针对水下图像因成像环境造成的色彩失真、对比度下降、模糊等问题，提出一种自适应水下图像增强算法。首先，基于Lab色彩空间的局部色偏和全局色偏对衰减颜色进行色彩补偿，再利用灰度世界算法恢复水下图像的色彩平衡。其次，使用自动色阶和伽马校正方法调整各通道信息，以获得高动态范围、高照度的图像。最后，通过反锐化掩膜方法获得高频信息并增强图像细节，从而获得清晰的水下图像。所提算法利用图像的色偏、均方差等统计信息，实现了自适应处理。实验结果表明，所提算法能有效去除水下图像色偏，提高图像对比度与清晰度，提升视觉效果。较之其他算法，其在处理效果及时间上均有优势。

设计了一种多阶段水下图像增强模型，可以同时将空间精细纹理和高级上下文信息两种特征融合。模型由三个阶段组成，前两个阶段采用编码器-解码器结构，第三阶段则采用并行注意子网，所提模型可以同时学习空间细节和上下文信息两种特征，并且引入了监督注意力模块，能够加强特征学习，还设计了一个跨阶段特征融合机制用来巩固前后子网的中间特征。最后将所提模型与其他水下增强模型在同一测试集上运行，从运行结果得出，所提模型处理后的水下图像在主观视觉效果和客观评价质量上均优于大部分对比算法，在Test-1测试集上，峰值信噪比和结构相似度分别达到了26.2962 dB和0.8267。

由于水体对光的吸收和散射作用，水下图像普遍存在颜色失真和细节模糊这两种退化问题。为了得到色彩鲜明、细节清晰的水下图像，提出了一个基于多尺度注意力和对比学习的水下图像增强算法模型。该模型采用编码-解码结构作为基础框架，为了提取到更细粒度的特征，在编码部分设计了一个多尺度通道像素注意力模块，利用3个并行支路提取图像中不同层次的特征，然后将3条支路提取的特征进行融合输入到下一层编码器以及对应的解码层，提高网络特征提取以及细节增强的能力。最后，为了进一步提高增强图像的质量，引入对比学习训练网络。大量实验证明，本文算法增强后的图像色彩鲜明且细节信息保留较好。峰值信噪比和结构相似性指标的平均值最高可达到25.46和0.8946，与其他方法相比至少提高了4.4%和2.8%；水下彩色图像质量指标和信息熵的平均值最高为0.5802和7.6668，与其他方法相比均至少提高了2%；特征点匹配平均比原始图像多24个。

利用平面激光诱导荧光（PLIF）技术实现气溶胶流场的实时探测，对气溶胶流场运动的研究有着重要意义。针对PLIF气溶胶流场实时探测中微弱信号可视性较差的问题，提出一种信号强度分类变换方法，根据信号强度特征设定限制条件，通过迭代将信号分为若干强度区间，并对各区间内信号强度重新规划赋值。将强度分类变换方法应用于PLIF气溶胶流场探测的荧光信号处理，与限制对比度自适应直方图均衡化（CLAHE）的处理结果相比，该方法在大动态范围荧光信号的微弱信号增强、噪声抑制方面具有较好的效果，对微弱信号信背比的提升超过20%。针对气溶胶流场不同变化阶段，所提方法可以实现25 frame/s的实时处理，满足对气溶胶流场荧光信号实时探测的要求。

针对水下图像颜色失真和细节丢失等问题, 提出了一种基于多尺度三重注意力机制的水下图像增强算法。该算法使用生成对抗网络作为基础架构, 生成网络采用编码解码结构, 并设计一个多尺度三重注意力模块, 多尺度结构和三重注意力机制结合可以实现不同层次信息的跨维度交互, 使网络更好地学习水下图像特征和抑制噪声特征, 判别网络采用类似马尔可夫判别器的结构; 构建了多个损失函数, 使生成的图像在结构、内容、色彩上和参考图像保持一致。实验结果表明, 所提算法在主观视觉和客观评价指标上均优于比较算法, 可以有效地提升网络的特征提取能力, 实现对不同场景水下图像的色彩恢复, 增强图像的对比度和清晰度。

为了降低多尺度分解融合算法的复杂性, 并提高融合图像适应人类视觉特点, 本文提出一种基于引导滤波二尺度分解的红外与可见光图像融合的方法。首先利用引导滤波对可见光图像实施增强的图像预处理, 然后利用引导滤波将源图像分解为基础层和细节层。在细节层的融合规则中我们采用能量保护和细节提取的方法, 最后将融合后的细节层与基础层合成融合结果。实验结果表明所给方法在提高视觉感知、细节处理、边缘保护等方面都有良好的效果。本文最后还讨论了可见光图像增强对融合方法的影响: 从实验数据可知, 增强可以提升融合效果, 但在图像融合中融合方法才是关键。

针对水下照明图像存在不均匀色偏、对比度低和细节模糊等问题, 提出了一种基于颜色校正的水下照明图像融合方法。首先利用图像通道间的像素相关性, 对红通道进行补偿; 然后基于颜色校正图像, 利用非线性反锐化掩蔽(Nonlinear unsharp masking)技术获得锐度增强图像, 采用具有瑞利分布的限制直方图获得全局拉伸图; 最后通过多尺度融合策略生成融合图像。在自建数据集(Real underwater lighting image, RULI)上的实验结果表明: 本文方法能够去除混合光照在成像过程中的不均匀散射干扰, 并大幅度提高图像的细节清晰度。其图像质量评估指标(Underwater image quality measures, UIQM)和(Image entropy, IE)的平均值分别为 4.7399和 7.7617, 优于现有文献涉及的相关算法。