基于改进多尺度Retinex理论的海上图像去雾算法.pdf

(1):155-161.（in C h in e se)WANG Y B,ZHEN R.Marine image dehazing algorithm based on improved Multi-scale Retinex theoryJNavgationofChina,2024,47引用格式：王宇勃，甄荣.基于改进多尺度Retinex理论的海上图像去雾算法J.中国航海，2 0 2 4,47（1）：155-16 1.文章编号：10 0 04653（2 0 2 4)0 1-0 15 5-0 7NAVIGATIONOFCHINAMar.20242024年3月Vol.47 No.1第47 卷第1期中国海航基于改进多尺度Retinex理论的海上图像去雾算法王宇勃，甄荣（集美大学航海学院，福建厦门36 10 2 1）摘要：针对传统去雾算法在海雾环境下处理得到的图像细节丢失、亮度偏暗及色彩失真等问题，提出了一种基于Retinex理论的海上图像去雾算法。首先，将图像转换到HSV空间，通过改进的多尺度Retinex增强算法对V通道单独处理获得照射分量。其次，将照射分量经过对数运算获得反射分量，与归一化处理后的H和S通道合并获得图像基础层。最后，通过引导滤波获得图像细节层，并与基础层合并进行自动白平衡处理，得到最终结果图像。试验证明，与暗通道先验算法及传统多尺度视网膜增强算法相比，提出的算法在标准差、平均梯度、峰值信噪比及结构相似性等评价指标方面均有所提升，海雾图像去雾质量得到有效增强，对提高海雾环境下船舶通航效率具有重要意义。关键词：Retinex理论；多尺度Retinex增强算法；HSV空间；引导滤波；自动白平衡中图分类号：U6-9文献标志码：AD0I:10.3969/j.issn.1000-4653.2024.01.019Marine image dehazing algorithm based on improvedMulti-scale Retinex theoryWANG Yubo,ZHEN Rong(Navigation College,Jimei University,Xiamen 361021,China)Abstract:Conventional dehazing algorithm may cause detail loss,low brightness,and color distortion when it processes amarine image.A dehazing algorithm based on Retinex theory is introduced to solve the problems.The image is transformedinto HSV(Hue-Saturation-Value)space before processing.The improved Multi-scale Retinex(MSR)algorithm is used toprocess V channel and obtain the illumination component.The reflex component is obtained by logarithmic operation.Thelatter is combined with the normalized H and S channel to obtain the image base layer.The image detail layer is obtainedthrough guided filtering and combined with the base layer for automatic white balance processing to produce final resultimage.Experiments show that,compared to Dark Channel Prior algorithm and conventional MSR algorithm,the dehazedimage produced by the improved MSR is superior in standard deviation,average gradient,peak signal to noise ratio andstructural similarity.Key words:Retinex theory;MSR algorithm;HSV space;guided filtering;automatic white balance海雾往往导致海上能见度降低，影响船舶瞭望、港口与海上视觉监控1-2、船舶视觉导航3、船舶目标检测4,严重时将导致海港封航，大大降低港口通航效率，进而造成较大的经济损失，海雾图像去雾研究对提高海上船舶通航效率具有重要意义。海雾天气下，大量水滴或冰晶悬浮在空气中对光线进行折射和散射，光线经过折射和散射后与物体反射光线混合，会造成可见光图像采集设备获得的图像纹理模糊和对比度丢失5。图像去雾算法从原理上分为两种：基于物理模型的复原去雾算法和基于非物理模型的增强去雾算法。前者通过考虑光的衰减和散射，结合雾的成像原理建立模型。由收稿日期：2 0 2 3-0 1-0 7基金项目：国家自然科学基金（52 0 0 1134）；福建省自然科学基金（2 0 2 0 J01661）作者简介：王宇勃（19 9 9 一），男，硕士，研究方向为交通信息工程及控制、图像处理。E-mail：y u b o 9 9 0 2 10 16 3.c o m通信作者：甄荣（19 9 0 一），男，博士，副教授，研究方向为海上智能交通。E-mail：z r a n d s e a 16 3.c o m中国海航156第47 卷第1期大气光成像模型和入射光衰减模型构成大气散射模型，分析捕获的图像光线，依据大气光学模型及光的散射作用对成像过程进行建模，从中分解得到去雾图像。其中较为经典的算法是HE等6 提出的暗通道先验（DarkChannelPrior,DCP）去雾算法，通过统计分析大量无雾图像和有雾图像的图像特征，提出了暗通道概念，使用暗通道作为先验信息估计大气光和透射率，从而利用雾天成像模型复原图像。在明亮的天空区域下，该算法效果较差，会造成图像严重失真。海上监控画面存在较多的天空区域，因此暗通道先验算法一般不适用于海雾情况。基于非物理模型的去雾算法通过平滑图像中的低频噪声、锐化图像的高频信息改善图像质量，增强图像的视觉效果，从而达到去雾效果。代表算法有Retinex理论算法、直方图均衡化算法、小波和曲波变换算法7 等。直方图均衡化算法最为简单，但是产生噪点。小波和同态滤波法依赖于数学基础，不同场景下需要设定不同的参数，且不能单独用于图像去雾。Retinex理论算法目前最为完善，在去雾和低光照图像增强方面都表现良好。早期的Retinex理论算法有单尺度 Retinex 算法(Single Scale Retinex,SSR)8)和多尺度Retinex集算法（Multi-scaleRetinex,MSR)9。SSR算法采用单一尺度的高斯环绕函数估计图像光照分量，从而求得反射分量，获得清晰图像。MSR算法则是将不同尺度的SSR算法进行加权平均。SSR和MSR算法均会导致图像色彩失真，因此多尺度Retinex色彩恢复（MultiScaleRetinexwithColorRestoration，M SRCR)算法10】被提出，该算法加人色彩恢复因子补偿色彩失真，但会出现负值的像素点。虽然Retinex理论算法能够达到增强图像质量的效果，却存在很多不足之处，针对这些不足后续出现了众多改进Retinex算法1-14。但是现有算法在海雾图像去雾效果上仍然存在细节丢失、亮度损失较大和色彩失真等问题，严重制约海上交通视觉监控系统的性能，因此研究高效的海上图像去雾算法势在必行。本文针对海雾图像天空区域较多、图像边缘模糊、对比度较低等问题，提出了一种改进的MSR海雾图像去雾算法。将存在海雾的图像转换到HSV空间进行处理，解决图像处理后色彩失真问题。采用引导滤波15代替高斯滤波，改进MSR算法。运用引导滤波保边平滑的特性，求得海上图像的细节层，用来增加海上图像边缘梯度。运用自动白平衡16 算法,降低了处理后的图像色彩偏差，增强了传统MSR算法的去雾效果。1相关理论1.1HSV空间HSV空间模型反映了人眼视觉系统感知色彩的方式，用色相（Hue，H）、饱和度（Saturation，S）和明度（Value，V)三种基本分量来表示色彩。色调与光线波长有关，表示一定范围的色彩，如红、绿、蓝等。饱和度表示颜色纯度，饱和度越大，图像颜色越鲜艳。明度表示图像的明亮程度。HSV空间的特点是H和S通道与人感受色彩的方式紧密相连，V通道与图像的色彩信息无关，对V通道单独进行增强能起到增强图像不改变图像色彩的作用。传统的Retinex理论算法直接对RGB（Re d,G r e e n,Bl u e）图像进行处理，破坏了三颜色通道间的相互关系，导致图像失真。在处理海雾图像时，本文提出的算法仅对明度分量进行增强处理，有利于在图像处理过程中保持色彩信息。RGB和HSV之间的转换公式为(60(G-B)/C mod 6,max(R,G,B)=R60(B-R)/C+2,max(R,G,B)=GH=60(R-G)/C+4,max(R,G,B)=Blo,C=0(1),V=0S(2)LC/V,V0V=max(R,G,B)(3)式中：R、G、B分别表示RGB空间中三通道各个像素点的值;max（R,G,B）和min（R,G,B）分别表示RGB三通道中的最大值和最小值;C=max(R,G,B）-min(R,G,B)。1.2Retinex理论“Retinex”一词是“视网膜（Retina）”和“大脑皮层（Cortex）”的合成词缩写，因此Retinex理论又被称为视网膜大脑皮层理论。Retinex理论去雾算法基于图像的照度-反射模型，通过去除或降低估计得到的原图照射分量，来获得图像的反射分量，从而得到清晰图像。其数学表达式为S(x,y)=R(x,y)I(x,y)(4)式中：x和y表示像素点的坐标;S(x，y）表示初始图像；I(x,y）表示图像照射分量；R（x，y）表示图像反射分量。如图1所示，Retinex理论认为成像设备获取的图像由大气光照射光线和物体反射光线组成，图像反射分量为物体自身的固有特征，不受大气光照射分量的影响。157王宇勃，于改进多尺度Retinex理论的海上图像去雾算法成像设备入射光反射物体图1Retinex理论成像模型Fig.1Retinex theoretical imaging model将式（4两边取对数得lgS(x,y)=lgI(x,y)+lgR(x,y)(5)对式(5)进行简单变形，得到图像反射分量lgR(x,y)=lgS(x,y)-lgI(x,y)(6)图像反射分量即为所求增强后的图像,Retinex理论的基本流程如图2 所示S(x.y)估计照射对数1g1(xy)IgR(x.)指数R(x.)分量运算运算对数1gR(x,y)运算图2Retinex理论基本流程Fig.2Basic flow of Retinex theory1.3引导滤波引导滤波是一种显式图像滤波器，由局部线性模型导出，引导滤波通过考虑引导图像的内容特征来计算滤波输出图像，其中引导图像可以是图像本身或者其他不同图像。引导图像和输出图像在局部窗口中成线性关系，表达式为q;=aul,+bk,VieWk(7)式中：9；表示输出图像；，表示引导图像；和bk表示窗口位于k时线性函数的系数；表示半径为r的局部矩形窗口。对式（7）两端求梯度得Vq=aVI(8)式中：V表示梯度算子，为线性系数。输出图像q将获得与引导图像相似的梯度，因此引导滤波具有保边特性。在保持局部线性模型的同时，最小化输入图像p和输出图像g的差异,最小化的成本函数E(k,b.)E(ak,bu)=(al;+bh-p.)+a)(9)iewk运用最小二乘法求解得1ZIP:-MuPkiewk(10)a2k+8=Pkaik(11)式中：为控制滤波效果的重要参数，且能防止k过大;和分别表示引导图像窗口部分的均值和方差；|表示窗口部分图像的像素数；P表示输入图像p窗口部分的均值；p；为输人图像的图像数值。本文使用的引导图像I等于输人图像p，则式（10）、（11）可简化为2kak(12)2+8bk=(1-a)(13)当窗口位于图像边缘区域时，远大于8，此时，1,b,0,q l；当窗口位于图像非边缘区域时，远小于8 此时，a0,b，q 即像素均值。因此，引导滤波结果边缘部分得以保留，其他部分均值平滑，达到保持边缘、平滑降噪的效果。2基于Retinex理论的去雾算法2.1算法具体步骤针对传统Retinex理论算法的缺点，结合HSV空间和引导滤波等对MSR算法进行融合改进，提出新的去雾算法。算法流程如图3所示，具体步骤如下：1）将初始图像转换到HSV空间，同时运用引导滤波处理原图像，获得图像细节层。2）使用改进的MSR算法对V通道单独进行处理，估计V通道照射分量，从而获得反射分量。3）将H和S通道进行归一化处理后与V通道反射分量合并转换到RGB空间，得到图像基础层。4）将图像基础层与图像细节层合并，进行自动白平衡处理得到输出图像。输入有雾图像HSV空间转换分离H分量分离V分量分离S分量引导滤波改进的MSR归一化增强归一化获取H分量V分量S分量细节层合并获取基础层合并自动白平衡输出去雾图像图3本文算法流程Fig.3Flow of the algorithm in this paper2.2改进的MSR算法传统的MSR算法通常认为光照具有均匀性，于是采用高斯滤波估计照射分量。但实际情况并非如此，处理结果会丢失图像结构信息，破坏图像边缘。引导滤波具有保持边缘、平滑降噪的作用，因此本文采用引导滤波代替高斯滤波。改进的MSR算法步中国158海航第47 卷第1期骤如下：1）设置不同尺度的引导滤波为中心环绕函数，使用输人图像作为引导图像。2）求不同尺度的Retinex增强结果R，（x，2R,(x,y)=lgS,(x,y)-lggn(x,y)*S,(x,y)(14)式中：*表示卷积符号；n为尺度序号；gn（，y）为引导滤波；gn（,y）*S,（,y）表示求得的照射分量。3）对不同尺度的增强结果进行加权平均，计算公式为NR(x,y)=w,R,(x,y)(15)n=式中，W,表示不同尺度的权重因子。4）将R（,y)量化得到反射分量R（,y）2.3归一化处理为避免处理后的图像像素值大于2 55，通过归一化去除处理结果中的加性分量，归一化不会改变图像本身的信息存储。同时对H通道和S通道进行归一化处理，保持三通道像素分布值一致。本文采用mapminmax函数y进行归一化处理，公式为x-min)Xmaxmin(16)Xmaxmin式中：x为预处理数据；xmax和xmin分别为预处理数据的最大值和最小值;ymin和ymax分别为设置的期望最小值和最大值。2.4图像合并对初始图像进行引导滤波得到保持边缘的平滑图像，再由初始图像减去平滑图像得到图像细节层，公式为qa(x,y)=S(x,y)-g(x,y)*S(x,y)(17)式中：qa（x,y)为图像细节层。得到的细节层与基础层进行线性合并获取去雾图像，计算公式为Sa(x,y)=R,(x,y)+xqa(x,y)(18)式中：Sa（,y）为合并图像;R（x,y）为去雾后的基础层；为调节权重占比的参数，可调节去雾基础层与细节层之间的权重，通常取值2 5。2.5色彩校正不同场景光源拍摄到的图像呈现出不同的颜色，海上场景拍摄的图像色彩偏蓝，且经过去雾处理后，色彩会发生变化。因此，可以运用基于动态阈值的白平衡算法还原物体本来的色彩，通过白点调整和白点检测对图像进行颜色校正。3试验结果与分析3.1评价指标本文用到的评价指标有：标准差、平均梯度、峰值信噪比（Peak Signal-to-NoiseRatio,PSNR）及结构相似性(Structural Similarity,SSIM)。标准差是指图像像素灰度值相对于均值的离散程度。标准差越大，表明图像中的灰度值分布越分散，图像质量也就越好。平均梯度指的是图像边缘的灰度值变化率,其大小反映了图像的清晰度和纹理变化，平均梯度越大，图像边缘越明显，图像越清晰。峰值信噪比是表示信号可能的最大功率与影响信号精度的破坏性噪声功率的比值。在图像处理中用来衡量图像失真大小，PSNR越大，图像失真度越低，去雾效果越好。结构相似性可以衡量图片的失真程度。SSIM是一个0 和1之间的数，越大表示输出图像和无失真图像的差距越小，即图像质量越好。3.2算法验证为了验证本文提出算法的有效性，通过MAT-LABR2022b软件进行试验。试验数据集由人工拍摄及互联网收集的天然海雾图像和人造海雾图像组成。采用本文算法对4幅海雾图像进行去雾，通过分析海雾图像和去雾图像的标准差和平均梯度的平均值大小来确定本文算法的有效性。海雾图像如图4所示，去雾图像如图5所示。图4海雾图像Fig.4Sea fog image图5去雾图像Fig.5Dehazing image改进多尺度Retinex理论的海上图像去雾算法159表1为海雾图像和去雾图像标准差和平均梯度的平均值，可以看出去雾图像的标准差和平均梯度平均值均大于海雾图像，说明本文算法能够有效增强图像质量。表1算法验证结果Tab.1Algorithmverificationresults图像类型标准差平均梯度海雾图像30.661.38去雾图像48.094.043.3对比试验为了验证本文算法的优势，从主观评价和客观评价两个方面对试验结果进行分析。将试验结果与原始图像、DCP算法和传统MSR算法进行对比，验证了本文算法的优势3.3.1主观评价本文对4种不同海上场景的图像进行试验处理，分别对4幅图片进行MSR算法去雾、DCP算法去雾和本文算法去雾，观察去雾结果。图6(a)为4幅初始海雾图像。第1幅图像为人工合成海雾图像，包含大面积海面区域和岛屿。后3幅图像为天然海雾图像，其中，第2 幅图像为港口海雾图像，第3幅和第4幅图像为包含较多天空区域和海面区域的海雾图像，图像细节信息较多。图6(b）为经过MSR算法处理后的图像，MSR算法处理后，图像色彩失真，整体亮度偏低，天空区域亮度损失较大。图6(c)为经过DCP算法处理后的图像,DCP算法对图像的非天空区域处理效果较好，但是图像天空区域色彩严重失真，天空区域出现光环效应，海面区域细节严重丢失。图6(d)为经过本文算法处理后的图像，图像边缘轮廓明显，图像细节信息得到增强，色彩恢复较好，饱和度明显，图像亮度得到提升，整体效果较好。其中,第1幅图像中船舶和岛屿边缘轮廓明显，海面色彩真实，图像整体亮度较好；第2 幅图像中港口细节信息得到较好增强，天空区域亮度得到提升且未出现光环效应；第3幅和第4幅图像整体亮度较其他算法得到提升，天空区域和海面没有出现较为严重的失真现象，图像质量得到明显增强(a）初始图像(b)MSR算法(c)DCP算法(d)本文算法图6不同算法图像去雾效果Fig.6Image dehazing effect of different algorithms中国160海航第47 卷第1期根据对4种不同海上场景去雾图像的试验验证，从主观评价角度来看，本文所提算法与其他算法相比，优势显而易见3.3.2客观评价主观评价会受外界因素影响，不同场景、不同图像的评价标准有所不同。因此，采取客观评价进一步补充验证本文算法的有效性。对图6 中4种不同海上场景的图像进行客观评价测试，场景1的评价结果见表2。从表2 可以看出，本文算法与原图、暗通道先验算法和MSR算法相比，处理后图像指标有所提升。图像标准差最大，说明本文算法处理后的图像灰度级最分散，图像质量最好。平均梯度最大，说明本文算法处理后的图像边缘轮廓最为明显，图像清晰度最高。PSNR和SSIM最大，说明本文算法处理后的图像失真最小，图像细节信息保存最好。表2场景1客观评价结果Tab.2Objective evaluation results in scenario 1算法标准差平均梯度PSNRSSIM原图4.170.32MSR16.412.5416.260.72DCP24.332.6520.210.70本文算法33.883.6921.580.72对场景2 进行客观评价测试，结果见表3。从表3可以看出，MSR算法对标准差的增强效果不是很明显。DCP算法对标准差和平均梯度的增强略低于本文算法，优于MSR算法。但DCP算法的PSNR、SSIM 指标较小，表示图像失真较大。因此本文算法在场景2 总体效果最优。表3场景2 客观评价结果Tab.3Objective evaluation results in scenario2算法标准差平均梯度PSNRSSIM原图26.561.43MSR38.974.467.630.73DCP69.506.289.170.67本文算法69.976.3710.410.75对场景3和场景4进行客观评价测试，结果见表4和表5。场景3和场景4为具有较大天空区域的海雾图像，MSR算法的标准差和平均梯度最小，但失真程度较小。DCP算法的标准差略优于本文算法，平均梯度劣于本文算法，但PSNR和SSIM较本文算法明显降低，表明DCP算法在场景3和场景4失真较为严重。本文算法对图像各指标均有所提升，且失真最小，因此在场景3和场景4效果最优。表4场景3客观评价结果Tab.4Objective evaluation results in scenario 3算法标准差平均梯度PSNRSSIM原图12.860.76MSR9.671.6121.620.96DCP34.562.1310.760.84本文算法24.593.2721.690.96表5场景4客观评价结果Tab.5Objective evaluation results in scenario 4算法标准差平均梯度PSNRSSIM原图58.420.89MSR11.710.7110.270.88DCP43.102.107.440.60本文42.402.1611.390.903.3消融试验为了验证本文提出的HSV空间转换和改进的MSR算法在去雾中的有效性，对不同的模块进行消融试验。其他试验细节不变，对同一图像进行去雾，方法1为在RCB空间中运用改进MSR算法进行去雾，方法2 为在HSV空间中运用传统MSR算法进行去雾。最终结果见表6。表6不同模块对算法的影响Tab.6The influence of different modules on the algorithm方法标准差平均梯度PSNRSSIM原图12.860.76方法113.192.3118.610.91方法217.382.9619.770.87本文算法24.593.2721.690.96从表6 可以看出，方法1和方法2 相对于原图评价指标都得到提升，且本文算法的评价指标最优，表明本文改进的MSR算法和色彩空间转换均对去雾效果起到了提升作用。4结论海雾现象严重影响海上船舶正常航行，现有的去雾算法虽然能起到图像增强效果，但去雾后的图像存在细节丢失、亮度偏暗、色彩失真等问题。为解决这一系列问题，本文提出了一种基于Retinex理论的去雾算法，首先将图像转换HSV空间，对V通道王宇勃等：基于改进多尺度Retinex理论的海上图像去雾算法161进行单独处理，防止图像色彩失真严重；运用引导滤波求得图像细节层并改进MSR算法估计反射分量，再对H和S通道进行归一化处理,与V通道反射分量构成图像基础层；将基础层与细节层合并，进行自动白平衡得到最终结果图像。试验结果表明，本文算法能够有效去除海雾，增强图像细节信息，提高图像亮度，并校正图像色彩。处理后的图像标准差、平均梯度、PSNR及SSIM等客观指标均有所提升，表明本文算法具有一定先进性。但本文所提算法仅对图像进行了增强，后续可结合图像复原得到效果更好的去雾图像。参考文献1HU H M,GUO Q,ZHENG J,et al.Single imagedefogging based on illumination decomposition for visualmaritime surveillance J.IEEE Transactions on ImageProcessing,2019,28(6):2882-2897.2FEFILATYEV S,GOLDGOF D,SHREVE M,et al.Detection and tracking of ships in open sea with rapidlymoving buoy-mounted camera system J.OceanEngineering,2012,54:1-12.3高志远，詹文强，元海文。面向无人船的天空区域检测算法J中国航海，2 0 2 1，44（4）：10 1-10 6.GAOZY,ZHANW Q,YUANHW.Sky areadetection algorithm for USVJ.Navigation of China,2021,44(4):101-106.(in Chinese)4王炳德，杨柳涛基于YOLOv3的船舶目标检测算法J.中国航海，2 0 2 0，43(1)：6 7-7 2.WANG B D,YANG L T.Ship target detection algorithmbased on YOLOv3J.Navigation of China,2020,43(1):67-72.(in Chinese)5郑凤仙，王夏黎，何丹丹，等单幅图像去雾算法研究综述J计算机工程与应用，2 0 2 2，58（3）：1-14.ZHENG F X,WANG X L,HE D D,et al.Survey ofsingle image defoging algorithm J.Co mp u t e rEngineering and Applications,2022,58(3):1-14.(inChinese)6HE K M,SUN J,TANG X O.Single image hazeremoval1usingDarkChannelPriorJ.I EEETransactionsonPatternAnalysisandMachineIntelligence,2011,33(12):2341-2353.7杨哲，邵哲平基于自适应小波阈值与曲波变换的SAR图像去噪J中国航海，2 0 2 0，43（4）：46-51.YANG Z,SHAO Z P.SAR image denoising based onadaptive wavelet threshold and curvelet transform J.Navigation of China，2 0 2 0，43（4)：46-51.（i nChinese)8JOBSON D J,RAHMAN Z,WOODELL G A.Properties and performance of a center/surround RetinexJ.IEEE Transactions on Image Processing,1997,6(3):451462.9RAHMANZ,JOBSON D J,WOODELL G A.Multi-scale Retinex for color image enhancement C/Proceedings of 3rd IEEE International Conference onImage Processing.Lausanne:IEEE,1996.10JOBSONDJ,RAHMAN Z,WOODELL GA.Amultiscale Retinex for bridging the gap between colorimages and the human observation of scenesJ.IEEETransactions on Image Processing，19 9 7,6（7):965-976.11XU J,HOU Y K,REN D W,et al.STAR:a structureand texture aware Retinex modelJ.IEEE Transactionson Image Processing,2020,29:5022-5037.12史瑞雪基于Retinex理论的雾霾天气图像增强算法研究D太原：太原理工大学，2 0 2 1.SHI R X.Research on image enhancement algorithm ofhaze weather based on Retinex theory D.Taiyuan:Taiyuan University of Technology,2021.(in Chinese)13张航瑛，王雪琦,王华英，等基于明度分量的Retinex-Net图像增强改进方法J物理学报，2022,71(11):101-109.ZHANGHY,WANG X Q,WANG H Y,et al.Advanced Retinex-Net image enhancement method basedon value component processing J.Acta PhysicaSinica,2022,71(11):101-109.(in Chinese)14陈文艺，杨承勋，杨辉引导滤波和对数变换算法融合的多尺度Retinex红外图像增强J红外技术，2022,44(4):397-403.CHEN WY,YANG C X,YANG H.Multi-scaleRetinex infrared image enhancement based on the fusionof guided filtering and logarithmic transformationalgorithmJ.Infrared Technology,2022,44(4):397-403.(in Chinese)15HE K M,SUN J,TANG X O.Guided image filteringJ.IEEE Transactions on Pattern Analysis andMachine Intelligence,2013,35(6):1397-1409.16陶冶，许文海，徐鲁强，等。基于人工欠曝光融合和白平衡技术的水下图像增强算法J计算机应用，2021,41(12):3672-3679.TAO Y,XU W H,XU L Q,et al.Underwater imageenhancement algorithm based on artificial under-exposurefusion and white-balancing technique J.Journal ofComputer Applications，2 0 2 1,41（12)：36 7 2-36 7 9.(in Chinese)