En ny hybrid anpassad färgkorrigering och återkommande konvolutionella neurala nätverksmetod för förbättring av undervattensbilder

Varför tydligare undervattensfoton spelar roll

Oavsett om det handlar om marinbiologer som kartlägger korallrev, ingenjörer som inspekterar undervattenskablar eller dykare som delar filmer från en helgutflykt, möter alla samma problem: undervattensbilder ser ofta dimmiga ut, är tonade i blågrönt och saknar detaljer. Den här studien presenterar ett nytt sätt att rensa upp sådana bilder så att scener under ytan framstår närmare hur vi skulle se dem i klar luft, vilket hjälper både mänskliga observatörer och datorbaserade system att bättre tolka undervattensmiljön.

Problemet med att ta bilder under vatten

Vatten är mycket mer än bara en tätare version av luft. När ljus färdas genom vatten absorberas och sprids vissa färger mer än andra. Röda och gula nyanser försvinner snabbt med djup eller avstånd, medan blått och grönt färdas längre, vilket är anledningen till att många undervattensscener ser blåaktiga och mattade ut. Små partiklar i vattnet sprider ljus åt alla håll, tvättar ut kontrast och döljer fina detaljer. Dessa effekter frustrerar inte bara fritidsfotografer utan försvagar även prestandan hos algoritmer som försöker hitta objekt, kartlägga botten eller övervaka marin fauna i bilder och video.

Existerande knep och varför de inte räcker

Forskare har prövat många strategier för att förbättra undervattensbilder. Vissa metoder bygger på fysikbaserade formler som beskriver hur ljus absorberas och sprids, och försöker invertiera den processen. Andra justerar ljusstyrka och kontrast, ändrar färgbalans eller arbetar i särskilda färgrymder som separerar ljushet från färg. Nyare tekniker använder djuplärande metoder, där neurala nätverk tränas på stora samlingar undervattensbilder för att lära sig hur en "bra" bild ser ut. Många av dessa tillvägagångssätt är emellertid antingen handbyggda pipelines med fasta steg eller enkelpass-nätverk. De har svårt när vattenförhållandena varierar, när belysningen är ojämn eller när det finns kraftigt brus, eftersom de inte lätt kan anpassa sig och förfina resultatet över flera iterationer.

En hybrid väg från grumligt till klart

Författarna föreslår en hybridmetod som kombinerar styrkorna hos klassisk färgkorrigering med ett modernt återkommande konvolutionellt neuralt nätverk, en typ av djuplärande modell utformad för att upprepade gånger förfina sina förutsägelser. Först analyserar ett anpassat färgkorrigeringssteg hur olika våglängder försvagats och justerar respektive färgkanal därefter. Istället för att blint förstärka rött eller dämpa blått uppskattar det hur kraftigt ljuset har dämpats i den specifika undervattensmiljön och återställer mer naturliga färgtoner. Bilden konverteras sedan till en färgrymd som speglar mänsklig perception, där total ljushet separeras från färgkomponenter, vilket gör det lättare att rätta till förvrängningar utan att förstöra detaljer.

Låta nätverket återbesöka bilden

Efter den initiala färgkorrigeringen skickas den förfinade bilden genom ett återkommande neuralt nätverk. Till skillnad från ett standardnätverk som analyserar en bild en gång, matar denna design tillbaka sin output, vilket tillåter modellen att ompröva scenen över flera iterationer. Vid varje pass skärper den kanter, rengör brus och förbättrar kontrast samtidigt som den försöker undvika konstiga glorieeffekter eller överdrivet förbättrade områden. Ytterligare bearbetningssteg jämnar ut brus på ett sätt som skyddar gränser mellan objekt, och specialhantering av blå och gröna kanaler hjälper till att korrigera den vanligaste undervattensfärgbalansen. Hela pipeline:n rör sig alltså från råa, tonade bilder till successivt klarare och mer korrekta representationer.

Bevis från olika undervattensscener

För att bedöma metodens effektivitet testade forskarna den på en rad publika undervattensbildssamlingar, som omfattade syntetiska och verkliga scener samt stillbilder och video. De utvärderade kvalitet med standardmått som jämför skärpa, strukturell likhet och bruspåverkan, samt med poäng som inte kräver en perfekt referensbild — viktigt i havet där en verkligt "korrekt" vy sällan finns. Över bilder av korallrev, statyer på havsbotten, simmande fiskar och dykare gav deras metod konsekvent högre poäng än konkurrerande tekniker och levererade bilder som mänskliga betraktare bedömde som klarare, mer färgrika och rikare på detaljer.

Vad detta betyder för att se under ytan

Enkelt uttryckt visar studien att noggrann färgkorrigering följt av att låta ett intelligent nätverk upprepade gånger putsa resultatet leder till undervattensbilder som ser mer naturliga ut och avslöjar mer information. Metoden kan ha svårigheter i mycket mörka förhållanden och dagens kvalitetspoäng speglar inte perfekt mänskligt omdöme, men denna hybrida strategi erbjuder redan ett praktiskt lyft för uppgifter som objektdetektion, inspektion och miljöövervakning under ytan. Med vidare förbättringar och bättre sätt att mäta bildkvalitet kan verktyg som detta bli standardkomponenter i undervattenskameror och robotar, och ge oss ett klarare fönster mot haven.

Citering: Natarajan, D., Sudhakaran, P. & Bereznychenko, V. A novel hybrid customized color correction and Recurrent Convolutional Neural Networks approach for underwater image enhancement. Sci Rep 16, 14006 (2026). https://doi.org/10.1038/s41598-026-44535-z

Nyckelord: undervattensavbildning, bildförbättring, färgkorrigering, djuplärande, marin vision