卷积神经网络具有更高效的特征提取能力；

2）池化层：用于下采样，对图像信息进行滤波和高层特征提取；

3）激活函数：增加网络的非线性拟合能力，包括整流线性单元（Rectified Linear Unit，ReLU）、Sigmoid、Tanh 等函数；

4）损失函数：衡量处理结果与所给标签的接近程度，值越小表明越接近。图像处理中常用最小绝对值偏差（又称L1 损失函数）、均方误差（MeanSquare Error，MSE）、结构相似性（Structural Similarity，SSIM）等损失函数，图像分类中常用交叉熵损失函数（CrossEntropy）；

5）优化器：反向传播时用于优化网络各层参数，常用优化算法有随机梯度下降算法（Stochastic Gradient Descent，SGD），自适应矩估计（Adaptive Moment Estimation，Adam）等。

应用CNN 处理问题之前，需要对网络进行设计及训练。CNN 主要依靠人为经验进行主体结构选取及细节添加，网络训练依靠仿真模拟、实验记录或实地获取的数据集进行。

训练过程中根据损失函数是否能收敛至目标值来判断网络设计是否合理及是否完成训练，若无法收敛或损失函数无法降低至目标值则需要对网络超参数或者结构进行进一步修改。将网络训练好后，需要利用验证集验证网络对新数据的处理效果，若神经网络在验证集上表现不佳则要对网络进行修改并重新进行训练直至收敛。训练好并通过验证的网络即可用于目标数据处理。

增强效果

CNN图像增强效果