随着中国水下航行器的进步,水下图像处理技术在国际上引起了广泛的关注。由于水下环境的复杂性,水下拍摄得到的图像与视频往往质量较低,需要进行鲁棒的质量增强。在图像处理技术飞速发展的今天,如何根据大数据时代大量水下图像应用的需求,从众多增强算法中高效准确地为水下成像应用场景挑选出一种性能优异的质量增强算法是个颇具探究价值的科学问题。水下图像集的质量评价通常需要从原始图像集中选取一定数量的图像子集,通过质量评估准则评估各种增强算法在图像子集上的一致增强性能,并将得到的子集一致增强性能作为增强算法对原始图像集的一致增强性能。本文通过实验对比发现,在子集导引一致增强评估准则下,现有的子集选取方法在对原始图像集进行抽样时,所需候选子集的抽样数据过多,且不具备对数据内容的自适应能力。对此,本文在第三章研究了面向一致增强评估的子集比例动态选取方法,所提方法将候选子集进一步划分为若干份抽样子集,按照不放回抽样策略进行抽样,并根据一致增强评估准则得到某一待检增强算法对逐份抽样子集的一致性增强度,利用一定置信水平条件下的学生-t分布,自适应地选定子集比例,并预估该增强算法对原始图像集的一致性增强度。实验结果表明,相比于现有的子集选取方法,所提方法在各种情况下均能减少原始图像集的抽样数据,同时正确判断出每种增强算法的一致性能。所提方法在保持评估误差相当的条件下,相比子集固定比例方法可减少2%～14%的子集比例,相比逐级递增方法可减少3%～9%的子集比例,从而鲁棒地降低了子集导引一致增强评估的复杂度。随着深海探测技术的不断发展,水下视频在海底探索和研究中的作用日益凸显,而视频质量评价在视频技术研究中处于重要地位。因此,本文在第四章进一步研究了面向无参考水下视频的增强算法评价准则,该准则通过对视频进行分段评估,结合子集选取方法逐帧评测增强算法在各段视频的增强系数,并计算该算法在不同视频段上增强性能的奇异系数作为算法的鲁棒系数,最终结合增强系数与鲁棒系数对算法的性能进行评测。经过实验验证,所提准则对不同的水下视频、不同的增强算法具有良好的适用性。在对水下视频进行增强算法的性能评估时:在单一水下环境中,所提准则相比均值准则最高可提升32.19%的评价准确率;在多种水下应用场景中,所提准则相比均值准则可提升12.96%的评价准确率。在图像处理应用中,不同场景具有各种增强算法,其性能的好坏通常由人们主观评判,但是在有些场景下主观评价并不可靠。同时,如果想使用这些算法进行图像分析往往需要搭建运行环境、修改参数配置,操作起来很不方便。为此,本文跨平台地开发了一款面向水下图像的“水下成像性能评价系统”,帮助用户综合分析各类算法在不同场景的实际应用性能,选择有效的质量增强算法。所开发的系统将水下图像质量测度、一致增强评估准则、子集自适应选取方法、面向无参考水下视频的增强算法评价准则等图像处理技术融合起来,为使用者提供一套智能的水下成像性能评价工具。此外,所开发的系统针对不同的使用场景设计功能模块,可以准确高效地为水下图像集或视频挑选增强性能优越且鲁棒的增强算法。