水下图像太蓝看不清？手把手教你用Python+OpenCV复现COLOR TRANSFER去雾算法（附代码）
水下图像去雾实战：用Python实现COLOR TRANSFER算法
每次潜水拍摄回来的照片总是蓝得发慌？别急着删，这可能只是光线在水下的"恶作剧"。水下摄影爱好者常遇到这样的困扰：明明肉眼看到的珊瑚色彩斑斓，拍出来却像蒙了一层蓝色滤镜。今天我们就用Python+OpenCV，从零实现一篇经典论文中的COLOR TRANSFER技术，让这些"蓝精灵"照片重获新生。
1. 环境准备与基础知识
1.1 工具链搭建
首先确保你的Python环境已经就绪。推荐使用Anaconda创建独立环境：
conda create -n underwater python=3.8 conda activate underwater pip install opencv-python numpy matplotlib scikit-image关键库版本要求：
- OpenCV ≥ 4.5（包含完整的图像处理工具链）
- NumPy ≥ 1.20（高效的矩阵运算支持）
- scikit-image（提供颜色空间转换工具）
提示：如果处理4K分辨率图像，建议安装opencv-contrib-python以获取更快的DNN模块支持
1.2 水下成像原理速成
水对光线的吸收不是均匀的，不同波长的光衰减程度不同：
| 颜色通道 | 衰减系数(η) | 穿透深度(米) |
|---|---|---|
| 红色 | 0.3-0.5 | 3-5 |
| 绿色 | 0.1-0.2 | 8-10 |
| 蓝色 | 0.05-0.1 | 15-20 |
这就是为什么水下照片普遍偏蓝的原因。COLOR TRANSFER算法的核心思想是：从一张在清澈水域拍摄的参考图中"借用"颜色特征，来校正雾化图像的颜色偏差。
2. 算法实现步骤拆解
2.1 图像分层处理
直接应用颜色迁移会导致细节丢失，我们采用引导滤波将图像分解：
def guided_filter(I, p, radius=15, eps=1e-3): """引导滤波实现图像分层""" mean_I = cv2.boxFilter(I, cv2.CV_64F, (radius, radius)) mean_p = cv2.boxFilter(p, cv2.CV_64F, (radius, radius)) mean_Ip = cv2.boxFilter(I * p, cv2.CV_64F, (radius, radius)) cov_Ip = mean_Ip - mean_I * mean_p mean_II = cv2.boxFilter(I * I, cv2.CV_64F, (radius, radius)) var_I = mean_II - mean_I * mean_I a = cov_Ip / (var_I + eps) b = mean_p - a * mean_I mean_a = cv2.boxFilter(a, cv2.CV_64F, (radius, radius)) mean_b = cv2.boxFilter(b, cv2.CV_64F, (radius, radius)) return mean_a * I + mean_b处理流程：
- 对输入图像进行引导滤波得到基础层
- 原始图像减去基础层得到细节层
- 仅对基础层进行颜色迁移
- 最后合并处理后的基础层与原始细节层
2.2 颜色空间转换
RGB空间不适合直接进行颜色迁移，我们需要转换到lαβ空间：
def rgb_to_lab(img_rgb): """RGB到lαβ颜色空间转换""" # 先转换到XYZ空间 xyz = cv2.cvtColor(img_rgb, cv2.COLOR_BGR2XYZ) # 转换到LMS空间 lms = np.dot(xyz, np.array([[0.3897, 0.6890, -0.0787], [-0.2298, 1.1834, 0.0464], [0.0, 0.0, 1.0]])) # 对数变换 lms = np.log10(np.maximum(lms, 1e-6)) # 转换到lαβ空间 lab = np.dot(lms, np.array([[1/np.sqrt(3), 0, 0], [0, 1/np.sqrt(6), 0], [0, 0, 1/np.sqrt(2)]])) lab = np.dot(lab, np.array([[1, 1, 1], [1, 1, -2], [1, -1, 0]])) return lab关键参数说明：
- l通道：亮度信息
- α通道：黄蓝对立色信息
- β通道：红绿对立色信息
3. 核心算法实现
3.1 颜色迁移主函数
def color_transfer(src, ref): """核心颜色迁移函数""" # 转换到lαβ空间 src_lab = rgb_to_lab(src) ref_lab = rgb_to_lab(ref) # 计算均值和标准差 src_mean, src_std = np.mean(src_lab, axis=(0,1)), np.std(src_lab, axis=(0,1)) ref_mean, ref_std = np.mean(ref_lab, axis=(0,1)), np.std(ref_lab, axis=(0,1)) # 颜色迁移 lab = src_lab - src_mean lab = lab * (ref_std / src_std) lab = lab + ref_mean # 逆转换回RGB return lab_to_rgb(lab)3.2 完整处理流程
def underwater_dehazing(input_img, ref_img): """完整的水下去雾流程""" # 图像分层 base_layer = guided_filter(cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY), input_img.astype(np.float32)/255) detail_layer = input_img.astype(np.float32)/255 - base_layer # 基础层颜色迁移 base_layer_corrected = color_transfer((base_layer*255).astype(np.uint8), ref_img) # 合并结果 result = np.clip(base_layer_corrected + detail_layer, 0, 1) return (result * 255).astype(np.uint8)4. 实战调优技巧
4.1 参考图选择原则
不是随便找张清晰图片就能当参考图，理想参考图应满足：
- 拍摄环境相似：相同水域、相近深度拍摄的图片最佳
- 色彩特征明显：包含红、黄等易衰减颜色的物体
- 光照条件良好：自然光充足或人工补光均匀
- 无强烈反光：避免水面反射光造成的过曝区域
4.2 参数调优指南
| 参数 | 推荐范围 | 影响效果 | 调整策略 |
|---|---|---|---|
| 引导滤波半径 | 15-30 | 基础层平滑程度 | 图像噪声大时增大 |
| 引导滤波ε | 1e-3~1e-2 | 边缘保持能力 | 需要锐利边缘时减小 |
| 颜色迁移强度 | 0.5-1.2 | 色彩校正幅度 | 根据水质浑浊度调整 |
4.3 效果增强技巧
- 多参考图融合：对同一场景使用多张参考图的结果取平均
- 局部颜色迁移：对不同深度区域使用不同的参考图
- 后处理锐化：对细节层适当增强后再合并
# 细节层增强示例 enhanced_detail = detail_layer * 1.5 # 增强系数 result = np.clip(base_layer_corrected + enhanced_detail, 0, 1)5. 进阶应用与效果评估
5.1 与深度估计结合
通过颜色校正后的图像，可以更准确地进行深度估计：
def estimate_depth(dehazed_img): """基于暗通道的深度估计""" dark_channel = np.min(dehazed_img, axis=2) depth_map = -np.log(dark_channel / 255.0 + 1e-6) return cv2.normalize(depth_map, None, 0, 255, cv2.NORM_MINMAX)5.2 效果评估指标
实现这些评估函数来量化改进效果：
def ucique_metric(img): """水下图像质量评估""" # 实现细节参考相关论文 pass def pcqi_metric(img1, img2): """对比度质量指数""" # 实现细节参考相关论文 pass在实际项目中，我发现当参考图与被处理图像的光照角度相似时，颜色迁移效果最自然。有一次处理一组沉船照片，尝试了5种不同参考图后，最终选择了一张同位置但更浅水域拍摄的照片作为参考，得到了最满意的色彩还原效果。