随着科技水平的发展,水下探测已经成为世界范围内一项重要的科学探测工作。水下光学成像是开展水下科探的重要手段之一,其图像质量是影响探测成效的关键因素。然而,复杂的水体环境致使水下物体成像时受悬浮颗粒吸收和散射作用影响,形成模糊的边界与较低的对比度,水中物体难以被辨认,同时呈现不同程度的蓝绿色偏,不能反映水下物体的真实样貌,也为后续一些图像处理高级任务带来困难。水下图像复原处理能够提升这类图像的清晰程度,改善主观效果并提升后续机器视觉任务的可靠性。因此,开展针对水下失真图像的校正与复原研究是具有应用前景与重要研究价值的。本文对水下图像复原算法进行研究,针对现有传统算法与基于深度学习算法存在的局限性,如算法普适性较低、色偏校正不准确、图像中细节重建有失精确、训练过程中缺乏真实图像中的信息等,提出了端到端的深度水下图像复原网络,去除水下降质图像的色偏影响,并恢复清晰的边界。本文的主要创新性工作包括以下三点:一、提出基于编解码单元的多尺度水下图像复原算法。针对现有水下图像处理算法存在的诸多局限性,如难以处理误差叠加现象、对于水下图像的颜色恢复不自然、对于严重降质的水下图像复原时难以获得较好的效果等,提出一种新的水下图像复原网络。网络采用端对端结构,从思路上直接避免代入参数时出现的误差叠加现象;同时使用编解码结构,结合多尺度思想与跨层连接,有效增强了网络对水下图像的解析重构能力;提出一种全新的编解码单元,使网络更易拟合的同时对细节的重建更加精确。该网络恢复得到的图像较其他算法恢复得到的图像对比度更高,色彩更加自然,图像整体质量更高。在处理退化程度严重的水下图像时,该网络能得到较其他算法相比明显更优质的结果。二、提出基于密集连接的环境光感知辅助水下图像复原算法。现有算法在如何高效学习降质前后图像间特征,与如何准确对颜色进行校正等方面存在可改进之处。本文基于这些可改进之处提出一种新的水下图像复原网络。该网络引入环境光感知子网络,使网络复原得到的结果较其他方法有更自然的色彩呈现。同时,网络引入密集连接下的残差模块,使其在训练过程中网络各层的信息传递更加高效、最终获取到更加完善的特征信息。经过主客观实验对比,该算法处理得到的图像较其他方法边界更清晰、颜色更自然,图像的整体质量更高。三、提出颜色补偿的交替训练方法。考虑到现有深度学习算法在训练过程中缺乏真实水下图像信息,本文提出一种能够合理利用真实水下图像信息的颜色交替补偿训练方法。利用带有色板信息的水下图像与对应色板的理想颜色值,制作与水下图像配对的蒙板图,并制作真实水下图像训练集,为网络提供了真实的颜色信息,补偿了合成图像在这一方面与真实情况下的颜色偏差。实验表明,使用该方法训练得到的网络,与不使用该方法训练的网络相比,在图像颜色复原上能够有更加准确的呈现。