清晰的水下图像和视频可以为水下智能机器人提供宝贵的环境信息,这对于许多工程和研究任务是必不可少的。因此,面向水下场景的水下图像质量评估与增强研究具有重要的学术意义与实用价值。本文面向高清晰度的水下图像需求,提出水下图像质量评估、水下图像色差修正、水下图像去模糊和超分辨率策略,改善真实水下图像的颜色偏差、模糊和细节缺失等失真现象。主要研究工作如下:首先,针对现有水下图像质量评估方法容易和主观评估结果不一致的问题,基于深度学习理论提出一种梯度纹理显著性引导的多任务水下图像质量评估策略。提出的方法包含质量评估任务与失真分类任务,首先在共享特征提取层结合梯度图,从而增强提取图像轮廓显著性的能力;然后使用提取的图像特征和标注的水下图像失真类型训练失真分类模型;接着使用图像特征和标注的质量分数,结合失真分类模型的输出,训练质量评估模型。实验结果表明,所提出的算法可以稳定地给出符合人类主观评估的质量分数,同时能够根据失真类型对水下图像分类,为水下图像分步增强做准备。其次,针对水介质中光线衰减导致水下图像颜色偏差的问题,提出一种基于特征解耦学习的无监督水下图像色差修正方法。一方面,将色差修正问题转换成风格迁移问题,结合特征解耦方法提取相互独立的色差特征和结构特征,进而在保证结构不变的基础上对风格进行;另一方面,针对获取同一场景下清晰-非清晰配对数据集难度大且成本高的问题,提出采用循环生成对抗网络进行图像变换的方案,实现无监督学习。通过定性分析和定量分析验证提出的水下色差修正算法的有效性和优越性。最后,为了对去色差后的结果图像进行细节增强,建立先去模糊后超分辨率的分步式循环生成对抗框架。通过在第一阶段的循环生成对抗网络中引入特征解耦方法,有效剔除低分辨率图像的模糊失真;另外,在第二阶段的循环生成对抗网络结使用基于通道注意力机制的生成器,自适应地调整各特征通道的权重,所提出方法不仅可以改善水下图像的模糊问题和去色差结果图像的棋盘伪影问题,也可以增强图像的细节信息。综上所述,本文从图像质量评估、色差修正、去模糊和超分辨率四个角度对水下图像质量评估与增强展开研究,建立了评估-增强-评估的水下图像质量评估与增强框架。